Physical AI が直面する最大の課題は、人工的なものではなく、むしろ物理的な課題かもしれない

ほぼすべての注目を集めるデモの背後には、Physical AI industryに共通する真実があります: それは機械はプロトタイプであり、プロトタイプは製品ではないということです。動くロボットを1台作ることは技術的偉業です。千台目を、誰かが支払うコストで、故障時に対応できる専門チームがいない状態で作ることは全く別の課題であり、業界がようやく直面し始めたばかりです。

単発から組立ラインへ

ハードウェア製品をプロトタイプから量産へと移行させたことがある人なら、最初の1台は最も簡単だということはわかっています。

プロトタイプのロボットは、手作業で加工されたカスタムアクチュエータや、2か月のリードタイムを要するブティック系サプライヤーから調達したセンサー、あるいは設計したエンジニアが組み立てたバッテリーパックで動くことがあります。1台だけなら問題ありませんが、1万台規模になるとそれらすべてが重大なリスクとなります。

サプライヤーは認定が必要で、通常は二重に認定されます。そのため、工場の火災や出荷遅延が起きても生産が止まらないようにします。実験室で最高性能を追求して設計された部品は、許容範囲や耐久性、そして何よりコストの面で再設計が必要になることが多いです。少人数の博士号取得者が手作業でトラブルシューティングしていた組立工程は、製造ラインの技術者が数分で作業できるように簡素化しなければなりません。

この作業はdesign for manufacturabilityと呼ばれます。時間がかかり、手間がかかりますが、Physical AI におけるエンジニアリングの戦いの最前線であり、多くの資金力があり技術に優れたロボティクス企業が敗北してきた領域です。

華やかなデモだけでは市場は勝てない

ソフトウェア主導の技術サイクルが10年続いたことから、最も賢いモデルや最も人間らしいロボットを作った者が勝つという自然な本能が生まれています。この本能はAI全般において投資家にとって有効でしたが、Physical AI では誤った期待を抱かせる可能性があります。

ハードウェアビジネスはデモ当日で勝負が決まるわけではなく、その後数年にわたるユニットエコノミクス、サプライチェーンの回復力、そして少数のエンジニアが待機しなくても何千台もの機械を現場で稼働させ続けられるかどうかで決まります。

太陽光発電は有用な前例を示しています。最終的に市場を支配したパネルは、必ずしも実験室で最も効率的だったわけではなく、企業が信頼性高く、コストを下げながら大量に製造できたものです。電気自動車も同様の道筋をたどり、バッテリーサプライチェーンと製造歩留まりが単一の技術的ブレークスルーと同等に重要でした。Physical AI では、ロボットが数十から数百の部品で構成され、各部品が故障点となり得るため、さらに厳しい環境になる可能性があります。信頼できるサプライヤーと四半期ごとにコストが下がり続ける曲線に支えられた「まずまずの」ロボットを提供する企業は、数十台しか作れない華やかなロボットを持つ競合よりも優位に立つでしょう。

AIはエンジニアリングは加速できても、物理は変えられない

AI自体がこのギャップを埋められないか？ある程度は可能です。ジェネレーティブデザインツールは、既に人間のエンジニアが思いつかない部品形状を探索しています。機械学習で高速化されたSimulationは、かつて数か月かかっていたテストサイクルを圧縮しています。予測モデルは、部品が加工される前に、どのサプライヤーや材料が歩留まり問題を引き起こす可能性があるかを示すことができます。

これらのツールは実際の加速装置であり、エンジニアリングや調達にうまく活用する企業は、活用しない企業よりも速く前進します。

しかし、この圧縮には限界があります。物理的な世界はソフトウェアのようにすぐに反復できないからです。新しい合金は数千回のサイクルでの疲労試験に耐えなければなりません。工場のラインも工具を整え、試運転し、歩留まりが安定するまでの学習曲線を乗り越える必要があります。新素材の認定にかかる数か月や、新しい生産ラインを稼働させるまでの数四半期をシミュレーションで短縮することはできません。ハードウェアのタイムラインがソフトウェアのように急速に縮むと仮定してロードマップを描く企業は、思いがけない、しかも公衆的な失望に直面することになるでしょう。

見過ごされがちなボトルネック

過去のハードウェアサイクルから得られる教訓が一つあるとすれば、最も注意が払われていない部品が最大の遅延要因になるということです。

Physical AI では、まずアクチュエータ、すなわちロボットにトルクと精度を与えて実際に物理的作業を行わせるモーターや機構から始まります。これらは資格を持つメーカーが限られた小規模プールにしか存在せず、新たな生産能力を立ち上げるには数年が必要で、四半期単位ではありません。

次にセンシングです。機械が周囲を認識するためのカメラ、力センサー、固有受容感覚システムは、実際の密集した展開が要求するレベルに比べて依然として高価で未成熟です。

製造自体にも及びます。業界は限られた地域とサプライヤーに大きく依存してきましたが、これは戦略的弱点と見なされつつあり、企業はたとえ効率を犠牲にしてでも、より分散化された冗長的な製造拠点へとシフトしようとしています。

そして最後は電力: 倉庫や家庭、作業現場で継続的に稼働する機械群と共にスケールが必要となるバッテリー、パワーエレクトロニクス、充電インフラです。これらのカテゴリが基調講演のタイトルになることはありませんが、実際に出荷できる企業を決定づける要因になるでしょう。

より大きな清算の予兆

Physical AI のブームは、実質的にテック業界が当たり前と考える前提――「一度構築された知能は自由にスケールできる」――の実証テストです。この前提はソフトウェアには概ね当てはまりますが、工場には当てはまりません。

コンピュートは一晩で倍増できます。モデルは新たなトレーニングで改善できます。デプロイはボタン一つで可能です。しかしサプライチェーンは一晩で倍増できません。熟練した技術者、認定されたサプライヤー、成熟した生産ラインの構築には数年かかり、モデル性能の飛躍がその期間を短縮することはありません。

これらは Physical AI が過大評価されている、あるいは基盤技術が実体のないものだという意味ではありません。むしろ、重心が人工知能から物理的インフラへとシフトしていることを示しています。早期にこの変化を捉え、次の派手なデモではなくmanufacturing capacityとサプライチェーンの回復力に実質的なリソースを投入する企業とその投資家こそが、現在のバイラル動画の波が収束し、機械を大規模に実際に展開するという遅くて厳しい作業に移行したとき、依然として立ち残る可能性が高いでしょう。