データの量
多くの拠点のロボットの動きを、次の基盤モデルの材料にする(Amazon)。
フィジカルAIガイド
フィジカルAI時代の競争力は、ロボットを何台持つかより、現場のデータを集めてAIを作り直し、その改善を現場の人が回し続けられるかに表れます。Amazonは自社の倉庫の在庫の動きのデータで学習した基盤モデルで、ロボットの移動時間を10%改善する見込みだと2025年6月30日に発表しました。一方で、学習済みのモデルや道具が公開され始め、データを集める方法も安くなりつつあるため、技術を持つことだけで差を保つのは難しくなっています。
国際ロボット連盟(IFR)は2026年11月12日、製造業の従業員1万人あたりの産業用ロボットの台数(ロボット密度)を発表しました。世界の平均は152台で過去最高です。1位は韓国の1,066台、2位はシンガポールの873台、3位はドイツの469台で、日本は452台で4位でした。米国は323台で8位、中国は193台で19位ですが、中国の密度は2020年から2025年に147%伸びています。
日本は工場の自動化が進んだ国の一つです。ただし密度は「すでにどれだけ入っているか」を示す数字で、入れたロボットを現場の変化に合わせて作り直す力までは表しません。フィジカルAIでは、多品種の部品の扱いや、置き場所がばらつく作業など、これまでの産業用ロボットが苦手としてきた作業が対象になるため、台数の多さとは別の力が問われます。
出典:International Federation of Robotics『Robot Density Highest in South Korea, Singapore and Germany』(2026年11月17日確認)
Amazonは2025年6月30日、累計100万台目のロボットを日本の物流拠点に届けたと発表しました。同社のロボットは世界の300を超える拠点で動いています。同じ発表で、ロボットの群れの動きを調整する生成AIの基盤モデル「DeepFleet」を公開し、ロボットの移動時間を10%改善する見込みだとしています。DeepFleetは、同社の拠点の中の在庫の動きに関する大量のデータをもとに、AWSの道具を使って作られました。
この例が示すのは、多くの拠点で同じ種類のロボットを動かし、その動きのデータを自社で持っていることが、そのまま次のAIの材料になるという構図です。同社は2019年以降、70万人を超える従業員に学び直しの研修を行ったとも書いています。10%は見込みの数字で、同社自身の説明です。
出典:Amazon『Amazon launches a new AI foundation model to power its robotic fleet and deploys its 1 millionth robot』(2026年11月17日確認)
一般社団法人AIロボット協会(AIRoA)は2026年11月6日、ロボット基盤モデル「AIRoA-0」の学習済みの重みと、利用者が自分のデータで追加学習するためのコードを公開しました。経済産業省とNEDOの委託事業の成果です。学習には、ロボットを使わずに人が手持ちの道具「YUBI」を操作して集めた16,151時間のデータを使ったとしています。学習に使っていない場所での10種類の作業を各15回試した平均の成功率は78%で、同じデータで追加学習した代表的な4つのモデルの最高は27%だったと発表しています。
基盤モデルの重みが誰でも手に取れるようになると、モデルそのものを持っていることの差は小さくなります。残るのは、自社の現場の作業をどれだけ質のよいデータとして集め、追加学習に使えるかです。ロボットを使わずにデータを集める方法が出てきたことは、機体を多く持たない会社にも、データを集める道が開けたことを意味します。
出典:AIロボット協会『AIRoA、ロボット基盤モデル「AIRoA-0」を公開』(PR TIMES・2026年11月17日確認)
Muso Actionは2026年10月14日、ダイキン工業 堺製作所での板金部品のキッティングの自動化の実証が第2段階に入ったと発表しました。第1段階(2025年12月〜2026年7月)は同社が現場でデータ収集と検証を繰り返し、第2段階(2026年7月〜11月)では、ダイキンの生産技術センターの担当者自身が、プログラミングをせずにデータ収集からモデル作成、検証までを進める形に切り替えています。成功率や作業時間の数字は公表されておらず、同社は商用導入を約束するものではないと断っています。
作業が変わるたびに外部の専門家へ頼む体制では、改善の回数が限られます。現場の担当者が自分でデータを集めて試せる体制は、改善の速さそのものを上げます。人の育成と、試してよい範囲を決める社内の決まりが、そのまま競争力の一部になります。
出典:Muso Action『ダイキン工業 堺製作所、ロボット基盤モデル(VLA)によるキッティング工程自動化の実証実験がPhase 2へ』(PR TIMES・2026年11月17日確認)
| 要素 | 差になる理由 | 真似されやすさ | 社内で確かめる点 |
|---|---|---|---|
| 基盤モデル | 動きの土台になる | 公開が進み、手に入りやすくなっている | どのモデルを土台にするかと、その利用条件 |
| 現場のデータ | 自社の作業に合わせた仕上げに使う | 自社の現場でしか集まらない | データの質、偏り、保存の決まり |
| 改善の体制 | 作り直しの回数と速さを決める | 人の育成に時間がかかる | 担当者、試してよい範囲、止める判断 |
| 導入の規模 | 動きのデータが多く集まる | 投資の大きさに左右される | 台数に見合う保守の体制 |
多くの拠点のロボットの動きを、次の基盤モデルの材料にする(Amazon)。
ロボットを使わず、人が道具を操作してデータを集める(AIRoA)。
現場の担当者がデータ収集から検証までを自分で行う(ダイキン堺製作所の実証)。
自社の現場のデータを集め、それを使ってAIを作り直し、その改善を現場の担当者が回し続けられる体制です。基盤モデルの公開が進むほど、この差が大きくなります。
IFRの2026年11月12日の発表では、日本のロボット密度は従業員1万人あたり452台で4位です。1位は韓国の1,066台、世界の平均は152台です。
不利とは限りません。AIRoA-0のように重みとコードが公開されたモデルもあり、自社のデータで追加学習して使う道があります。
台数や投資の規模では大きな会社が有利ですが、現場の担当者が素早く試して直せる体制は、規模によらずつくれます。小さい会社の可能性のページもあわせて見てください。
このページは事業の仕組みを整理したもので、投資の助言ではありません。