米Verne Robotics(Verne Labs)のNeil Nie最高経営責任者(CEO)は、2027年までにロボット訓練の大半が実機教示からシミュレーション環境へ移行すると予測しました。国際ロボット連盟(IFR)の2026年レポートで年間新規設置台数が3万6,219台(前年比19%減)に落ち込んだ日本において、実世界データ収集のコスト削減を左右する重大な転換点となります。
シミュレーション主導へ舵を切る米中ロボティクス市場の地殻変動
世界のロボット開発現場では、実機を用いた人手によるデータ収集から物理シミュレータ主導の訓練環境への移行が急速に進んでいます。国際ロボット連盟(IFR)が2026年9月に公表したデータによると、世界工場で稼働する産業用ロボットは500万台を突破しました。2025年の年間新規設置台数も過去最高の60万3,307台を記録しています。その59%に相当する35万4,000台を中国が占める一方、台数規模で劣る米国勢はAIソフトウェアとシミュレーション環境の高度化で主導権を握ろうとしています。
シミュレーション市場自体の成長もこの傾向を裏付けています。調査機関プレシデンス・リサーチ(Precedence Research)の集計では、ロボットシミュレータの市場規模は2026年時点で9億3,644万米ドルに達しました。2035年には30億9,368万米ドルへ拡大すると見込まれています。実機教示に伴うハードウェア破損リスクや人件費を回避するため、仮想空間で大量の試行錯誤を完結させる需要が急伸しているためです。
| 開発アプローチ | 主な学習ソース | 長所 | 短所 | 代表的な基盤モデル・基盤環境 |
|---|---|---|---|---|
| 実機主導アプローチ | 実機テレオペレーション、実環境センサデータ | 物理現象の再現性が確実、接触挙動のズレがない | 収集コストが高額、機体損壊リスク、スケールに限界 | 従来型専用制御スタック |
| シミュレーション主導(Sim-to-Real) | 物理シミュレータ、合成データ、人間行動動画 | スケーラビリティが高い、並列計算で数万倍高速 | 現実空間とのギャップ(Sim-to-Real Gap)の克服が必要 | Isaac Lab 3.0、GR00T 2 |
| フロンティア基盤モデル主導 | 大規模マルチモーダルデータ、Web動画 | 汎化性能が高い、未知環境への適応力に優れる | 推論遅延が大きい、ミリ秒単位の決定論的制御が困難 | GPT-6 Astra(米OpenAI) |
大手テック企業とスタートアップの投資競争も活発化しています。中国市場では2026年上半期のヒューマノイド生産台数が4万台を超え、通年で10万台を突破するペースです。こうした量産攻勢に対し、ソフトウェア側の覇権を狙う動きが続いています。2026年秋にはソフトバンクグループが主導し、独中系のアジャイル・ロボッツ(Agile Robots)へ5億ドル(評価額85億ドル)の出資を実施しました。このラウンドにはエヌビディア(NVIDIA)も参画しています。
参考記事: 3 robotics trends from NVIDIA GTC 2026を徹底解説
200ms応答とオープンウェイトがもたらすシステム構成の再編
実機教示からシミュレーションへの移行を支える鍵は、エッジとクラウドを分離するハイブリッドアーキテクチャの確立です。Neil Nie氏は、ロボット内部で直接ポリシーを推論するエッジ側モデル(システム1)と、クラウド上で高度な推論を担うフロンティアモデル(システム2)の役割分担を提示しています。
システム1とシステム2を分離するハイブリッド設計
自律ロボットが実現場で安全に稼働するためには、約200ミリ秒(ms)以内の応答速度が求められます。これは人間の視覚反応速度に相当します。現場のロボットは頭部やハンド部分に搭載された約6台のカメラから映像を受信します。車載GPU上で動く約100億パラメータのモデルが、毎秒約5回の推論ループを回す必要があります。
クラウド通信のみに依存すると、ネットワーク遅延やWi-Fiの瞬断(ジッター)が発生した際に機体が停止し、安全性を担保できません。そのため、瞬時の障害物回避やバランス維持といった反射的動作はエッジ側のシステム1が担います。一方で、作業順序の組み替えや例外状況の判断といった熟慮的処理は、多少の遅延が許容されるクラウド側のシステム2へ委ねられます。
Isaac Lab 3.0とGR00T 2が示す高速化の実効性
シミュレーション空間から実空間へモデルを適応させる「real-to-sim-to-real」のフライホイールを加速させているのが、エヌビディアのプラットフォームです。オースティンで開催されたカンファレンスで公開された「Isaac Lab 3.0」は、視覚ベースの精密操作モデルの学習速度を従来比で最大2.5倍に引き上げました。ケーブルや布のような柔軟体の物理挙動シミュレーションに対応したほか、人間の作業動画をシミュレーション上の動作データへ変換するワークフローを実装しています。
同社のフィジカルAI基盤モデル「GR00T 2」は、ロボットの動作データに加えて10万時間の一人称視点人間動画を用いて訓練されています。事前のタスク固有デモなしでも50のベンチマーク中40を完了しました。さらに、わずか5回のリモート実演データを追加するだけで成功率は95%に達しています。大量の実機操作データを人手で収集する従来のアプローチは、計算機インフラによる合成データ生成へと急速に置き換わっています。
フロンティアモデルの空間知能と専用モデルのサイクルタイム格差
汎用基盤モデルの空間認識能力も急速に進歩しています。エヌビディアが実施した検証によると、オープンAI(OpenAI)の「GPT-6 Astra」を組み込んだエージェントは、シミュレーション環境のロボット操作ベンチマークで74.8%の成功率を記録しました。これは既存の専用ロボティクスモデルが記録した最高値(51.0%)を上回る水準です。ロボティクス専用データを大量に投入せずとも、高度なマルチモーダル学習を通じて3次元空間の物理法則を推論できる能力を獲得しつつあります。
ただし、工場の床で求められるミリ秒単位のサイクルタイムや動作速度では、依然として専用の小型モデルに分があります。Verne Roboticsが2026年11月4日に公開した産業用オープンウェイトモデル「Verne V0.5」は、全身協調制御とタスク完了判定の内部状態を持つ設計を採用しました。棚卸しや部品配膳などの移動マニピュレーションにおいて、専用モデルとしての応答性とクラウドモデルとの連携インターフェースを両立させています。
参考記事: エッジAI推論の仕組みと導入基準|クラウドとの違いからセキュリティ対策まで徹底解説
参考記事: 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
日本の製造・物流現場における構造的摩擦と活路
シミュレーション主導の開発手法とオープンウェイトモデルの普及は、日本のロボット産業が培ってきた競争優位のあり方を根本から変えます。ハードウェアの精密性や現地現物でのすり合わせに依存してきた国内メーカーにとって、開発プロセスの主軸がデジタル空間へ移ることはサプライチェーン全体の設計変更を意味します。
ハードウェア中心主義から物理エンジンへの主権シフト
日本国内では、ファナック(FANUC)や安川電機といった精密機械メーカーが高い市場シェアを維持してきました。しかし、ロボットの知能化プロセスがシミュレータ内で完結するようになれば、付加価値の源泉はサーボモータの精度から物理エンジンの再現性へと移ります。
エヌビディアが提供する計算インフラとシミュレーション環境がデファクトスタンダード化する現状は、国内企業が開発基盤の主導権を握られるリスクを示しています。自社製ロボットのデジタルツインモデルをIsaac Labなどのグローバル基盤上に提供できなければ、世界中の開発者が行うシミュレーション訓練の選択肢から外れる懸念があります。
現場データ至上主義の限界と国内中規模拠点への実装
国内の製造業や物流倉庫では、人手によるティーチングや現地での微調整に多大な工数を割いてきました。しかし、2025年の新規設置台数において中国市場が35万台を超える一方、日本市場は3万6,219台にとどまります。実稼働台数から得られる実世界データ量のみで米中の規模に対抗することは困難です。
国内の中規模倉庫や部品加工現場に必要なのは、シミュレーション空間で9割以上の動作を学習済みのオープンウェイトモデルを活用することです。Verne RoboticsのNeil Nie氏が指摘するように、競争の堀はモデルの重みそのものではなく、現場ごとの物理的制約に合わせたシステムインテグレーション(SI)能力へとシフトしています。
国内エンジニアリングが直面する3つの導入障壁
国内現場で「real-to-sim-to-real」を実現するには、解決すべき具体的な障壁が存在します。
- 産業用ネットワークの遅延と信頼性
国内工場の通信環境は有線LANや特定小電力無線が混在しており、車載GPUと工場側コントローラの間で200ms以下の安定通信を保証するインフラ整備が追いついていません。 - CADデータの物理特性欠落
設計図面としての3D CADデータは存在しても、摩擦係数、剛性、重量配分といった物理シミュレーションに必要なメタデータがデジタル化されていない現場が大半を占めます。 - 安全規格とエッジAI推論の適合
ISO 10218などの産業用ロボット安全規格において、ニューラルネットワークによる自律推論動作のフェイルセーフ認証基準が未確立であり、導入判断を鈍らせています。
参考記事: 工場向けエッジAIとは?10ms以下の超低遅延制御を実現する仕組みと導入5ステップ
技術責任者が着手すべき開発アプローチの転換
実機によるデータ収集を前提とした研究開発モデルは、今後急速に陳腐化する公算が高まっています。国内の技術責任者や事業責任者は、既存の設備資産を生かしつつシミュレーション主導のサイクルへ開発体制を移行させる必要があります。
1. 自社設備の物理シミュレータ環境(USDアセット)の構築
自社工場や倉庫の設備、搬送対象物の3Dデータを、OpenUSDなどの標準規格に準拠した物理モデルへ変換する作業を先行させます。摩擦や反発係数を含む物理特性を正しく定義したシミュレーション資産を社内に構築することが、次世代モデル導入の前提条件となります。
2. 決定論的制御と確率的AIのインターフェース標準化
PLC(プログラマブルロジックコントローラ)によるミリ秒単位の確実な機械停止機能と、車載GPU上で動く約100億パラメータ級モデルの推論出力を安全に仲介するミドルウェア構造を確立します。通信遮断時に即座に安全姿勢へ移行するフォールバック設計を標準化する必要があります。
3. オープンウェイトモデルを活用した現場特化SI能力の強化
米国のVerne V0.5やPhysical Intelligenceのπ0.5のようなオープンモデルを評価し、自社の搬送・ピッキング工程向けに小規模データで適応させるパイプラインを社内またはSIパートナーとともに構築します。モデル開発そのものではなく、現場環境への適応スピードで差別化を図る方針への転換が求められます。
実世界で動作する機械の知能化は、物理空間の試行錯誤から計算機クラスタによる仮想試行へと不可逆的に重心を移しています。シミュレーション空間を前提としたソフトウェアスタックの再構築が、今後の現場自動化の採算性を決定づけます。
出典: BigGo Finance
出典: International Federation of Robotics (IFR)
出典: Precedence Research
出典: Verne Robotics
