「フィジカルAI 」とは何ですか？

生成AIの最近の進歩、機械学習の改良、およびエッジ・コンピューティング に向けた実用的なソリューションにより、フィジカルAI の応用範囲が拡大しています。AIを活用した物理システムは、ますます多くの用途に導入されつつあり、変化するデータに基づいて意思決定を行うために人間が介入する必要性をなくしています。 

こうしたシステムが、自動車、航空宇宙、医療などの業界における安全性が極めて重要な用途へと進化していくにつれ、その信頼性と予測可能性を確保することが不可欠となります。これにより、AIモデルの開発と並行して、堅牢な妥当性確認および検証の手法が必要となります。

自律システムは、高度なAI技術や、センシング、演算、物理的な動作のための最新ハードウェアを活用するだけでなく、情報を収集・解釈・処理し、そこから学習を行うことで、多くの用途においてフィジカルAI を活用しています。

このライフサイクルを支えるため、開発現場では、実環境への導入前に、エンジニアが幅広い条件下でシステムの挙動を検証できる、拡張性の高いシミュレーション環境への依存度が高まっています。

AIモデル

フィジカルAI アプリケーションの基礎となるステップは、AIモデルの構築と学習です。これを行うために、エンジニアはまず、チームが自動化しようとしている物理システムの挙動を予測するのに最適なAI技術を特定します。これには、大規模言語モデル（LLM）、小規模言語モデル、および機械学習（ML）などのより伝統的なAIツールが含まれます。

ファウンデーションモデルは、フィジカルAI で最も一般的に使用されるモデルの種類です。これらは物理データを用いて学習されるため、ワールド・ファウンデーション・モデル（WFM）と呼ばれています。これらのニューラルネットワークは大規模なデータセットを用いて学習されるため、幅広いユースケースに対応することができます。

ハードウェア

モデルの学習が完了したら、次のステップとして、フィジカルAI アプリケーションに必要なハードウェアを構成します。このハードウェアは、学習環境、センサー、演算リソース、アクチュエータおよび出力の4つのカテゴリに分類できます。

トレーニング環境

AIモデルのトレーニングを担当するチームは、高性能コンピューティング（HPC）データセンターを利用して、モデルの構築とトレーニングを行っています。その好例が「NVIDIA Omniverse」です。これは、AWS、Azure、あるいは自社で運用するコンピューティングインフラ上のGPU搭載ハードウェアで動作する「フィジカルAI 」を開発するためのライブラリやマイクロサービスの集合体です。

こうした環境では、実世界のシステムを仮想的に再現するために、デジタルツイン の技術がしばしば採用されており、これにより、より制御性が高く、再現性があり、拡張性のある実験が可能になります。

センサー

物理世界とデジタル世界をつなぐ入力接続は、AIエージェントに情報を提供する一連のセンサーです。エンジニアは、複数のセンサーから高精度なデータを取得することを指して、「マルチモーダルセンシング」という用語を用います。最も一般的なセンサーの種類は以下の通りです： 

1. 知覚
最初のステップは、システムを取り巻く物理的な世界に関するデータを収集することです。システム内部またはその周辺に設置されたさまざまなセンサーがデータセットを生成し、フィジカルAI システムは、そのデータを解析して、物理的な環境を理解し、意思決定を行う上で有用な情報へと変換します。

2. 理由
次に、第2段階では前述のAIツールが活躍します。AIワークフローはデータセットを活用して状況を解釈し、それに基づいてどのように対応すべきかを決定します。これは、従来の機械制御システムの「if-then-else」ロジックを超えたものであり、リアルタイムでの意思決定を可能にします。

3. 実行（
） 3番目のステップでは、AIワークフローは推論ステップで生成されたアドバイスに基づき、アクチュエータへの指令を生成します。また、スピーカーやディスプレイなどの出力デバイスに対してアクションを送信することも可能です。

4.「
」の学習 4番目のステップでは、「act」ステップの結果をAIモデルに組み込み、システムの性能を向上させます。このステップは任意であり、データセンターや研究所でリモートで行うことができます。また、この学習ステップをデバイス上でローカルに行うことも可能で、その場合は「エンボディッドAI」となります。

AIを活用したアプリケーションがこれらの手順をどのように適用しているかをより深く理解するには、トレイから6種類のドーナツを取り出し、各種類を1つずつ箱に入れるロボットアームといった、簡単な例を見てみるとよいでしょう。このシナリオでは：

• プロトタイプシステムは、実験室で、あるいはシミュレーションから得られた合成データを用いて、可能な限り多くのシナリオで学習されます。（学習）
• 稼働時には、トレイの上にあるカメラ（センサー）がデータ（知覚）をローカルのエッジAI システム（コンピューティングリソース）に送信し、そこでAIソフトウェアスタックがコンピュータビジョンアルゴリズムを用いてドーナツを識別・分類します（推論）。
• その後、AIソフトウェアスタックはロボットアーム（Act）に対し、エンドエフェクタ（Actuator）を使ってドーナツを拾い上げ、箱の上にあるカメラ（Perceive、Sensor）の映像を参考に、それを空の箱に入れるよう指示します。
• この処理は、システムがボックスカメラの画像（知覚）に基づいてボックスが満杯であると判断し（推論）、ボックスの下にあるコンベアベルトに信号を送って次のボックスへ移動させるとともに、ライトを点滅させ、ブザーを鳴らして（出力）、ドーナツ店の従業員にそのボックスを取り出すよう知らせるまで繰り返されます。
• ドーナツが箱の端に接触した場合（知覚）、その情報は、データセンターや研究所で遠隔的に、あるいはデバイス内でローカルに（具現化されたAI）、その状況を回避するためにシステムを学習させるために活用される（学習）。

実際には、フィジカルAI システムは、物理的に網羅的にテストすることが不可能なさまざまな条件下でも確実に動作しなければならないため、幅広い実環境シナリオにおいて、これらの各ステップの妥当性を検証することが極めて重要です。

センサー技術、GPUを活用した高性能コンピューティング、デジタルツイン 環境、および人工知能ツールにおける飛躍的な進歩により、フィジカルAI の応用範囲は劇的に拡大しました。こうした進歩により、実環境への導入前にシミュレーションを通じてシステムの挙動を早期にテスト・検証することも可能になりました。つい最近までは、主に産業用ロボットや最先端の自動運転車向けのコンピュータビジョン分野で利用されていましたが、現在では航空宇宙、エネルギー、医療、消費財といった幅広い産業分野の実用的なアプリケーションへと活用の幅を広げています。

ここでは、特に注目すべき活用例をいくつかご紹介します：

• 自動車：自動運転システム（ADS）および先進運転支援システム（ADAS）- 多くの最新車両には、車間距離を管理したり、車線標示に基づいてステアリング操作を行ったりするためのADASが搭載されています。また、一部の都市では自動運転車も普及しつつあります。これは、フィジカルAI において、人々が最も頻繁に接する形態です。
• 医療：ロボット手術から患者モニタリングまで― 手術中のリアルタイムデータに応じて適応するロボット手術システムにより、外科医の技術が補完されています。医療分野におけるもう一つの顕著な例として、患者ケアシステムがウェアラブルセンサーとスマートスピーカーやカメラを連携させ、物理的な動作を起動する機能を含む自律的な患者モニタリングを実現していることが挙げられます。

• 製造：産業用ロボット- 製造業界では、フィジカルAI を活用して、生産ラインをより柔軟で効率的な製造システムへと急速に転換が進められています。
• 航空宇宙：無人航空機（UAV）- かつて、UAVは遠隔操縦されるか、基本的なプログラミングによって制御されていました。 「フィジカルAI 」の導入により、UAVは現在、簡単な指示に基づいて航行し、障害物を回避し、複雑な環境に適応し、より複雑な任務を遂行できるようになりました。
• 多岐にわたる産業分野：自律移動ロボット（AMR）――人間や旧式の事前プログラム型ロボットは、物体の位置を特定し、取り出し、移動させることができる専用設計の移動ロボットに取って代わられつつあります。アマゾンは、自社フルフィルメントセンターにおいて、AMR向けの フィジカルAI （AMR用自律移動ロボット）を応用する分野の先駆者となっています。こうしたシステムは、医療施設でも食事や物資の配達に活用され始めており、レストランでの料理の配達にも登場しています。 自律型床掃除機、いわゆる「クリーニングボット」は、産業用、商業用、そして家庭用の清掃においてAMRがどのように活用されているかを示すもう一つの好例です。これらのシステムは、ナビゲーションにコンピュータビジョンや近接センサーを使用する段階からさらに進化を遂げています。現在では、物体を識別し、必要な清掃内容を判断することができるようになっています。
• 多岐にわたる産業：ヒューマノイドロボット― 人間のような外見を持ち、人間の動作を模倣するロボットは、メディアにおいてフィジカルAI の最も注目される形態の一つです。現在、ヒューマノイドロボットは、自動車製造におけるピッキングや資材運搬、および倉庫で従来AMRが担っていた作業の遂行に活用されています。 

フィジカルAI は研究開発の段階から実用化へと移行したとはいえ、この技術には依然としていくつかの大きな課題が残されています。研究者やエンジニアたちは、業界の増大するニーズに応えるため、かつてない速さで新しい技術やプロセスを開発しています。

分野横断的な根本的な課題の一つが「シミュレーションと現実のギャップ」であり、シミュレーション環境で学習または検証されたシステムが、実際の環境にさらされると異なる挙動を示す可能性がある。

処理において最もよく見られる課題は以下の通りです：

• 信頼性： フィジカルAI システムは、安全性およびコスト面の懸念に対処するため、99.999％（5ナイン）の信頼性を実証しなければならない。
• シミュレートされた物理データ： フィジカルAI モデルの大半の学習に使用される合成データは、依然として実世界のデータほどの精度には達しておらず、その生成には時間がかかりすぎる場合があります。
• エネルギー効率：多くのフィジカルAI システムは可搬型であり、独自の電源を内蔵する必要があります。バッテリーシステムのコスト、体積、重量を低減することは、これらのシステム内に組み込まれた電子機器やアクチュエータのエネルギー効率を向上させることと同様に、重要な研究分野となっています。
• サイバーセキュリティ： フィジカルAI のシステムはサイバー攻撃に対して脆弱であり、その物理的なデバイスがさらなる侵入経路となっている。
• 接続性：センサー、演算ハードウェア、アクチュエータの間で信号が伝送されるのにかかる時間を「レイテンシ」と呼びます。高速なシステムであっても、フィジカルAI （ ）アプリケーションにおいては、情報が宛先に届くまでに時間がかかりすぎる場合があります。エッジ・コンピューティング やマルチチップモジュールによってこの分野は改善されつつありますが、さらなる高速化が依然として求められています。
• 相互運用性：新興技術であるフィジカルAI には、システム間や外部のデータ・コンピューティングリソースとの通信に関する業界標準がまだ確立されていない。 

前述の通り、フィジカルAI の実装の多くは、基盤モデルの学習に合成データの生成に依存しています。そのデータの多くは、物理ベースのシミュレーションモデルを用いて生成されています。さらに、シミュレーションは、フィジカルAI を実装するために使用される電子システムや機械システムの設計においても、極めて重要な役割を果たしています。

合成データのリアリティを高め、開発やテストの過程で実世界のシステムの挙動をより正確に再現するためには、高精度で物理法則に基づいたシミュレーションが不可欠です。

物理ベースのシミュレーションを用いたトレーニング

フィジカルAI モデルの学習、特にワールド・ファウンデーション・モデルの学習には、大規模かつ多様なデータセットが必要であり、したがって、堅牢で多様なシミュレーション環境も求められます。この種の環境の好例として、 シノプシス マルチフィジックス シリコンからシステムまで を網羅するシミュレーションツールセットです。アクチュエータの性能は、Ansys （ マルチフィジックス シミュレーション向けの専用電気モーター設計ツール）、Ansys （Maxwell：高度な電磁界ソルバー）、Ansys （Mechanical：構造用有限要素解析ソフトウェア）、およびAnsys （Motion：多体動力学シミュレーションソフトウェア）を用いてモデル化できます。 エンジニアリングチームは、Ansys のZemax OpticStudio（光学システム設計・解析ソフトウェア）や のLumerical INTERCONNECTAnsys （フォトニック およびシミュレーションソフトウェア）といったツールを用いて複雑な光学センサーを設計しています。また、集積回路設計 Ansys のHFSS（レーダー用高周波電磁界シミュレーションソフトウェア）や、Ansys のAVxcelerate Sensors（LiDAR用自動運転車センサーシミュレーションソフトウェア）も活用しており、後者は業界をリードするAnsys のSPEOSCAD統合光学・照明シミュレーションソフトウェアを採用しています。

このアプローチにより、シナリオの網羅性が向上し、エンジニアは実際に導入する前に、幅広い動作条件下におけるシステムの挙動を評価できるようになります。

エンジニアはまず、正確かつ柔軟なモデルを作成し、その後、Universal SceneDescription（USD）などの標準フォーマットを使用して、NVIDIA Omniverseなどの環境にそれらを組み込む必要があります。

デジタルツイン ワールド・ファンデーション・モデルを作成する際、エンジニアは、Ansys のModelCenterのようなモデルベースシステムエンジニアリング（MBSE）ツール、 Ansys のTwin Builderのような デジタルツイン 環境、あるいはAnsys のTwinAIのようなAI搭載の デジタルツイン ソフトウェアなどを直接使用して、パラメトリックな物理モデルを活用します。あるいは、Ansys のoptiSLangのようなプロセス統合および設計最適化ソフトウェアなどの最適化ツールを使用して、これらのツール向けに低次元モデルを作成することも可能です。

シミュレーションを活用した「フィジカルAI 」ハードウェアの設計推進

シミュレーションは、フィジカルAI を実現するために使用されるセンサー、コンピュータ、アクチュエータ、および出力デバイスの設計において、エンジニアを支援する上で同様に重要な役割を果たしています。電気エンジニアは、チップ設計、特に現代のCPUやGPUで使用されるマルチチップパッケージの設計において、シミュレーションに大きく依存しています。現代のチップ設計パイプラインには、次のようなツールが含まれます。 シノプシス Platform Architectシノプシス ZeBu ^®EmPower、シノプシス SpyGlass Powerから 探索する 、さらには電力最適化 をRTLコードを用いて評価するツールが含まれます。その後、このプロセスでは、デジタル のサインオフのために、 シノプシス RedHawk-SC のようなパッケージを組み込み、デジタルパワー・インテグリティ のサインオフを行います。

電子システムレベルでは、エンジニアは「Ansys 」や「Icepak」といった電子機器冷却シミュレーションソフトウェア、「Ansys 」や「Sherlock」といった電子機器信頼性予測ソフトウェアなどを活用し、チップ、基板、筐体レベルのパッケージをモデル化して信頼性を評価するとともに、電力、熱、構造上の要件を満たすよう設計を最適化します。

エンジニアは、設計・開発プロセスにおいて、センサーを模倣したモデル学習ツールを活用しています。例えば、 Ansys Maxwellと Ansys Motionを組み合わせることで、高度なステッピングモーターの構成やロボットアームへの適用が可能になります。一方、Ansys の流体シミュレーションソフトウェア「Fluent」は、バルブの開閉に伴う流体の流れをシミュレートできます。制御エンジニアは、Ansys の「SCADE Suite」といったモデルベース開発環境などの組み込みソフトウェア製品を使用して、フィジカルAI システムから要求された動作を実行するアルゴリズムを設計します。 Ansys その後、SCADEは、輸送などの安全性が極めて重要なシステムに求められる数多くの安全基準を自動的に満たす、安全認証済みのコードを生成します。