ロボット30台が並ぶ「データ工場」の中身、フィジカルAI開発の裏側にある構造的な課題
千葉県習志野市のどこかに、場所が非公開の倉庫がある。中に入ると、白いヒューマノイドロボットが30台以上整然と並び、その背後に人間のオペレーターがひとりずつ立っている。ロボットは全自動で動いているわけではない。人間が操作し、ロボットが物をつかんで移す動作を、ひたすら繰り返している。
これが「J-HRTI 関東データファクトリー」の実態だ。
ロボットが並ぶ倉庫の正体
この施設を運営するのは「J-HRTI」、物流・金融・商社など国内5社によるコンソーシアムだ。2026年8月26日に本格稼働し、報道陣に内部が公開された。
目的はひとつ——フィジカルAIの学習データを収集すること。
フィジカルAIとは、物理空間の状況をカメラやセンサーで認識し、自律的に動作するAIだ。ヒューマノイドロボットの「頭脳」にあたる部分と考えてもいい。このAIを開発するには、実機のロボットが実際の空間で動作した高精度なデータが必要になる。それを量産するための専用施設が、この「データファクトリー」だ。
施設の広さは約1400平方メートル、サッカーコート2面分。「ロボットエリア」「アノテーションエリア」「テストエリア」の3エリアで構成されている。最大40台のロボットを設置できるロボットエリアには、取材時点で約30台の中国ロボットメーカーUnitree Roboticsが開発した「Unitree G1」などが並んでいた。
なぜ今「データ工場」が必要なのか
「ロボットの実機を使って収集したデータは、ものすごく高い価値があります。ハードルが高いため、シミュレーションデータなどいろいろと登場しているわけです」
J-HRTIの事務局を担うINSOL-HIGH（東京都千代田区）の磯部宗克CEO はこう語っている。この一言が、施設の存在意義を端的に表している。
シミュレーションデータとは、コンピュータ上の仮想空間でロボットを動かして取得するデータのことだ。実機を用意しなくていい分、コストも時間も圧倒的に安い。だから多くの研究者や企業がシミュレーションに頼っている。
しかし問題がある。仮想空間と現実空間には、どうしても埋めきれない「ずれ」がある。素材の重さ、表面の摩擦、光の当たり方、空気抵抗——こうした細部の物理的な特性は、シミュレーションではどこまでいっても近似値にすぎない。その「ずれ」が積み重なって、バーチャルでは完璧に動くロボットが実機では失敗する、という現象が産業ロボットの世界では繰り返されてきた。
だから実機データに価値がある。そしてその実機データを、大規模かつ継続的に収集できる施設が必要になる。J-HRTI 関東データファクトリーは、その「必要」に応えるために生まれた。日本の民間企業のみで運営するヒューマノイドロボットの学習データ収集拠点としては、国内初だという。
実際にやっていること——地味だが重要な作業
施設で行われているのは「ピックアンドプレース」、要するにピッキング作業だ。箱から物体を取り出して別の箱に入れる。それを繰り返す。
扱う物体はさまざまだ。形が安定したぬいぐるみ、さらさらした粒状の樹脂ペレット、滑りやすい段ボール。作業台の高さも意図的に変えており、異なる条件下での動作データを積み上げている。
磯部氏はその意図をこう説明している。「さまざまな業界で共通して使えるであろう動きが『ピックアンドプレース』です。『物をつかみ、保持して、置く』という動作は、どんな場面でも必要です。まずはここからスタートしました。ただし、作業場所の高さ、対象物、使う環境の照明などがさまざまなため、どのように汎用化させるかは考えなければなりません」
この「汎用化」という言葉に、現在のフィジカルAI開発の難しさが凝縮されている。高さが5センチ変わるだけで、対象物の材質が変わるだけで、照明の向きが変わるだけで、ロボットは新しい状況に直面する。その一つひとつに対応するためのデータが必要になる。だから収集作業は終わらない。
ここからは見方の話——「実機データ」という競争軸の意味
フィジカルAIの開発競争において、モデルのアーキテクチャや計算リソースと並んで、「質の高い実機データをどれだけ持っているか」が重要な競争軸になりつつある。
これはLLM（大規模言語モデル）の世界でテキストデータが持っていた意味と構造的に似ている。GPT系のモデルが強かった理由のひとつは、膨大なテキストデータへのアクセスだった。フィジカルAIの文脈では、テキストに相当するのが「実機での動作データ」だ。そしてこのデータは、インターネット上にフリーで転がっているわけではない。ロボットと施設と人間のオペレーターを揃えて、物理的に収集するしかない。
だからこそ、コンソーシアム型でコストを分担する仕組みに合理性がある。
「データファクトリーで高精度なデータを作り、各社にシェアします。負担をかけずにファインチューニングが可能になります。また、設備投資を分担する狙いもあります。多大な費用をかけており、1社では賄えません。負担を分担し、データもシェアする仕組みです」（磯部氏）
参画企業には山善（精密機器の専門商社）、ツムラ（漢方医薬品メーカー）、ディーエムエス（物流・DM発送）、芙蓉総合リース（金融）が名を連ねている。業種がバラバラなのは意図的だろう。異なる現場環境のデータが集まることで、汎用的なAIモデルの構築に近づける。参画企業は、現場実装で得た追加データや改善点をフィードバックする義務も負っており、データの質を螺旋状に高める設計になっている。
実務担当者が次に見るべき論点
ただし、この施設が示しているのは「希望」だけではない。いくつかの現実的なボトルネックも、記事から読み取れる。
オペレーター確保の問題。磯部氏は「正直に言うと、千葉県沿岸部という立地から、オペレーターをたくさん採用できる環境ではありません」と述べている。施設規模を拡大する際の課題として、スペースの問題と並んで人材確保を挙げているのは、データ収集の「工場」としての限界を示唆している。ロボットにデータを学習させるためには、今のところ人間が必要だ。その人間を大量に集め続けることは簡単ではない。
汎用化の難しさ。前述のように、照明・高さ・対象物といった変数が変わるたびに新しいデータが必要になる。「あらゆる状況に対応できるモデル」を目指すとすれば、データ収集は原理的に終わらない。どこかで「この精度・この範囲で十分」と切る判断が必要になるが、その判断軸はまだ業界として整っていない。
データの品質管理とアノテーションの精度。元データを学習データに変換するのがアノテーションエリアの仕事だが、ここの品質が最終的なAIモデルの性能を左右する。収集量を増やすことと、品質を維持することはトレードオフになりやすい。スケールアップを急ぎすぎると、大量の「使えないデータ」を生産することになる。
同種のニュースを見るときの判断軸として持っておきたいのは、「データ収集の規模だけでなく、品質管理の仕組みとデータの更新頻度がどうなっているか」という視点だ。施設の広さや台数は外から見えやすいが、アノテーションの品質と継続的な更新体制こそが、最終的にAIの性能を決める。
産業現場の「データ基盤」として読む
労働力不足という文脈から切り離して考えても、この施設が持つ意味は大きい。
物流倉庫や製造現場は、長年「人の動作を前提として設計」されてきた。机の高さ、棚の配置、通路の幅——これらは人間の体格と動きに最適化されている。従来型の産業ロボットがそこに入れないのは、プログラムの問題だけでなく、環境そのものとの相性の問題でもある。ヒューマノイドロボットは、その相性問題をスキップできる可能性を持っている。ただしそのためには、多様な「人間的な環境」でのデータが必要だ。
J-HRTIが進めていることは、その「多様な環境データ」の整備インフラを、業種を横断して民間で共同構築するという試みだ。地味に見えるが、産業ロボットの実用化において長く足かせになってきた問題の根に触れている。
華やかなデモや展示会発表ではなく、習志野の倉庫でロボットがひたすら段ボールをつかみ続けている——その光景の中に、フィジカルAI産業の現在地がある。
参考元: 非公開の「AI学習データ工場」に潜入 人型ロボ30台超が稼働、意外と知らない「データ収集」の裏側とは（ITmedia ビジネスオンライン）
