Physical AIは「次のインフラ」になるか ― 日本企業の勝ち筋

EY AIセンチメント指数は普及度ではなく、期待・影響認識・快適さを合算した意識指標です。このEYのグローバル調査が示すように、AIに対する快適度や信頼の水準には国ごとに大きな差があります。日本は全体として慎重姿勢が強い一方、生活や仕事の中で「具体的な価値が実感できる領域」に対しては高い受容性を持っている点が特徴的です。米国は、技術導入が進む一方、個人データ利用や自動判断への不安が強く、信頼の面で「快適度」が伸びにくい形となっています。

これは、AI活用がより“身体性（Physical）を伴う領域”に広がる際、日本では安全性・透明性・運用品質がとくに重要な決定要因になることを示唆しています。つまり、Physical AIが日本で浸透するためには、技術の高度さだけではなく、現場における安心感や制御性、そして人的判断との調和が欠かせないということです。

この前提を踏まえると、次に検討すべきは、Physical AIがどのような構造を持ち、企業の現場でどのような変化をもたらすのか――という点です。

Physical AIが広がると、その影響はとても大きくなります。製造や物流・建設・介護・小売り・インフラの点検・保守などの分野で、「人がやること」を前提に作られてきた現場の仕事の進め方そのものが見直されます。生産性を高めるポイントは、決まった作業を自動化することだけでなく、想定外のケースや段取り替え、需要の変化にも対応しながらAIが自分で動いて作業できるようにすることへ移っていきます。競争軸も、ハードウェアの性能差だけではなく、ソフトウェア、データ、運用ノウハウ（学習・監視・改善の仕組み）に価値が集まり、バリューチェーンの再配分が起こります。「誰が機体を作るか」から、「誰が現場に実装し、継続的に成果を出し続けるか」へ重点領域が移ります。

そのため市場規模を語る際は、「ロボット本体」だけでなく、以下を合算した“Physical AI経済圏”として捉えるべきです。

1. ハード（本体）
2. キー部品（センサー、アクチュエータ、電源など）
3. ソフト／OS／AIモデル
4. 導入SI（工程設計、統合、安全設計、チェンジマネジメント）
5. 運用・保守・サブスク（遠隔監視、アップデート、継続改善）

さらに価値ベースでは、自動化によって置換される人件費・外注費だけでなく、事故・停止・品質不良に伴う損失、供給途絶リスクの低減といった便益まで含めて評価できます。Physical AIは、製品カテゴリの成長にとどまらず、現場の稼働・安全・供給を支えるインフラの刷新として、企業の競争力を構造的に左右するテーマになりつつあります。

ただし、世界の熱狂と現実の間にはギャップがあります。何でもできるジェネリックなヒューマノイドは、仮に技術が進んでも、10〜20年スパンで見てなお「広範な現場で当たり前に稼働する」水準に到達するのは容易ではありません。むしろ当面の現実解は、サービスロボットの延長線上で、これまで「8割しかできなかった」業務を、Physical AIで「99％まで引き上げる」――この“確率の改善”が価値を生み出します。

Physical AIにおける5つのボトルネック

Physical AIは、長期的には普及が確実視されるテーマですが、現在さまざまな課題があります。現場で「認識→判断→行動」を回す仕組みは、研究室のデモを超えた瞬間から、資金・技術・ユースケース・コスト・規制の5条件を同時に満たせるかが、普及の鍵になります。どれか1つでも欠ければ、PoC（概念実証）が増えても本番導入に進めず「期待が先行し、現場は変わらない」という停滞局面に陥りやすいのが実情です。

第一の条件は、十分な投下資金（Capex／R&D／インフラ）です。国家レベルではロボティクス、半導体、AI、サイバー、インフラ保全といった政策投資が普及速度を左右します。企業レベルでも、モデルやOS、ロボット本体の開発競争に加え、導入時の現場改修、教育、安全対策といった“実装のコスト”に継続的な資金が必要です。現在の論点は、資金が「モデル開発」に偏ると、最後に効いてくる安全・運用・人材への投資が薄くなりがちな点です。どの国・どの企業が「実装まで含めた資金配分」を設計できるかが、普及局面での差になります。

第二の条件は、キーテクノロジーの進化です。投資領域を並べれば、半導体／省電力計算、センサー、制御、ロボット安全、基盤モデル、合成データ／シミュレーションなど多岐にわたります。ここは人体メタファーで整理すると見通しが良くなります。すなわち、「頭（知能）」＝マルチモーダル理解、行動計画、世界モデル、学習効率、「四肢（運動）」＝器用さ、高速・高精度制御、耐久性、冗長性、「身体（重さ・電源）」＝軽量化、バッテリー、熱設計、稼働時間、充電インフラです。現状は“頭”が急伸しやすい一方で、“四肢・身体”がボトルネックとなり、現場適用の速度を抑えています。このギャップを埋めるために、タスク特化設計と運用設計の質が成果を左右します。

Preferred Networksの関氏は、「Physical AIの実装を左右するキーテクノロジーとして、①現場のセンサーデータを安定的に扱う実装ノウハウと、②ロボット基盤モデルがスケーリングによって汎用性を獲得できるか、の2つの側面があります。センサーは同じ目的でも機種差によるデータ特性や前処理の違いが大きく、リアルタイムでは欠損も避けられないため、複数ソースの情報を一貫して扱うこと自体が実装のボトルネックになりやすい。こうした『ずれ・欠損』への対処は、机上で見えにくい一方、プロダクトを動かす過程で蓄積される“現場知”そのものだと言えます。

同時に、より本質的な論点として、ロボット基盤モデルが大規模言語モデルのように非連続な進化を遂げ、都度の追加学習に頼らず“指示（プロンプト）”で制御できる水準に到達するかが焦点です。ただしロボットでは、機体構造やセンサー、アクチュエータといった身体性により入出力の意味論が変わり得る点が難所であり、スケーリングでこの壁を越えて異なる身体性のロボットを統合的に扱えるようになれば、市場形成を加速するブレークスルーになり得ます」と述べています。

第三の条件は、合理的なユースケース（事業として成立し、継続運用まで見通せる適用領域）です。産業ロボット領域では、固定作業から柔軟作業（段取り替え、ばら積み、検査、協働）へ進化し、検査・保全、微細組み立て、搬送×認識の統合、ライン停止削減などが“勝ち筋”になり得ます。サービスロボット領域でも、店舗・倉庫・病院・ホテル・清掃・警備・配膳など、反復・危険・夜間を中心に現実的な需要が広がります。重要なのは、「技術的に可能」よりも「運用として回る」ことです。いきなり汎用ヒューマノイドが家庭に入るより、B2Bでタスク特化×量産×運用モデルを確立する方が、普及の現実的な第一歩になりやすいでしょう。実装の現場では、Physical AIは“単独で置き換える”というより、既存のプログラム型ロボットや自動化設備が苦手としてきた「残り1割」を補完する形で価値を出します。例えばバックヤードの補充作業のように、物体のばらつき・配置の揺らぎ・例外処理が多い工程は従来自動化が難しかった一方、Physical AIで認識と把持を高度化できれば、対応率を99%近くへ引き上げ、結果として“人の張り付き”を最小化できます。成長ドライバーは、こうした複雑度と柔軟性が求められるタスクです。

第四の条件は、普及可能なコスト（買う価格だけでなく、使い続ける費用まで含めて無理のない水準にすること）です。コストは本体価格だけでは語れません。

1. 開発費（学習・データ・シミュレーション・安全検証）
2. 製造原価（アクチュエータ、減速機、センサー、制御基板、筐体〈きょうたい〉、バッテリー等）
3. 導入費（現場改修、SI、教育、手順書、安全規格対応）
4. 運用費（保守、稼働監視、部品交換、モデル更新）

上記に分解して初めて、普及の要件が見えます。標準化が進めば再利用で開発費が下がり、キー部品の量産と設計共通化が進めば製造原価が下がり、遠隔監視・予兆保全・複数台をまとめて回す運用が進めば、稼働率が上がって実質コストが下がります。結局、勝敗を分けるのは本体価格ではなく、稼働率や停止リスク、保守体制まで含めた“使い続けるための総コスト”です。

Preferred Networksの関氏は「理想的には、ロボットが目の前で行う処理のほとんどをエッジ側で完結させるべきだと思っています。クラウドにつなぐべきなのは、複数デバイスをまたぐ運行最適化など1台では判断できない領域に限るのが合理的です。しかし現状では、モデルのサイズやバッテリー容量の制約から、完全なエッジ処理は難しいのが実情です。ローカル5Gのようなネットワークも組み合わせながら、通信コストやレイテンシを抑えつつ、できる限りエッジ処理を増やしていくことが現実的なアプローチだと考えています」と述べています。Physical AI領域において、運用コストに直接影響する重要な視点だと思います。

第五の条件は、規制・安全性という社会実装の“最後の壁”です。人と同じ空間で動くほど、安全規格、責任所在、データ／プライバシーの論点が重くなります。普及の鍵は規制緩和そのものではなく、安全を証明する仕組み（検証、監査、ログ、トレーサビリティ）を整備し、リスクを管理可能な形に落とし込むことです。安全は単なるコストではありません。むしろ普及の前提条件であり、運用力と一体になった差別化の源泉になり得ます。

Preferred Networksの関氏は「Physical AIの安全性は、用途に応じて、故障時に安全側へ停止する”Fail‑safe”に寄せるのか、システムに障害が発生しても、機能を停止させずに運転（operation）を継続できる”Fail‑operational”に寄せるのかを設計初期に明確に決めることが重要です。LLMやAIが制御に関わる場合、そもそも安全基準を逸脱するような極端な出力をAIが返さないよう、事前にルールを組み込んでおく必要があります。抽象論のようですが、物理世界で動く以上、この設計原則を先に固めないと後からの補修では追いつかなくなります」と述べています。

このように、Physical AIの普及は「技術ができたから広がる」という単純な流れでは進みません。5つの条件が同時に整わない限り、PoCは増えてもスケールしない形に陥りがちです。このような状況下、日本企業はどの勝ち筋を選べば良いのでしょうか？

日本企業の勝ち筋：「部品の強み」から「導入・運用で価値を束ねる」へ — 用途特化ロボットで“価値獲得領域”を明確化

日本では人手不足が強いアクセラレーターである一方、導入の現場では品質要求の高さと失敗時のペナルティーの大きさが普及の速度を左右します。PoCで動くことと、本番で“止まらず・事故なく・クレームなく”回り続けることのハードルが高くなっています。変化への動機づけが強い国ほど導入が加速する傾向があるのに対し、日本は「失敗できない」文化がDXの摩擦になりやすい――だからこそ、後段で述べる「導入・運用モデル（安全設計、監視、改善）」が競争力の源泉になります。

Physical AIの普及局面で、日本企業が勝ち筋を描く上で重要なのは、「ロボットが売れるか」ではなく、部品・機体・ソフト・導入・運用を1つの価値提案として束ね、現場で成果が出続ける形に仕立てられるかです。バリューチェーンは大きく以下に分解できます。

1. キー部品（減速機、モーター、半導体・各種センサー、制御、電源・バッテリー等）
2. 本体（プラットフォーム／筐体）
3. ソフト（OS／AI、シミュレーション、複数台の運用・監視をまとめる仕組み）
4. 導入（工程設計、統合、教育、安全設計）
5. 運用（保守、予兆保全、遠隔監視）

普及が進むほど、価値は「ハードの性能差」から「止まらず、安全に、現場で回り続ける仕組み」へ移り、導入・運用の比重が増していきます。

この構造の中で、日本企業の立ち位置は明確です。日本はキー部品において高いシェアと品質・信頼性を持ち、ここは引き続き高いシェアと信頼性を武器に維持・強化すべき領域です。一方で、部品だけに収益を依存すると、価格競争や標準化の進展により利益率が伸びにくくなる可能性があります。そこで問われるのは、部品の強さを“現場で効くシステム”に統合し、導入・運用の価値まで取り込むことです。そのとき、半導体の層まで含めた日本の産業アセットが、意図的に効いてきます。日本の勝ち筋は、部品の強さを起点にしつつ、導入・運用までを含めた提供価値を束ね、継続課金型の収益モデルに踏み込むことです。

具体的には、Physical AIのコアは「現場で動く計算基盤」と「現場で感じるセンサー群」と「現場で動かすアクチュエーション」の組み合わせです。例えば先端ロジックは、エッジでのリアルタイム推論や省電力化の鍵となり、先端ロジック基盤は“現場で回るAI”の計算土台になり得ます。推論を支えるメモリは、モデルやデータの取り回し、エッジでの学習・更新、遅延削減に直結します。現場の目となるイメージセンサーは、認識精度だけでなく、照明変動や反射・汚れといった現場特有の揺らぎへの強さを左右します。さらに、駆動・電源・保護といった現場の“足腰”には、アナログ／パワー半導体が効きます。そして最後に、動作の品質と稼働率を決めるのがモーターを含む駆動系です。要するに、日本は「部品が強い」だけではなく、Physical AIに必要な“エッジ計算 × メモリ × センサー × アナログ電源 × 駆動”という中核スタックを国内アセットで組み立てやすい立場にあります。これは、普及局面での供給安定性・品質保証・保守性の面でも効いてきます。

その鍵になるのが「特定業務に特化したロボット」です。汎用ヒューマノイドよりも短期的に市場が立ち上がり、投資対効果が具体化する領域はB2Bの現場で対象業務を絞り込み、反復性が高く、効果が測りやすい領域から勝ちパターンを確立できるからです。例えば、物流のピッキング補助、工場の外観検査・保全、清掃や夜間巡回など、「危険」「人手不足」「停止損失が大きい」業務は導入の説得力が高く、標準化と横展開が可能です。特定業務に刺さるほど、必要なセンサー構成・ハンドの形状・制御要件・安全設計・手順書が具体化し、導入の再現性が高まります。

そして、日本企業が“競争力の源泉”として最も重要なのが導入・運用です。現場の意思決定は、スペックの高さ以上に「止まらないか」「安全か」「保守が回るか」で決まります。ここを握ることで、①稼働データが蓄積し、②改善が継続的に回り、③性能と稼働率が上がり、④さらに導入が進む、という好循環をつくれます。この運用の積み上げこそが参入障壁になります。

さらに重要なのは、この好循環を回す“燃料”が、ベンチマーク上の性能データではなく、現場の制約やばらつき、異常の前兆、保全履歴、手戻り要因といった「リアルデータ」だという点です。リアルデータは、机上のモデル改善では得られない“運用起点の学習”を可能にし、結果として「止めない」「事故らない」「保守が回る」という現場KPIそのものを押し上げます。日本企業の勝ち筋は、まさにこのリアルデータを資産化し、改善ループを回し続ける力にあります。

加えて、Physical AIが単なるハード輸出ではなく、オペレーションノウハウの輸出になり得る点も見逃せません。日本企業が培ってきた品質基準、段取り、保全、安全、接客といった“現場の型”は、データと手順としてAIに埋め込める。つまり競争力の源泉はハードの質だけでなく、オペレーションの質がAIの性能を規定する。日本クオリティーの現場運用をグローバルに展開できれば、それ自体が差別化資産になります。

Physical AIの本質は、最先端の知能を「現場で役に立つ力」に変換し続けられるかどうかにあります。部品や機体の優劣を競う段階から、現場に実装し、稼働させ、改善し続ける力が競争力を左右する段階へ――今まさに軸足が移っています。ここで重要なのは、すべてを一足飛びに汎用化しようとすることではありません。業務を絞り、成果が見える形で導入・運用を回し、その積み重ねによって自律作業の範囲を広げていくことです。

生成AIが「考えること」を誰もが使える力にしたように、Physical AIは「動くこと」で現場を変えていきます。その変化を単なる技術トレンドとして眺めるのではなく、自社の強みを起点に、どの工程で、どの価値を束ね、どの収益モデルを築くのかを構想できるか。そこに向き合う企業こそが、Physical AI時代の現場競争力を獲得し、次の成長の基盤を手にすることになるでしょう。

【共同執筆者】

EYストラテジー・アンド・コンサルティング株式会社
テクノロジー／メディア・エンターテインメント／テレコムセクター
インテリジェンスユニット　コンサルタント　サイ・カイナ