元シャオミ幹部のバリスタ・ロボット「影智科技」の仕組みと全貌｜飲食特化AIとRaaSが示す量産化の条件

これまでは汎用ヒューマノイドによる全身制御と常時VLA（Vision-Language-Action）推論の膨大な計算コストおよび遅延が、サービスロボットの店舗導入における最大の壁であった。元シャオミ幹部の唐沐（Thomas Tang）氏が率いる影智科技（inSpace）は、定型作業を軽量専用モデルで高速処理し、異常検知時のみVLAモデルをオンデマンドで呼び出す「ハイブリッド制御」と、共通AI頭脳で多様な機器を統合制御する「一脳多形」アーキテクチャを確立した。これにより設置面積1.83㎡、繰り返し位置決め精度±0.02mmを誇るバリスタロボット「XBOT C3」などを世界100都市へ1000台以上デプロイし、投資回収期間6〜8ヶ月という現実的な投資対効果（ROI）を成立させている。

技術的特異点：なぜ汎用ヒューマノイドに先行して飲食現場を制圧できたのか

実空間で動作するフィジカルAI（エンボディドAI）の実用化において、市場の関心はテスラのOptimusやUnitree G1といった全身人型フレームに集まりがちだ。しかし、これら汎用ロボットはエッジ側の計算資源、バッテリー駆動時間、推論遅延、そして高価なハードウェア調達コストがネックとなり、店舗レベルでの投資回収期間が長期化する構造的課題を抱えている。

影智科技（inSpace）はこの課題に対し、タスク空間を飲食サービス領域に厳密に垂直統合（Vertical Integration）し、制御アーキテクチャとソフトウェアOSを最適化する戦略をとった。

1. ハイブリッド推論制御：定型モデルとVLAモデルの役割分離

一般的なエンボディドAIの研究では、カメラ映像から直接関節のトルクを出力するEnd-to-EndのVLAモデルが注目されている。しかし、ミリ秒単位の応答速度と連続稼働が求められる商業店舗で全動作を巨大なVLAモデルに依存させると、高級なエッジGPUを常時フル稼働させる必要が生じ、消費電力とシステム原価（COGS）を劇的に跳ね上げてしまう。

影智科技が独自開発したOS「XOS 3.0」では、制御タスクを明確に2層へ切り分けるハイブリッド推論アプローチを採用している。

• 定型動作層（小脳モデル）
  • ドリップ、グラインド、カップの移動、ミルクフォームの注入といった大部分の定型動作は、決定論的な機構制御とパラメータ化された軽量専用モデルで駆動。
  • 関節制御を担う小脳層のレスポンスタイムは10ミリ秒（ms）以下を達成しており、エッジ側の低消費電力チップ上でもミリ秒単位の決定論的リアルタイム性を維持する。
• 異常・例外処理層（大脳モデル）
  • ストロー詰まり、カップの転倒、液体の溢れ、予期せぬ顧客の割り込みなど、非定型な例外イベントをエッジの視覚カメラが検知した際のみ、VLAモデルを非同期でアクティベートする。
  • 「知味飲食大模型」と呼ばれる大脳層は、オープンソースの基盤モデル「DeepSeek」をベースにドメイン特化のファインチューニングが施されており、マルチモダールな現場状況を認識して適切なリカバリー動作を生成する。

この分離構造により、エッジデバイスにおける計算負荷を従来の全時VLA制御と比較して大幅に低減させることに成功している。この概念は、ロボット基盤モデルとは？仕組みから最新動向・2030年予測まで徹底解説で解説されている「階層型制御アーキテクチャ」を飲食空間へと最適化させた先進事例と言える。

2. 「一脳多形（One Brain, Multiple Forms）」アーキテクチャ

影智科技のもう一つの技術的決定打が、「一脳多形」設計である。世界各地の店舗から収集された400万杯分を超える調理・動作実習データをもとに学習された共通AIモデル（知味飲食大模型）が上位に存在し、下位の本体アダプター層（小脳およびハードウェアインタフェース）を交換することで、異なる形態のロボットに即座に50種類以上の飲食スキルを展開できる。

• XBOT C3（バリスタロボット）
  • 単腕6軸産業用アームを採用し、設置面積はわずか1.83㎡。
  • 位置決め精度±0.02mmという高い機械的再現性を確保し、1時間あたり80杯のエスプレッソ提供能力を持つ。
• XBOT I3（ソフトクリームロボット）
  • 1.35㎡の極小スペースで作動し、1時間あたり60個以上の提供が可能。
  • 25万カップの連続稼働耐性テストをクリアし、失敗率を0.5%（千分の五）未満に抑制。
• XBOT X1（次世代人型調理ロボット・2026年量産予定）
  • 7軸のアームを左右に備えた双腕型の形態をとる。
  • 協調精度は±1mm以下を誇り、複雑な厨房器具の操作や盛り付け作業をカバーする。

【一脳多形（One Brain, Multiple Forms）アーキテクチャ構造】

           +-----------------------------------------------+
           |   知味飲食大模型 (大脳層 / DeepSeekベース)      |
           |   - 400万杯分の実動作データ・スキルライブラリ   |
           +-----------------------------------------------+
                                   |
         +-------------------------+-------------------------+
         | (XOS 3.0 共通バス / 異常時VLAモデル呼び出し)       |
         v                                                   v
+------------------+       +------------------+       +------------------+
|   小脳アダプター   |       |   小脳アダプター   |       |   小脳アダプター   |
| (応答性 <10ms)   |       | (応答性 <10ms)   |       | (応答性 <10ms)   |
+------------------+       +------------------+       +------------------+
         |                           |                           |
         v                           v                           v
+------------------+       +------------------+       +------------------+
|  XBOT C3 (6軸)   |       |  XBOT I3 (モジュール)|     |  XBOT X1 (双腕7軸)|
| バリスタロボット |       | ソフトクリーム機器 |       | 人型調理ロボット |
+------------------+       +------------------+       +------------------+

3. ハードウェア＆ソフトウェア・スペック比較

影智科技の各プロダクトと、従来の一般的な汎用ヒューマノイドロボットの技術スペックおよびビジネス指標の比較は以下の通りである。

このスペック比較表が示す通り、同社は設置面積の最小化と精度向上にリソースを集中させ、過剰な自律移動機能を省くことで調達コストと保守性の壁を突破している。中国でのヒューマノイド市場の急速な展開手法については、中国のヒューマノイドロボット実用化はいつ？「産業プラットフォーム化」の仕組みと日本企業が直面する3つの技術的課題でも分析されているが、影智科技はプラットフォーム化の波を飲食現場に絞り込むことで最も早く実稼働数を稼ぐ戦術を選んだ。

次なる課題：実用化とスケールを阻む4つのボトルネック

シリーズA・Bで総額120億円超（5億〜7億元）の調達を果たし、世界100都市へ1000台以上を送り出した影智科技だが、2026年の「XBOT X1」量産および世界展開の本格化に向けては、新たに4つの技術的・運用的課題に直面している。

1. 2026年量産予定「XBOT X1」におけるエッジ演算と熱・電力設計

2026年末の量産を予定している双腕型の「XBOT X1」には、車載AIチップ大手の輝羲智能（Huixi Technology）が開発した「R1」チップが搭載され、500TOPSのAI演算性能をエッジ側で確保する設計となっている。

しかし、調理作業では材料の切り方、炒め具合、食材のランダムな形状変化に応じたリアルタイムのフィードバック制御が必須となる。7軸×2本の双腕アームの協調制御を行いながら、500TOPSのAIチップを厨房という高温多湿環境（40℃以上になる環境）でファンレス・防塵構造を保ちつつ冷却し続ける排熱・電力設計は、メカニカルエンジニアリング上の極めて高いハードルとなる。

2. 非構造化された飲食環境における例外系のロングテール

バリスタ作業（C3）やソフトクリーム（I3）と比較し、より複雑な「調理作業（X1）」では非構造化要素が不連続に増大する。

• 食材の個体差（粘着度の変化、水分の違い、解凍状態のバラつき）による把持（グラスピング）スキップ
• 油飛びや水蒸気による光学カメラレンズの汚れ、光学センシングの精度低下
• 狭小厨房内で人間の調理スタッフと交差する際の過敏な安全停止によるスループット低下

VLAモデルを異常時に呼び出す設計とはいえ、これらの例外事象が多発すればVLAモデルの呼び出し頻度が跳ね上がり、クラウド通信遅延やエッジ計算資源の枯渇を引き起こす。異常発生率を0.1%未満に抑え込むアルゴリズムの自己補正機能（Self-correction）の進化が必須条件となる。

3. 各国の食品衛生規格（HACCP等）適合と物理的メンテナンス

商業店舗でロボットを連続稼働させる場合、ソフトウェアの堅牢性以上にメカニカルな衛生管理がボトルネックとなる。

• 食品衛生法や米国NSF規格、HACCPに則った「毎日全分解洗浄ができる構造」の維持
• 可動部のアーム関節、減速機への食品グリス封入と摩耗粉の飛散防止
• 酸性・アルカリ性洗浄剤や高熱水に対するシール材の耐久性

「XBOT I3」では25万カップの耐用テストをクリアしているが、双腕関節を持つ「XBOT X1」では、可動域の広さとシール性の維持が反比例するトレードオフが存在する。定期的なパーツ交換や現地メンテナンスにかかる人件費を抑制できなければ、RaaS（Robot as a Service）の利益率は急速に悪化する。

4. 店舗インフラの再定義とコモディティ化の脅威

影智科技のRaaSモデルは、義烏市における「Lite」モデルの事例のように、月間純利益3万元（約72万円）、投資回収期間6〜8ヶ月という高い事業性を示している。しかし、既存の飲食店へ導入する際、給排水設備、専用の電源容量（20kWhバッテリー搭載のキッチンカー「XBOT CUBE」など特殊環境を除く）、アンカー固定などの店舗改装コストが発生する。

また、軽量モデル＋特定モジュールによる垂直統合アプローチは、一度エコシステムが解明されると中国のハードウェアサプライチェーンによって極めて急速にコモディティ化されるリスクを孕む。独自OSである「XOS 3.0」のデータネットワーク効果をいかに強固に保持できるかが長期的な防壁となる。

今後の注目ポイント：事業・技術責任者が追うべき定量的KPI

影智科技の事例から、サービス業および製造業における物理AI導入の可否を判断する際、技術責任者（CTO）や事業責任者が評価すべき具体的かつ定量的なKPI指標を以下に示す。

1. 例外処理時のVLA呼び出し率（VLA Trigger Ratio）

• 評価基準: 1,000回のアクション（ドリップや調理工程）に対し、VLAモデルが起動した回数の割合。
• ターゲット閾値: 1.0%以下（目標値 0.1%以下）
• 判断: VLA呼び出し率が5%を超えている場合、エッジの定型小脳モデルの学習不足、あるいは環境の非構造化に対応できておらず、計算コストと応答遅延の増大からRaaSモデルの損益分岐点を割り込む信号となる。

2. 1アクションあたりの推論計算コスト（COGSに対するAI比率）

• 評価基準: 1杯（1皿）を提供するのに消費したエッジ電力およびクラウドAPI通信コストの合計。
• ターゲット閾値: 商品売上原価（COGS）の 0.5%以内
• 判断: この数値が切り詰められて初めて、既存のアルバイト人件費に対する絶対的な代替優位性が確立される。

3. 平均初期導入・アライメント時間（Time to Deploy）

• 評価基準: ロボット筐体が店舗に搬入されてから、現場環境の位置合わせ（キャリブレーション）を完了し、1杯目の商品提供を開始するまでの所要時間。
• ターゲット閾値: 4時間以内（「一脳多形」の転移学習が機能しているかの指標）
• 判断: 現場ごとのアライメントに数日を要する場合、スケーラビリティが失われ、事業展開の速度が大幅に鈍化する。

4. 異形態アーム間でのスキルトランスファー効率（Transfer Zero-Shot Rate）

• 評価基準: 6軸アーム（C3）で学習したドリップスキルを、7軸双腕（X1）へ移植した際の微調整（Fine-tuning）に必要なデータ量。
• ターゲット閾値: 追加データ100回分の試行以下での適応率99%以上
• 判断: 「一脳多形」アーキテクチャが真に機能しているかを証明する指標であり、新製品投入時のソフトウェア開発コストを左右する。

結論

影智科技（inSpace）が提示した成功パターンは、フィジカルAIの社会実装における明確なターニングポイントを示している。全能な汎用ヒューマノイドが完全な自律動作を獲得するのを待つのではなく、「タスク空間を特定領域に限定」し、「定型小脳制御と異常時VLA制御を分離」し、「RaaSによってハードウェア投資を変動費化」する——この徹底した実利主義こそが、サービスロボット市場のデファクトスタンダードを掴むための最短ルートである。

事業責任者および技術責任者が今取るべきアクションは、自社の自動化プロジェクトにおいて「全ての動作を最先端の大規模モデルで解こうとしていないか」を再検証することだ。タスクの決定論的分割を行い、エッジAIの計算資源と物理的な精度・耐久性の最適な着地点を見極める設計思想の転換が求められている。

出典: 36Kr Japan
出典: TMTPost
出典: QQ News
出典: 163.com