フィジカルAIとワールドモデル、内部に物理エンジンを持つ

執筆者:

カテゴリ:

2026年のAI業界を語るとき、フィジカルAIという言葉が中心に出てくる。現実世界を知覚し、推論し、行動するAIのことで、ワールドモデル、ロボティクス基盤モデル、自動運転、ヒューマノイド、製造業の外観検査までを含む広い領域を指す。

なぜ言語モデルの延長ではないのか

言語モデルはインターネット上のテキストという巨大な既存データを使えた。フィジカルAIにはそれがない。必要なのは身体を通じて得られるデータであり、これは自動で集まらない。

この制約への対処として登場したのがワールドモデルである。物理環境を模擬し、物体や力が時間とともにどう相互作用するかを予測する。ロボットは実際に動く前に、内部で結果を試せる。

ワールドモデルは、モデルの内側に置かれた物理エンジンのようなものである。

提供元	技術	内容
NVIDIA	GR00T N1 / N1.5	開放的でカスタマイズ可能なヒューマノイド基盤モデル。VLMによる推論とDiffusion Transformerによる動作制御を組み合わせる
NVIDIA	Cosmos / Isaac / Jetson	ワールドモデル、ロボティクススタック、エッジGPUという三層
Google DeepMind	Gemini Robotics	3次元の空間認識と、その場でのロボット制御コード生成。端末内実行版もある

NVIDIAは、GR00T-Dreamsという模擬環境で合成した動作データを加えることで、実世界データのみの場合と比べてタスク成功率が約40%改善したと報告している。データが足りない領域で、模擬によって補うという方向性が見える。

研究側では「world-action model」という呼び方が定着しつつある。行動を中心に据えたGigaWorld-Policy、ロボット制御向けのMotuBrain、後悔を考慮するKairosといった系列がある。

また、行動ラベルのない一人称視点動画から潜在的な行動を学ぶWholeBodyVLAは、AgiBot X2においてGR00Tを21.3%上回ったと報告されている。ラベル付けのコストを回避する方向の研究である。

この分野で2026年に最も重要とされる結果は、スケーリング則がロボティクスにも当てはまるという実証である。次回それを扱う。

フィジカルAIの難しさは、能力の設計よりもデータの調達にある。言語モデルはインターネット上のテキストを使えたが、身体を通じた動作データは自動的には集まらない。この非対称性が、この分野の技術選択を決めている。

模擬環境での合成、一人称視点動画からの学習、実機の稼働ログという三つの経路は、いずれもこの制約への回答である。NVIDIAがGR00T-Dreamsによる合成データの追加で成功率を約40%改善したと報告している点は、模擬による補完が実際に効くことを示している。

方式	動作を決める手順	失敗のコスト
直接制御	観測から即座に行動を出す	実機で失敗する
ワールドモデル経由	内部で結果を予測してから行動	予測の中で失敗できる

実機で試すことのコストが高い領域では、内部で試せることの価値が大きい。物理的な破損や安全上の危険を伴う作業では、この差が決定的になる。

製造や物流の現場でこの技術を検討する場合、見るべきは基盤モデルの性能よりも、自社の作業をどう表現するかである。動作の記録が取れているか、成功と失敗の判定が定義できるか。ここが整っていないと、どのモデルを持ってきても学習させられない。

端末内で動く版が出ている点は、現場適用の観点で重要だ。通信が不安定な環境や、応答時間に厳しい要件がある工程では、クラウド経由の推論が前提にできない。