AWS ジャパン「フィジカル AI 開発支援プログラム」成果発表会レポート　スタートアップ各社が登壇

2026年8月31日、AWS ジャパンが「フィジカル AI 開発支援プログラム by AWS ジャパン」の最終成果発表会を開催しました。「関係者向け」と「記者向け」の２本立てで行われたようなのですが、そのうち「記者向け成果発表会」について、ざっくりレポートします。

日本への投資における「3本の柱」と技術投資の意義

AWS ジャパン社長の白幡晶彦氏は、同社が掲げる「日本のために、社会のために、その先へ」という目標に基づき、日本への投資における3本の柱（技術、信頼性、人と社会）を提示しました。「フィジカル AI 開発支援プログラム」はこの第1の柱である「技術投資」です。日本が数十年にわたり蓄積してきたハードウェア設計、精密制御、製造現場の知見・データ（「モノづくり」の資産）に、生成 AI を掛け合わせることは、労働力不足という深刻な社会課題を解決し、日本が再び世界をリードするための最大の好機となると語りました。

ここでいう「フィジカル AI」とは、ロボティクスと生成 AI の高度な融合を指します。具体的には、Vision-Language-Action（VLA）モデルや世界モデル（World Action Model）を活用し、ロボットが周囲を認識・判断して自律的に行動する技術を指します。

AWS ジャパンは採択された51社に対し、以下の4つの支援を提供しました。

• 技術支援： 専門チームによる伴走に加え、PACE（Prototyping & AI Customer Engineering）チームによるプロトタイピング支援や、サンプルコード集「PASK (Physical AI Scaffolding Kit)」、生成 AI イノベーションセンター (Generative AI Innovation Center : GenAIIC) による技術提供

• コスト支援： 総額 600万 USドル規模の AWS クレジットを提供

• コミュニティ： 勉強会やミートアップを通じた、先行知見とアーキテクチャの共有

• Go-to-Market（GTM）： AWS Summit でのデモ展示や顧客マッチングによる商用化支援

このプログラムは、日本の「現場の知見」を VLA や世界モデルを通じてデジタル化・スケールさせるためのブリッジとしての役割があったというわけです。

1．株式会社アトム――ヒューマノイドの歩行・全身制御からVLA学習まで

最初に発表したのは、2025年11月に創業したばかりの株式会社アトムの大田黒氏です。同社は「ヒューマノイドをちゃんと作って日本に実装していく」ことを掲げ、国産ヒューマノイドの開発、生産、社会実装を目指しています。創業からまだ1年に満たない段階ですが、シードラウンドで30億円、銀行融資で15億円を調達しています。

アトムが目指しているのは、単にヒューマノイド機体の開発だけではありません。ヒューマノイドの設計・開発・量産に加え、機体に搭載するAI、さらにAIの学習に必要となるデータまで、自社で幅広く手掛ける事業計画を描いています。データについては、データ収集拠点を設けて収集していく方針です。同社は、国産ヒューマノイドの開発から生産、社会実装までをやり切ることで「日本のGDPを1％押し上げる」ことを目標として掲げています。

今回のプログラムでの成果としては、
「ヒューマノイドの歩行と全身制御」
「テレオペレーションによるVLAモデルの学習」
「エゴビューデータによるVLAの学習」
の3点を紹介しました。

開発基盤として、AWSのクラウド上にデータ収集、学習、モデルのデプロイまでをつなぐアーキテクチャーを構築しています。具体的には、Amazon S3、Amazon EC2、AWS IoT Coreを利用しています。社内で稼働させている複数のロボットから得られるデータをS3に蓄積し、学習によって生成されたモデルについてもS3やIoT Coreを介して実機へデプロイする構成です。

最初の成果は、同社が開発するヒューマノイドの歩行と全身制御です。シミュレーション環境において、Isaac Sim、Isaac Lab、MuJoCoなどを活用し、歩行動作を検証しました。そのうえで、シミュレーション上で動作することを確認した制御を実機にデプロイし、実機でも歩行できるところまで検証したと説明しました。通常の歩行だけでなく、やや速い歩行など、複数のパターンを試しています。

2つ目が、テレオペレーションによって収集したデータを利用したVLAモデルの学習です。対象タスクとして想定したのは、物流現場での仕分け作業です。さまざまな向きで流れてくる物品について向きを整えたり、次のレーンへ移動させたりする作業を対象としています。

発表では、オペレーターがロボットを操作してデータを収集している様子を示しました。収集したデータを使ってモデルを学習し、そのモデルを実機へロールアウトするところまで検証しています。実機では、人間による操作を介さず、VLAを使って仕分け作業を実行するところまで実現しました。

さらに、発表の2日前にあたる8月29日には、この仕分け作業を24時間連続で実行する「24時間耐久デモ」を実施しました。デモは24時間完走でき、動画をYouTubeで公開しています。

3つ目が、エゴビュー、すなわち人間の視点から収集した映像データをVLAの学習に利用する試みです。テレオペレーションではロボットを操作する際のデータを収集しますが、エゴビューでは、人間が実際に作業を行い、その人間と同じ視点から映像を収集し、学習データとして利用します。

この方法については「今回の検証ではエゴビューデータ単独では学習がうまくいかなかった」と説明しました。原因については、データ量が不足していた可能性があるとしています。一方、先に説明したテレオペレーションのデータとエゴビューデータを組み合わせて学習させることで、学習が成立することを確認しました。現在は精度の検証を進めている段階です。

アトムはAWSの支援について、創業直後で十分なコンピューティングリソースを持っていない段階でリソースの提供を受けられたことに加え、フィジカルAIチームとの専門的なディスカッションの機会を得られたことがチームの成長につながったと説明しました。

今後については、特にAIの領域で、国内で初めて「スケーリング則を証明するようなプレイヤー」になりたいとしています。

2．オムロン サイニックエックス――「理解し、行動し、振り返るAI」を目指す

続いて発表したのが、オムロン サイニックエックス（OSX）です。発表では、同社の牛久氏が説明を担当し、研究担当として齋藤邦章氏を紹介しました。

オムロン サイニックエックスはオムロンの研究子会社で、東京を拠点にAIやロボットの近未来を研究しています。フィジカルAIについて同社が着目しているのは、ロボット自身が賢くなっていく仕組みです。

現在のフィジカルAI、とりわけVLAモデルを中心とするアプローチでは、人間が大量のデータを収集し、それを使って大規模なモデルを構築する必要があります。OSXは、この前提を変えることを今回の研究テーマの一つに据えました。

同社が示したコンセプトは、「理解し、行動し、振り返るAI」です。ロボット自身が人間の行動を見て理解し、自分でも行動してみたうえで、その結果がうまくいったのかどうかを振り返り、その結果を次の改善につなげる循環を目指しています。

発表では、この仕組みを「See」「Understand」「Reflect」という3段階で説明しました。まず人間など周囲の状況を見て、そこから状況を理解します。その後、ロボット自身が行動し、最後にその行動がうまくいったかどうかを振り返ります。これを繰り返すことで、ロボット自身がより良い行動を獲得していくことを狙っています。

今回のAWSプログラムでは、AWSのインスタンスを3カ月間利用したと説明しました。

まず「See」「Understand」の段階では、人間が動いている様子をAIがどの程度正しく理解できるかを検証しました。この研究成果は、自然言語処理分野の国際会議であるEMNLPに採択されたとしています。

検証から明らかになったことの一つは、最先端のAIであっても、人間の動きに含まれる時系列情報を十分に理解できていないケースがあることです。例えば、動作の速度や、動いている方向が逆であるといった情報を正しく理解できない場合があります。

また、AIは自分自身が犯したミスを見逃しやすいという問題も確認されたと説明しました。このため、一つのAIだけで判断するのではなく、複数のAIが互いの弱点や長所を踏まえながら評価し合うような方法が必要になる可能性を示しています。

さらにOSXは、VLAモデルそのものを小型化する方向にも取り組んでいます。現在は非常に大規模なVLAモデルが多数存在しますが、OSXではVLM、すなわち画像と言語を扱うモデルを活用し、ロボットを動かすモデルへ展開する研究を進めています。

具体的には、0.8 billion、2 billion、4 billion程度の比較的小型なVLMを利用し、それをロボットが動作できるモデルにすることを試みています。大規模モデルをそのまま利用するのではなく、より小型のモデルでロボットを動かすことによって、フィジカルAIをより身近なものにすることを目指しています。

「Reflect」の段階では、ロボットが自分自身の行動について説明する仕組みを検証しています。デモでは、ロボットがトマトを掴もうとした際に位置がずれていた場合、その状況を「位置がずれていた」「掴んでみたがうまくいかなかった」といった形で言語化し、自分の行動を振り返る様子を示しました。

OSXは、こうした「理解→行動→振り返り」のループを繰り返すことで、より良い動作を実現するとともに、モデルそのものをより小さく、より安価なものへと進化させることを目指しています。

今後のAWSへの要望としては、より高性能なGPUリソースを利用できることを挙げました。また、すべての研究者がAWSのエコシステムに詳しいわけではないため、AWS上での開発環境など周辺部分についてもサポートを受けられれば、研究者がフィジカルAIそのものの研究に集中しやすくなるとしています。

3. ZEALS――日本の「現場」をフィジカルAIの競争力にする

3社目はZEALSです。同社の清水正大氏は、「直近半年ほど、中国、米国、日本を行き来しながらフィジカルAIとヒューマノイドの開発現場を見てきた」と説明しました。

その経験から、米国はAIモデルやソフトウェアで一歩先行し、中国はハードウェアの量産で一歩先行しているという認識を示しました。そのうえで、日本にある強みとして挙げたのが「現場」です。

日本には人手不足によってロボットが必要とされる現場が存在しています。ZEALSは、この現場こそがフィジカルAIにとって重要なデータを生み出す場所になると考えています。

LLMはインターネット上に存在する大量のデータから学習できますが、ロボット基盤モデルの場合、実際の現場で得られるデータを活用しなければロボットを動かすことができません。そこでZEALSは、現場データを集めながら、同時に現場で役立つロボットを届けることを目指しています。

その具体的な製品として紹介したのが、準国産のコンパクトヒューマノイドロボット「D1」です。

D1の横幅は48cmで、一般的なヒューマノイドよりもコンパクトであることを特徴としています。日本の屋内環境は狭い場所が多いという認識から、狭い現場でも小回りが利くサイズを狙ったと説明しました。

また、D1は二足歩行型ではなく、台車型の移動機構を採用しています。これは二足歩行を否定するものではなく、人がいる屋内で利用する以上、転倒によって人を傷つけるリスクを避けることを重視したためです。ZEALSは「絶対転ばない」ロボットを目指すという考えから、セミヒューマノイドという構成を選択しています。

価格は500万円から。すでに販売を開始しました。この価格を実現する要因として、「準国産」という構成を挙げています。日本の環境に合わせてゼロから設計し、部品は世界中から調達して日本で組み立てています。

これは国産部品を使いたくないからではなく、人手不足の現場がすでに存在しているため、できるだけ早く、かつリーズナブルな価格でロボットを届けることを優先したものです。将来的には、国内ですべてを実現する純国産ロボットを目指すとしています。

ZEALSは今年度の目標として、100台の量産と1万時間の稼働を掲げています。現在は量産体制に入っており、10月から最初のロットを納品する予定だと説明しました。

同社は、フィジカルAIとヒューマノイドの産業を一社だけで立ち上げることは難しいとの考えから、産業エコシステムの構築にも取り組んでいます。医療、リース、保険、デプロイに加え、直近ではタイミーとの連携によるデータ収集、スポットワーカーに関するデータ活用にも取り組んでいます。

今回のAWSプログラムが始まった時点では、中国製ロボットを輸入し、それを使ってソフトウェアを開発している段階でした。そこから4～5カ月ほどで、ヒューマノイドのハードウェアであるD1と、自社AIモデル「Omakase Zen」の開発に進み、両者を統合できる体制を構築しました。

開発ではAWSの支援を受け、米国パロアルトのAWSオフィスにも赴き、現地のフィジカルAIエンジニアとデータパイプラインについて議論しながら開発を進めたと説明しました。今後も日本だけでなくグローバルの人材を活用して、ロボットとフィジカルAIの開発を進める方針です。

さらに、D1は発表時点の前週に医療現場へ初投入されたと報告しました。名古屋の掖済会病院で35時間稼働させ、院内案内、軽量物品の配送、レクリエーションの進行、下膳補助などを実施しました。

ZEALSは、こうした実際の人手不足の現場でD1を稼働させ、ロボットを現場に届けながらデータを蓄積していくことを目指しています。

4. ダイフク×JDSC――物流の「完全自動化」に向けAIエージェントでロボットを制御

４番目はダイフクとJDSCが共同で取り組んだ成果を、主にJDSCの鈴木徳馬氏が説明しました。

両社は2025年に戦略的パートナーシップを締結しています。ダイフクは物流や生産現場などを支えるマテリアルハンドリング技術を持ち、JDSCは製造・物流などの基幹産業を中心に、AIを活用した社会課題の解決を構想から実装まで進めています。両社はそれぞれの強みを組み合わせ、物流・生産現場の変革を目指しています。

特に協業しているのが、革新的なマテリアルハンドリングシステムの開発です。ダイフクのマテリアルハンドリング技術とJDSCのAI技術を組み合わせる取り組みの中で、フィジカルAIを中核的な先進技術の一つとして位置付けています。

物流施設では自動化が進んでいる場合でも、入荷から出荷までの各工程に人による判断や手作業が残っています。また、既存の設備には事前定義への依存という課題があります。あらかじめ登録・キッティングされた物品しか扱えず、品目が変わると再設定が必要になるためです。

両社が目指しているのは、こうした制約を取り除いた物流の完全自動化です。そのためには、ロボットや設備が人間のように状況を理解し、未知の物品や状況にも対応できる必要があると説明しました。

今回の取り組みでは、残存する人手工程のうち、主にピッキングを対象としています。

特徴的なのが、人間による言葉の指示を起点としてAIエージェントが自律的にロボットを制御する仕組みです。

例えば、人間が「棚Aの3段目に2つ補充して」と指示すると、AIエージェントがその指示を受け取ります。続いて補充対象の商品を認識し、棚のどこに補充するかを判断したうえで、人間から与えられた指示をロボットが実行できる単位の動作へ分解します。

その後、ロボットを各ステップに従って動かし、各ステップが成功したのか、失敗したのかについても自律的に判断しながら作業を進めます。

この仕組みによって、あらかじめ作業内容を細かく定義しておくのではなく、異なる指示や作業にも対応でき、人間の介在を抑えた自律的なマテリアルハンドリングを実現することを狙っています。

今回の開発では、AWSのSageMakerなどを利用し、モデルの学習からシミュレーション環境での評価までを4カ月で実施しました。AWSの針原氏をはじめとするグローバルのフィジカルAIチームや、NVIDIAとの協業を通じて、開発アプローチの検討から実際の検証まで共同で進めたと説明しました。

今回の検証で特に重要な成果として示されたのが、97％という成功率です。検証したアーキテクチャーでは、シミュレーション環境において、AIが学習していない未知の商品や未知の仕分け先の組み合わせに対しても97％の成功率を達成したとしています。

今後は、さらに性能を向上させることで、物流現場での立ち上げ期間の短縮や、取り扱い品目の変更への追従が可能になることを期待しています。今後は実機での検証を進め、製品化と物流現場の完全自動化を目指します。

5．竹中工務店――建設現場のデータ不足をシミュレーションとテレオペで補う

竹中工務店は、1610年創業で、世界各地の建築プロジェクトに約8000人の従業員が携わるゼネコンです。今回のプログラムでは、建設業におけるフィジカルAIの可能性を検証しました。

背景にあるのは、建設需要が今後も増加する一方、少子高齢化によって技能労働者が減少していくという問題です。発表では、必要な技能労働者数に対して約130万人が不足することが見込まれていると説明しました。こうした状況から、建設現場でもロボットやフィジカルAIの活用が必要になるとしています。

ただし、建設現場にロボットを持ち込み、そこで大量のデータを収集することは容易ではありません。そこで竹中工務店は、AWS上にシミュレーション環境とデータ収集環境を構築し、段階的に検証を進めました。

取り組みは大きく3段階に分けています。最初は、オープンなデータセットやモデルを利用し、ファインチューニングによって指示した動作をロボットが実行できるかを確認しました。

次に、より現実に近いシミュレーション環境とデータ収集環境を構築しました。そして最後に、建設業特有のタスクとして「壁をローラーで塗る作業」をヒューマノイドに実行させることを試みました。

データ収集のために構築したのが、CloudXRを使ったテレオペレーション環境です。Apple Vision Proを使って遠隔からロボットを操作し、データを収集します。同時にNVIDIA Isaac SimをAWS上に実装し、シミュレーション環境と外部からのデータ収集環境を統合しました。

建設作業の検証では、壁塗りに使うローラーのアセットデータを準備するところから取り組みました。MetaのSAMや3Dオブジェクトを利用してローラーのデータを作成し、遠隔データ収集環境で操縦者が約1時間、ローラーを動かすデータを取得しました。

さらに、実際の作業所にも赴いてデータを収集し、Gaussian Splattingを利用して加工したうえでNVIDIA Isaac Simに取り込みました。その環境でVLAをファインチューニングし、壁にローラーを当てて塗る動作を実行させました。結果として、10～15％程度の成功率で壁をローラーで塗るタスクを実行できることを確認しました。

今回の取り組みによって、データ収集からファインチューニング、検証までをつなぐデータパイプラインを構築できたことを成果として挙げました。一方で、建設現場では安全上の理由からデータ収集が難しく、そもそもデータを大量に取得できないことが課題として残りました。また、モデルをファインチューニングできても、それを実際の作業所に持ち込んで検証することにも難しさがあります。

今後は、ヒューマノイドやロボットへの取り組みを加速するとともに、生成AIの延長線上で、人間と会話しながら作業するロボットの実現にも取り組む方針です。オープンイノベーションによる連携も進めていくとしています。

6．Telexistence――1Bパラメータ規模のWAMで特定ロボット向けの性能を検証

Telexistenceは、ヒューマノイドを含むロボットシステムを開発し、特にコンビニエンスストアや小売業界向けにロボットモデルやソリューションを提供しています。

今回の研究では、VLAと並んで注目されているWAM（World Action Model）に焦点を当てました。Telexistenceは、世界がどのように動いていくのかを動画生成モデルなどをベースに理解するWAMに可能性を感じており、今回のプログラムでは特にこの領域を研究しました。

WAMを実際のコンビニで動かそうとすると、計算量が大きく、リアルタイムで動作させることが難しいという問題があります。そこで今回の研究では、非常に軽量なWAMを作れば実際のロボットで動かせるのかを検証しました。

具体的には、約10億パラメータ、すなわち1Bパラメータ規模のモデルを使ってWAMの構造を構築しました。そして、特定のコンビニ向けロボットやタスクに対象を絞った場合、この規模のモデルでも十分な性能を出せるのかを検証しました。

この研究では、AmazonのFrontier AI & Roboticsチームが発表した研究成果も活用しています。

比較対象として、VLAではπ0.5などのモデルが挙げられました。Telexistenceが今回開発した小規模モデルについて、コンビニでのタスクにおいて、従来8割程度の動作ができていたモデルと同等程度のパフォーマンスが得られることが分かったと説明しました。

一方、大規模なデータを使って事前学習されたモデルと比較すると、Telexistenceが自社で集めたデータだけで学習したモデルの実機での性能は、それほど高くありませんでした。この結果から、大規模データの重要性は確認できたとしています。

ただし、モデルの規模が小さくても、アーキテクチャーやエンボディメント、対象タスクなどを重点的にチューニングすることで、かなり性能を引き出せることが分かりました。

Telexistenceは、今後VLAとWAMのどちらがフィジカルAIの中心になるのか、あるいは別のAIモデルが登場するのかは「オープンクエスチョン」だとしています。その一方で、コンビニという実際の現場にロボットを持ち込んでいることを強みとして、現場で得られた知見をモデル開発に生かしていく考えです。

今回のAWSプログラムでは、基盤モデルの学習、シミュレーション、実機へのロールアウトまでを一気通貫で実施できたことも成果として挙げました。特に、大規模なH200だけに頼るのではなく、シミュレーションでは比較的小さなGPUを利用し、複数モデルを並列評価して性能の良いモデルを実機で検証することで、開発サイクルを短縮できたと説明しました。

7．野村総合研究所――実機、シミュレーション、人間のデータを使い分けてロボットを動かす

野村総合研究所（NRI）は、システム開発やDX、AIトランスフォーメーションを主な事業とし、ロボット専業企業ではありません。今回のプログラムでは、ロボットにおけるソフトウェアの比重が高まっていることを背景に、ロボット分野への取り組みを進めたと野村総研の山川氏は紹介しました。

同社は以前からロボットの研究開発を行っており、成田空港のポップアップストアでは、旅行客に土産物を販売するロボットを実証しました。VLMを使い、自然言語で「お茶取って」と指示すると複数の商品から対象を選んで取るシステムや、形状や配置が異なる物品から掴みやすい場所を判断して取り出すシステムなどを開発しています。

今回のプログラムでは、3つのアプローチを試しました。1つ目は実機ロボットを動かしてデータを収集する方法、2つ目はシミュレーションを利用してデータを取得する方法、3つ目はロボットではなく人間の動作データを利用してロボットを動かす方法です。

実機については、VLAを利用してペットボトルを取ることに成功しました。今後は、従来のロボット技術では難しい双腕による作業や、柔らかい物体を扱う作業にも取り組んでいます。

シミュレーションについては、実世界とシミュレーション世界の画像の違いが問題になります。そこで、実環境を撮影し、三次元再構成によってシミュレーション環境を構築しました。その環境で訓練したモデルを実機に移したところ、実世界でも動作することを確認しました。

3つ目は人間のデータです。人間の頭部や手首にカメラを装着し、ペットボトルを片付ける作業などを記録しました。そのデータをロボットのモデルに入力して、ロボットで動作させることを試みています。発表時点では完全に動作するところまでは到達していませんでしたが、「なんとなく動きそう」というところまで確認できたとしています。最終的には、ロボット自身から大量のデータを収集しなくてもロボットを動かせる世界を目指します。

AWSについては、ロボットのデータは容量が大きいため、S3をストレージとして利用できることが有用だったと説明しました。また、SageMakerも機械学習環境として活用しています。AWSが開催した勉強会によって最新情報をキャッチアップできたことも支援の成果として挙げました。

8．Highlanders――ロボット量産をデータパイプライン構築につなげる

Highlandersは東京大学発の創業3年の企業で、20～30代を中心とする研究者・開発者約50人で開発を進めています。ハードウェア、ソフトウェア、フィジカルAI、とりわけ基盤モデルまでを一気通貫で自社開発していることを特徴としています。

同社は国産の四足歩行型ロボットを開発しており、ロボットアームを搭載して災害現場などでの調査や復旧、センサー設置などに利用することを想定しています。

さらに、国産ヒューマノイドロボットも開発しています。人間と同じ自由度を持ち、全身31自由度に加えて5本指のハンドを備えています。このヒューマノイドについては、三菱自動車工業と連携して量産開発を進めており、2027年4月頃の量産出荷を目指しています。

ただし、同社は「ロボットの会社」と見られることが多いものの、本質的に取り組みたいのはAIの開発だと説明しました。

独自の基盤モデル「Kepler（ケプラー）」を開発しており、ヒューマノイド向けAIとして100億パラメータ規模のWorld Action Modelを構築しています。アーキテクチャーは2段構成で、低周期で世界の次の時刻を予測しながら行動生成・計画を行う部分と、比較的高速な周期で全身制御を行う部分に分かれています。

Highlandersが特に重視しているのがデータです。フィジカルAIには世界的にデータが不足していると説明しました。

画像認識AIでは、インターネット上から画像を収集してアノテーションする方法がありました。しかしフィジカルAIでは、物体を掴んだときの感触、地面を踏んだときに膝にかかる力、IMUなどから得られる体性感覚情報など、物理世界に関するデータが必要になります。こうしたデータは現状十分に蓄積されていません。

また、単にセンサーを並べればよいわけでもありません。大量のロボットを並べてデータを収集する場合、それぞれのロボットで取得されるデータの統計的性質が揃っている必要があります。さらに、24時間連続稼働させた場合でも、最初の1時間と最後の1時間で同じ特性のデータが取れることが重要だと説明しました。

そのため同社は、ロボットの量産から実機によるデータ取得まで、すべてのレイヤーを自社で手掛ける一気通貫のシステムを構築しようとしています。今回のプログラムではAWSとのディスカッションを通じて、そのデータパイプラインの構築を進めました。

目指しているのは、世界中に展開したロボットが日々データを収集し、そのデータを再びAI開発に利用する仕組みです。量産品質のロボットによってデータのばらつきを抑え、高品質なデータを大量に取得することで、「世界一のフィジカルAIデータパイプライン」を構築したいとしています。

最終的な会社の目標としては、人間を超える知能、すなわち「スーパーインテリジェンス」の実現を掲げています。そのために、人間一人が人生で経験できる量をはるかに超えるデータでAIを訓練することを目指しています。

9．FastLabel――シミュレーションで90エピソードを1万エピソードへ拡張

FastLabelは、フィジカルAI領域でデータ収集支援やアノテーション代行サービスを提供している企業です。今回の発表ではデータ拡張や自動アノテーション技術を担当する機械学習エンジニアの海野氏が説明しました。

フィジカルAIでも、学習データ量の増加に伴ってモデル性能が向上する「スケーリング則」が提唱されており、学習データを確保することが重要になっています。しかし、ロボットのデータは十分に公開されておらず、いかにデータをスケールさせるかが課題です。

FastLabelは、この問題に対してシミュレーションデータパイプラインを構築しました。

まずテレオペレーションによってロボットの軌道データを作成し、その後、軌道データを拡張します。さらにドメインランダム化を行い、最後に実機データと組み合わせた混合データセットを作ります。AWSからはシミュレーション技術と計算リソースの支援を受けました。

テレオペレーション用のシミュレーション環境には国産ロボットのURDFを使用しました。実機と同等の動作を再現するため、ロボットのパラメータや摩擦などを調整し、安定したデータを収集できる環境を構築しています。

その後、MimicGenを利用してデータを拡張しました。MimicGenは、ロボットの軌道データを未知のシーンにおける物体配置などに対応するデータへ自動的に変換する技術です。これを並列実行することで、90エピソードの元データから約100倍となる1万エピソードまでデータを拡張しました。

さらに、未知の環境への対応力を高めるため、テーブルや背景の色、照明条件などをランダム化するドメインランダム化を実施しました。そのデータと実機から取得したデータを混合し、学習用データセットを構築しました。

この混合データセットの有効性を検証するため、実データだけで学習した場合と、シミュレーションデータを加えた場合を比較しました。その結果、シミュレーションデータを追加するとタスク成功率が平均14.2％向上しました。

また、未知環境でのサブタスク達成率も向上し、シミュレーションデータを加えることで未知環境への汎化性能が向上することを確認しました。

さらに、タスク成功率とデータ収集・データセット構築費用を比較した結果、シミュレーションデータを多く利用したデータセットでは、低コストで高い性能のモデルを構築できることが分かったと説明しました。

今後は、実機データだけでなくシミュレーションデータを活用し、フィジカルAI開発を進めていく方針です。

10．豆蔵――VLAとルールベースを組み合わせて産業用途へ

豆蔵は新宿に本社を置き、約900人の従業員を抱える企業です。もともとはITコンサルティング企業ですが、約13年前からロボット事業に取り組んでいます。ソフトウェアだけでなく、メカ、エレキ、AIまで含めたフルスタックのケイパビリティを持ち、産業利用を重視した応用研究を進めています。

今回のプログラムでは、板金工場を対象に、板金部品のピッキングと整列をヒューマノイドロボットで実現する取り組みを進めました。これまで上半身にはVLAを適用していましたが、下半身の直接制御については十分に取り組めていなかったため、今回、上半身と下半身を含む全身制御を対象としました。

上半身については、テレオペレーション環境を構築し、板金部品の整列データを359エピソード収集しました。そのデータをEC2上のGR00Tモデルにファインチューニングし、板金部品をピッキングして整列する動作を実現しました。

ただし、視覚情報だけでは、板金部品を取り上げる際に部品同士が干渉したり、部品とロボットが衝突したりしてロボットが停止する問題が発生しました。これについては、力制御を併用し、コンプライアンス制御を加えることで対応しました。

バラ積みピッキングについては、VLAだけでは難しいことが分かりました。そこで、ピッキングはルールベース、Placing、つまり配置動作はVLAというハイブリッド構成を採用しました。その結果、85％の成功率を達成しています。

この結果から、産業用途ではすべてをVLAだけで解決しようとするのではなく、ルールベースとVLAを相互に補完させる構成が現実的だとしています。

下半身については、EC2上のIsaac Labで強化学習を行い、しゃがむ動作を獲得しました。対象としている板金部品をしゃがんで取り上げるための動作です。Unitree G1の標準ポリシーではしゃがむ動作ができなかったため、独自にポリシーを構築しました。

これらを統合し、しゃがんで板金部品を取り上げ、その後整列するという一連のアプリケーションまで実現しました。

特に注目されるのが、全身制御に必要なデータ量を削減した点です。G1は約43関節を持ち、全身制御には約2000エピソードのデータが必要とされる一方、今回の製品では作業に必要な10関節に制限することで、約43エピソードのデータから全身制御を実現しました。

一方、産業利用に向けた課題として、学習環境と推論環境を一致させることの難しさを挙げました。開発インフラと実際の現場環境をできるだけ統一する必要があります。

また、オクルージョンによって対象物を見失うと、ロボットが暴走する可能性があります。そのため、視覚情報だけに依存するのではなく、安定稼働のためのガードレールが必要だとしています。

VLAが適するのは、視覚情報をもとにフィードバックする作業や、多少の失敗が許容され、リトライ可能な作業です。産業用途では、VLA、ルールベースなどを作業内容に応じて使い分けることが重要だと説明しました。

11．MW――天井を使うガントリー型ロボットで家事の自動化を目指す

MW（ムウ）からはHead of AI/Roboticsの浅谷氏が登壇しました。同社はハウスメーカーとして住宅を手掛けており、テクノロジーによって新しい生活を実現することを目指しています。

ロボット開発に取り組む理由として挙げたのが「家事からの解放」です。スマートホームによって家電などの自動化は進んでいるものの、洗濯や食器洗いなど、物理的な作業を伴う家事は残っています。これらも新しいテクノロジーによって自動化したいとしています。

同社が開発しているのが「MW bot」です。特徴は、台車型でもヒューマノイドでもなく、天井から吊り下げる「ガントリー型」であることです。

日本の住宅は狭いため、限られた空間でロボットを動かす一つの方法として、デッドスペースである天井を利用します。床を走行する必要がないため、転倒しないことも安全上の利点として挙げました。

MW botは、普段は折り畳まれて天井側に収納され、必要なときだけ展開して作業します。作業が終われば再び収納される構成です。高級住宅への導入も想定し、普段からロボットが露出して圧迫感を与えるのではなく、必要なときだけ現れることを重視しています。

現在はプロトタイプの筐体ができており、AI開発を進めています。お台場などにPOC環境やデータセンター、データファクトリーを構築し、学習用データを収集しています。

データ収集では、AIセントリックな方法やUMI、ALOHAなどではなく、ダイレクトティーチングに近い形でデータを収集しています。約50台のデータ収集マシンを使い、集めたデータをAWSのS3に保存し、学習したモデルをMW botへデプロイするサイクルを構築しています。

実機については、9月10日に豊洲でデモンストレーションを予定していると説明しました。

今後は大量のデータを収集し、最終的には約2.5PBのデータを学習に利用する計画です。10年後にはすべての家事の自動化を目標として掲げています。

12．メルカリ――靴の検品に力覚・触覚とVLAを組み合わせる

メルカリは国内C2Cフリマアプリを中心に事業を展開しており、発表では月間ユーザー2400万人、GMV1.2兆円、累計出品数50億個超という規模です。メルペイ、メルカード、暗号資産、メルカリShopsなどにも事業を広げています。

特に近年は越境取引が拡大しており、過去4年間でGMVが19倍となり、222億円まで成長したとしています。海外120カ国のパートナーに商品が届いており、アニメ、コミック、ゲーム、エンターテインメントなど、日本のカルチャー関連商品が成長を牽引しています。

2025年には「メルカリのグローバル購入」を開始し、台湾・香港から展開を始めました。2028年までに50カ国からメルカリの商品を購入できるようにする計画です。

越境取引では、海外に商品を発送する前の検品が必要になります。メルカリは倉庫を保有しており、開梱、検品、鑑定、仕向け地ごとの梱包などを人手で行っています。今後、こうした作業を順次ロボットに置き換えていきたいとしています。

今回のプログラムでは、特に検品作業の自動化を対象としました。ワーカーが商品を手に取って写真を撮影し、出品情報と一致しているか確認する作業のうち、商品の写真を撮るというフィジカルな部分に焦点を当てています。

VLAについては3つの課題を挙げました。現在のVLAは視覚センサーから得られる映像に依存しているため、手先の力加減や触覚が不足しています。そのため、扱う商品を傷つける可能性があります。

また、学習時とは異なる視点から対象を見ると動作が難しくなる「視点依存」の問題もあります。さらに、AIの学習データをいかに効率よく収集するかという課題もあります。メルカリでは自社倉庫を実証環境として、これらの問題に取り組みました。

今回の対象は靴です。箱を開け、靴を取り出し、写真を撮るという一連の「ロングホライズンタスク」を対象にしました。

3つの技術を導入しています。1つ目は、力覚・触覚センサーを新しいモダリティとしてAIに入力することです。2つ目は、UMI（Universal Manipulation Interface）を使ってデータ収集を簡易化することです。3つ目は、学習時の視点と実際の推論時の視点の違いを、AIによる合成画像によって補う方法です。

実機では、箱から靴を取り出して撮影し、再び戻す作業を実行しました。発表時の動画は2倍速で、実際には1回の作業に約1分半から2分かかります。

FastLabelの協力も得ながら110時間分のデータを収集し、モデルは60時間かけて学習しました。その結果、箱から商品を取り出して写真を撮る作業をロボットで自動化できることを確認しました。

事業計画としては、2028年を目標に自社倉庫の20％を自動化し、年間約2億円のコスト削減を目指しています。

13．リコー――異なるロボットに共通の行動表現を持たせるLAM

リコーは現在、現場ドキュメントのAI化をAI事業の一つの重点領域としており、RAGを使って設計書などの業務ドキュメントをAIが活用できる形にする取り組みを進めています。

その先の段階として、単に業務ドキュメントを理解するだけではなく、業務の中で自分がどのタスクを実行しているのかまで理解し、実際の作業につなげるAIが必要になると考えています。さらにその先に、ヒューマノイドの現場展開を位置付け、ヒューマノイド向けモデルの開発を進めています。

今回取り組んだ課題は大きく2つです。1つはフィジカルAIにおけるデータ不足、もう1つは複数種類のロボットに対して、それぞれ別々のモデルを開発することのコストです。

リコーは、異なる環境で動く複数のロボット、すなわちマルチデプロイメント、マルチエンボディメントを実現するとともに、複数のロボットから収集したデータを一つの行動表現の学習に利用することを目指しています。

そのために導入したのが「Latent Action Model（LAM、潜在行動モデル）」です。ロボットの種類が違っても共通して利用できる行動の表現を内部に持たせることで、異なるロボットから得られるデータを共通の表現学習に利用しようとしています。

LAMの学習にはAmazon EC2のP5インスタンスを利用しました。AWSからは環境構築や学習について支援を受けたと説明しました。

学習では、LAMのステージ1、ステージ2を経て、そのモデルを利用してさらにVLAを学習するというカリキュラムを構成しました。カリキュラムの設計そのものを、フィジカルAIの生産技術として重要な部分と位置付けています。

評価では、自社部品のピックアンドプレースを題材に、3種類の異なるハードウェア構成をシミュレーション環境で検証しました。また、AWS Summitでも紹介した自社ロボットによるピックアンドプレースについても実機評価を行いました。

結果として、LAMを組み込んだ構成では、すべてのハードウェア構成でLAMなしより高い精度を達成しました。

さらに、同じ精度を実現するために必要なモデルサイズを比較したところ、LAMを利用することで約3分の1程度のモデルでも同等水準の精度を達成できました。モデルを小型化できればエッジへの搭載が容易になり、学習に必要なデータ量の削減にもつながるため、リコーはこの点をLAM導入の理由の一つとしています。

今後は、今回の成果を利用し、AWSのクラウド環境と実機側の現物合わせ・現地合わせをつなぐパイプラインを構築していく方針です。

AWSジャパンによる総括　フィジカルAIに必要なのは「スピード、現場の力、クラウド」

最後に、今回の「フィジカルAI開発支援プログラム」の企画・立ち上げ・運営を担当したAWSジャパンのプリンシパル スタートアップ ソリューションアーキテクト 針原佳貴氏が総括しました。

今回のプログラムでは、13プロジェクト、14社が成果を発表しました。針原氏によれば、AWSジャパンでは2023年初頭から、日本の基盤モデル開発を支援するプログラムの必要性をスタートアップとの対話の中で感じていたとのこと。

そこで必要な支援として、技術、巨大な計算リソースを利用する際の最適化など複数の柱を想定し、2023年7月から日本の国産LLM開発を支援。その後、基盤モデルや生成AIの利活用、グローバルプログラムへの日本企業の採択などへ支援を広げ、その流れからフィジカルAIについても同様のプログラムを立ち上げました。

フィジカルAIについて顧客との対話を重ねた結果、AWSが提供すべき支援として「技術」「コスト最適化支援」「コミュニティ支援」「Go-To-Market（GTM）支援」の4つを挙げました。

そして、Amazonでいう「Working Backwards」の考え方、つまり「顧客の声から逆算して必要なものを提供する」という考え方でプログラムを設計したと説明しました。

今回のプログラムを通じてAWSが感じたフィジカルAIに不可欠な要素として針原氏が挙げたのが、「スピード、現場の力、クラウド」の3つです。

まずスピードについては、1月にプログラムを発表し、3月に開発を開始してから約半年の間に、ハードウェアを開発したスタートアップもあり、各社がモデル開発やデータパイプライン構築を進めたことを挙げました。特に、そのスピードをスタートアップが牽引したと評価しています。

次が現場の力です。ロボットやフィジカルAIは、既存のハードウェアやモデルを持ってくるだけでは十分ではなく、実際に使われる現場へ適用する必要があります。今回のプログラムには、スタートアップだけでなく、400年以上の歴史を持つ竹中工務店のようなエンタープライズも参加しました。

現場には、それぞれ固有の運用やデータがあり、日本独自のルールや基準もあります。こうした条件に適合するロボットやソフトウェアを作るうえで、「現場の力」が今後のフィジカルAI活用に必要になると説明しました。

3つ目がクラウドです。ロボットのハードウェアを作り、それを動かすモデルを作るには、大量のGPUなど巨大な計算リソースが必要になります。さらに、モデルの学習には大量のデータが必要であり、そのデータを保存するS3や、前処理のためのコンピュート環境なども必要になります。

こうした要素を考えると、フィジカルAI開発を現実的に進めるにはクラウドが必要だと、今回のプログラムを通じてAWS自身も改めて認識したとしています。

今回の成果は、モデル単体の性能検証にとどまらず、データ収集、シミュレーション、学習、評価、実機へのデプロイ、現場での運用までをどうつなぐかという、フィジカルAIの開発基盤そのものに取り組む段階へ各社が進みつつあることを示す内容となりました。