中国EV業界の淘汰劇とソフトバンクのABB買収を起点に、VLA基盤モデルの二重脳構造、Sim2Real、データセンター設計、日本の製造業が取れる収益モデルまで学術水準で解説する。

中国電気自動車(EV)業界では、2018年時点で487社を超えていた新エネルギー車メーカーが、2024年には40社から50社にまで減った。ウォール・ストリート・ジャーナル紙が報じたこの数字は、資金を集めるだけ集めさせ、生存競争そのものを選抜装置として使う中国式の産業育成手法を象徴している。同じ構図は今、AI業界でも起きている。だが問題は、思考する頭脳を鍛える競争では中国が世界の先頭を走りながら、その頭脳を物理世界で動かす体――ロボットの制御技術――では追いついていないという断層である。この断層にこそ、精密機械とものづくりの蓄積を持つ日本の座席が残っている。本稿は、この断層がなぜ生まれるのかを技術的に解き明かしたうえで、孫正義氏がABBロボティクス事業を8187億円で買収した意味を出発点に、AIの基盤技術(学習アーキテクチャ、データセンター、ロボット基盤モデル)を学術水準で体系化し、現場で使える実装例と収益モデルまで踏み込んで解説する。

中国EV業界が示した「淘汰速度」という産業設計思想

中国の新エネルギー車(NEV)メーカー数の推移を並べると、その減少ペースの異様さが見えてくる。米コンサルティング会社アリックスパートナーズの分析によれば、ピーク時に400社から600社ほど存在した新興EVメーカーは、2024年時点で販売実績のある企業が129社にまで絞られ、同社は2030年までに生き残るのは15社程度にとどまると予測している。大和総研の齋藤尚登氏の分析では、NEV完成車メーカーは2019年のピーク時486社から現在40社から50社に減少し、量産体制を構築できているのはそのうち20社程度に過ぎないという。愛馳汽車(Aiways)、威馬汽車(WM Motor)、HiPhi(高合)といった企業が経営破綻に陥り、一時は新興EV販売ランキング首位に立った哪吒汽車(Neta)や、吉利汽車と百度の合弁である極越汽車(Jiyue Auto)までもが存続の危機に直面した。

この現象は単なる市場淘汰ではない。中国政府は2010年から新エネルギー車向け補助金政策を打ち出し、産業全体の立ち上げを支援した。比亜迪(BYD)が2018年に得た補助金は年間純利益27.8億元を上回る36億元に達したと報じられている。補助金は2018年から段階的に縮小され2023年には完全に打ち切られ、この時期を境に補助金依存の企業から真っ先に淘汰されていった。つまり中国式の産業設計は、最初に大量の資金を市場全体にばらまいて数百社を乱立させ、価格競争と資金枯渇という自然選抜のプロセスに委ね、勝ち残った少数の企業だけが世界市場で戦う体力を持つという二段階構造を取る。バッテリー技術や自動運転ソフトウェアの開発競争でも、同じ「乱立と淘汰」のサイクルが繰り返し観察される。

このモデルが機能する条件は、勝ち残るために必要な能力が「大量のデータと大量の試行回数で磨ける」性質のものであることだ。EVのバッテリー効率、価格設定、販売網構築、そして自動運転ソフトウェアの認識・判断能力は、いずれもデジタル空間での反復学習と資本投下で急速に改善できる。ここに中国式バトルロイヤルの強さがある。

「何をすべきか分かる」ことと「どう体を動かすか」は別の能力である

ところが、AIが物理世界で実際に手足を動かす段になると、この方程式が崩れる。自動運転や画像認識のように「何が起きているかを認識し、何をすべきか判断する」タスクは大規模言語モデルや視覚言語モデル(VLM)の延長線上で急速に進化してきた。しかし、指先でネジをつまむ、布地の柔らかさに応じて力加減を変える、部品が予期せぬ角度で置かれていても組み立てを完遂するといった「接触を伴う繊細な動作」は、認識と判断だけでは実現しない。人間の脳が視覚野で「何を持ち上げるか」を理解するのと、小脳や脊髄反射レベルで実際に指の関節をミリ秒単位で制御するのが別の神経系であるのと同様に、AIにおいても「認知」と「制御」は別のアーキテクチャを必要とする。

この分離は認知科学において古くから知られる現象で、ロボット工学者ハンス・モラベックが1980年代に指摘した逆説――「高度な推論はコンピュータにとって比較的容易だが、一歳児レベルの知覚・運動能力の再現には莫大な計算資源を要する」という観察に由来する。知能指数テストで測れるような論理的推論は、進化の歴史の中では極めて新しく獲得された能力であるのに対し、歩く、掴む、バランスを取るといった運動制御は数億年かけて最適化された古い能力であり、模倣がはるかに難しい。中国のAI産業がチャットボットや画像生成、自動運転の認識アルゴリズムでは世界最先端の水準に達しながら、汎用ヒューマノイドロボットの実用化では欧米・日本勢に後れを取っている背景には、この構造的な非対称性がある。

孫正義が5375百万ドルで買った「体」――ABBロボティクス買収の技術的意味

2025年10月8日、ソフトバンクグループはスイスの電機大手ABBのロボティクス事業を総額53億7500万米ドル(約8187億円)で買収する最終契約を締結したと発表した。買収対象はABBのロボティクス事業(産業用アーム、モバイルロボット、ビジョン・制御ソフトウェアを含む)で、従業員約7000人、2024年12月期売上高22億7900万米ドル(ABB全社売上の約7%)の規模を持つ。取引はABBがロボティクス事業をカーブアウトして新設した持株会社の全株式をソフトバンクの子会社が取得する形で行われ、EU・中国・米国を含む規制当局の承認を経て2026年半ばから後半の完了を見込む。ABBは当初この事業の独立上場(スピンオフ)を計画していたが、それを撤回してソフトバンクへの売却を選んだ経緯がある。

孫正義代表取締役会長兼社長執行役員は買収発表時に「ソフトバンクグループの次のフロンティアはフィジカルAIだ」と述べ、ASI(人工超知能)とロボティクスの融合を掲げた。ソフトバンクグループはASIの実現を最終目標とし、そのための投資領域を「AIチップ」「AIロボット」「AIデータセンター」「電力」の4分野に整理している。AIチップの領域では、傘下のArmが設計する半導体アーキテクチャに加え、2025年に買収した次世代クラウド向け半導体メーカーAmpere Computing Holdings(65億米ドル)、AI向け半導体メーカーGraphcore、そして独自開発とされるAIロボット向けチップ「Izanagi」が並ぶ。AIロボットの領域では今回のABB買収に加え、物流ロボットのBerkshire Grey、高密度保管システムのAutoStore、産業用アームのAgile Robots、そして「動きの基盤モデル」を開発するピッツバーグ拠点のスタートアップSkild AIへの評価額約140億ドル規模の出資検討が報じられている。AIデータセンターの領域ではデータセンターと通信タワー・ファイバー網を持つDigitalBridge Groupを約40億ドルで買収しており、電力領域ではGPUクラスタの大量稼働を支える送電・冷却インフラへの投資が続く。

この4本柱構造が示しているのは、ソフトバンクが「賢い頭脳(基盤モデル)」と「信頼できる体(ロボットハードウェア)」を同一グループ内で垂直統合しようとしている点である。ITジャーナリストの今泉大輔氏の分析では、ソフトバンクは研究開発用途や人型ロボットにはNVIDIAの高性能ロボティクス向けSoC「Jetson Thor」(2070TFLOPSのAI処理性能を持ち、GR00Tのような生成AIモデルをローカルで駆動できる)を採用し、量産型の産業ロボットや物流ロボットには コスト効率を重視した自社製Izanagiチップを使い分けるポートフォリオを組む可能性が高いと指摘されている。産業用ロボット市場は日欧の少数メーカーによる寡占構造にあり、ファナック・安川電機(日本)、ABB(スイス)、KUKA(ドイツ)の「BIG4」で世界シェアの多くを占める。今回の買収でソフトバンクはこの寡占市場の一角を、AI企業として初めて内部に取り込んだことになる。

ソフトバンクのフィジカルAI4本柱とABB統合構造
ソフトバンクのフィジカルAI4本柱とABB統合構造

認知エンジンの仕組み――基盤モデルはどう学習し、どう推論するか

ロボットの「頭脳」を理解するには、まずその土台にある基盤モデル(Foundation Model)の学習メカニズムを押さえる必要がある。現在の主要な基盤モデルはほぼ例外なくTransformerというニューラルネットワーク構造を採用している。Transformerの核心は自己注意機構(Self-Attention)にある。入力された文章や画像は、まずトークンと呼ばれる離散的な単位(単語の断片や画像パッチ)に分割され、それぞれが高次元のベクトル(埋め込み表現)に変換される。自己注意機構は、各トークンが他のすべてのトークンとの関連度を計算し、その関連度に応じて情報を重み付けして集約する仕組みである。この操作により、モデルは「この文章の主語はどれか」「この画像のどの部分が指示された物体に対応するか」といった文脈依存の関係性を、明示的なルールなしに学習データから獲得する。

学習は大きく二段階に分かれる。第一段階の事前学習(Pretraining)では、インターネット規模のテキストや画像・動画データを使い、次に来るトークンを予測するというシンプルな目的関数のもとで数千億から数兆パラメータのネットワークを訓練する。この段階でモデルは文法、常識的知識、物理法則の統計的パターンを内部表現として獲得する。第二段階の事後学習(Post-training)では、人間の指示に従う能力を強化するための指示チューニング(Instruction Tuning)や、人間の選好データを使って出力を調整する人間フィードバックによる強化学習(RLHF)が行われる。ロボット向け基盤モデルの場合、この事後学習の段階でロボットの行動データが追加され、認識・言語理解と身体動作を結びつける学習が行われる。

基盤モデルの性能は、パラメータ数・データ量・計算量を増やすほど予測可能な形で向上するというスケーリング則(Scaling Law)に従うことが2020年代前半の研究で明らかになった。この経験則が、大手AI企業やソフトバンクのような投資グループが数兆円規模の計算インフラに資金を投じる根拠になっている。ただし、テキストや画像と異なり、ロボットの行動データはインターネット上にほとんど存在しない。人間が実際にロボットアームを遠隔操作して収集する必要があり、この「行動データの希少性」こそが、ロボット基盤モデルの開発を言語モデルよりも遅らせている最大のボトルネックである。

「思考」から「筋肉」への変換――VLA基盤モデルの二重脳アーキテクチャ

視覚(Vision)・言語(Language)・行動(Action)を単一のニューラルネットワークで一気通貫に処理するモデル群はVLA(Vision-Language-Action)モデルと呼ばれる。カメラ映像と自然言語による指示を入力すると、ロボットの関節角度やグリッパー(把持機構)の開閉といった連続的な動作を直接出力する。従来のロボット制御が「認識モジュール」「計画モジュール」「制御モジュール」を別々に設計し、モジュール間の受け渡しでエンジニアが逐一調整していたのに対し、VLAはこの3段階をエンドツーエンドで学習することで、未知の物体や環境変化への対応力を高めている。

NVIDIAが2025年3月に公開したロボット基盤モデル「GR00T(Generalist Robot 00 Technology)」は、VLAの代表的な実装例であり、二重構造(デュアルシステム)アーキテクチャを採用している点が技術的に重要である。System 2と呼ばれる部分は視覚言語モデル(VLM)で構成され、物理世界を視覚と言語で解釈し、複数ステップにわたる行動計画を推論する「遅い脳」として機能する。System 1と呼ばれる部分はDiffusion Transformer(拡散モデルとTransformerを組み合わせた構造)で構成され、System 2が生成した行動計画をもとに、毎秒約120回という高頻度でモータへの精密な制御信号を出力する「速い脳」として機能する。この設計思想は認知科学における二重過程理論(直感的で高速な処理系と、熟慮的で低速な処理系が並行して働くという理論)をロボット工学に応用したものと解釈できる。

後継モデルのGR00T N1.7では、Action Cascadeと呼ばれるアーキテクチャが採用され、高レベルの推論(Reasoning)と低レベルの運動制御をさらに明確に分離した設計に進化している。このモデルは30億パラメータ規模で、2万時間を超える人間の一人称視点動画を学習データとして使用し、大量の遠隔操作データに頼らずとも「人間データを増やすほどロボットの器用さが予測可能な形で向上する」という器用さのスケーリング則(Dexterity Scaling Law)を確認したと報告されている。これは、ロボット基盤モデルの学習ボトルネックであった行動データの希少性を、人間の日常動作を撮影した大量の動画データで代替できる可能性を示した点で技術的意義が大きい。

VLA基盤モデルの二重脳アーキテクチャ
VLA基盤モデルの二重脳アーキテクチャ

シミュレーションという合成現実――Sim2Realとデータ不足問題への処方箋

実機のロボットを使って学習データを集める作業には、人件費、機材の摩耗、安全管理といった重いコストが伴う。この制約を回避するため、業界はシミュレーション環境で仮想的にロボットを動かし、そこで得た動作方策を実機へ転移させるSim2Real(シミュレーションから現実への転移)という手法に力を入れている。NVIDIAのIsaac Simは物理法則(重力、摩擦、剛体・軟体の変形)を高精度に再現するロボットシミュレータであり、Omniverseは複数のシミュレーション環境やセンサーモデルを統合する3D基盤である。さらにCosmosと呼ばれる「世界基盤モデル(World Foundation Model)」は、現実の映像データから学習した物理法則を使って、まだ収集していない状況(照明条件の変化、物体の配置替え、異なる作業台の高さなど)の映像を生成し、学習データの多様性を人工的に拡張する役割を担う。

Sim2Realの技術的難所は「リアリティギャップ」と呼ばれる、シミュレーションと実世界の物理特性のわずかなズレである。摩擦係数や質量分布の誤差が、シミュレーション内では問題にならなくても実機では把持失敗につながることがある。このギャップを埋めるため、実機データ・人間動画・合成データを混合して学習させる手法や、複数のロボットの身体構造(単腕、双腕、人型など、専門用語でエンボディメントと呼ばれる)にまたがる評価体系を構築する取り組みが2025年以降のロボット基盤モデル研究の主要な論点になっている。現場でロボット基盤モデルを評価する際には、ベンチマーク設計、必要データ量の見積もり、そしてSim2Realでの性能劣化率という三つの指標を確認することが実務上のチェックポイントになる。

学習を支える物理インフラ――データセンターの電力設計と半導体アーキテクチャ

基盤モデルの学習は、数万個規模のGPUを高速な相互接続網でつないだクラスタ上で行われる。単一のGPUが持つメモリ容量には限界があるため、モデルのパラメータやデータを複数GPUに分割して並列処理するモデル並列・データ並列という技術が使われ、GPU間の通信速度がクラスタ全体の学習効率を左右する。NVLinkのような高帯域内部接続や、InfiniBandのようなノード間ネットワークの性能が、学習にかかる時間とコストを直接決定する。

見落とされがちだが決定的に重要なのが電力と冷却である。数万個のGPUを同時稼働させるデータセンターは、一つの都市の消費電力に匹敵する規模の電力を要求する。GPUの発熱密度は空冷では対応しきれない水準に達しており、液冷(Liquid Cooling)技術の採用が標準になりつつある。ソフトバンクグループが「AIチップ」「AIロボット」と並べて「AIデータセンター」「電力」を投資の四本柱に据えているのは、この物理的制約――どれほど優れた基盤モデルを設計しても、それを学習・推論させる電力と冷却インフラがなければ絵に描いた餅に終わるという現実――を反映している。DigitalBridge Groupの買収は、データセンター・通信タワー・光ファイバー網という「物理的な土管」を自前で確保する動きであり、Ampere ComputingやGraphcoreの買収は、NVIDIA一社への依存を減らし推論コストを最適化するための半導体多角化戦略と読める。

なぜ日本にチャンスが残っているのか――精密機械という暗黙知の価値

ロボット基盤モデルがどれほど賢くなっても、それを載せる「身体」そのものの精度、耐久性、安全設計は別次元の技術体系を要求する。産業用ロボットの世界シェアの多くを握るBIG4のうち2社(ファナック、安川電機)が日本企業であるという事実は、単なる過去の実績ではなく、現在進行形の技術的優位を示している。産業用ロボットアームの反復位置決め精度は数十マイクロメートル単位で保証される必要があり、これはモーター制御、減速機(ハーモニックドライブなど)の精密加工技術、そして数十年にわたる故障データの蓄積によって初めて実現する。AI基盤モデルの学習に必要なのはデータと計算資源だが、ロボットの身体そのものに必要なのは、材料工学・精密加工・品質管理という別系統の暗黙知であり、この分野は生成AIによって一朝一夕に模倣できるものではない。

さらに、VLAモデルの学習には「人間の熟練動作を記録した高品質な行動データ」が不可欠であり、日本の製造現場には自動車産業や電子部品産業で培われた「多品種少量生産」「セル生産方式」といった、標準化された欧米の大量生産方式とは異なる繊細な作業データの蓄積がある。ABBや欧米メーカーが得意とする自動車ボディの溶接・塗装のような大型・高速・反復動作の分野では中国メーカーの追い上げが激しい一方、狭小空間での多品種組み立て、繊維や食品のような非剛体物体の取り扱い、検査工程における微細な異常検知といった分野は、まさに日本の中小製造業が長年培ってきた領域と重なる。ここに、AIの「頭脳」を輸入しつつ、日本固有の「身体制御データ」と「精密機械の製造能力」を組み合わせて世界市場に供給するという事業機会が生まれる。

現場で使える実装事例と収益モデル

技術を実際の事業に変換する段階では、いくつかの具体的なビジネスモデルが既に成立し始めている。

  • 第一に、RaaS(Robotics as a Service、ロボット・アズ・ア・サービス)と呼ばれる課金モデルである。ロボット本体を売り切るのではなく、稼働時間や処理個数に応じて月額・従量課金する方式で、AutoStoreの高密度自動倉庫システムや、Berkshire Greyの物流ピッキングロボットはこの形態で導入が進んでいる。導入企業側は初期投資を抑えられ、提供側は継続的な収益とロボットの稼働データを同時に得られるため、そのデータを次世代モデルの学習に還元できるという好循環が設計できる。
  • 第二に、テレオペレーション(遠隔操作)によるデータ収集自体を事業化する動きである。ロボット基盤モデルの学習には実機での行動データが必要だが、その収集作業自体を専門の人材が担う「データレーベリング産業」がロボティクス版として立ち上がりつつある。Skild AIのような「動きの基盤モデル」専業スタートアップは、複数の顧客企業のロボットに共通の基盤モデルを提供し、各社から収集した動作データを再学習に使うプラットフォーム型のビジネスを志向している。
  • 第三に、エッジ推論向け半導体とソフトウェアのセット販売である。VLAモデルをクラウドに接続せずロボット本体内で完結させるエッジ推論の需要が高まっている背景には、工場のネットワーク遅延やセキュリティ制約がある。マクニカが紹介した事例のように、GR00T相当のVLA構成を低消費電力なエッジ半導体(SiMa.aiのMLSoCなど)上で稼働させるデモが行われており、半導体商社やSIer(システムインテグレーター)が「AIモデル+専用チップ+導入支援」をパッケージ化して販売する市場が形成されつつある。
  • 第四に、検査・保守分野でのサブスクリプション型ライセンスである。製造ラインでの外観検査、溶接品質のオンライン検査といった用途では、既存設備にカメラとエッジAIを後付けするだけで導入できるため、ロボットアーム本体の入れ替えを伴わない低リスクな導入経路として中堅製造業に浸透しやすい。基盤モデルを異常検知タスク向けに軽量なアダプター層(ファインチューニングの一種で、モデル全体を再学習せず一部のパラメータだけを追加学習する手法)で特化させることで、少量の現場データでも実用精度に到達できる点が、中小企業でも導入コストを抑えられる技術的根拠になっている。

これらの事業モデルに共通するのは、基盤モデルという「汎用の頭脳」を自社開発せずに借り、自社が持つ「現場データ」と「身体(ハードウェアまたは導入ノウハウ)」を掛け合わせて差別化するという構造である。基盤モデル開発そのものに数千億円規模の投資が必要な時代において、中堅企業やスタートアップが現実的に参入できる余地は、この「掛け合わせ」の部分に集中している。

AGI・ASI論争とエンボディメント仮説――知能に身体は必要か

孫正義氏はAGI(汎用人工知能、人間と同等以上の知能を持ち様々な問題を自律的に解決できるAI)を数年以内に、ASI(人工超知能、人間の知能をあらゆる面で凌駕するAI)を10年以内に実現するという見通しをSoftBank World 2024以降繰り返し公言している。この時間軸の妥当性については研究者の間でも意見が割れているが、技術的に興味深いのは、なぜソフトバンクがASIへの道筋としてロボット(身体)の獲得を選んだのかという点である。

背景には、認知科学における身体性認知(Embodied Cognition)という考え方がある。これは、知能とは脳内の抽象的な記号操作だけで成立するものではなく、身体を通じた環境との相互作用(重力に逆らって立つ、物を持ち上げて重さを知る、失敗して転ぶ)を通じてはじめて獲得されるという立場である。純粋なテキストだけで学習した言語モデルが、物理法則についての質問には流暢に答えられても、実際に不安定な物体を積み上げる、液体をこぼさずに運ぶといった直感的な物理理解を欠くことがあるという観察は、この仮説を支持する材料として引用される。ソフトバンクがABBのような身体(ハードウェア)を買収したのは、テキストや画像だけでは到達できない知能の次元があるという判断に基づくと解釈できる。

一方で、この見立てに懐疑的な立場も根強い。身体を持たなくても、大規模な動画データや物理シミュレーションから間接的に物理法則を学習できるとする研究者も多く、DeepMindやOpenAIが取り組む「世界モデル(World Model、環境の因果構造を内部でシミュレーションできるモデル)」の研究は、必ずしも実機ロボットを介さずに物理的直感を獲得しようとするアプローチである。身体性が知能の必要条件なのか、それとも一つの効率的な学習経路に過ぎないのかは、現時点で決着のついていない開かれた研究課題であり、この論争の帰趨が、今後10年のAI投資の配分先(ロボット実機への投資か、シミュレーションと動画データへの投資か)を左右することになる。

実務者が押さえるべき技術的論点

最後に、この領域に投資判断や事業企画で関わる実務者が具体的に確認すべき論点を整理する。ロボット基盤モデルを評価する際は、単純なタスク成功率だけでなく、未知の物体・未知の環境に対する汎化性能、Sim2Real移行時の性能劣化率、そして必要な学習データ量の三点を必ず比較検討する必要がある。ハードウェア面では、精密位置決め能力と反復耐久性(ロボットアームが同じ動作を何万回繰り返しても精度が劣化しないか)が、AIモデルの賢さ以上に事業の安定稼働を左右する。事業モデル面では、ロボット本体の売り切りではなく稼働データを継続的に取得できる契約形態(RaaSやサブスクリプション)を選ぶことで、自社モデルの継続的な改善サイクルを確保できるかどうかが中長期の競争力を決める。

中国式の資本乱立バトルロイヤルは、デジタル空間で完結するデータ駆動型の競争には極めて有効に機能する一方、精密機械という物理的な蓄積を要する領域では同じ速度で結果を出せない。ソフトバンクのABB買収は、その断層を埋めるための一つの解答例であり、日本の製造業にとっては、AIの頭脳を外部から調達しながら、自らの身体制御データと精密機械の技術を掛け合わせて世界市場に価値を提供するという、具体的で現実的な事業機会がそこに存在している。