スマートロボットや自律システムから、知覚・意思決定能力を備えた物理デバイスに至るまで、Physical AIは製造、物流、交通、サービス産業を急速に変革しつつある。

いわゆるPhysical AI（フィジカルAI、物理AIとも呼ばれる）とは、生成AIの「脳」（アルゴリズムとモデル）と現実世界の「身体」（ロボット、センサー、メカトロニクスハードウェア）を深く融合させた技術である。かつて、固定されたプログラムに従って単一の動作を繰り返すことしかできなかった「自動化設備」とは異なり、フィジカルAIは「知覚、思考、動作」の能力を備えており、AIをクラウドや画面の世界から物理世界へと真に拡張させている。

この変革について議論するため、SparkLabs Taiwanは6月25日、台湾証券取引所（TWSE）と共同で「Physical AI 産業ミートアップ」を開催した。本イベントは、SparkLabs Taiwanの共同創業者兼マネージングパートナーである邱彦錡氏がモデレーターを務め、Google、日本の著名なベンチャーキャピタル、そして台湾を代表するPhysical AIスタートアップの代表者をパネリストとして招き、Physical AI産業における技術の実用化、競争優位性（モート）の確立、および事業拡大における重要な課題と機会について深く掘り下げた。

ロボットの最大のボトルネックはモデルではなく、データ取得のコストである

Physical AIのスケールアップにおける課題について、Anvil Roboticsの創業者である夏一鳴（Mike Xia）氏は、真のボトルネックはモデルそのものではなく、データ収集の速度とコストにあると指摘した。

同氏は例として、ある企業が工場内の運用データを収集するために、150人の人員を投入し、3交代制で作業を行い、そのために専用のソフトウェアやプロセスを構築する必要があり、プロジェクト全体の費用は2,000万～3,000万ドルにも上ったと挙げた。「これは非常にコストがかかり、人手に大きく依存する作業だ」と夏一鳴氏は述べる。フィジカルAIには依然として十分な基礎データが不足しているため、データ収集のハードルをいかに下げるかが、産業発展における重要な課題となっている。

この問題を解決するため、Anvil Roboticsは再現可能なデータ基盤の構築に注力している。センサーを設置して、実環境におけるロボットの移動や操作を学習可能なデジタルデータに変換するだけでなく、さらに一歩進んでVIO SLAMマッピング技術を組み合わせることで、ロボットが周囲の空間を理解し、環境情報を継続的に蓄積できるよう支援している。

夏一鳴氏は、VIO SLAMなどのコア技術はGoogleなどのテクノロジー企業のAR／VRアプリケーションにおいて以前から存在していたものの、関連技術のハードルが高く、直接ダウンロードして使用できるSDK（ソフトウェア開発キット）ではないため、ロボット開発への迅速な導入が困難であると指摘した。同氏は、Physical AIを真に大規模化させるためには、これらの最先端技術を標準化・モジュール化し、開発コストと導入のハードルを下げることが鍵であると考えている。

垂直分野に焦点を当て、模倣困難な独自のデータ・モート（参入障壁）を構築

データ収集以外にも、Googleのアジア太平洋地域半導体産業担当責任者であるJerry Hsiung氏は、Physical AIスタートアップ間の差を真に広げる鍵は、独自の「データ・モート」を構築できるかどうかにあると考えている。

同氏は、Physical AI分野のユニコーン企業であるAgile Robotsを例に挙げ、ロボットが製造現場に導入された後、単にタスクを実行するだけでなく、稼働過程で実世界の操作データを継続的に蓄積し、モデルトレーニングを通じて最適化を行い、再び生産ラインに再展開することで、「データ収集、モデル最適化、再展開」という自己最適化の循環を形成していると指摘した。

いったんこのような循環が確立されれば、競合他社が同じ基礎モデルを入手したとしても、短期間で同様の成果を再現することは困難だ。なぜなら、真に価値があるのはモデルそのものではなく、継続的に蓄積される独自のデータだからである。

「世界の電子製品の約半分はフォックスコンが生産しており、TSMCは先進プロセスのチップの9割以上を担っている。これらのデータは、インターネットや人力だけでは収集できないものであり、それ自体が企業にとって最も重要な『データによる堀（モート）』なのだ」 とJerry Hsiung氏は語った。

同氏は、オープンソースモデルやモデル蒸留技術が急速に成熟するにつれ、AIモデルの能力は最終的に徐々にコモディティ化（商品化）されていくと見ている。将来、スタートアップ企業のコアバリューは、単にモデルを1つ保有していることではなく、特定の業界や応用分野に焦点を当て、高品質な独自データを継続的に蓄積し、独自の自己最適化サイクルを構築できるかどうかにある。

「創業チームは、十分に深い業界知識を持ち、可能な限り精度を高める必要がある。そうでなければ、真の競争優位性を築くことはできない。もし汎用的な用途にとどまるなら、他社が参入するのはあまりにも容易になってしまう」とJerry Hsiung氏は語った。

製品ポジショニング、すなわち市場参入戦略

技術やデータの問題に加え、Physical AI分野のスタートアップは、もう一つの現実的な課題、すなわち長い導入サイクルにも直面しなければならない。

PoC（概念実証）から正式導入に至るまで、多くの産業系顧客の意思決定には18～24ヶ月もの長い期間を要することが多く、リソースが限られているスタートアップチームにとっては大きな試練となる。

この問題に対し、市場ごとに異なる戦略が展開されている。

日本のベンチャーキャピタル「GLOBIS Capital Partners」のディレクター、野本良平氏は、比較的保守的な日本の環境においては、「トップダウン」方式で推進することで意思決定を加速できると語った。「当社のポートフォリオ企業の一つであるロボットスタートアップ『Telexistence』は、自社のCEOが顧客側のCEOと可能な限り直接コミュニケーションを取るようにしている」。

これに対し、Anvil Roboticsは、第一線のロボットエンジニアを直接ターゲットに据えることを選択した。

「通常、シニアエンジニアであれば、1万ドルや2万ドルの支出を、正式で煩雑なプロセスを経ることなく、自ら決定できる」と夏一鳴氏は述べ、この方法ならCEOやCFOによる長引く承認プロセスを回避し、社内で迅速に実質的な成果を生み出すことができると説明した。

「自社の製品を誰に販売するのかを明確に把握し、適切な価格帯で実際のニーズを解決できる製品を見極めること、これこそが市場参入戦略（Go-To-Market戦略）において最も重要な核心だ」と夏一鳴氏は強調した。

Physical AIの投資指標はもはやARRではない

データを確保し、競争優位性を確立し、製品のポジショニングを明確にし、顧客基盤を築いた後、次の課題はスケールアップによる成長であり、これには通常、多額の資金が必要となる。

SaaSの世界では、年間経常収益（ARR）がベンチャーキャピタルが企業価値を評価する際の重要な指標となることが多いが、まだ初期段階にあるPhysical AI業界においては、この基準が必ずしも当てはまるとは限らない。

野本良平氏は、Physical AI分野のスタートアップを評価する際、その製品が明確かつ頻繁に発生する人手不足のニーズを解決しているかどうかをより重視していると述べた。「ロボットが1日に数分しか作業を行わないのであれば、たとえ技術がどれほど先進的であっても、スケール感のあるビジネスモデルを構築することは難しい」と。

投資家が真に重視しているのは、そのタスクが数千、さらには数万もの現場に展開可能かどうか、そしてその背後にある市場規模が十分に大きいかどうかだ。短期的な収益よりも、「タスクの深さ」と「人的リソースの代替率」をより重視しているのである。