大手製造業・ロボット企業の事例から、フィジカルAI導入のポイントと今から始めるべき準備を解説
生成AIに続く次の技術トレンドとして、製造業で注目を集める「フィジカルAI」。
AIが現実世界の状況を認識・判断し、ロボットや設備を自律的に動かすことで、
これまで自動化が難しかった非定型作業への活用が期待されています。
本資料では、フィジカルAIの基本的な仕組みや従来の産業用ロボット・生成AIとの違いを整理したうえで、
大手国内企業の最新動向を紹介。
さらに、BMWや食品・物流分野など、海外で成果が報告されている事例も取り上げています。
また、「自社では何から始めればよいのか」という視点から、対象プロセスの見極め、
段階的なロードマップ策定、技術知見データの整理など、実装に向けた現実的なアプローチも解説。
フィジカルAI時代に備え、製造業が今から準備すべきポイントをまとめた一冊です。
研究開発・生産技術・製造技術・DX推進など、フィジカルAIの活用可能性や自社への導入を検討されている方におすすめです。
このカタログについて
| ドキュメント名 | 【フィジカルAIにどう備えるべきか】国内外の最新事例と実装に向けた準備を徹底解説 |
|---|---|
| ドキュメント種別 | ホワイトペーパー |
| ファイルサイズ | 2.3Mb |
| 取り扱い企業 | ストックマーク株式会社 (この企業の取り扱いカタログ一覧) |
この企業の関連カタログ
このカタログの内容
Page1
Slide 1
フィジカルAIにどう備えるべきか
国内外の最新事例と、実装に向けて今から始めるべきこと
Page2
Slide 2
┃Introduction
はじめに
物理世界と人工知能の融合を指すフィジカルAIは、長らく研究室や論文の中心の学術的な領域にとどま
っていた。しかし現在、画面の中で完結する情報処理を飛び出し、現実のものづくりを革新する技術と
して、大手製造業やロボット産業における実証・事業検討というビジネスの実装フェーズへ急速に移行
している。
「フィジカルAIを取り入れたいが、実際の導入事例はあるのか」「生成AIと何が違うのか」
こうした疑問を抱く現場の開発・設計・生産技術担当者は多い。自社の工程にどう当てはめれば
よいのかがイメージできず、投資判断の材料に乏しいと感じている担当者も少なくないだろう。
背景には、Deloitteの調査で企業の58%がすでにフィジカルAIを部分的に活用しており、2年以内には
80%まで拡大すると見込まれているように、世界的な導入の波が急速に押し寄せているという事情も
ある。
本記事では、日本を代表する製造業・ロボット企業が公開した最新の取り組みを事例として紐解き、
実装に向けた現実解を解説する。
出典：Deloitte レポート（2026年3月）
2
Page3
Slide 3
┃Introduction
目次
1. フィジカルAIとは？従来の自動化技術・生成AIとの違い
2.【事例】大手製造業・ロボット大手の最新動向
- 事例①：安川電機×ソフトバンク（柔軟物体ハンドリングの実証）
- 事例②：富士通・ファナック・安川電機・川崎重工業（4社体制での事業検討）
3. 参考：海外ではすでに定量的な成果も報告されている
- 事例①：BMW（ヒューマノイドロボットによる部品処理の実証）
- 事例②：Cafe Spice（AIロボットによる食品加工の生産性向上）
- 事例③：Amazon（触覚センサー搭載ロボットによる倉庫作業の自動化）
4. フィジカルAIを取り入れるための現実的なアプローチ
5. 差がつく技術知見データ構造化の重要性
【弊社サービスのご案内】フィジカルAI構築に必要な、データについて
3
Page4
Slide 4
1.フィジカルAIとは？
従来の自動化技術・生成AIとの違い
Page5
Slide 5
フィジカルAIとは？従来の自動化技術・生成AIとの違い
フィジカルAIとは、現実世界から得られるあらゆる情報やデータをもとに、
AIが自律的に状況を判断し、ロボットや設備などの物理的な身体を精密に制御・動作させる技術である。
あらかじめ決められた通りに動く従来の自動化とは一線を画す。
産業用ロボット 生成AI フィジカルAI
（ティーチング型） （ChatGPTなど） （自律制御型）
あらかじめプログラミングされた定型動 デジタル空間の中だけで完結し、文章や カメラや触覚センサーをはじめとする各種データソ
を繰り返す。対象物の位置や形状が 画像などの情報を生成・出力するが、 ースで現実世界をリアルタイムに把握。
わずかにズレるとエラーで停止する。 物理世界に直接干渉する手段を持たない。
形状や配置が毎回変化する非
定型な環境でも、人間の
再プログラミングなしにAIが
自ら判断し適応する。
この「非定型な物理世界への自律的な適応能力」こそが、フィジカルAI導入検討における最重要ポイントとなる。
5
Page6
Slide 6
2. 【事例】大手製造業・ロボット大手の最新動向
Page7
Slide 7
【事例】大手製造業・ロボット大手の最新動向
事例①：安川電機×ソフトバンク（柔軟物体ハンドリングの実証）
2026年7月13日、株式会社安川電機はソフトバンク株式会社が開発する「AIデータセンター GPUクラウド」を
フィジカルAIの開発基盤として活用し、安川電機が開発する「柔軟物体ハンドリングシステム」を組み合わせ、
柔軟な物体のハンドリングにおけるフィジカルAIの有効性と、開発工程の効率化を実証したと発表した。
具体的には、ロボットによる取り扱いが難しいとされる形状や、配置が作業ごとに変化するワイヤーハーネスを
箱に収納するタスクを対象に、両社の技術を組み合わせて安定的なハンドリングを実証した形だ。
現時点ではオフィス環境をはじめとしたユースケースにおける実証段階にあり、
両社は今後、製造現場を含めたフィジカルAIの社会実装に向けた協業を加速する
方針を示している。
出典：安川電機 ニュースリリース（2025年2月）
出典：ソフトバンク プレスリリース（2026年7月）
7
Page8
Slide 8
【事例】大手製造業・ロボット大手の最新動向
事例②：富士通・ファナック・安川電機・川崎重工業（4社体制での事業検討）
2026年7月16日には、富士通、ファナック、安川電機、川崎重工業の4社が、NVIDIAの技術を活用したフィジカルAIの実用化に向けた共同
事業検討の開始を発表した。
NVIDIA Cosmos 世界基盤モデル、NVIDIA Omniverse、NVIDIA IsaacオープンプラットフォームおよびNewton物理エンジンなどのライブラ
リを活用し、仮想空間の学習を現実へ移行するSim2Realおよびロボット学習・検証・最適化を効率化する考えだ。※1-1 ※1-2
各社は重点領域を分担しており、ファナックは製造業、安川電機は小売・流通業、川崎重工業はヘルスケア分野での応用を想定している。
・ファナック：製造業向けに、生産現場の業務をAIが自律して手掛けられることを目指す。
・安川電機：小売・流通業向けに、搬送を自動化するなどの取り組みを進める。
・川崎重工業：ヘルスケア領域として、病院内でロボットを活用した医薬品や検体の自動搬送、また、受付業務の自動化を目指す。
特に川崎重工業がヘルスケア分野で名を連ねている点は、フィジカルAIの応用範囲が工場内の生産工程にとどまらないことを示唆している。
国内ロボット大手3社が同一の枠組みに揃って参画するのは珍しく、業界横断でフィジカルAIの社会実装を推進するための共通基盤づくり
を押し進めようとする姿勢の表れといえる。※2
※1 -1出典：富士通 プレスリリース（2026年7月） ※1 -2出典：NVIDIA Japan Blog（2026年3月） ※2 出典：日本経済新聞（2026年7月）
8
Page9
Slide 9
【事例】大手製造業・ロボット大手の最新動向
国内の「フィジカルAI」実装へ向けた取り組みについて
こうした発表は、いずれも成果指標がまだ示されていない実証・検討段階のものだ。
しかし重要なのは、すでに完成した成果である点ではなく、日本を代表するロボット・製造業各社とNVIDIAが同時期に足並みを
揃えて投資判断を下したという事実そのものにある。
なお、こうした協業ラッシュは突如現れたブームではない。ファナックはPreferred Networksと共同で、2018年頃から深層学習
を用いてロボットがバラ積みされた部品の最適な取り出し順番を自ら学習・判断する機能を実用化しており、従来熟練エンジニ
アが要していた動作ティーチングの手間を大幅に削減してきた。※1
さらに2026年6月の「AWS Summit Japan 2026」では、AWSのGPUインスタンスを活用し、衣類などの柔らかい物のハンドリ
ングを習得させる模倣学習の時間を、従来の60時間から4.8時間へ短縮したことを公表している。こうした過去からの積み重ね
の延長線上に、今回のNVIDIAとの技術協業も位置づけられている。 ※2
※1 出典：ファナック ニュースリリース（2018年4月） ※2 出典：ITmedia AI＋（2026年6月）
9
Page10
Slide 10
3.海外ではすでに定量的な成果も報告されている
Page11
Slide 11
海外ではすでに定量的な成果も報告されている
日本の取り組みが実証段階にある一方、海外ではすでに数値で成果を示す事例も出てきている。
安川電機 × ソフトバンク（柔軟物体ハンドリングの実証）
① BMW（ヒューマノイドロボットによる部品処理の実証）
米BMWのスパンタンバーグ工場では、Figure AI製のヒューマノイドロボット
「Figure 02」が約11ヶ月間の実運用を通じ、9万点以上の部品処理、精度
99%以上を記録した。
2026年に入ってからは後継機「Figure 03」がより複雑な部品の仕分け作業
（シーケンシング）へと対応範囲を広げており、実証から商用フェーズへの
移行が進んでいる。
出典：Figure AI / BMW Group ニュースリリース（2024年8月）
11
Page12
Slide 12
海外ではすでに定量的な成果も報告されている
② Cafe Spice（AIロボットによる食品加工の生産性向上)
食品業界でも、Chef RoboticsのAIロボットを導入したCafe Spice社では
労働生産性が60%向上し、別の導入先であるChef Bombay社では食材ロ
スが88%削減されたことが報告されている。
いずれも一つの企業が両方を同時に達成した数値ではなく、
導入先ごとに異なる成果指標である点には留意したい。
出典：Chef Robotics ニュースリリース（2024年5月）
12
Page13
Slide 13
海外ではすでに定量的な成果も報告されている
② Cafe Spice（AIロボットによる食品加工の生産性向上)
物流業界では、Amazonが2025年5月に発表した触覚センサー搭載ロボット
「Vulcan」が、フルフィルメントセンターで扱う全商品の約75%を、人間の従業員と
同等の速度でピッキング・格納できることを実証している。
カメラによる視覚情報に加え、力覚フィードバックセンサーで物体に触れた際の力加
減をリアルタイムに検知しながら動作する点が特徴だ。
米ワシントン州スポケーンとドイツ・ハンブルクの拠点で稼働しており、2025年5月
時点ですでに50万件以上の注文処理実績を積み上げている。
出典：Amazon公式ブログ（2025年5月）
出典：ITmedia AI＋（2026年6月）
13
Page14
Slide 14
4.フィジカルAIを取り入れるための
現実的なアプローチ
Page15
Slide 15
フィジカルAIを取り入れるための現実的なアプローチ
フィジカルAIの導入は、いきなり工場の全面オートメーションを目指すべきではない。
物理ラインを制御するAIは、データの不備や誤認識が設備破損などの物理リスクに直結するため、
以下のようなスモールスタートが現実解といえる。
ステータスに応じた
1 対象プロセスの厳格な見極め 2 3 技術知見データの整理
ロードマップ策定
従来のロボットでは自動化を諦めていた
非定型なピッキング工程や、ベテランの いきなり本番ラインに投入せず、 AIが物理現象や自社の作業ルールを正し
感覚値に依存していた研磨・溶接作業な シミュレーション環境や実験室での実証 く学習できるよう、過去の実験データや
ど、局所的な工程から検証を開始する。 を経て段階的に現場へ適用する。 設計書を構造化しておく。
15
Page16
Slide 16
5.差がつく技術知見データ構造化の重要性
Page17
Slide 17
差がつく技術知見データ構造化の重要性
フィジカルAIを競争力へ昇華させる鍵は、社内外に散ら データ整備を後回しにしたまま高価なロボットやAI基盤
ばる技術知見（職人の脳内・社内のマニュアル・技術文 だけを導入しても、期待した自律性は発揮されにくい点
書等）をAIが参照・活用できる形に資産化・構造化して に留意したい。
おくことにある。どれだけ高度なセンサーを搭載しても、 自社の技術資産の棚卸しは、ロボットやAI基盤の選定と
過去の設計データや基本原則という前提知識がなければ 並行して着手すべき、優先度の高い経営課題である。
高精度な自律判断は下せない。
多くの企業では、現場の職人の技術が暗黙知のままにな
っていたり、たとえそれがレポートやトラブル対策書と
して整理されていても活用されず埋もれていることが多
い。またそれらの情報がAIが即座に学習・参照できるよ
うなデータ状態になっていないのも実情だ。
これからの製造業DXでは、現場へのロボットやAI導入にとど
まらず、AIに学習させるための技術知見を組織的に構造化・
統合していく情報基盤の構築こそが、フィジカルAIの成否を
決定づける最重要ファクターとなる。
17
Page18
Slide 18
まとめ：フィジカルAI時代に向けて、まず取り組むべきこと
フィジカルAIは、多くの先進企業が実証や事業検討に乗り出している重要
な技術領域である。
安川電機 × ソフトバンクやロボット大手4社の動きは、有力企業が同時期
に着手したこと自体に情報価値があり、加えてファナックのように定量的
な成果を公表している先駆的な取り組みも存在する。
自社の独自データをいかに構造化し、AIの頭脳に学ばせるかが、今後の競
争力を分ける。
18
Page19
Slide 19
┃お知らせ
弊社のフィジカルAIへ向けた取り組み
フィジカルAI向け「国産マルチモーダル基盤モデル」 の開発に 弊社ストックマークも参画（2026.7〜）
＜背景＞
AIがテキスト空間を超えて実世界のデータを認識・制御する「フィ
ジカルAI」は、製造、物流、インフラなど幅広い産業領域の高度化
において不可欠な技術とされています。
本取り組みは、経済産業省および国立研究開発法人新エネルギー・
産業技術総合開発機構(NEDO)が推進する「AIロボット・フィジカル
AIを見据えたマルチモーダル基盤モデル開発事業」にNoetraおよび
産総研が採択されたことを受け、フィジカルAIの開発基盤となる
「国産マルチモーダル基盤モデル」の実用化を目指すものです。
当社は、ビジネスドキュメントという複雑な情報の読解と構造化を
通じて、ビジネスにおける生成AIの社会実装を推進してきました。
この過程で培った、大規模言語モデル(LLM)および視覚言語モデル
(VLM)の高度な開発力と学習ノウハウが、フィジカルAI基盤の開発に
おいても技術的なブレイクスルーをもたらすと確信し、Noetraのビ
ジョンに賛同して本プロジェクトへの参画を決定いたしました。
https://stockmark.co.jp/r-and-d/topics/20260729/
19
Page20
Slide 20
┃お知らせ
フィジカルAIへ向けて。貴社データを、AIで活用できる資産へ
ストックマークの、2つのサービスをご紹介します。
フィジカルAIヘ向けた
データ整備を
①R&D部門向け、AIエージェント ②AI活用をさらに高度に！ 支援します。
R&Dプロセスに必要な情報整理や調査をAIが効率化 貴社の業務に合わせてデータ整備〜AIを構築
国内外のニュース、論文、特許、 技術文書や研究開発資料などを
官公庁情報などを、AIが継続的 構造化。
に収集・整理。 部門を超えて社内ナレッジを検
リスクや規制動向、技術・市 索・分析し、AIで活用できるデ
場・競合の変化を捉え、調査や ータ基盤や専用エージェントを
意思決定を支援します。 構築します。
サービスの詳細・資料請求はこちらから https://stockmark.co.jp/solution/
20