NVIDIAが語る「3つのコンピューター」——フィジカルAI開発の構造を実務目線で読み解く
ロボスタがNVIDIAのロボティクス事業部長・平野一将氏に取材した記事が公開された。「フィジカルAI」というキーワードが並ぶ内容だが、読んで「なるほど」で終わらせてしまうにはもったいない話が詰まっている。
この記事では、その内容を整理しつつ、実務的に何が重要で、何がまだ過渡期なのかを自分なりに読み解いていく。
フィジカルAIとは何か、まず言葉を整理する
「フィジカルAI」という言葉は、まだ定義が揺れている段階だが、NVIDIAの整理はシンプルでわかりやすい。
ChatGPTに代表される生成AIは、「言葉を理解して答えを返すAI」だ。対してフィジカルAIは、「カメラやセンサーから現実世界を認識し、自ら判断して行動するAI」を指す。ヒューマノイド、サービスロボット、自動運転車がその代表格だ。
言葉で説明すると簡単そうだが、「判断して行動する」というのは技術的には桁違いに難しい。生成AIはテキストや画像を処理すればよかったが、フィジカルAIは物理空間にリアルタイムで介入する必要がある。そこに、開発の難しさの本質がある。
NVIDIAが提示する「3つのコンピューター」の構造
平野氏が最初に挙げたキーワードが「3つのコンピューター」だ。
「ロボット開発は、一台のコンピューターだけで完結するものではありません」
具体的には以下の3層構造になっている。
- RTX（シミュレーション層）：デジタルツインやシミュレーション環境でロボットを検証し、データを収集する
- DGX / HGX（学習層）：収集したデータを使って、データセンターやAIスーパーコンピューターで大規模AIモデルを学習させる
- Jetson Thor（エッジ推論層）：学習済みモデルをヒューマノイドや自律移動ロボットなどの実機に搭載し、現場でリアルタイムにAI推論を実行する
そして、現実世界で取得したデータが再び学習へフィードバックされ、ロボットは継続的に進化していく——という循環構造だ。
ここで重要なのは「つながっている」という点だ。3層はそれぞれが独立したハードウェアだが、ソフトウェア・AIモデル・データの流れによって一体として機能する。どれか一つが弱ければ、全体のサイクルが回らない。
デジタルツインとフィジカルAIの関係を整理する
近年「デジタルツイン」という言葉も頻繁に使われるようになったが、フィジカルAIとの違いを混同しがちだ。平野氏の整理は明快だった。
デジタルツインは「現実世界をデジタル空間に再現する技術」、フィジカルAIは「現実世界と相互作用しながら判断・行動するAI」
つまり、デジタルツインは「舞台」であり、フィジカルAIはその舞台の上で学習し、実世界に出て行く「知能」だ。舞台なしに知能だけを訓練しようとしても、学習できる環境が作れない。
「ロボットだけを知能化しても十分ではありません。ロボットが動く工場や倉庫、家庭といった環境も含めて再現し、その環境の中で学習させていくことが重要です」（平野氏）
NVIDIAがこの「舞台」として提供しているのが「NVIDIA Omniverse」だ。現実世界を忠実に再現したデジタルツインを構築・運用するための開発プラットフォームで、OpenUSDを共通フレームワークとして、CADやBIMなど異なる設計・製造データを統合できる。
実際にMercedes-BenzとApptronikはOmniverseを活用して製造現場をデジタル空間に再現し、ヒューマノイドロボットの開発・検証を進めている。「デジタルツインは未来の話」というイメージを持たれることがあるが、大手企業の製造現場ではすでに社会実装が動いている。
最大の課題は「データ」——ここが核心だ
ここからは、個人的に最も重要だと思う論点に触れる。
平野氏は「フィジカルAIの最大の課題はデータです」と断言している。これは正直な発言だし、業界全体が直面している本質的な問題だ。
生成AIが急速に進化できた理由のひとつは、インターネット上に膨大なテキストと画像データが存在していたからだ。しかし、ロボットが現実世界で動くために必要な「実世界データ」は、その種の大量データが存在しない。
例えば「コップをつかむ」という動作一つを取っても、ガラス製・紙製・樹脂製では重さ・硬さ・滑りやすさが異なり、必要な力加減も変わる。置かれた位置、向き、周囲の環境まで含めると、学習すべきパターンは膨大になる。あらゆるパターンの実データを物理的に収集することは、現実には不可能に近い。
この課題への対処として、NVIDIAは「実データ・シミュレーションデータ・合成データ」の三つを組み合わせるアプローチを採っている。
「実データだけでも、シミュレーションだけでも十分ではありません。実データ、シミュレーションデータ、そして合成データを組み合わせながら学習を進めることが重要です」（平野氏）
この考え方を「データ・フライウィール（Data Flywheel）」と呼んでいる。実世界で取得したデータをAIモデルの学習へフィードバックし、性能が向上したロボットがさらに多くのデータを生み出す。その循環を繰り返すことでフィジカルAIは進化し続けるという設計思想だ。
そして、この合成データを生成するために開発されたのが世界モデル「NVIDIA Cosmos」だ。現実世界を理解し、学習データを生成するCosmosは、データ不足という根本的なボトルネックを突破するための技術として位置づけられている。
NVIDIAの本当の立ち位置：プラットフォーマーとしての戦略
平野氏はインタビューの中で繰り返し同じことを強調している。
「NVIDIAはGPUメーカーという印象を持たれることが多いのですが、私たちが提供しているのはGPUだけではありません。AIモデルやソフトウェア、ライブラリもオープンに公開しています。NVIDIA自身がロボットを作るのではなく、世界中の開発者やパートナーが、それらを利用して新しいロボットやサービスを開発してビジネスを創る。そのためのプラットフォームを提供することが、私たちの役割です」
「チップメーカーではなくプラットフォーマーだ」というメッセージを、これほど明示的に打ち出すのは、単なる広報的な言い方ではなく、戦略的な意図がある。
Omniverse（シミュレーション基盤）、Cosmos（世界モデル）、Isaac（ロボット開発フレームワーク）、GR00T（ヒューマノイド基盤モデル）——NVIDIAはこれらをオープンに提供することで、開発エコシステムの「インフラ」になろうとしている。ロボットを作る企業が増えれば増えるほど、その土台となるNVIDIAのプラットフォームの価値が上がる構造だ。
これはかつてのAndroidやAWSが歩んだ道と重なる。自分でサービスを作るのではなく、他者がサービスを作れる場所を提供する。NVIDIAはロボティクス市場でその役回りを狙っている。
実務的な示唆と今後の論点
このニュースを受けて、実務的に何を考えるべきか。
ロボット導入を検討する企業には：
「3つのコンピューター」の構造は、ロボット導入コストの見積もりに直結する。実機（Jetson Thor相当）だけ買えば終わりではなく、シミュレーション環境の構築コスト、モデル学習のためのクラウド・インフラコスト、そして継続的なデータ収集と再学習のサイクル維持コストが乗ってくる。「ロボットを買う」ではなく「ロボット開発のサイクルを回す」という視点でコスト設計を見直す必要がある。
ロボット・AI開発に携わる人には：
データ設計が競争優位の源泉になる時代が来ている。どの環境・状況・動作パターンのデータを優先的に収集・生成するかは、モデルの精度に直結する。「データをどう集めるか」ではなく「どんなデータが学習に効くか」を設計する能力が、今後重要になる。
次に問題になる論点：
今後問われるのはコストと再現性だ。デジタルツインが忠実であればあるほど、現実との乖離（sim-to-real gap）は小さくなるが、その分構築コストと維持コストも跳ね上がる。また、合成データで学習したロボットが現実の「想定外の状況」にどこまで対応できるかは、まだ十分に実証されていない。NVIDIAの語る循環設計は論理的に正しいが、それが各産業の現場で実際に機能するかどうかは、これからの社会実装が示す。
まとめとして
フィジカルAIは「生成AIの次」として語られることが多いが、その実態は生成AIとは根本的に性格が違う技術だ。データが足りない、環境ごとに学習が必要、ハードウェアとソフトウェアの両方を設計しなければならない——制約の多い分野だからこそ、エコシステムを丸ごと設計できる企業が強くなる。
NVIDIAがプラットフォームの話を繰り返すのは、その認識があるからだ。「3つのコンピューター」という整理は、ロボット開発の複雑さを可視化するための地図として使える。このニュースを受け取る際には、「どのハードウェアが優れているか」よりも「誰がデータ循環を設計しているか」を軸に見ると、業界の動きが読みやすくなる。
参考元: 【NVIDIAフィジカルAI完全理解】フィジカルAIとは何か、NVIDIAが語る「3つのコンピューター」が変えるロボット開発（ロボスタ）
