生成AIに続く技術テーマとして、フィジカルAIへの関心が高まっています。人型ロボットはその象徴ですが、対象は人型に限らず、産業用ロボット、自律搬送機、建設機械、ドローン、自動運転車など、周囲を認識し行動を選択する機械システム全般に関係します。経営者が注目すべきは、ロボットの外形や個別製品ではなく、AIが物理世界を認識し、状況を理解・予測し、行動を決定し、その結果を次の改善へつなげる構造です。
フィジカルAIの進展は、単なるロボットの高機能化ではありません。開発の方法、現場データの位置付け、企業の競争優位、人と機械の分業設計を変えるものです。個別の機体性能や特定のAIモデルだけでは、この構造変化を捉えられません。
政府が2026年3月に決定し、同年5月に一部変更した「AIロボティクス戦略」は、今後の競争軸が、AIモデルに加え、コンピューティング、制御系、駆動系、知覚系を統合した「フィジカルインテリジェントシステム」の統合力・運用力へ広がると整理しています。さらに、経済産業省の「AIロボティクス戦略検討会議」によると、2040年までに約60兆円規模へ拡大が見込まれる多用途ロボットの世界市場で3割超のシェアを確保し、20兆円規模の市場を獲得する目標を掲げています。
本稿では、フィジカルAIが企業経営と現場に及ぼす変化を前編・後編で考察します。前編では技術群とシステム構造を整理し、競争優位の拡張を読み解きます。後編では、安全、サイバーセキュリティ、責任分界、人による監督・介入、投資評価の論点を扱います。
1．2つのループで構成されるフィジカルAI
従来の産業用ロボットは、対象物の位置、作業手順、周辺環境を事前に定義し、同じ動作を高速かつ正確に繰り返す用途で強みを発揮してきました。センサーやフィードバック制御は以前から使われていますが、作業条件や例外処理の多くは人があらかじめ設計しています。
これに対し、フィジカルAIは、環境の変化を観測し、その時点の状態に応じて行動を選び直します。この処理は、現場で即時に回る「実行（推論・制御）ループ」と、蓄積したデータを使って性能を改善する「学習・更新ループ」に分けると理解しやすくなります。
実行（推論・制御）ループは、ロボット本体やエッジ環境でミリ秒から秒単位で反復します。センサーで対象物や自機の状態を捉え、作業目標を経路や動作へ落とし込み、軌道、速度、力などの制御量へ変換します。実行結果は再びセンサーで取得され、次の判断に使われます。ここでは、認識精度だけでなく、処理遅延、制御の安定性、接触時の挙動が性能を左右します。
学習・更新ループは、数時間、日、週といったより長い周期で回ります。実機の稼働ログ、成功・失敗データ、シミュレーションデータを集め、学習に使用できる品質かを確認します。そのうえでモデルや制御ルールを変更し、性能評価と安全検証を経たバージョンだけを現場へ配信します。
この2つのループは、処理周期だけでなく管理方法も異なります。ロボットが障害物を検知して進路を変える処理は、通常、その場でモデルを学習し直しているわけではありません。既存モデルが新たに取得した観測情報を使って推論と制御を繰り返しています。モデルの重みや行動方針を変更する作業は、検証環境における別工程として管理します。
学習・更新ループを回すには、ロボット本体以外の基盤も必要になります。実環境だけでデータを集めようとすると、時間、費用、安全面の制約が大きくなります。そこで、シミュレーションによって不足するデータを補い、実機ログと対応付けながら、変更前後の性能を比較します。
さらに、どの機体へどのバージョンを配信したかを追跡できなければ、更新後に不具合が発生した際、その原因を切り分けるのは困難になります。データ基盤、評価環境、フリート管理までを一体で整備して初めて、現場データを継続的な性能改善へつなげられます。つまり、フィジカルAIの性能は、単一のAIモデルやロボット本体だけでは決まらないのです。
【図表1：フィジカルAIを構成する技術マップ：実行ループ、学習・更新ループ、統制レイヤーの関係】
出所：KPMG作成
2．エンドツーエンド化は、工程ごとに適用範囲を決める
フィジカルAIの実装方法には、機能を分けて接続するモジュール型と、複数の処理を1つの学習モデルで扱うエンドツーエンド（以下、E2E）型があります。選択基準は、モデルの新しさではなく、変更のしやすさ、原因追跡のしやすさ、必要な制御周期、障害発生時の影響を踏まえて決める必要があります。
モジュール型では、知覚、状態推定、タスク計画、モーション生成、制御を個別の機能として構築します。不具合が生じた工程を特定しやすく、安全機能を他の処理から切り離して設計できる点が利点です。ただし、作業内容や環境条件が変わるたびに、機能間の入出力や動作条件を調整しなければならず、適用範囲を広げるほど統合作業が増える傾向があります。
E2E型は、観測情報や指示の入力から行動の生成までを、一連の学習枠組みとして扱います。視覚・言語・行動を横断して学習するモデルであれば、対象物の認識、作業手順の理解、行動生成を個別に作り込む負担を抑えられる可能性があります。
もっとも、すべての工程を1つの学習モデルへ統合することが合理的とは限りません。対象物や作業内容の理解、手順の選択、把持姿勢の候補生成などは、学習モデルの柔軟性を生かしやすい領域です。これに対し、接触力の制御、速度制限、非常停止のように、遅延や故障が直接的な危害につながる機能は、独立した制御系として残した方が挙動を検証しやすくなります。
たとえば、ピッキング対象の選択や把持姿勢の候補生成をAIに任せても、接触力が上限を超えた場合の停止は、学習モデルとは別の系統で実行します。上位の判断と低レベルの安全制御を分離しておけば、学習モデルを更新しても、安全機能の前提まで連動して変わることを避けられます。
実務で問われるのは、モジュール型かE2E型かを二者択一で選ぶことではありません。どの工程に学習モデルの柔軟性を持たせ、どの工程を検証可能な独立機能として残すかという境界設計です。この切り分けが明確であれば、開発、障害解析、安全審査の責任範囲も定めやすくなります。
3．自律化の範囲は、統制条件と同時に決める
図表1では、フィジカルセーフティ、サイバーセキュリティ、ガバナンス、人による監督・介入を、モデルの実行範囲と変更権限を統制する4つの仕組みとして整理しています。
フィジカルセーフティが人や設備への物理的な危害を抑えるのに対し、サイバーセキュリティは通信、モデル、データへの不正アクセスや改ざんを防ぎます。ガバナンスは、自律化を許容する範囲や更新の承認権限、監査方法を定める役割を担います。人による監督・介入は、そこで定めたルールに基づき、異常時の停止、例外処理、再開を誰がどのように行うかを具体化するものです。
モデルの性能が上がれば、任せられる作業は増えます。ただし、誤判断が及ぶ範囲や、モデル更新による挙動変化の影響も大きくなります。自律化の範囲を広げるのであれば、安全停止、アクセス制御、承認、監査の水準も同時に引き上げなければなりません。
実装にあたっては、自律化する作業と禁止する作業、人へ権限を戻す条件、停止・再開の権限、更新の承認主体を一体として設計します。これらを技術チームと現場部門が別々に定めれば、システム上の権限と現場が負う責任に齟齬が生じます。
4．導入後の改善力が競争差を広げる
ロボットの精度、速度、可搬重量、耐久性、電力効率、機構設計は、引き続き性能と採算性の土台です。信頼性の低い機体に高度なAIを搭載しても、停止や保守が増えれば、現場の処理能力は上がりません。図表2に示すように、フィジカルAIは従来のロボティクスの強みを生かしながら、現場データを学習・評価・展開へつなげる運用力を新たな競争軸に加えます。
フィジカルAIで新たに加わる競争条件は、導入後も性能を改善できるかです。同じ機体とモデルを導入した場合でも、失敗事例の回収、原因分析、変更の検証を迅速に行える企業と、そうでない企業との間では、性能改善の速度に差が生じる可能性があります。
持続的な競争優位を築くうえでは、データ量だけでなく、その質が問われます。成功データを蓄積するだけでは、例外時の挙動を改善する材料が不足するためです。
失敗の内容を、作業者による修正、発生時の環境条件、使用したモデルのバージョンと対応付けて記録し、再学習に用いるデータを選別する。更新時には、変更前後の性能を同じ条件で比較し、劣化が確認された場合には以前のバージョンへ戻せる状態を保つ。こうした一連の運用は、AI開発チームだけでは完結しません。現場担当者が失敗の意味を読み取り、安全部門が許容範囲を判断し、運用部門がモデルの配信と復旧を担うことで、初めて改善サイクルが成立します。
このため、競争の単位もロボット単体から現場システム全体へ広がります。機体、周辺設備、AIモデル、データ基盤、シミュレーション、フリート管理、保守を1つの改善サイクルに組み込める企業ほど、導入後の稼働率を高め、適用範囲を広げやすくなります。
政策目標は市場が向かう方向を示しても、個社の勝ち筋までは規定しません。どの業務からデータを取得し、どの失敗を学習対象とし、誰が更新を承認するのか。この設計が曖昧なままでは、機体を増やしても、現場で得た知見は次の改善へつながりません。
【図表2：フィジカルAIによるロボティクスの競争軸の拡張：機体性能に、現場で性能を更新する運用力が加わる】
出所：KPMG作成
5．投資評価は、現場の制約から組み立てる
フィジカルAIの投資効果は、人件費の削減だけでは測れません。人を完全には置き換えにくい業務でも、夜間稼働による設備利用率の向上、危険区域への立ち入り削減、作業品質の安定化を定量化できれば、投資の合理性を示せます。
その前提として、まず現場全体の処理能力を制約している要因を特定します。要員不足、熟練者への依存、品質のばらつき、安全確保に伴う停止時間では、解くべき課題が異なります。制約が変われば、導入対象となる業務だけでなく、求める自律度や評価指標も変わるためです。
経営が決めるべきなのは、ロボットを何台導入するかではなく、業務上のどの制約を、どのような仕組みで解消するかです。AIに任せる判断と動作、人が確認する条件、取得するデータ、障害時の代替運用をあらかじめ定めておかなければ、導入台数を増やしても現場全体の生産性は上がりません。
PoCも、ロボットが動作するかどうかを確かめるだけでは不十分です。現行業務の品質、処理量、停止時間、介入時間を基準値として取得し、導入前後で変化を比較します。想定外の事象が発生した場合に、誰が停止を判断し、どの手順で復旧し、原因分析に必要なログが残るかまで検証して、初めて本番運用時の負荷を見積もれます。
こうした結果がそろって初めて、本番導入の範囲や追加投資の是非を判断できます。技術的に動作したという事実だけでは、日常的な介入負荷や停止後の復旧コスト、更新によって挙動が変化するリスクを評価できず、PoCから先へ進む根拠にはなりません。
とりわけ、物理世界へ作用するAIでは、誤判断の影響が人、設備、製品、環境へ直接及びます。モデル更新、通信、データ利用、人とロボットの役割分担まで含めて管理しなければならず、従来の設備保全だけでは扱いきれない論点が生じます。
後編では、この問題を踏まえ、自律化を許容する範囲と責任分界の定め方を考察します。人による監督が実際に機能する条件に加え、設計、稼働、更新の各段階で求められる安全管理と、投資効果を検証するためのKPIを整理します。
執筆者
KPMGコンサルティング
マネジャー 小久保 慎平
