フィジカルAIで変わる世界
フィジカルAIで変わる世界
2026年11月18日
現実世界を動かすフィジカルAIの実装は社会に何をもたらし、日本企業はそれをどう活用していくべきなのか。2026年8月5日に日立製作所がLumada Innovation Hub Tokyoにて開催したウェビナー「フィジカルAIで変わる世界――現実世界を動かすAIの衝撃と企業の次の一手」の模様を紹介する採録記事、第3回ではパネルディスカッションの前編をお届けする。株式会社GenesisAI代表取締役社長 CEOの今井 翔太氏、株式会社日立パワーソリューションズ Chief Lumada Business Officer 森脇 紀彦氏、Lumada Innovation Hub Senior Principalの加治慶光が、AIの自律性や特化型AIモデルの優位性について語り合った。
加治
最初に森脇さんに伺います。「AIの自律性」について、どのようにお考えでしょうか。
森脇
AIの自律性については大きな可能性を感じています。例えば、ハルシネーションは悪い現象だと認識されていますが、あえて起こさせることで新たな発想を得るという使い方もあると思います。新しいアイデアは既知の要素の新たな組み合わせから生まれるものであり、自律性をもったAIが人間には思いもつかなかった組み合わせを生み出し、それが新しい発想につながる可能性もあります。
ただし、私たちが手がけている社会インフラの保守分野では、ハルシネーションを極力抑えています。危険を伴う作業もあり、順序を誤れば事故につながることもあるためです。既存の手順や熟練者の知識をAIに学習させる場合には、正確性を保つこと、AIによる指示は適切なタイミングで行うことなどを重視しています。
加治
AIエージェントのようなデジタル空間のAIと、物理的な制約を受けるフィジカルAIの自律性には差があると思います。今井先生は、それぞれの自律性はどのレベルにあると見ていますか。
今井
原理的には、人間の脳もニューロンが電気信号をやり取りして動いているわけですから、人間が発揮できる自律性を機械に実現できないはずはない、というのがわれわれ人工知能研究者の基本的な考え方です。どちらの場合も、人間と同程度の自律性はいずれ実現できると思われます。
デジタル空間での一部の作業については、講演でも述べたように、近いうちにAIが人間の1か月分の仕事を自律的にこなすようになっていてもおかしくはありません。現在のオープンモデルでも、工夫すれば10日分程度の作業を扱えるところまで来ています。
ただ、実現には順番があります。先に自律化できるようになるのは「加点型」のタスクで、社会インフラのような「減点型」のタスクは後になります。社会インフラは絶対に動いていなければならず、失敗して止めてしまえば大きな損害が出ます。こうした間違いが許されないタスクをAI任せにするのは困難です。
一方、科学研究、金融機関の収益最大化や、不正や脱税の発見といったタスクは、もともと人間が行っても100%にはできない仕事です。こうした加点型のタスクでは、AIを入れることがそのまま改善につながります。自律化はかなり進み、人間の主な役割は方向を調整することになっていくでしょう。
加治
森脇さんは、AIを加点型の仕事に生かすことも意識されていますか。
森脇
そうですね。インフラ保守の現場作業は減点型ですが、保守計画の立案などは加点型タスクと言えそうです。現場にフィジカルAIが入り、多くのデータが取れるようになると、保守サービスは故障後に動くリアクティブ型から、故障を予測するプロアクティブ型へ変わっていきます。そうなると、部品をいつ手配するか、技能者をいつ育成し、どこに配置するかといった、人間の頭だけでは扱いきれない複雑な計画をAIが自律的に最適化できるようになるかもしれません。
加治
世界ではAI開発競争が激化していますが、その中で日本はどのあたりに可能性を見いだせるのでしょうか。
今井
国内では複数の領域でAI開発が進んでいますが、中でもフィジカルAIと私が取り組んでいるAI for Scienceは、少なくとも国として勝つ意思を持っている分野です。日本の製造業が蓄積してきたデータは、海外の巨大IT企業でも簡単には入手できません。そこに勝機を見いだすという論理は筋が通っています。
ただ、期待の先行には注意が必要です。あと数年で肉体労働の多くが自動化されるというような論調もありますが、フィジカルAIは世界的に見ても非常に難しい領域です。それなりの時間がかかるでしょう。
また、特別なデータを持つ企業が必ず勝つとも言えません。人工知能の歴史では、特定用途に最適化したモデルが、後から現れた大規模な汎用モデルに追い越されるということが繰り返されてきました。フィジカルAIでも、ある分野に特化した機体を動かすために専用データを学習させる戦略だと、後から汎用モデルに追い越される可能性があります。特にヒューマノイドは人間と同じ形を持つため、人間用につくられた多くの施設や設備を扱えます。大量の一般的な作業データで学習したヒューマノイドが、特化型の優位を脅かす可能性がないとは言えません。
加治
「Garbage In, Garbage Out」、つまり質の悪いデータからは質の悪い結果しか出ない、データは整備されているほどよい、という従来の考えとは違うのですか。
今井
現在の基盤モデル(生成AI)の発想は、専門特化するより幅広い知識を学ぶほうが、別領域の知識も転移して強くなるというものです。人間の世界では「まず専門家になれ。何でも屋では専門家に勝てない」と言われますが、AIは逆です。「ジェネラリストでなければエキスパートになれない」という考え方が根底にあります。私はフィジカルAIの専門家ではないので正しいかどうかわかりませんが、ロボットもそうなる可能性はあると思います。
加治
個別データの質だけでなく、異なる領域の知識をどう結び付けるかが性能を左右するからこそ、日本の強みを単に囲い込むというだけではない発想が必要ですね。森脇さんは、開発のプロセスにおいてそのようなことを感じていらっしゃいますか。
森脇
現場データとその周辺のナレッジを持つことは確かに強みです。ただ、汎用性も重要だという今井先生のご指摘を踏まえると、製造や社会の仕組みを縦割りのまま捉えるのでは足りないのかもしれません。複数の領域を融合してどんな価値を生むかを定義し、そのために必要なデータを組み合わせるという発想で、フィジカルAIを捉え直す必要があると感じます。