AIに"からだ"は必要か？――フィジカルAIが直面する5つの壁
- Seo Seungchul
- 2月22日
- 読了時間: 13分
更新日：3月6日
シリーズ: 行雲流水
ChatGPTに代表される生成AIは、私たちの働き方や学び方を大きく変えました。文章を書き、コードを生成し、画像まで作り出す。けれど、ふと気づくのです——このAI、動けないじゃないか、と。
いま、AI開発の最前線では「フィジカルAI」という言葉が飛び交っています。ロボットや自動運転車のように、物理的な体を持ち、現実世界で動くAIのことです。NVIDIAのCEOジェンスン・フアンは「次の10年はフィジカルAIの時代だ」と宣言し、テスラやGoogle、OpenAIも続々とこの領域に参入しています。
しかし、話はそう単純ではありません。AIが「体を持つ」とは、いったい何を意味するのか。なぜデジタル空間であれほど賢く振る舞えるAIが、現実世界ではまだぎこちないのか。そこには、技術だけでは解決できない壁がいくつも立ちはだかっています。
今回は、富良野とPhronaの二人が、フィジカルAIの本質と課題について語り合います。「体があること」と「自分で動けること」の違い、人間という驚くべき汎用機の存在、そしてAIが物理世界を理解するために必要な「脳内リハーサル」の仕組みまで。二人の対話から、AIと身体性をめぐる思考の輪郭が見えてくるはずです。
「体がある」だけでは足りない
富良野：最近、フィジカルAIという言葉をよく耳にするようになりましたね。
Phrona：ええ。でも正直なところ、私、最初は「ロボットのことでしょ？」くらいにしか思っていなかったんです。
富良野：僕もそうでした。ただ、調べていくと、どうもそう単純な話じゃないらしい。たとえば工場で何十年も使われてきた産業用ロボットがありますよね。あれも「体」はある。
Phrona：溶接したり、部品を組み立てたり。でも、あれはフィジカルAIとは呼ばない？
富良野：呼ばないんですよ。なぜかというと、あれは基本的に「決められた動きを正確に繰り返す」機械だから。プログラムされた軌道をなぞっているだけで、自分で判断しているわけじゃない。
Phrona：ああ、なるほど。じゃあフィジカルAIは「自分で考えて動く」ことが条件になるわけですね。
富良野：そう、まさにそこがポイントで。研究者たちは「エージェント」という言葉を使うんですが、要するに「自律的な意思決定主体」であるかどうか。体があって、かつ、自分で状況を判断して行動を選べる。この両方が揃って初めてフィジカルAIと呼べる。
Phrona：体と知能が、ある意味「癒着」している状態というか。
富良野：いい表現ですね。切り離せないんです。だから正確には「Embodied AI」、身体化されたAIと呼ぶことが多い。
Phrona：身体化……。体があることと、身体化されていることは違う、と。
富良野：そうなんです。体があっても、遠隔操作で人間が動かしているなら、知能の主体は人間ですよね。AIはただのインターフェースになってしまう。
Phrona：つまり、体を持っていて、なおかつ自分でフィードバックを受け取りながら動きを調整できる。そのループが閉じていることが大事なんですね。
富良野：その通りです。「感知して、考えて、動いて、その結果をまた感知する」というサイクルを、AI自身が回している。これがフィジカルAIの本質だと僕は理解しています。
5つの壁、そして「人間」という最大の競合
Phrona：でも、そう聞くと不思議なんですよ。デジタル空間ではあれほど賢く振る舞えるAIが、なぜ現実世界ではまだ苦戦しているんでしょう。
富良野：いい質問ですね。実は、フィジカルAIの普及には大きく5つのボトルネックがあると言われています。
Phrona：5つも？結構あるんですね。
富良野：ええ。まず一つ目は、AIの判断が「確率的」だということ。ChatGPTもそうですが、AIは「最も確からしい答え」を選んでいるだけで、たまに間違える。デジタル空間なら「やり直し」で済むけれど、現実世界では人命や高価な設備が関わる。
Phrona：間違えたら取り返しがつかない場面がある。
富良野：二つ目は物理的なインフラの問題。電力、冷却、そしてハードウェアの摩耗。ソフトウェアは劣化しないけれど、ロボットは汚れるし、壊れる。
Phrona：メンテナンスにお金がかかると。
富良野：三つ目がデータ不足。これは後で詳しく話しますが、物理世界の経験データは圧倒的に足りていない。四つ目がサプライチェーン。レアアースとか、高性能な半導体とか、供給が限られている部品が多い。
Phrona：地政学的なリスクも絡んできますよね。
富良野：そして五つ目。これが実は一番やっかいかもしれないんですが……「人間の方が安くて優秀」という現実です。
Phrona：……ああ。
富良野：笑っちゃいますよね。でも本当なんです。人間って、食事さえすれば、清掃から接客からトラブル対応まで、ありとあらゆることをこなせる。しかも状況に応じて臨機応変に動ける。
Phrona：究極の汎用機、ということですか。
富良野：そうなんです。一方、特定の作業に特化したロボットを導入するには、数千万円から数億円の初期投資が必要で、しかも環境も整備しなきゃいけない。
Phrona：ロボットが動きやすいように、周りを変えなきゃいけない。
富良野：そう。だから今は「ロボットフレンドリーな環境構築」なんて言葉も出てきている。でも、それって結局、人間がロボットに合わせているわけで。
Phrona：なんだか本末転倒な感じもしますね。人間に合わせて動けるのが、本当の意味でのフィジカルAIなんじゃないかと思うと。
富良野：おっしゃる通りで、だからこそ「汎用ヒューマノイド」への期待が高まっているんです。人間と同じ形をしていれば、人間用の環境でそのまま動ける。
Phrona：でも、それはまだ先の話？
富良野：2026年から量産が始まると言われていますが、本当に「人間並み」になるにはまだ時間がかかるでしょうね。
「1秒の経験に1秒かかる」という制約
Phrona：先ほどのデータ不足の話、もう少し聞かせてください。インターネット上には膨大なテキストや画像があって、それでChatGPTは賢くなったわけですよね。物理世界のデータは、なぜ足りないんでしょう。
富良野：根本的な問題があるんです。デジタルデータはコピーできる。でも物理データは「1秒の経験を得るのに、現実の1秒が必要」なんですよ。
Phrona：……ああ、そうか。ショートカットできない。
富良野：しかも、動画を見るだけでは「重さ」や「摩擦」は分からない。卵をどのくらいの力で握れば割れるか、なんてことは、実際に触ってみないと学習できない。
Phrona：触覚の情報が欠落している。
富良野：そうなんです。それで、シミュレーターを使おうという発想が出てくる。仮想空間で何百万回も試行錯誤させれば、現実の時間を節約できるんじゃないかと。
Phrona：デジタルツインとか、そういう話ですね。
富良野：ええ。ただ、ここにも壁がある。「Sim-to-Realギャップ」と呼ばれるんですが、シミュレーターでうまくいった動きが、現実では通用しないことがよくある。
Phrona：照明の反射とか、カメラのノイズとか、ネジの微妙な緩みとか……現実の「雑味」が再現できない。
富良野：まさにそれです。だから今、いくつかのアプローチが並行して進められている。
Phrona：たとえば？
富良野：面白いのは「ロボット・プリスクール」構想ですね。安価なロボットを数千台並べて、24時間ひたすら失敗させる。人間が教えるんじゃなくて、ロボット同士が自分たちで「どうすれば掴めるか」を探索する。
Phrona：幼稚園……。ロボットの幼稚園。
富良野：力技ですけど、理にかなっている。あとは、言語モデルの知識を活用する方法もあります。LLMは「カップは上を向いている」「液体はこぼれる」といった常識を持っている。これをロボットの行動に変換する。
Phrona：言葉の知識が、物理操作の「補助輪」になる。
富良野：そうそう。ゼロから物理を学ばせるんじゃなくて、言語で持っている概念を活かす。
ワールドモデルという「脳内リハーサル」
Phrona：ここまで聞いていて思ったんですが、結局、AIが物理世界で動くためには「世界がどう動くか」を理解している必要があるわけですよね。
富良野：その通りです。そこで出てくるのが「ワールドモデル」という概念なんですよ。
Phrona：ワールドモデル。世界のモデル。
富良野：はい。単なる3D地図とは違います。3D空間モデルは「今、どこに何があるか」を表す静的な情報。ワールドモデルは、そこに「時間」と「因果」が加わる。
Phrona：どういうことでしょう？
富良野：たとえば、ボールを投げたら放物線を描いて落ちる。水は容器の形に広がる。こういう「物理法則の理解」が含まれているんです。
Phrona：ああ……。地図じゃなくて、シミュレーターなんですね。
富良野：そう、まさに「脳内シミュレーター」です。AIが何かを実行する前に、頭の中で「この角度でカップを掴んだら滑るかな？」と予行演習できる。
Phrona：夢を見るようなものかしら。行動する前に、いろんなパターンを想像してみる。
富良野：で、このワールドモデルがあると、現実で1秒かかる動作を、脳内では一瞬で何万回も試せる。さっきの「1秒に1秒かかる」問題をショートカットできるんです。
Phrona：データ不足の解決策にもなるんですね。
富良野：そうなんです。しかも最近は、このワールドモデルを「空間全体」で共有しようという動きがある。
Phrona：空間全体？
富良野：ロボット一体一体が自分のセンサーだけで世界を見るんじゃなくて、部屋に設置されたカメラやセンサーが「空間の今の状態」を常にモデル化して、そこにいるすべてのロボットに共有する。
Phrona：神の視点を借りる、というか。
富良野：ええ。そうすると、あるロボットが学んだ「この部屋の歩き方」を、別のロボットがダウンロードして使えるようになる。
Phrona：知能のポータビリティ……。ロボット同士で経験を共有できる。
富良野：これが実現すると、フィジカルAIの学習速度は劇的に上がるはずです。
Phrona：メタバースとか産業用のデジタルツインが「教習所」になるわけですね。安全な仮想空間で練習して、本番に出る。
富良野：その通りです。メタバースはフィジカルAIを育てるための究極のシミュレーターであり、フィジカルAIはそこで得た知見を現実に持ち帰る実行部隊。両者は補完関係にあるんですよ。
2026年、何かが変わる
Phrona：ここまで聞いてきて、なんとなく見えてきたんですが……フィジカルAIって、単に「賢いロボット」という話じゃないんですね。
富良野：ええ。デジタルの知能が、物理世界に「引っ越してくる」という、もっと大きな話なんです。
Phrona：でも、引っ越し先には思った以上にハードルがある。
富良野：重力があり、摩擦があり、物は壊れ、人は予測不能に動く。デジタル空間の「きれいさ」とは全然違う世界ですからね。
Phrona：そこで、ワールドモデルという「想像力」を身につけて、少しずつ適応しようとしている。
富良野：2026年は「物理データの共通プラットフォーム」が確立される年だと言われています。世界中の工場やスマート施設から吸い上げられるデータが標準化されて、AIが共有できるようになる。
Phrona：ロボットたちの「共通言語」ができる、みたいな。
富良野：そうですね。そうなると、ある国の工場で学んだことが、別の国のロボットにも活かせるようになる。
Phrona：でも、それでも「人間の方が安くて優秀」という壁は残りますよね。
富良野：残ります。だから当面は、完璧な自律を目指すんじゃなくて、人間が遠隔で補助する「ヒューマン・イン・ザ・ループ」という形が現実的だと言われています。
Phrona：人間とAIの協働。
富良野：ええ。AIが判断に迷ったときだけ人間が介入する。あるいは、人間が「手本」を見せて、AIがそれを学ぶ。
Phrona：なんだか、子育てみたいですね。
富良野：まさに「ロボット・プリスクール」ですよ。
Phrona：……でも、ふと思うんです。そうやってAIが物理世界を学んでいくと、いつか「人間の方が安くて優秀」じゃなくなる日が来るのかもしれない。
富良野：来るかもしれませんね。ただ、僕はそれを単純に「人間が不要になる」とは思わないんです。
Phrona：というと？
富良野：人間の身体って、本当によくできているんですよ。60兆個の細胞が連携して、食べ物をエネルギーに変えて、自己修復もする。これを工学的に再現しようとしたら、途方もないコストがかかる。
Phrona：人間の体は、進化が何億年もかけて最適化してきた結果ですもんね。
富良野：だから、AIが「体」を持つことの難しさを知れば知るほど、人間の身体のすごさが見えてくる。そういう逆説的な発見があるんじゃないかと。
Phrona：AIに体を与えようとして、改めて人間の体の価値に気づく……。
富良野：フィジカルAIの研究は、ある意味で「身体とは何か」という哲学的な問いにも繋がっていると思うんです。
ポイント整理
フィジカルAIの定義
物理的な体を持ち、自律的に判断・行動するAI。単に体があるだけでなく、「エージェント」として自分で状況を判断し、フィードバックを受けながら動きを調整できることが必須条件。従来の産業用ロボットとの違いは、この「自律性」の有無にある。
5つのボトルネック
フィジカルAI普及の障壁として、(1)確率的推論と100%安全性の衝突、(2)電力・冷却・メンテナンスなど物理インフラの限界、(3)物理世界の経験データの圧倒的不足、(4)レアアースや半導体などサプライチェーンの制約、(5)「人間の方が安くて優秀」という経済的現実、の5領域が指摘されている。
データ不足の本質
デジタルデータはコピー可能だが、物理データは「1秒の経験を得るのに1秒が必要」という時間的制約がある。また、動画では重さや摩擦といった触覚情報が得られない。シミュレーターでの学習も「Sim-to-Realギャップ」により現実との乖離が生じる。
データ不足への対策
(1)合成データとデジタルツインの高度化、(2)「ロボット・プリスクール」構想による大量の失敗データ収集、(3)言語モデルの常識を物理操作に転用、(4)アンビエントIoTによる環境全体のデータ化、などのアプローチが進行中。
3D空間モデルとワールドモデルの違い
3D空間モデルは「今、どこに何があるか」を表す静的な幾何学情報。ワールドモデルはそれに「時間」と「因果」を加えた動的なシミュレーター。「地図」と「脳内リハーサル」の違いと理解できる。
ワールドモデルの役割
AIが行動前に「この動きをしたらどうなるか」を脳内で予行演習できる。これにより、現実で1秒かかる動作を瞬時に何万回も試行でき、データ不足問題のショートカットになる。
空間全体の知能化
個別のロボットではなく、建物や工場全体を一つのワールドモデルとして管理し、複数のロボットで共有する「知能のポータビリティ」が注目されている。メタバースやデジタルツインがフィジカルAIの「教習所」として機能する。
2026年の意味
物理データの共通プラットフォームが確立され、世界中の施設から収集されるデータが標準化される「元年」と位置づけられている。汎用ヒューマノイドの量産も開始予定。
現実的な解決策
完璧な自律ではなく、人間が遠隔で補助する「ヒューマン・イン・ザ・ループ」や、ロボットが動きやすいように環境を整える「ロボットフレンドリーな環境構築」が当面の主流となる見込み。
キーワード解説
【フィジカルAI（Physical AI）】
物理的な体を持ち、現実世界で自律的に動作するAI。ロボット、自動運転車、スマート家電などが該当。
【Embodied AI（身体化されたAI）】
体を持つだけでなく、その体を通じて環境と相互作用し、フィードバックを受けながら学習・行動するAI。エージェント性が本質。
【エージェント】
自律的な意思決定主体。自分で状況を判断し、行動を選択できる存在。
【ワールドモデル（World Model）】
物理法則や因果関係を含めて「世界がどう動くか」を予測するAIの内部モデル。脳内シミュレーターとして機能する。
【3D空間モデル】
物体の位置、形状、距離を幾何学的に表現したデジタルデータ。静的な「地図」に相当。
【Sim-to-Realギャップ】
シミュレーター内での学習結果が現実世界で通用しない問題。照明、ノイズ、物理的な微細差異などが原因。
【デジタルツイン】
現実の物体や環境を忠実に再現した仮想空間上のコピー。監視、予測、シミュレーションに活用される。
【ヒューマン・イン・ザ・ループ】
AIの判断・行動プロセスに人間が介在する仕組み。完全自律ではなく、人間との協働を前提とした設計思想。
【ロボットフレンドリーな環境構築】
ロボットが動きやすいように、物理的な環境を整備すること。段差の解消、標準化された棚配置など。
【知能のポータビリティ】
あるロボットが学習した知識や経験を、別のロボットに転送・共有できる仕組み。
【アンビエントIoT】
環境全体に電池不要の微小センサーを配置し、常時データを収集する技術。ロボット自身のセンサーを補完する。
【ロボット・プリスクール構想】
安価なロボットを大量に配置し、24時間失敗させることで物理データを収集する拠点の構築。