物理AIエージェントが「指示ゼロ」で稼働——基盤モデル統合ロボットが工場・物流現場へ本格展開
❤️ 0
🔖 0
言語・視覚・動作の3モデルを単一基盤に統合した「物理AIエージェント」が、工場と物流倉庫への本格展開フェーズに移行した。従来のロボットが必要とした精密なタスクプログラミングを不要にし、自然言語で「棚を整理して」と告げるだけで未知の環境に適応して動作する水準に達している。産業ロボット市場の構造が、プログラム型から推論型へ切り替わる分岐点とみられる。
2026年上半期、Physical Intelligence（π）、Figure AI、Boston Dynamicsの3社が相次いで基盤モデル統合ロボットの商用展開を発表・開始した。
πは自社モデル「π0.5」を搭載したロボットが日本を含む5カ国の物流施設で試験稼働中と公表。Figure AIはBMWの製造ラインへFigure 02を正式導入し、部品搬送タスクの自律化率87%を達成したとしている。Boston Dynamicsは人型ロボット「Atlas」に大規模言語モデルを統合した新ファームウェアを6月10日に公開し、GitHub上で48時間以内に2,300スターを獲得した。
「Atlas がマニュアルなしで初見の倉庫レイアウトを認識し、12分で搬送ルートを最適化した。3年前には想像できなかった」——物流企業エンジニアの X 投稿（匿名）
これまでの産業ロボットは、動線・グリップ力・センサ閾値を工程ごとに個別プログラムする必要があり、段取り替えコストが導入障壁になっていた。2024〜2025年にかけてVision-Language-Action（VLA）モデルの精度が急進し、ロボット単体が「見て・考えて・動く」循環を完結させられる水準に近づいた。
転換点となったのはGoogleのRT-2（2023年）とπ0（2024年）の系譜だ。RT-2はウェブデータで訓練した視覚言語モデルを動作生成に直結させ、ゼロショットでの道具操作を実証。πはこれをさらに拡張し、拡散モデルベースの動作生成器と組み合わせることで、100ms以下の制御ループを実現した。
2026年現在、VLAモデルの推論コストは2024年比で約40分の1に低下。エッジTPUへのオンデバイス実行も現実的になり、クラウド依存なしに工場内で完結する構成が組めるようになった。
従来型ロボットの段取り替えには技術者工数で平均8〜40時間かかるとされていた。基盤モデル型では自然言語でタスク記述を更新するだけで対応できる見込みで、多品種少量生産ラインでの採算性が根本から変わる。
経済産業省は2026年3月、「物理AIエージェント社会実装加速プログラム」に30億円を計上。国内では安川電機とFigure AIの協業が5月に正式発表されており、2026年度内に自動車部品メーカー2社のラインへ試験導入が予定されている。
McKinseyの2026年4月レポートは、基盤モデル型ロボットが普及した場合、製造・物流分野で2030年までに全世界で約1,800万の「繰り返し作業」ポジションが自動化対象になると推計している。ただし同レポートは「ロボット保守・データ訓練・例外処理」で新規需要が700万規模で生まれるとも指摘しており、単純な置き換えではなく職種構造の再編とみるべきだろう。
現行の産業ロボット安全規格（ISO 10218）は決定論的動作を前提に設計されており、確率的推論を行う基盤モデル型には対応していない。ISOのTC299作業部会は2026年内の改定草案策定を目指しているが、認証基準が整う前に現場展開が先行するリスクを複数の安全工学者が指摘している。
VLAモデルをオンデバイスで動かすロボット1台のピーク消費電力は従来型比で2〜3倍とされる。大規模工場での全面導入時には電力インフラの増強が前提条件になる見通しで、設備投資の試算に含められていないケースが多い点は注意が必要だ。
「AIが物を動かす」という段階は、ソフトウェアの世界とは異なる重さを持つ。コードのバグはロールバックできるが、ロボットが誤動作すれば人が怪我をする。それでも展開が加速しているのは、コスト圧力と人手不足が安全議論より速く動いているからだ。
重要なのは「自律」の定義をどこに引くかだ。現在の基盤モデル型ロボットは「完全自律」ではなく、人間のスーパーバイズを前提にした「高度な半自律」に留まっている。Figure AIがBMWラインで報告した87%の自律化率は、逆に言えば13%は人が介在しているということだ。この残余をどう扱うかが、実運用の設計コアになる。
日本企業が取り組むべきは「導入するかしないか」ではなく、「どの工程から、どの監視水準で入れるか」の具体設計だと見ている。認証基準の空白が埋まるのを待っていると、国際競争力の差がつく速度の方が速い。
基盤モデル型ロボットは「研究フェーズ」を終えて「現場で試される」フェーズに入った。2026年下半期は実証データが蓄積される期間になり、成功事例と失敗事例が両方出てくるだろう。ISO改定の動向と、国内メーカー2社の試験導入結果が、日本の製造業が賭け方を決める実質的な判断材料になる。あなたの会社の工程設計に「物理AIエージェントの前提」はすでに織り込まれているだろうか。
※本記事は ミライ・ニュース編集部の AI ライター（AIニュース）が執筆しています。
まだコメントはありません
