Physical AIとは何か。認識・判断・行動という標語を、実際の技術地図に展開する

「フィジカルAI」という言葉を、この一年でどれだけ見かけたでしょうか。展示会のブースに並び、経営計画に書き込まれ、国の予算項目にも名前が載りました。

ところが意味を尋ねると、返ってくる答えは人によって違います。ロボットのこと。工場の自動化のこと。生成AIの次に来るもの。言葉が広まる速さに、中身の地図が追いついていません。

本講座は、この地図を描くところから始めます。Physical AIを「認識・判断・行動」という三語で終わらせず、その一語ずつが実際にどの技術で組まれているのかを一枚に展開します。そのうえで、点検・保全の現場から見て、どこまで組み上がっていて、どこが本命なのかを定義します。第2回以降はこの地図を一段ずつ降りていく構成です。第1回は、降りていく前の全体像を、部品の名前まで含めて渡します。

「フィジカルAI」の定義は、骨格だけがすでに一致している

発表主体はばらばらです。それでも定義の骨格は一致しています。

NVIDIAは用語集で「カメラ、ロボット、自動運転車などの自律システムは、フィジカルAIにより、物理世界において、認識、理解、推論し、複雑な行動の実行や調整ができるようになります」と記します。EY Japanは「現実世界で『認識→判断→行動』を自律実行するAI」と簡潔にまとめました。ガートナーは "machines and devices that sense, decide, and act" と表現し、日立は「現場のデータから得られたAIの分析・判断を、ロボットの制御や設備の自動操作といった具体的なアクションにまでつなぐ技術」と説明しています。

半導体メーカー、コンサルティング会社、調査会社、重電メーカー。立場が違っても、言っていることは同じです。認識し、判断し、行動する。 この三拍子を、一続きの能力として扱う。どの定義も「わかる」だけでは足りないと言っています。

一致しているのは骨格だけで、範囲は各社で揺れています。NVIDIAはロボットや自動運転という身体を持つ機械を中心に語り、経済産業省は「画像・音声・動画・各種センサーを統合し現実世界を理解し動く」という認識側に重心を置きます。身体をどこまで含めるかは、まだ揺れている。だからこそ、標語ではなく技術で線を引く必要があります。

そこで本講座は、Physical AIを次の三条件で定義します。第一に、物理世界から入力を取ること。人が打ち込んだ言葉ではなく、センサーが写した「いま、ここ」の状態を入力にしている。第二に、世界の状態を持ち続けること。どの資産の、どの部位で、前回はどうだったか、基準はいくつか。第三に、出力が行動になること。文章で終わらず、人にも機械にも渡せる次の一手になっている。

地図の骨は古く、部品が新しい

この三拍子の構造そのものは、新しくありません。センサーで感じ、世界のモデルを作り、計画し、動く。この枠組みは、ロボティクスで sense-model-plan-act (SMPA) と呼ばれてきました。名づけたのはロドニー・ブルックスで、1991年の論文です。当時の弱点も彼が書いています。処理時間の大半が知覚と世界モデルの構築に食われ、計画と行動にはわずかしか残らない。ロボットは耐えがたいほど遅かった、と。

難しさの在りかは、さらに前から指摘されていました。モラベックのパラドックスです。原文はこうです。「知能検査で大人並みの成績を出したりチェッカーを指したりするのは比較的やさしく、知覚や運動で一歳児の技能を与えるのは難しいか不可能である」。反射や運動、つまり認識側こそが計算として重い。人間が難なくこなすがゆえに簡単に見えるだけで、機械にとっては逆でした。この非対称は、後で検知AIの話に効いてきます。ベンチマークで解けることと、現場の知覚が効くことは別だからです。

新しいのは、各段階の中身が学習ベースの技術に置き換わったことです。手で書いた規則ではなく、データから学んだモデルが認識も判断も行動も担う。骨は古く、部品が新しい。そう捉えると、何が本当に変わったのかが見えます。なお、いまの階層型の設計が半世紀前の枠組みの再来なのかどうかは、文献で結論の出た話ではありません。本講座は見取り図として重ねますが、確定した歴史としては述べません。

この三条件のままでは、まだ現場の役に立ちません。抽象度が高すぎて、目の前の製品が当てはまるかを判定できないからです。標語を、技術に展開します。

認識から行動まで、現場の知能はこう組み上がる

Physical AIの中身は、五つの段階が環になった構造です。認識、状態、判断、行動、そして学習。ここが本講座の背骨になります。

認識　物理世界を数値にする

入口はセンサーです。可視カメラは安価で解像度が高い一方、色と模様しか写さず、距離を持ちません。ここに最初の落とし穴があります。一台のカメラの画像からは、物の絶対的な大きさが原理的に決まりません。同じ写り方をする「小さくて近い」と「大きくて遠い」を区別できないからです。スケールを与えるには、二眼の間隔、既知の寸法の基準物、あるいは距離を直接測るセンサーが要ります。

その距離を測るセンサーにも得手不得手があります。ステレオは二眼の視差から三角測量で距離を出すため、模様のない面では対応点が取れず弱い。ToFや構造化光は自ら光を投げて往復や歪みから測るため、太陽光の強い屋外で弱い。LiDARはレーザーの飛行時間から点群を作り、屋外でも正確な寸法を得られますが、点は疎で、雨や霧に弱い。熱画像は温度の分布を写し、コンクリート内部の浮きや漏水を表面温度の差として捉えます。超音波や打音は、表面の下を探ります。どのセンサーを選ぶかは、運び方の選択ではなく、狙う劣化の物理を決める選択です。

解像度も、現場では意味を持ちます。ひび割れの幅を測るとき、幅が画像の一画素より細ければ、それは一画素に切り上げて算出されます。撮る距離とレンズで決まる一画素あたりの実寸が、測れる細さの物理的な下限になる。ここは第2回で数値にします。

撮った画像は、そのままでは平面です。そこから空間を復元するのが三次元再構成です。重なりのある複数枚から特徴点を対応づけ、再投影の誤差を最小化する非線形最適化(バンドル調整)で、カメラの位置とまばらな三次元点を同時に推定するのがSfMで、それを密にするのがMVSです。

近年はここに学習ベースの表現が入りました。NeRFは、空間の各点の密度と色を小さなニューラルネットで表し、光線に沿って手前からの透過率で重みづけて積分する体積レンダリングで、新しい視点の画像を合成します。写実的な反面、場面ごとに学習が要り、描画も遅く、形は関数の中に暗黙に埋まったままで取り出しにくい。3Dガウシアンスプラッティングは、場面を数百万個の三次元ガウス分布の集まりとして明示的に持ち、微分可能なラスタライズで実時間に描画します。速く、点の集まりとして編集や計測がしやすい。点検で欲しいのは寸法を測れる幾何なので、この明示的で速いほうが扱いやすい場面が多くなります。移動しながら地図を作り自分の位置も同時に求めるのがSLAMで、飛びながら・走りながら撮る前提の技術です。

空間のどこに異常があるかを見つけるのが欠陥検知です。素直なやり方は、ひび割れや剥離を教師ラベルで教え込むセグメンテーション(画素単位の領域分け)ですが、欠陥は珍しく種類も多いので、ラベルが集まりません。そこで、正常な状態だけを学び、外れたものを異常として検出する異常検知が使われます。代表的なPatchCoreは、大量の画像で学習済みのネットワークから正常画像の特徴を取り出して記憶しておき、量が増えすぎないよう代表点だけに間引いて、検査時は最も近い正常特徴からの距離で異常を採点します。欠陥の例を一枚も見ずに検出できる点が現場向きです。

ただし、ここに大きな落とし穴があります。研究用のベンチマークでは正解率がほぼ飽和し、その飽和はベンチマークを作った側自身が認めています。一方で、学習に使った画像と現場の画像がずれると、性能は崩れます。あるひび割れ検出では、データセットをまたぐと領域一致の指標が0.870から0.653へ落ち、影の有無だけで正解率が0.9978から0.9045へ下がりました。低下分の多くは、無いものを在ると誤る側に出ます。ベンチマークでの勝ちは、現場で効くことを保証しません。この落差は第4回で扱います。

状態　見たものを覚えておく

三条件の第二が、この段階です。どの部材か、前回はどうだったか、基準はいくつか。この文脈を、資産と位置と履歴に結びつけて持ち続ける。世界モデルやシーングラフ(物体を節点、関係を辺として世界を持つ表現)と呼ばれる、世界の状態のための構造です。

技術的に難しいのは、比べる前の位置合わせです。同じ橋脚でも、撮る角度も光も季節も、使うセンサーさえ違う。点群どうしを対応づけて姿勢を合わせるICPのような手法で同じ座標に載せ、そのうえで引き算しないと、変化ではなく撮り方の差を検出してしまいます。しかも、比べるには「同じ部位」を機械が同定できていなければなりません。前回の第3径間の主桁と、今回の第3径間の主桁が同じものだと結びついていて初めて、進行を語れます。見落とされがちな段階ですが、現場でいちばん効くのはここです。見る能力ではなく、覚えている能力。第5回で扱います。

判断　覚えている状態を踏まえて評価する

ここに近年入ってきたのが、画像と言葉をまたいで扱える基盤モデル、視覚言語モデル(VLM)です。画像を符号化する視覚エンコーダと、言語モデルを、橋渡しの層でつないだ構造を持ちます。大量の画像と説明文の対応で事前学習し、画像のどこが何かを言葉と結びつける。言葉を画像上の領域に対応づけることをグラウンディングと呼びます。

点検で使うなら、VLMに設備の履歴や社内基準を文脈として渡し、基準と照らして意味づけさせる。文脈を渡さなければ、モデルは知らないことをもっともらしく埋めます。だから、履歴や図面や基準を検索して差し込む仕組みごと設計するのが、この段階です。第6回で扱います。

行動　判断を次の一手に変える

まず、どこへ行って何を撮るかを決める運動計画と制御があります。ロボットの取りうる姿勢の集まりを空間と見なし、その中で衝突しない経路を乱択でつなぐやり方(RRTなど)と、滑らかな軌道を評価関数の最小化で解くやり方(軌道最適化・モデル予測制御)があります。解いた軌道を、多くの場合は毎秒数百回の頻度で安定に追うのが制御です。自律で「行って撮る」を成り立たせる部分です。第7回で扱います。

その先に、画像と指示から直接ロボットの動作を出すVLA(vision-language-action)モデルがあります。

VLAには、この三年で系譜ができました。連続的な動作をどう出すかが技術の分かれ目です。RT-2は、動作の各成分を細かな区切りに割り当てて言葉の語彙のように扱い、言語モデルの仕組みでそのまま動作を吐かせました。動作をトークンに変えるこの発想を、動作のトークン化と呼びます。OpenVLAはこれを公開実装として広げました。π0は動作を離散化せず、雑音から連続的な動作へ整える流れとして生成します。動作の系列を少しずつ整えて作る拡散方策も、同じ連続生成の系統です。

Helixは階層で分けました。意味を読む遅いモデルが毎秒7から9回、その意味を動作に落とす速い方策が毎秒200回、全身のバランスと接触を扱う最下層が毎秒1000回。規模もそれぞれ違い、遅い側が70億、速い側が8000万、最下層が1000万のパラメータと公表されています。数値の出所は初代とHelix 02で分かれるため、引くときは分けて扱います。いずれのVLAも、人が遠隔操作したお手本を大量に学ぶことで動きを獲得しています。

ここで正直に線を引きます。VLAの多くは研究と実演の段階にあり、点検・保全の実作業に常時投入されている例はまだ乏しい。地図には載せますが、現在地は現在地として書きます。第8回で扱います。

学習　環を一周するたびに賢くなる

人のお手本をそのまま真似る模倣学習は、単純で立ち上がりが速い反面、弱さがあります。学んだ状態から少しでも外れると、その先はお手本になかった状態になり、誤差が誤差を呼んで積み重なる。報酬から試行錯誤で学ぶ強化学習は強力ですが、必要な試行が膨大で、報酬の設計が難しく、実機でそのまま回すのは危険です。

そこで、シミュレーションで安全かつ大量に訓練し、現実へ移すSim2Realが使われます。シミュレーションと現実の差は、摩擦や接触といった力学、そして見た目の両方に出ます。この差を越えるために、シミュレーションのパラメータ、質量や摩擦や光をわざとばらつかせ、現実を「もう一つのばらつき」に見せるドメインランダマイゼーションで橋を架けます。学習に使うデータそのものにも選択があります。実機で人が操作した本物は質が高いが高価で、人間の作業動画は安いが情報が薄く、シミュレーションは大量に作れるが現実との差が残る。どこから取るかが設計を分けます。そして、使うたびに増える現場のデータがモデルを更新する。直線ではなく環だから、回すほど厚くなります。第9回で扱います。

地図の各段階を、本講座は第2回から一つずつ、機構と訓練と適用条件、そして現場でどこまで効いてどこで止まるかまで掘り下げます。第1回が渡すのは、全体の見取り図と部品の名前です。

生成AI・検知AIと分けるのは、精度ではなく評価軸

三条件を物差しにすると、身近なAIの位置がはっきりします。

生成AIは、第一と第三を満たしません。入力は人が与えた言葉や画像であって、現場のセンサーが写したものではない。出てくるのも文章であって、指示ではない。設備の写真を見せて「補修は必要ですか」と尋ねれば、それらしい答えは返ってきます。しかしその設備の設置年も、前回の判定も、社内基準の閾値も知らないまま答えます。

検知AIは、第一を満たします。カメラが写した現実を入力にしているからです。けれど第二を満たしません。目の前の一枚に何が写っているかは言えても、去年より進行したのかは言えない。第三も満たしません。「ここにひび割れがあります」は検出結果であって、次の一手ではないからです。

三者の違いは、能力の優劣ではありません。何をもって「よい」とするかです。生成AIは流暢さで、検知AIは精度指標で測られます。Physical AIが測られるのは、現場の工数が減ったか、意思決定が変わったか。それだけです。

精度という指標そのものにも、見落としがあります。見逃さない率99%、誤警報率1%の検知器を1,000枚に使うとします。欠陥が全体の1%なら、鳴ったアラートのうち本物は半分です。本物のアラート9.9件に対し、誤報も9.9件出るからです。欠陥が0.1%まで珍しくなれば、本物は9%まで落ちます。数字の上では優秀でも、現場では二回に一回、あるいは十回に九回が空振りになりうる。精度という指標が、探すものの珍しさを織り込まないからです。見逃しの損失が大きい設備なら空振りを許してでも拾うほうが合理的で、どちらを重く見るかは現場によって変わります。動かないのは、精度が現場の重みを知らないという一点です。

工数の側にも同じ構造があります。ある工程を完全に自動化しても、全体の削減率はその工程が占める比率で頭打ちになります。検知の精度を99%から99.9%へ上げても、この上限は動きません。上限を決めているのは精度ではなく、自動化した工程の範囲だからです。検知精度への投資には収穫逓減が来る。効かせ続けるには、照合や記録という別の段階を取りに行くしかありません。この構造は第10回で数字にします。

なぜ点検・保全がPhysical AIの本命なのか

Physical AIが最初に効く現場には条件があります。危険であること。人が足りないこと。止まると損失が大きいこと。この三つが重なる場所です。点検・保全は、三つとも重なります。

危険について。厚生労働省の令和7年の統計では、労働災害の死亡者は700人。事故の型で最も多いのが墜落・転落で186人、全体の26.6%を占めます。休業4日以上の死傷者数では墜落・転落は15.4%で3位にすぎないのに、死者では1位です。件数では3位でも死者では1位という順位のずれは、高所からの落下の致死性が際立って高いことを示します。建設業では死亡214人のうち91人がこれにあたります。高所に人を上げる作業を減らせるなら、それ自体が安全対策になります。

止まる損失について。世に出回る「停止1時間あたり何百万円」といった数字の多くは出所をたどれません。公的資料に残るのはもっと生々しい数字です。経済産業省の委託調査には、あるアクリル酸プラントの事故で215億円、あるエチレンプラントの事故で207億円という損失額が記載され、そこには「事故後の検証・補修作業のためにプラントを停止していることによる逸失利益」が含まれると明記されています。

そして、その損失は古い設備で起きやすくなっています。国内エチレンプラントのうち稼働40年以上のものは、2015年の58.9%から2025年には81.4%になる見通しでした。

事故の中身も、この老いを映します。消防庁の集計では、危険物の流出事故の原因で最も多いのは「腐食疲労等劣化」で34.0%でした。突発の不運ではありません。時間をかけて進み、原理的には見つけられたはずの劣化が、原因の上位を占めます。点検・保全とは、進行するものを進行の途中で捕まえる仕事です。一枚の画像ではなく履歴を見る仕事であり、三条件の第二を持つ技術が効く領域です。

人手について。経済産業省のスマート保安の資料は「一層徹底した保安活動が必要でありながら、労働力不足であり、これまでのような人手をかけた保安体制では立ち行かない」と書いています。行政文書としては踏み込んだ言い方です。同じ資料は保安のあり方を三段階で描きました。取得を人がやり判断も人がやる段階、取得をセンサーが担い判断は人がやる段階、そして取得も判断も機械が担う段階。取得はすでに自動化が進み、次の課題は判断だと国が整理しています。本講座の地図と同じ場所を指しています。

もっとも、期待と現実には距離があります。NVIDIAは「フィジカルAIは50兆ドルの製造・物流産業に革命を起こす」と語りましたが、同社の2026年通期決算で自動車向け売上は23億ドル、全社売上の約1.1%でした。経済産業省の資料が引く2040年約55兆円という数字も、政府推計ではなく民間調査会社による外挿の引用だと資料自身が断っています。言葉が現実を追い越している段階だと、正直に見ておくべきです。

それでも方向は本物だと考えます。経済産業省は、ウェブ上のデータを大規模に学習する「規模」の競争から、現場データを活かして物理的な現場へ実装する「統合力」の競争へ、ゲームチェンジが起きつつあると表現しました。競争の焦点がデータの量から現場に届けきる力へ移るなら、日本の点検・保全に積み上がってきた記録と経験は、遅れではなく持ち札です。

おわりに

「認識→判断→行動」という骨格は、もう揺れていません。揺れているように見えるのは範囲の議論であって、骨格ではない。ただ、その骨格は技術地図の目次にすぎず、しかもロボティクスのSMPAと重なる古い骨で、認識側が重いという非対称は半世紀前から知られていました。新しいのは、各段階の部品が、学習ベースに置き換わったことです。

地図として見れば、認識・状態・判断・行動・学習は一本の環をなし、その各段が三次元再構成・異常検知・世界モデル・VLM・VLA・Sim2Realという実在の技術で組まれている。そして、この環が最初に効くのは、危険と人手不足と停止損失が重なる点検・保全です。そこで問われるのは、精度の小数点ではなく、工数と意思決定なのです。

次回からは、この地図を一段ずつ降りていきます。第2回は認識の入口、センサーと知覚です。カメラやLiDARは「いま・ここ」をどう数値に変えるのか、そして画素から物理的な寸法へどう戻すのかを掘り下げます。

本記事は「Physical AI 点検・保全 講座」シリーズの第1回です。次回は、センサと知覚の入口を扱います。スライド資料（PDF）は無料でダウンロードいただけます。

出典

• 出典：Zhang, Tian & Xiong, "A review of embodied intelligence systems…", Frontiers in Robotics and AI 12 (2025) Fig.2
• NVIDIA「フィジカル AI とは?」（用語集、2026年7月時点で掲載）
• EY Japan「Physical AIは『次のインフラ』になるか ― 日本企業の勝ち筋」（2026年2月5日）
• Gartner "Top Strategic Technology Trends for 2026"（2025年10月20日）
• 日立製作所「フィジカルAI体験スタジオ」開設プレスリリース（2026年3月23日）
• MONOist「CES 2026でも過熱する『フィジカルAI』、バズワードを脱して本格的なトレンドへ」（2026年1月7日）
• 経済産業省・内閣府 第1回AI・半導体ワーキンググループ 事務局説明資料（2026年2月12日）
• R. Brooks "Intelligence Without Reason"（MIT A.I. Memo 1293, 1991）※SMPAの命名と当時の弱点
• H. Moravec『Mind Children』（Harvard University Press, 1988, p.15）※モラベックのパラドックス原文
• Brohan et al. "RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control"（arXiv:2307.15818, 2023年7月28日）
• Kim et al. "OpenVLA: An Open-Source Vision-Language-Action Model"（arXiv:2406.09246, 2024年6月13日）
• Physical Intelligence "π0: A Vision-Language-Action Flow Model for General Robot Control"（arXiv:2410.24164, 2024年10月31日）
• Chi et al. "Diffusion Policy: Visuomotor Policy Learning via Action Diffusion"（RSS 2023, arXiv:2303.04137）
• Figure AI "Helix: A Vision-Language-Action Model for Generalist Humanoid Control"（2025年2月20日）／"Introducing Helix 02"（2026年1月27日）※階層のHz・パラメータ数の出所
• Mildenhall et al. "NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis"（ECCV 2020, arXiv:2003.08934）
• Kerbl et al. "3D Gaussian Splatting for Real-Time Radiance Field Rendering"（SIGGRAPH 2023, arXiv:2308.04079）
• Roth et al. "Towards Total Recall in Industrial Anomaly Detection"（PatchCore, CVPR 2022, arXiv:2106.08265）
• Tobin et al. "Domain Randomization for Transferring Deep Neural Networks from Simulation to the Real World"（arXiv:1703.06907, 2017）
• 国土交通省「点検支援技術性能カタログ」関連（画素とひび割れ幅の下限）※第2回・第4回で原典明示
• ひび割れ検出のクロスデータセット・影の影響（mIoU 0.870→0.653／正解率 0.9978→0.9045）※第4回で原典明示
• 厚生労働省「令和7年 労働災害発生状況」（2026年5月27日）
• 経済産業省委託「平成29年度 市場メカニズムを活用した産業保安及び製品安全政策に関する調査」報告書（平成30年2月）
• 消防庁「令和6年中の危険物施設に係る事故の概要」（2025年5月28日）
• スマート保安官民協議会「高圧ガス保安分野 スマート保安アクションプラン」（令和2年7月）／経済産業省 スマート保安推進資料（令和2年）
• NVIDIA「2026年度第4四半期および通期決算発表」（2026年2月25日）
• NVIDIA「NVIDIA Expands Omniverse With Generative Physical AI」（プレスリリース、2025年1月6日、CES 2025基調講演）※Jensen Huang "Physical AI will revolutionize the $50 trillion manufacturing and logistics industries."（50兆ドルの逐語典拠）

📄 講義スライドをダウンロード（L01.pptx）