フィジカルAIってなに？embotから考える、AIが「体」を持つ日｜embot WOW!

突然ですが、皆さんに質問です。このロボットは「フィジカルAI」でしょうか？

机の上に、ダンボールでできたロボットが1台あります。

タブレットでプログラムを組むと、腕をあげ、LEDが赤く光り、ブザーが鳴る。そう「embot」です。使ったことがある人も多いと思います。

さて、このembotは フィジカルAI でしょうか？

答えは——「半分だけイエス」です。

なぜ半分なのか。そして、残りの半分をうめると何が起きるのか。この記事は、その話をします。

そもそも、AIには「体」がありませんでした

ChatGPTに「宿題のヒントを教えて」と聞けば、すぐに答えが返ってきます。絵を描いてほしいと頼めば、数十秒でできあがる。

でも、こう頼んだらどうでしょう。

「部屋を片づけて」

……たぶん、「まずは床のものを箱にまとめましょう」みたいなアドバイスの文章が返ってきます。手順は教えてくれる。でも、床のマンガを1冊も拾ってはくれません。

なぜか。AIには体がないからです。

画面の中でどれだけ賢くても、現実のものは動かせない。この壁をこえようとしているのが、いま世界中で注目されている フィジカルAI（Physical AI） です。

フィジカルAIとは？ひとことで言うと

カメラやセンサーで周りのようすをとらえて、AIが判断し、ロボットや機械という「体」を通じて現実の世界で実際に動く技術のこと

「フィジカル（physical）」は英語で「物理的な」「体の」という意味です。日本語では「物理AI」と呼ばれることもあります。

大事なのは、フィジカルAIはひとつの新しい発明の名前ではないということ。「AIが体を持って現実世界で働く」という流れ全体をあらわす言葉です。だから、自動運転の車も、工場のロボットアームも、人型ロボットも、ぜんぶフィジカルAIの仲間です。

生成AIとの違い

	生成AI（ChatGPTなど）	フィジカルAI
働く場所	画面の中（デジタルの世界）	現実の世界
受け取るもの	文字・画像	カメラ映像・センサーの値・音・さわった感じ
出すもの	文章・画像・プログラム	モーターを動かす指令
まちがえたら	書きなおせばいい	ぶつかる・落とす・こわれる
時間	数秒待ってもいい	リアルタイムで間に合わせないといけない

表の下2行が、フィジカルAIのむずかしさをよくあらわしています。

文章を書くAI（ChatGPTなど）は、変な文が出てきても「もう一回やりなおして」でやりなおせます。でも、コップをつかみそこねたロボットはやりなおしがきかない。割れたコップは元にもどりません。しかも考えている間にコップは落ちていく。現実は待ってくれないのです。

フィジカルAIのしくみは「見る・考える・動く」の3ステップ

フィジカルAIの中身は、だいたいこの3つのくりかえしでできています。

① 見る（センシング）

カメラ、距離センサー、マイク、圧力センサーなどで、いま周りがどうなっているかを集めます。人間でいう目・耳・皮ふです。

② 考える（判断）

集めた情報と「何をしてほしいか」という目的から、次にどう動くべきかを決めます。AIの頭脳の部分です。

③ 動く（アクチュエーション）

決めた内容をモーターやタイヤ、アームに伝えて、実際に体を動かします。

そしてすぐ①にもどる。この輪を1秒間に何十回も回しつづけるのが、フィジカルAIです。

embotを、この3ステップに当てはめてみる

ここで冒頭の質問にもどります。embotは、この3つをいくつ持っているでしょうか。

ステップ	人間でいうと	embotは？
① 見る	目・耳	持っていない（カメラがない）
② 考える	脳	人間が代わりにやっている（プログラムを書くのは人）
③ 動く	手・足・声	持っている（サーボモーター・LED・ブザー）

つまり——

embotは、3つのうち「動く」をすでに持っています。

これは、地味に見えてかなり重要なことです。世の中の多くのAI体験は画面の中で完結していて、「現実の世界でモノが動く」という部分を最初から持っているものは、実はそう多くありません。embotは、ここをすでにクリアしている。

だから答えは「半分だけイエス」。embothaフィジカルAIまで、あとたった2ステップなのです。

残りの2ステップは、どううめる？

1ステップ目：目をつける
embotにWebカメラを固定すれば、「見る」が手に入ります。
embotにつけなくても、タブレットのカメラなどを繋げる形でもOKです。

2ステップ目：「考える」をAIにゆずる
いまは人間がタブレットで「腕を90度あげる」と書いています。
これを、カメラの映像を見たAIが自分で決めるようにする。

すると、embotはこうなります。

赤いカードを見せると、腕をあげる。手をふると、ふりかえす。 ——どこにも「赤を見たら腕をあげる」とは書いていないのに。

この2ステップ目をうめる技術が、現在フィジカルAIの分野で注目されている VLA（Vision-Language-Action） です。（VLAについてはまた次回、別の記事で詳しく紹介します）

なぜ2026年に、こんなに話題になっているの？

「フィジカルAI」という言葉は2025年後半から急に広まり、2026年は「フィジカルAI元年」と呼ばれています。

理由1：AIの「頭」が、そのまま体に使えるとわかった
これまでロボットのAIと、文章を書くAIはまったくの別ものでした。ところがここ数年で、文章や画像を理解する大きなAIを、そのままロボットの頭脳に流用できることがわかり、開発の進み方が一気に変わりました。

理由2：大きな会社が本気を出した
世界最大級のテクノロジー見本市 CES 2026 では、フィジカルAI向けの新製品や新モデルの発表が相次ぎました。GoogleやNVIDIAなど、名だたる大企業がこぞってフィジカルAIについてのブース展示を行っていました。

理由3：日本にとって、とくに切実な話だから
少子高齢化の進む日本では働く人の数がどんどん減っています。工場、物流、農業、介護、災害の現場——人手が足りない場所はたくさんある。経済産業省の資料では、人型ロボットをふくむ多用途ロボットの市場は2040年までに約60兆円規模に育つと見込まれています。

自動車とロボットは、もともと日本が得意としてきた分野です。フィジカルAIの主戦場が日本の得意分野と重なっている——これも注目される大きな理由です。