フィジカルAIとは、身体をもち、現実世界のなかで行動するAIのことです。画面のなかで文章や画像を作る生成AIとは異なり、センサーで周囲をとらえ、自ら判断し、機械を動かすところまでを担う点が特徴です。
労働人口の減少を背景に、製造や物流の現場ではフィジカルAIへの期待が高まりました。一方で、実際に動かすとなると、学習用のデータをどう用意するかという難所が待ち構えています。ここを越えられず、実証の段階で止まる例も少なくないのが実情です。
本記事では、フィジカルAIの定義と具体例から、生成AIとの違い、活用分野、構成要素、そして実現を左右するデータの課題までを、導入を検討する企業のご担当者に向けて解説します。自社での検討を進める材料としてお使いください。
フィジカルAIとは、身体をもって実世界で動くAIを指します。従来のAIが情報を認識して判断するところまでを担ってきたのに対し、フィジカルAIは下した判断を実際の動きとして実行できる点が大きな違いです。
身近なところでは、以下のようなものがフィジカルAIにあたります。
ヒューマノイドのような人型に限らず、車両や産業機械を制御するAIも含まれます。共通しているのは、センサーで現実をとらえ、AIが判断し、その結果が物理的な動作として現れる点です。
フィジカルAIは、生成AIと従来の産業用ロボットの両方と比べることで輪郭がはっきりします。判断するのか、動くのか、その両方なのかが分かれ目です。
| 生成AI | 従来の産業用ロボット | フィジカルAI | |
|---|---|---|---|
| 活動する場所 | デジタル空間 | 現実世界 | 現実世界 |
| 出力するもの | 文章、画像、コードなど | 決められた動作 | 状況に応じた動作 |
| 動作の決まり方 | 入力に応じて生成 | 人があらかじめ教え込む | AIが自ら判断する |
| 想定外への対応 | 対応の必要がない | 停止する | 判断して動きを変える |
| 主なリスク | 誤った情報の生成 | 想定外での停止 | 物理的な衝突や事故 |
従来の産業用ロボットは、人が動作を1つずつ教え込む方式でした。決められた作業を正確に繰り返せる一方、部品の位置がずれる、想定しない物が置かれるといった変化には対応できません。 フィジカルAIは、教え込まれた手順ではなく、大量のデータから学んだ判断にもとづいて動きます。そのぶん、誤った判断が物理的な事故に直結する点には注意が必要です。
フィジカルAIの活用は、肉体的な負担が大きい現場から広がっています。代表的な4つの分野を紹介します。
フィジカルAIの活用が広がっている分野の代表格が、製造業の組み立てや検査です。ケーブルのような形の定まらない部品の組み立て、流れてくる部品の位置を見ながらのネジ締めなどにフィジカルAIが活用されています。
従来のロボットでは難しかった、力加減をリアルタイムで感じ取りながら動けるという細かな動作ができるのが特徴です。
加えて、熟練作業者の動きをデータとして残せるのも利点となります。長年の経験で身につけた力加減や手順を記録し、次の世代へ引き継ぐ手段としても期待されています。
フィジカルAIは物流倉庫での搬送やピッキングでも活用されています。棚から棚へ荷物を運ぶ自立走行ロボットなどがその代表格です。
フィジカルAIは自律運転が可能なため、人や障害物を避けながら決まった経路で荷物を搬送できます。
また、従来のピッキングロボットにはできない、事前登録のない商品を扱うことができるのも大きな特徴です。AIが商品を認識してピッキングをおこなうため、通信販売の広がりで扱う商品の種類が増えても、事前に商品登録をする必要はありません。
建設現場やインフラ点検でも、フィジカルAIが活躍しています。高所や狭い場所、劣化した構造物など人が近づきにくい場所、危険な場所での作業を代替します。
たとえば、ドローンや自律走行機器が現場を走行して、異常の兆候を自動で検知すれば安全かつ正確な点検作業が可能です。
自動運転は、フィジカルAIがもっとも早くから実用に近づいた領域です。カメラやセンサーで周囲をとらえ、歩行者や車両の動きを予測しながら走行の判断をおこないます。
実際の道路で集めたデータをもとにAIがさまざまなシチュエーションを学習し、危険な状況にも瞬時に対応する技術が進んでいます。
フィジカルAIは、単体の技術ではなく複数の要素の組み合わせで成り立ちます。それぞれの役割を順に紹介します。
センシングは、フィジカルAIが現実を知るための入口です。カメラで見た目を、LiDARで空間の形を、力覚センサーで触れたときの手ごたえをとらえます。
なお、AIは実際に感じることはできないので、あくまでセンサーから取得した値をもとに判断しています。取り入れていないデータについてはAIは判断できないので、人が何をAIに学ばせるか、何の値をデータとして収集するかは人が決めなければなりません。
AIモデルは、センサーから届いた情報をもとに次の動作を決める部分です。見えているものが何かを認識し、指示された目的に照らして、どう動くべきかを組み立てる役割を担う部分です。
近年は、映像と言葉と動作を1つのモデルで結び付ける方式の開発が進みました。作業を1つずつ教え込まなくても、言葉で伝えるだけで多様な作業に対応できるロボットの実現が近づいています。
ロボティクスは、AIが決めた判断を実際の動きに変える部分です。アームや車輪を動かす機構と、位置や速度、力を制御する仕組みが含まれます。
仮に判断が正しくても、機構がそのとおりに動かなければ結果は変わりません。とくに力の加減を伴う作業では、指示から動作までの遅れをどこまで小さくできるかが重要になります。
シミュレーションは、実機を動かす前に仮想空間で学習させる工程です。摩擦や重力を再現した環境のなかで、何度も試行を繰り返しながら動作を身につけさせます。
現実で試行錯誤を繰り返すのは、時間も費用もかかります。その点仮想空間であれば、多数の機体を同時に動かして学習を進められるため、必要な時間を大きく短縮できる点が利点です。
フィジカルAIの実務では、技術そのものよりデータの用意が壁になります。押さえておきたい4つの課題を紹介します。
触覚や力覚のデータは、インターネット上にほとんど存在しません。文章や画像、動画は大量に公開されている一方、物を持ったときの手ごたえや押す力の記録は、データ化するのが難しいからです。
そのため、必要なデータは、自社で機器を動かして集めるほかありません。人がカメラやロボットハンドを持って作業を実演し、その動きを記録する手法も開発されています。
センサーが出すデータの扱い方は「センサーデータとは？種類や活用例、分析に活かすための課題と進め方をわかりやすく解説」で解説しています。
映像や3Dのデータは、1回の計測でも桁違いの容量になります。カメラの映像に加え、空間の形をとらえた点群まで扱うと、保管と転送の負担が一気に増えます。
そのため、すべてを残す前提で始めると、費用は想定を大きく超えかねません。必要な場面だけを選んで残す条件を、設計の段階で決めておいてください。
仮想空間で学習した動作が、現実でそのまま通用するとは限りません。摩擦や照明、部材の個体差など、シミュレーションでは再現しきれない要素が現場には存在するためです。
このずれが大きくなると、試験導入から本番稼働へは進めません。
対策としては現実の多様な条件を反映したデータを多く集めること、もう1つは仮想空間の再現精度をあげることが挙げられます。どちらを選ぶとしても膨大な学習データが必要であり、継続的に長期間データの収集が必要です。
ずれを縮める方向は2つです。1つは現実の多様な条件を反映したデータを集めること、もう1つは仮想空間の再現精度を上げることであり、どちらも継続的な取り組みが要ります。
フィジカルAIは導入して終わりではなく、現場で動かした記録をさらに学習させ、精度を上げ続ける必要があります。このサイクルが回っていないと、導入時の精度のままであり、従来のロボットとさほど変わりません。
そのため、導入を決めた場合はデータの収集から学習までの仕組みも同時に考える必要があります。フィジカルAIの学習に必要なデータの流れについては、「データパイプラインとは？仕組みや種類、ETLとの違いと構築のポイントを解説」で解説しています。
フィジカルAIとは、身体をもち現実世界で行動するAIです。搬送ロボットや配膳ロボット、自動運転車、産業用ロボット、点検ドローンなどが該当し、教え込まれた手順ではなく自ら判断して動く点が従来のロボットとの違いになります。
フィジカルAIは革新的な技術ですが、それを実現するためには膨大なデータが必要です。現実世界にはあまりない触覚など感覚をデータ化したものを学習させる必要があるなど、従来のロボットの開発よりも高度なデータが必要となります。
弊社ブライセンは、アノテーション・収集・蓄積にとどまらないデータ基盤の設計と構築を手がけています。自動車業界では、先進運転支援システムの開発に用いる走行データや3次元データの加工と、正解ラベル付けを長年にわたり担ってきました。要件定義から基盤の構築、運用と改善までを一貫して支援する体制です。
現場のデータは集まっているが学習に使える形になっていない、実証では動いたのに現場で精度が出ない、といった課題をおもちの方は、お気軽にご相談ください。
