見出し画像

フィジカルAIに必要な12のソフトウェア層

香川友志

ヒューマノイド開発ロードマップ・ソフトウェア編 第2回

ヒューマノイドを“歩く機械”から“働くAI”に変える全体地図

前回の記事では、フィジカルAI開発において、なぜハードウェアだけでなくソフトウェアが重要になるのかを整理しました。

第1回のテーマは、危機感と戦略でした。

日本は、モーター、減速機、センサー、産業用ロボット、工作機械、精密部品では世界的に強い。しかし、ヒューマノイドが本格的に社会実装される時代には、価値の中心がハードウェアからソフトウェアへ移っていく。

歩けるロボットと、働けるロボットは違う。

ロボット本体は買えるようになる。 汎用的なロボットデータも買える時代になる。 しかし、自社の現場でしか取れない失敗データ、安全運用データ、業務連携データは、自社で育てるしかない。

第1回では、そうした大きな前提を整理しました。

今回の第2回では、そこから一歩進めます。

今回は、フィジカルAIを実際に開発・運用するために必要なソフトウェアを、12の層に分けて整理します。

つまり、第1回が「なぜソフトウェアが重要なのか」という思想と戦略の記事だとすれば、今回の第2回は、実際にどんなソフトウェア層が必要なのかを示す全体地図です。

ヒューマノイドを動かすソフトウェアは、1つのAIモデルではありません。

ChatGPTのような大規模言語モデルを入れれば、それだけでロボットが働けるわけではありません。

VLAモデルを入れれば、それだけで家事や工場作業ができるわけでもありません。

世界モデルを使えば、それだけで現実の物理世界を完全に理解できるわけでもありません。

フィジカルAIには、複数のソフトウェア層が必要です。

これらが積み重なって初めて、ヒューマノイドは「歩く機械」から「働くフィジカルAI」になります。

1. なぜ12層に分ける必要があるのか

フィジカルAIを語るとき、多くの人は一つの目立つ技術に注目します。

たとえば、VLA。 たとえば、世界モデル。 たとえば、シミュレーション。

もちろん、これらはすべて重要です。

しかし、フィジカルAIは一つの技術だけでは成立しません。

ロボットは、現実世界で動くAIです。

現実世界には、摩擦があります。重力があります。接触があります。衝突があります。照明の変化があります。センサー誤差があります。人間の予測不能な動きがあります。設備の個体差があります。現場ごとのルールがあります。安全基準があります。業務システムがあります。

そのため、フィジカルAIには、多層的なソフトウェア構造が必要になります。

人間に例えると分かりやすいです。

人間には、目があります。耳があります。皮膚があります。平衡感覚があります。大脳があります。小脳があります。脊髄反射があります。記憶があります。経験があります。社会的なルールがあります。職場のルールがあります。

ロボットにも、同じように複数の層が必要です。

1つの巨大AIモデルだけで、これらすべてを安全に担うのは現実的ではありません。

だから、フィジカルAIを12層に分けて理解することが重要になります。

2. フィジカルAIに必要な12のソフトウェア層

今回整理する12層は、以下です。

番号ソフトウェア層役割1認知層センサーから現実世界を読む2世界モデル層世界の構造と未来を予測する3大脳AI層言語理解、推論、計画、タスク分解を行う4VLA層見る・言葉を理解する・行動を出す5スキルライブラリ層基本動作を再利用可能な部品にする6小脳制御層姿勢、歩行、把持、力加減を制御する7ロボットOS・ミドルウェア層センサー、AI、制御、アクチュエータをつなぐ8デジタルツイン層現実のロボットと現場を仮想空間に再現する9シミュレーション・Sim-to-Real層仮想空間で訓練し、現実へ移す10データ基盤層実機ログ、失敗データ、学習データを蓄積する11安全・セキュリティ層人・設備・ロボットを守る12RoboOps・現場連携層複数台運用、遠隔監視、ERP/MES/WMS連携を行う

この12層は、単純に上から下へ一方向に流れるものではありません。

実際には相互に関係しています。

つまり、フィジカルAIは、単体のAIモデルではなく、循環するソフトウェアシステムです。

見る。理解する。考える。動く。失敗する。記録する。再学習する。安全に運用する。

この循環を作ることが、フィジカルAI開発の本質です。

なお、各層に挙げる企業群は「主要プレイヤー」「ベンチマーク企業」として整理しています。世界トップを断定するものではなく、注目すべき動きをしている代表例として参考にしてください。

3. 第1層:認知層──センサーから現実世界を読む

最初の層は、認知層です。

ロボットが現実世界で動くためには、まず世界を読む必要があります。

カメラだけでは足りません。 LiDARだけでも足りません。 IMUだけでも足りません。 触覚だけでも足りません。

現実世界で動くロボットには、複数のセンサーを組み合わせた認知システムが必要です。

認知層に入ってくるデータ

  • RGBカメラ画像

  • 深度カメラ画像

  • ステレオカメラ

  • LiDAR点群

  • IMUデータ

  • エンコーダ情報

  • 力覚センサー

  • 触覚センサー

  • 足裏圧力センサー

  • マイク音声

  • 距離センサー

認知層で行う処理

物体検出、画像分類、セグメンテーション、深度推定、姿勢推定、人検知、3D物体認識、SLAM、自己位置推定、センサー融合、接触検知、滑り検知、異常検知。

つまり、認知層は「生のセンサーデータ」を「意味のある状態情報」に変換する層です。

ここが弱いと、後ろの世界モデルもVLAも正しく働きません。

入力が間違っていれば、どれだけ賢い大脳AIでも間違えます。

フィジカルAIの第一歩は、現実世界を正しく読むことです。

主要プレイヤーマップ

  • センサー部材:キーエンス(日)、オムロン(日)、ソニー(日、CMOSイメージセンサー)、Hokuyo(日、LiDAR)、Ouster(Velodyne統合後)、Livox(LiDAR)、RealSense(旧Intel RealSense、2025年7月にIntelからスピンアウト独立、深度カメラ)

  • 触覚センサー:GelSight(米)、Sanctuary AI(加)、ifm electronic(独)

  • 3Dビジョン・SLAM:Boston Dynamics、Skydio、Mobileye、Wayve

日本企業のターゲット企業:この領域は、日本企業が部材・センサー・画像処理で強みを出しやすいレイヤーです。特にキーエンス、オムロン、ソニーは世界的な存在感を持ちます。一方で、センサーデータをロボット用の状態情報へ変換するソフトウェア層では、海外勢のエコシステムが先行しています。

4. 第2層:世界モデル層──世界の構造と未来を予測する

認知層が現実世界を読む層だとすれば、世界モデル層は、その世界を理解し、未来を予測する層です。

世界モデルは、フィジカルAIの中核です。

ただし、世界モデルは単なる画像認識ではありません。

目の前に何があるかを認識するだけでなく、その物体がどう動くか、押したら倒れるか、人が次にどこへ動くかを予測する必要があります。

世界モデルと物理シミュレータの違い

物理シミュレータは「物理法則を計算する環境」。 世界モデルは「世界がどう変わるかを学習したAI」。

この2つは対立するものではありません。組み合わせて使います。

主要プレイヤーマップ

  • World Foundation Model:NVIDIA(Cosmos Predict / Transfer / Reason)、Google DeepMind(Genie 3。Veo 3は関連する動画生成モデル)、World Labs(Marble、Fei-Fei Li設立)

  • 物理シミュレータ系世界モデル:Boston Dynamics、Tesla、Wayve(自動運転向け)

  • インタラクティブ世界生成:Decart、Odyssey、Runway

日本企業のターゲット企業:正面対決は厳しいレイヤー。NVIDIAやWorld Labsの基盤を使いながら、現場特化の世界モデルを作るのが現実的。詳細は第3回・第4回で扱います。

5. 第3層:大脳AI層──言語理解、推論、計画、タスク分解

世界を理解しただけでは、ロボットは働けません。

次に必要なのは、何をすべきかを考える層です。

これが大脳AI層です。

人間からの指示を理解し、目的を解釈し、作業手順に分解し、必要なスキルを選び、実行順序を決めます。

家庭用ロボットであれば、「リビングを片付けて」という指示を、床の物を拾う、ゴミを分類する、本を棚に戻す、食器をキッチンへ運ぶ、危険物は触らない、最後に確認する、という手順に分解する必要があります。

これは、VLAよりも上位の処理です。

主要プレイヤーマップ

  • 大規模言語モデル:OpenAI、Anthropic、Google DeepMind、Meta、xAI

  • 中国系:DeepSeek、Qwen(Alibaba)、Doubao(ByteDance)、Baidu ERNIE

  • ロボットへの統合:Figure AI(GPT系を活用後にHelixへ移行)、1X Technologies、Skild AI

日本企業のターゲット企業:ここも基盤モデル競争で正面勝負は厳しい。日本ではPreferred Networks、ELYZA、Sakana AI、NTT(tsuzumi)、富士通(Takane)などが基盤モデル開発を進めています。狙いどころは、汎用LLMをそのまま使うのではなく、日本の現場マニュアル、安全ルール、業務知識でファインチューンしたロボット用大脳AIを作ること。

6. 第4層:VLA層──見る・言葉を理解する・行動を出す

VLA層は、フィジカルAIの中でも非常に注目されている領域です。

VLAとは、Vision-Language-Actionの略です。

「青いカップを取って」という指示があった場合、VLA層は、カメラ画像の中から青いカップを見つけ、その対象に向けた行動を生成します。

VLAには、End-to-Endで関節動作まで直接出力するアプローチと、VLAは高レベルな行動指示だけを出し、その下のスキルライブラリや小脳制御が実際の動きを担う階層型のアプローチがあります。

どちらが正解かは、まだ業界全体で答えが出ていません。

主要プレイヤーマップ

  • VLA専門スタートアップ:Physical Intelligence(π0系、2026年時点ではπ0.7も発表、Alphabet傘下CapitalGがリード投資)、Skild AI(Skild Brain)

  • ヒューマノイドメーカーの自社VLA:Figure AI(Helix、System 1/System 2構成。2026年のHelix 02ではSystem 0も追加)、Tesla(Optimus用社内モデル)、1X Technologies、AgiBot(GO-1)

  • 基盤モデル提供:NVIDIA(GR00T N1.5、N1.7)、Google DeepMind(Gemini Robotics 1.5)

  • オープンソース:OpenVLA(スタンフォード)、π0 / π0.5(Physical Intelligenceが一部オープンソース化)

日本企業のターゲット企業:Physical IntelligenceとSkild AIをベンチマークとして見ながら、日本独自の現場特化VLAを作る方向。Preferred Networks、Sakana AIなどが日本の有力候補ですが、まだ発展段階。

7. 第5層:スキルライブラリ層──基本動作を再利用可能な部品にする

VLAや大脳AIが上位判断をしても、ロボットには実行できる基本動作が必要です。

これがスキルライブラリ層です。

掴む、置く、押す、引く、回す、開ける、閉める、運ぶ、差し込む、避ける、渡す、受け取る、拭く、畳む。

このような基本スキルを部品化したものです。

スキルライブラリがないと、VLAやLLMが毎回低レベルの動作まで考える必要があります。

これは非常に不安定です。

実用的なフィジカルAIでは、上位のAIがすべてを直接制御するのではなく、検証済みのスキルを呼び出す設計が重要です。

主要プレイヤーマップ

  • 汎用スキルライブラリ:NVIDIA Isaac Manipulator、Physical Intelligence(π0系)、Skild AI(Skild Brain)

  • 産業特化スキル:ABB Robotics、ファナック(日)、安川電機(日)、KUKA、Universal Robots、川崎重工(日)

  • マニピュレーション専門:Covariant(2024年にAmazonがロボット基盤モデルの非独占ライセンスを取得し、創業者・一部人材を採用)、Sanctuary AI、Dexterity

日本企業のターゲット企業:ここは日本企業が狙いやすいレイヤーの一つです。ファナック、安川電機、川崎重工、デンソー、三菱電機などは、長年にわたり産業用ロボットの基本スキルを蓄積しています。これをヒューマノイド時代のスキルライブラリに変換できれば、世界で戦える可能性があります。

8. 第6層:小脳制御層──姿勢、歩行、把持、力加減を制御する

小脳制御層は、ロボットの身体を安定して動かすための層です。

腕の軌道、関節角度、トルク、重心、足裏接地、手先の力、姿勢の安定。

これらを扱うのが小脳制御層です。

姿勢制御、歩行制御、バランス制御、逆運動学、順運動学、動力学、モーションプランニング、MPC、全身協調制御、インピーダンス制御、力制御、視覚サーボ、反射制御、転倒回避、把持制御、手指制御。

ヒューマノイドでは、特に全身協調が難しいです。

大脳AIがどれだけ賢くても、小脳制御が弱いと現実では動けません。

主要プレイヤーマップ

  • 歩行・全身制御の代表的プレイヤー:Boston Dynamics(Atlas、Hyundai傘下)、Unitree(H2)、Agility Robotics(Digit)

  • 手指制御:Sanctuary AI(Phoenix)、Shadow Robot(英)、Clone Robotics

  • MPC・力制御:ETH Zurich発スピンアウト各社、Boston Dynamics

  • 産業用制御:ファナック(日)、安川電機(日)、ABB、KUKA、Universal Robots

日本企業のターゲット企業:この領域は日本のロボット制御技術が伝統的に強い分野です。ファナック、安川電機、川崎重工、デンソーウェーブ、三菱電機は、産業用ロボットや制御技術で世界的な実績を持ちます。ヒューマノイド向けに全身協調制御を進化させれば、Boston DynamicsやUnitreeに対抗できる可能性があります。本田技研工業(ASIMO開発の蓄積)、産業技術総合研究所、東京大学(JSK研究室)、AISTのHRPシリーズも日本の小脳制御の知的財産です。

9. 第7層:ロボットOS・ミドルウェア層──センサー、AI、制御、アクチュエータをつなぐ

代表的なのがROS 2です。

フィジカルAIでは、センサー、AIモデル、制御ソフト、モーター、ログ、通信、可視化、シミュレーションが複雑につながります。

これらを個別にバラバラで動かすと、すぐに破綻します。

そこで、ロボットシステム全体をつなぐミドルウェアが必要になります。

人間に例えるなら、神経系の中の「配線」です。

ただし、ROS 2はリアルタイム制御の中核そのものではありません。ヒューマノイドの低レイヤー制御(1kHz以上の関節制御ループ)は、ROS 2の上ではなく、別のリアルタイム制御層で動くのが一般的です。

主要プレイヤーマップ

  • ROS / ROS 2の中核:OSRF(Open Source Robotics Foundation、ROS/Gazebo等の非営利管理母体)、Intrinsic(Alphabet傘下、旧OSRC/OSRC-SG資産を取得)

  • DDS実装:Eclipse Cyclone DDS、eProsima Fast DDS、RTI Connext

  • micro-ROS / リアルタイム制御:eProsima、ROS-Industrial Consortium

  • 商用ロボットOS:NVIDIA Isaac ROS、Intrinsic Flowstate、Apex.AI(自動車向け)

日本企業のターゲット企業:ここは海外主導の領域。日本では、ROS-Industrial Consortium日本支部、ティアフォー(自動運転向けAutoware)、各大学(東大、阪大、産総研)の貢献はあるが、グローバル基盤は握れていません。日本企業が狙うべきは、ROS 2を使いこなしながら、その上に現場別のミドルウェア拡張を作ること。

10. 第8層:デジタルツイン層──現実のロボットと現場を仮想空間に再現する

デジタルツイン層は、現実のロボット、工場、倉庫、家庭、設備、人の動線などを仮想空間に再現する層です。

ここで重要なのは、デジタルツインは単なる3D CGではないということです。

必要なのは、ロボットが実際に動ける仮想環境です。

そのためには、摩擦、質量、衝突形状、可動範囲、反発係数、剛体・柔軟体の区別、センサーノイズ、照明条件などの物理属性も必要です。

建物や工場では、BIMが出発点になります。 設備や機械では、CADが重要です。 既存施設では、3Dスキャンや点群データが必要になります。

主要プレイヤーマップ

  • ロボット向けデジタルツイン基盤:NVIDIA Omniverse / Isaac Sim(OpenUSDベース、最有力基盤の一つ)

  • 産業デジタルツイン:Siemens(Plant Simulation、Tecnomatix)、Dassault Systèmes(3DEXPERIENCE)、PTC(Onshape→Isaac Sim連携)、Hexagon、Bentley Systems

  • 3D空間生成AI:World Labs(Marble)、Niantic Spatial、Autodesk(NVIDIAと連携)

  • BIM:Autodesk(Revit)、Bentley、Trimble

日本企業のターゲット企業:この層は日本企業に大きな機会があります。日本の工場、倉庫、施設のBIM、CAD、3Dスキャンを保有する企業が、それをロボット用デジタルツインに変換できる位置にいます。日立、富士通、NEC、シャープ、ダイキン、ファナック、安川、デンソー、清水建設、大林組、竹中工務店などはBIM/CAD資産を持つ。これをNVIDIA OmniverseやWorld Labs Marbleと組み合わせて活用するのが現実的です。

11. 第9層:シミュレーション・Sim-to-Real層──仮想空間で訓練し、現実へ移す

デジタルツインの中でロボットを動かし、学習し、検証する層です。

現実世界では、ロボットを何万回も転倒させることはできません。

しかし、シミュレーションならできます。実際のヒューマノイド強化学習では、数十万から数百万エピソードを仮想空間で回します。

Sim-to-Realとは、シミュレーションで学習したスキルや方策を、現実の実機に移すことです。

ただし、シミュレーションと現実にはズレがあります。これをSim-to-Real Gapと呼びます。

このズレを埋めるために、Domain Randomization、Real-to-Sim、System Identification、センサーノイズモデル、実機ログ回収、失敗データ再現、再学習が必要になります。

主要プレイヤーマップ

  • シミュレーション基盤:NVIDIA Isaac Sim / Isaac Lab、Google DeepMind(MuJoCo、オープンソース)、Coppelia Robotics(CoppeliaSim)、Open Robotics(Gazebo)

  • Sim-to-Real専門研究:OpenAI(過去の研究)、ETH Zurich、UC Berkeley(BAIR)、CMU、Stanford、東大JSK研

  • 合成データ・ドメイン変換:NVIDIA(Cosmos Transfer)、Lightwheel(Samsung向け)、PTC(Onshape→Isaac Sim)

日本企業のターゲット企業:Isaac Sim / Isaac Labは最有力基盤の一つなので、これを使いこなす方向が現実的。日本独自のシミュレーション基盤としては、産業技術総合研究所のChoreonoid、東大関連のシミュレーション研究などがあります。

12. 第10層:データ基盤層──実機ログ、失敗データ、学習データを蓄積する

ロボットは、動くたびにデータを生みます。

このデータを捨ててしまうと、ロボットは賢くなりません。

逆に、データを蓄積し、分析し、再学習に使える仕組みがあれば、ロボットは使うほど改善されます。

汎用データと自社固有データは違う

第1回でも整理したように、今後は汎用的なロボット動作データや合成データが外部から購入できるようになる可能性があります。

把持データ、歩行データ、遠隔操作データ、棚作業データ、シミュレーションで生成された合成データ。

しかし、それだけでは現場には入りません。

自社の設備、自社の作業者、自社の棚配置、自社の床材、自社の照明、自社の安全ルール、自社の作業標準、自社の失敗パターン。

これらに紐づいたデータは、自社の現場でロボットを動かして蓄積するしかありません。

汎用データで初期能力を作る。 自社データで現場適応させる。 失敗データで改善する。 安全運用データでリスクを下げる。

この流れを作れる企業が、フィジカルAI時代に強くなります。

主要プレイヤーマップ

  • クラウドMLOps基盤:AWS SageMaker、Azure ML、Google Vertex AI、Databricks

  • ロボット運用データ基盤:Agility Arc(Agility Robotics)、Formant、Foxglove(オープンソースROS可視化)、InOrbit

  • 公開ロボットデータセット:Open X-Embodiment(Google系)、DROID、RT-2 Dataset、AgiBotデータセット、NVIDIA Open Physical AI Dataset

  • データ生成基盤:NVIDIA Physical AI Data Factory Blueprint、Skild AI、Lightwheel

日本企業のターゲット企業:データ基盤は日本企業がトレーサビリティ、品質管理、改善文化と組み合わせやすい領域。富士通、NEC、日立、NTTデータ、伊藤忠テクノソリューションズなどがクラウド・データ基盤の経験を持つ。これに、日本のロボットメーカー(ファナック、安川)の現場データを組み合わせれば、強いポジションが取れます。

13. 第11層:安全・セキュリティ層──人・設備・ロボットを守る

フィジカルAIでは、安全設計が必須です。

なぜなら、ロボットは現実世界で動くからです。

生成AIが文章を間違えるのと、ヒューマノイドが人にぶつかるのでは、リスクの種類が違います。

緊急停止、人検知、衝突回避、速度制限、力制限、トルク制限、危険区域認識、作業範囲制限、転倒検知、異常姿勢検知、AI行動フィルタ、Safety Shield、ログ記録、事故再現。

安全層は、AIモデルの上に置くべき最後の防壁です。

安全は最後に追加するものではない

ここで重要なのは、安全・セキュリティ層は、開発の最後に後付けするものではないということです。

安全思想は、最初から全層に入れておく必要があります。

つまり、安全は1つの独立した機能であると同時に、すべての層にかかる横串です。

主要プレイヤーマップ

  • 機能安全認証:TÜV SÜD(独)、TÜV Rheinland(独)、UL Solutions(米)、SGS(スイス)、JQA(日)

  • 産業用ロボット安全標準:ISO 10218-1/-2:2025、ISO/TS 15066(協働ロボット安全の関連仕様。2025年版ISO 10218へ統合された要素あり)、IEC 61508、ISO 13849

  • ロボットセキュリティ:Karamba Security、Forescout、Claroty(OTセキュリティ)

  • AI安全:Anthropic、OpenAI、DeepMind各社のSafety Team

日本企業のターゲット企業:ここも日本企業に強い機会があります。日本には、機能安全、ISO認証、現場安全運用に関する豊富な蓄積があります。日本電気制御機器工業会(NECA)、日本ロボット工業会(JARA)、産総研、JET、JQAなどの認証・標準化機関。これに、現場安全運用のノウハウ(KYT、ヒヤリハット、リスクアセスメント)を組み合わせれば、フィジカルAIの安全層で世界をリードできる可能性があります。

14. 第12層:RoboOps・現場連携層──複数台運用、遠隔監視、ERP/MES/WMS連携

最後の層が、RoboOps・現場連携層です。

1台なら人間が横で見ていればよい。

しかし、10台、100台、1000台になれば、運用基盤が必要になります。

遠隔監視、フリート管理、稼働率管理、異常検知、ログ収集、モデル更新、OTAアップデート、故障予測、バッテリー管理、作業履歴管理、安全レポート、保守管理、人間オペレーター介入。

RoboOpsは、ロボット版のDevOps、MLOpsです。

現場システム連携

工場ならMES。倉庫ならWMS。企業全体ならERP。品質管理ならQMS。設備保全ならEAM。

ロボットが「何をすべきか」を知るには、現場システムから指示を受ける必要があります。

主要プレイヤーマップ

  • ロボットフリート管理(RaaS基盤):Agility Arc(Agility Robotics)、Formant、Freedom Robotics(Roboto)、InOrbit、Cobalt AI

  • MES:Siemens Opcenter、Rockwell Automation、Dassault DELMIA、SAP Manufacturing

  • WMS:Manhattan Associates、Blue Yonder、Körber、SAP EWM、Oracle WMS

  • ERP:SAP、Oracle、Microsoft Dynamics

  • 日本系:富士通(GLOVIA)、日立(HITPHAMS)、NEC(EXPLANNER)、東芝(MES Bridge)

日本企業のターゲット企業:この層は日本企業が最も狙うべき領域の一つです。日本の製造現場・物流現場には、独自のMES、WMS、ERP、QMS導入経験が豊富にあります。富士通、NEC、日立、NTTデータ、伊藤忠テクノソリューションズ、SCSK、TIS、住友電工システムソリューションなどのSIerが、現場システムとロボットをつなぐ役割を担えます。

15. 12層を人間の身体に例えると

人間フィジカルAIのソフトウェア層目・耳・皮膚認知層頭の中の世界理解世界モデル層大脳大脳AI層見て言葉を行動にする力VLA層習得済みの動作スキルライブラリ層小脳・反射小脳制御層神経系ROS 2・ミドルウェア層頭の中の練習場デジタルツイン層反復練習シミュレーション・Sim-to-Real層記憶・経験データ基盤層危険回避・免疫安全・セキュリティ層社会・組織との接続RoboOps・現場連携層

こう考えると、フィジカルAIが単なるAIモデルではないことが分かります。

ロボットは、身体を持ったシステムです。

そのため、人間のように、感覚、理解、判断、運動、記憶、安全、社会接続が必要になります。

16. 12層の開発順序

Phase 1:基礎実装

ロボットOS・ミドルウェア層、小脳制御層、認知層、デジタルツイン層、シミュレーション層。

まずは、ロボットが見える、動く、記録できる、仮想空間で試せる状態を作ります。

Phase 2:知能化

世界モデル層、VLA層、大脳AI層、スキルライブラリ層。

ここで、見る、考える、行動する、基本動作を組み合わせる仕組みを作ります。

Phase 3:現場実装

データ基盤層、安全・セキュリティ層、RoboOps・現場連携層。

ただし、安全思想はPhase 1から全体に入れる必要があります。

ここまでできて初めて、研究開発から社会実装へ近づきます。

17. どの層が抜けやすいか

フィジカルAI開発で抜けやすい層があります。

  • スキルライブラリ層:VLAやLLMに注目が集まる一方で、実際の基本動作を部品化する層が軽視されがちです。

  • データ基盤層:デモでは動いても、失敗データを蓄積できなければ改善できません。

  • 安全・セキュリティ層:AIが賢くなるほど、危険な行動を取る可能性もあります。

  • RoboOps・現場連携層:1台のデモと、100台の現場運用は別物です。

18. 日本企業が狙いやすい層

第1回では、日本がなぜフィジカルAIのソフトウェア領域に取り組むべきかを整理しました。

今回の第2回では、12層の中で特に日本企業が狙いやすい層を、より具体的に整理します。

狙いやすい層理由ベンチマーク海外企業認知層(センサー融合)キーエンス、オムロン、ソニーが部材で強いMobileye、Skydioスキルライブラリ層ファナック、安川、川崎重工の蓄積Physical Intelligence、Skild AI小脳制御層産業用ロボット制御で世界的な実績Boston Dynamics、Unitree、Agilityデジタルツイン層工場、設備、BIM、CADと相性が良いNVIDIA Omniverse、Siemens、Dassaultデータ基盤層品質管理、トレーサビリティと相性が良いAgility Arc、Formant安全・セキュリティ層日本の安全文化、機能安全と相性が良いTÜV、UL、Karamba SecurityRoboOps・現場連携層保守、運用、ERP/MES/WMS/QMS連携Manhattan Associates、SAP、Siemens

日本企業がいきなり世界最大のVLAや世界モデルを作るのは簡単ではありません。

しかし、現場に近い層では強みを出せます。

ヒューマノイド本体を最安で量産する競争は、中国企業が先行しているかもしれません。

基盤モデル競争は、米中の巨大企業が先行しているかもしれません。

しかし、現場に入れ、業務につなぎ、安全に運用し、改善データを回し続ける領域では、日本企業にも大きな可能性があります。

19. まとめ──フィジカルAIは12層の総合システムである

フィジカルAIは、1つのAIモデルではありません。

世界モデルだけでもない。 VLAだけでもない。 LLMだけでもない。 Isaac Simだけでもない。 ROS 2だけでもない。

それらを組み合わせた、12層の総合システムです。

つまり、フィジカルAIの本質は、ソフトウェアによってロボットを育てることです。

第1回では、なぜソフトウェアが重要なのかを整理しました。

今回の第2回では、そのソフトウェアを12層に分けて地図化しました。

次回からは、この12層の中でも特に重要な中核技術を、一つずつ深く掘り下げていきます。

次回予告

次回は、「世界モデルとは何か──ロボットに“頭の中の現実世界”を作る技術」 を扱います。

世界モデルは、フィジカルAIの中核です。

ロボットが目の前の物体を認識するだけでなく、その物体がどう動くのか、押したらどうなるのか、掴んだら滑るのか、人が次にどこへ動くのか、自分の行動が成功するのか失敗するのかを予測するための技術です。

次回は、世界モデルと物理シミュレーション、デジタルツイン、VLAの違いを整理しながら、ロボットにとっての「頭の中の現実世界」とは何かを解説します。

※本記事の各層の主要プレイヤー情報は、2026年前半時点で公開・報道されている内容に基づいて整理しています。「世界トップ」を断定するものではなく、注目すべき動きをしている代表例として参考にしてください。

#フィジカルAI #ヒューマノイド #PhysicalAI #ロボティクス #AI #12層 #ソフトウェアアーキテクチャ #認知層 #世界モデル #VLA #スキルライブラリ #小脳制御 #ROS2 #デジタルツイン #SimToReal #データ基盤 #安全設計 #RoboOps #ファナック #安川電機 #キーエンス #オムロン #ソニー #BostonDynamics #AgilityRobotics #Unitree #NVIDIA #IsaacSim #Omniverse #PhysicalIntelligence #SkildAI #Siemens #Dassault #Anthropic #現場実装 #日本の製造業 #ハードソフト統合 #米中対決 #日本の未来

いいなと思ったら応援しよう！