とにかく「データが足りない」フィジカルAI AWS支援プログラム採択各社が示す突破口

AWSジャパンが実施した「フィジカルAI開発支援プログラム」の成果報告会が8月31日に開催された。総額600万米ドル相当のAWSクレジットと技術支援を受けた51社が、約半年間の開発成果を発表した。採択企業の共通の悩みは「データが足りない」ことだ。大規模言語モデルはWeb上のテキストから学習できたが、ロボット基盤モデルには、カメラ映像、関節の動き、力加減、触覚といった現場のデータが欠かせない。竹中工務店は建設現場の塗装作業をロボットに学習させようとしたが、危険と混乱の中ではデータ収集が困難で、シミュレーション上での成功率は10～15％に留まった。ZEALSの清水正大CEOは「日本には現場がある」と指摘し、それが日本の強みであり、同時にデータ源泉になると語った。

データ不足の打開策として、各社は三つの道を探った。一つめは「データを作る」戦略だ。FastLabelはシミュレーションで90パターンを約1万パターンに拡張し、実機データと混ぜて学習させ、タスク成功率を平均14.2％向上させた。竹中はApple Vision Proを用いた遠隔データ収集環境を構築。MWは約50台の収集マシンで年間5万時間の家事データ取得を開始、最終的に2.5PB規模の学習データを蓄積する計画だ。二つめは「少ないデータで済ませる」工夫だ。Telexistenceは100億パラメータの軽量モデルで86％の成功率を達成。豆蔵は制御関節を全身から10個に絞り、わずか43パターンのデータで実現した。さらに「AIが全てを解決するのではなく、ルールベースと補完し合う」という現実的な割り切りで高性能を実現。リコーは機種に依存しない共通動作表現を学習し、モデル規模を3分の1に圧縮できることを検証した。

この報告から見える現実は、フィジカルAIの実装が「完全自動化の夢」ではなく「ハイブリッドな現実」だということだ。ルールベースとAIの役割分担、データ生成とシミュレーション、軽量モデルと実運用の組み合わせ。ロボット化を検討する製造業は、「完全自動化」という理想より「何をAIに、何を従来手法に任すか」という設計から始めるべき。データ収集戦略も同時に用意しなければ、導入後のAI性能は低いままになる。