AI

概要 世界最大の産業用ロボットメーカーであるFANUCは、NVIDIAとの提携を発表し、産業用ロボットへのPhysical AI導入を本格化させる。今回の提携では、FANUCが持つシミュレーションソフトウェア「ROBOGUI​DE」をNVIDIAの「Isaac Sim」および「Omniverse」プラットフォームと統合することで、音声コマンドによるロボット操作やPythonコードの自動生成といった高度な機能を実現する。FANUCにとってこれは初の公式Physical AIイニシアチブとなり、同社が長年培ってきたロボット制御技術とNVIDIAのAI基盤技術の融合を目指す。 技術的な詳細 新たに開発されるAI搭載ロボットは、NVIDIAのコンピュータをシステムに組み込み、オープンソースロボティクスプラットフォームの「ROS 2」とPythonを活用して制御される。音声による作業指示を理解・実行する機能に加え、作業員との衝突を回避するインテリジェントな安全機能も備える。ロボットの実際の工場への展開前に、NVIDIAの仮想工場環境でのシミュレーション訓練を行い、リスクを最小化する設計となっている。FANUC社長の山口賢治氏は「世界中の知見をロボットに取り込めるようになる」と述べ、協調開発による技術革新の可能性を強調した。 産業ロボット市場の背景と競争環境 国際ロボット連盟（IFR）によれば、現在世界で約466万台の産業用ロボットが稼働しており、年間出荷台数は50〜55万台に上る。市場シェアで約20%を占め、累計出荷100万台超を誇るFANUCは業界リーダーとして君臨してきたが、競合他社もAI分野への投資を加速している。ソフトバンクがABBのロボティクス部門を約53.7億ドルで買収し、安川電機もAI搭載ロボット向けに1億8000万ドルの米国投資を発表するなど、業界全体のAIシフトが加速している。 今後の展望 2050年には工場や倉庫に10億台ものロボットが稼働するという市場予測もあり、Physical AIの産業応用は今後急速に拡大が見込まれる。FANUCとNVIDIAの提携は、AI技術を活用した次世代の製造自動化における主導権争いの文脈で大きな意味を持つ。音声操作や自律的な安全判断といった機能が実用化されれば、熟練工不足に悩む製造業に新たな解決策をもたらすとともに、ロボットと人間が協働する工場の実現を一歩前進させることになる。

概要 LangChainは2026年4月7日、Deep Agents v0.5をリリースし、AIエージェントの開発に大きな影響を与える非同期サブエージェント（Async Subagent）機能を正式導入した。従来のインラインサブエージェントはメインエージェントの処理をブロックする構造だったが、新しい非同期モデルでは、サブエージェントをリモートサーバー上で独立して起動し、即座にタスクIDを返すことでメインエージェントの処理を継続させることが可能になった。これにより、ディープリサーチや大規模なコード解析、複数ステップのデータパイプラインなど、数秒ではなく数分を要する長時間タスクへの対応が現実的になった。 技術的な詳細 新たに導入されたAsyncSubAgent仕様では、リモートエージェントへのタスク委譲を管理する5つのツールが提供される。start_async_taskでタスクを起動し、check_async_taskでステータスを確認、update_async_taskで実行中のエージェントへ追加指示を送信、cancel_async_taskでキャンセル、list_async_tasksで実行中タスクの一覧表示が行える。サブエージェントはステートフルな会話スレッドを維持するため、スーパーバイザーエージェントは途中で方向転換の指示を送ることも可能だ。 プロトコルの選定においては、ACP（Agent Client Protocol）やGoogleのA2Aといった選択肢を検討した上で、LangChain独自のAgent Protocolを採用した。“threads and runs"モデルが非同期タスクモデルに自然にマッピングできる点が採用の決め手とされている。この設計は、軽量なオーケストレーターが異なるハードウェアや異なるモデル、固有のツールセットを持つ専門化されたエージェントへ処理を委譲する、異種デプロイメント構成を可能にする。 マルチモーダル対応の拡張 v0.5ではファイルシステムのマルチモーダル対応も強化された。これまで画像のみに対応していたread_fileツールが、PDF・音声・動画など幅広いファイル形式をサポートするようになった。ファイルの種類はファイル拡張子から自動的に検出されるため、開発者が個別に型指定を行う必要がない。 今後の展望 Deep Agents v0.5はPython（deepagents）およびJavaScript（deepagentsjs）の両パッケージで利用可能であり、GitHubには実装サンプルも公開されている。LangChainは引き続き技術の成熟とともに反復的な改善を続ける方針を示しており、複雑なマルチエージェントワークフローにおけるスケーラビリティ課題の解消に向けた取り組みが継続される見込みだ。

概要 2026年第1四半期、テック業界での解雇者数は約80,000人に達し、前年同期比40%増という急拡大を記録した。このうち約47.9%（推計）がAIや自動化による人員削減として報告されており、3月単月だけでも18,720人が職を失い、そのうち25%が直接AI導入に起因するとされる。解雇規模や割合の算出方法は調査機関によって異なるものの、業界全体で構造的な転換が加速していることは疑いようがない。 最大の話題となったのはOracleで、3月31日に推定30,000人を一日で解雇したと報じられた。これはテック業界史上最大規模の単日解雇であり、「組織再編」を名目としながらも、AIを活用した業務効率化が実態だとされる。Amazonは1月に16,000人のコーポレート職を削減、Dellも11,000人のコスト削減を実施した。そのほかBlockが4,000人（全従業員の約50%）、Metaが2,000人超（Reality Labs・採用・営業部門）、Atlassianが1,600人、Ericssonが1,900人、ASMLが1,700人の解雇を発表している。 AI活用を名目とした人員削減の実態 各社がAIや自動化を解雇の根拠に挙げる一方で、専門家の間では懐疑的な見方も広がっている。「AIは不十分なビジネス判断を正当化する口実として利用されているに過ぎない」とする声も根強く、Tom’s Hardwareの記事もこの論点を副見出しとして取り上げている。Atlassianは「AIがスキルセットの必要条件を変えることを否定するのは不誠実だ」と率直に述べた一方で、5Gへの支出鈍化やユーザーエンゲージメントの低下、パンデミック期の過剰採用の修正など、AI以外の要因も複合的に絡んでいる実態が浮かび上がる。 業界全体では、AIへの多額投資を続けないと競合に遅れるという「囚人のジレンマ」的状況が企業の意思決定を縛っている、という分析もある。削減された職の平均年収は約185,000ドル（約2,800万円）と推計されており、失われた賃金の合計は年換算で84億ドル超に達するとされる。 今後の見通し AI関連人材の需要は高まっており、従来の職種が失われる一方で、AIエンジニアやデータサイエンティストといった新たなポジションの求人は増加している。しかし新規雇用が解雇ペースに追いつくかどうかは不透明であり、再スキル習得（リスキリング）への取り組みが急務となっている。AI競争の激化に伴い、2026年後半も追加削減が続くとの見方が多く、政策面では雇用保護やベーシックインカム（UBI）の議論を促す圧力が強まる可能性も指摘されている。

概要 Gartnerは2026年4月7日、インフラ・オペレーション（I&O）分野におけるAI投資の実態調査レポートを発表した。2025年11月〜12月に783人のI&Oリーダーを対象に実施した調査によれば、AIプロジェクトがROIの期待を完全に達成したのはわずか**28%にとどまった。一方で20%**が完全失敗と報告しており、**57%**のリーダーが少なくとも1件のプロジェクト失敗を経験していた。ただし、**77%**のリーダーは少なくとも1件の成功事例も持っており、成否が大きく分かれている実態が浮き彫りになった。 失敗の主な原因 Gartnerのリサーチディレクターであるメラニー・フリーズ氏は、失敗の最大の要因として「期待が高すぎ、早すぎた」点を挙げる。AIがすぐに複雑なタスクの自動化やコスト削減、長年の運用課題の解消を実現すると見込んでいたリーダーが多く、短期間で結果が出ないと自信を失いプロジェクトが停滞するケースが相次いだという。失敗が集中したユースケースは自動修復（Auto-remediation）、自己修復インフラ（Self-healing infrastructure）、エージェント主導のワークフロー管理など、複雑性が高く実装難度の大きい領域だった。また、多くのチームがAIをビジネス戦略の中核ではなく「実験的なサイドプロジェクト」として扱っていたことも問題として指摘された。スキルギャップおよびデータ品質・データ不足はそれぞれ失敗原因の**38%**を占めた。 成功している領域と成功要因 成功率が高かったのはITサービスマネジメント（ITSM）とクラウドオペレーションで、これらの分野では53%のリーダーが成功を報告した。どちらも市場が成熟しており、AIが付加価値をもたらす実証済みのユースケースが存在する点が共通している。フリーズ氏はAIプロジェクトを成功に導く3つの条件として、①既存ワークフローへのAIの統合、②経営幹部によるサポートと資金継続、③組織の実際のニーズに基づいた現実的なビジネスケースの構築を挙げた。さらに、AIユースケースを「製品として管理する」こと——共有スコアリングモデルの導入や、セキュリティ・財務チームを巻き込んだ部門横断的な評価——を推奨している。 業界全体で共通するAI投資の課題 この調査は、AI投資のリターンに懐疑的な見方が広がる昨今の流れとも一致する。MITが2025年8月に実施した調査では、生成AIのパイロットプロジェクトの**95%**が測定可能な財務的リターンを生まなかったと報告されており、コーポレート幹部の80%以上が「AI投資にもかかわらず生産性向上を実感できていない」とする調査結果も出ている。Gartnerは今回の結果を受け、I&Oリーダーに対して中央集権的な戦略主導アプローチへの転換と、サイロ型の部門予算管理からの脱却を促している。AIの潜在的な価値を引き出すためには、技術的な実装だけでなく、組織設計やビジネスケースの精緻化が不可欠であることが改めて示された。

概要 Metaは2026年4月8日、新しいAIモデル「Muse Spark」を発表した。これは2025年6月にScale AIの49%の非議決権株式を143億ドルで取得し、同社の共同創業者兼CEOだったAlexandr WangがチーフAIオフィサーとして率いるMeta Superintelligence Labsが9ヶ月かけて開発した初の成果物となる。2025年4月のLlama 4が市場から低評価を受けて以来、Metaにとって初の主力AIモデルとなるMuse Sparkは、Meta AIアプリおよびMeta.aiウェブサイトで即日利用が開始された。注目すべきは、従来のMetaのオープンソース戦略（Llamaシリーズ）とは異なり、Muse Sparkはプロプライエタリなクローズドソースモデルとして展開されている点だ。 技術的な詳細 Muse Sparkはテキスト・画像・音声のマルチモーダル入力に対応し、出力はテキストで行う。3つの動作モードを備えており、日常的なクエリに応答する「Instant（即時）」、深い分析が必要な場合の「Thinking（思考）」、そして複数のAIエージェントが並列で推論する「Contemplating（熟考）」モードがある。効率面では、Llama 4 Maverickと比較して10倍以上少ないコンピュートで同等以上の性能を実現したとされている。 ベンチマーク結果は強みと弱みが混在する。Artificial Analysis Intelligence Indexでは52点を記録し総合4位（1位はGemini 3.1 Pro PreviewとGPT-5.4が同点の57点）、医療系ベンチマークのHealthBench Hardでは42.8%でGPT-5.4（40.1%）を上回りトップを獲得した。博士レベルの推論を問うGPQA Diamondでは89.5%、視覚理解のMMMU-Proでは80.5%を達成している。一方でコーディングを評価するTerminal-Benchでは59.0と、GPT-5.4の75.1に大きく遅れており、コーディング分野での差はMeta自身も認めている。 展開計画と今後の展望 Muse Sparkは発表と同時にMeta AIアプリおよびMeta.aiで利用開始となったが、今後数週間以内にFacebook・Instagram・WhatsApp・MessengerといったMetaの主要プラットフォーム全体へ展開される予定だ。さらにRay-Ban Meta AIスマートグラスへの統合も計画されている。開発者向けAPIは現在プライベートプレビュー中で、正式公開は近日中の見込み。また、将来的には一部バージョンをオープンソースライセンスで公開する計画も示されているが、具体的な時期は未定とされている。 MetaはMuse Sparkを「スケーリングラダー」の最初の一歩と位置づけており、より強力な後継モデルの開発が計画されている。2026年のAI・データセンターへの設備投資は最大1,350億ドルに達する見込みで、OpenAIやGoogleとの競争に向けた本格的な体制を整えつつある。Meta幹部はAxiosに対し「Muse Sparkは必ずしも最先端を塗り替えるものではないが、マルチモーダル理解や医療情報処理など特定の領域では主要ラボの最新モデルと十分に競合できる」と語っている。

概要 米スタートアップArcee AIは、400Bパラメータのオープンウェイト推論モデル「Trinity Large Thinking」をApache 2.0ライセンスで公開した。CEO Mark McQuadeは「非中国企業がリリースしたオープンウェイトモデルとして史上最高性能」と主張している。同社は従業員わずか26名、トレーニング予算2000万ドルという極めて小規模なチームでこのモデルを開発しており、潤沢なリソースを持つ大手AIラボに少人数チームが真っ向から対抗できることを示す事例として業界の注目を集めている。 モデルはHugging Faceからウェイトをダウンロードして利用できるほか、Arcee APIを通じたクラウドホスト版（出力トークン100万件あたり$0.90）や、オンプレミスでのデプロイ・カスタムトレーニングにも対応している。 技術的な詳細 Trinity Large Thinkingは、短期的なコーディング性能よりも**長時間稼働するエージェントタスク（long-horizon agents）**に最適化されている点が特徴だ。マルチターンのツール呼び出しや、拡張ワークフローでのコンテキスト一貫性の維持、長期エージェントループでの安定したパフォーマンスを重視して設計されている。Arceeチームは「開発者が毎日24時間365日稼働させているエージェントで異常なほど優れたモデルを構築することに注力した」と説明している。 インフラ面では、事前学習にNVIDIA B300を2,048基、後処理学習にH100を1,152基使用。本番環境にはNVIDIA DynamoとBlackwell Ultra GPU、vLLMを組み合わせて運用している。ベンチマークでは、Kiloのエージェント特化評価「PinchBench」で2位を記録（1位はClaude Opus-4.6のみ）。OpenRouterにおける米国内オープンモデルの使用量でも首位を達成しており、ピーク時（2026年3月1日）には1日あたり806億トークン以上を処理したという。 普及の背景と今後の展開 同モデルが急速に普及した背景には、AnthropicがClaude Codeのサブスクリプション条件を変更し追加料金が必要になったことで、開発者がオープンソース代替を探し始めたタイミングがあったとされる。また、中国系AIモデルへのデータセキュリティ・地政学的リスクへの懸念から、自社インフラで運用・カスタマイズできる西側企業製オープンウェイトモデルへの需要が高まっていることも追い風となっている。 今後はTrinity Large Thinkingで確立したトレーニング手法を、Trinity-MiniやTrinity-Nanoといった小型モデルへディスティレーションで展開する計画だ。「まず大きなモデルで優れた手法を確立し、その後スタック下方へと流し込む」という段階的アプローチを採用しており、エンタープライズおよび開発者コミュニティへのさらなる普及拡大を目指している。

概要 Anthropicは2026年4月7日、サイバーセキュリティ分野で卓越した能力を発揮する新AIモデル「Claude Mythos Preview」のプレビュー版を発表した。同モデルは同社の新サイバーセキュリティイニシアティブ「Project Glasswing」の一環として開発されたものだが、その能力の高さゆえに悪意ある攻撃者に利用された場合の危険性を考慮し、Apple・Google・Microsoft・Nvidia・AWSといった限られたハイプロファイルな企業パートナーへの提供にとどめている。一般公開は当面見送られた。 高いサイバーセキュリティ能力と悪用リスク Claude Mythos Previewは「防御的なサイバーセキュリティ業務」を主な用途として設計されており、既存のモデルを大きく上回る脆弱性検出・解析能力を持つとされる。Anthropicは同モデルのハッキング能力が非常に強力であると認めており、もし悪用されれば大規模なサイバー攻撃を可能にするリスクがあると説明している。このような判断から、同社は一般向けのリリースを控え、信頼できるセキュリティ研究パートナーに限定した形でのプレビュー提供という慎重なアプローチを選択した。 Project Glasswingとサイバーセキュリティへの取り組み Project Glasswingは、AIを活用したサイバーセキュリティ研究の加速を目的としたAnthropicの取り組みである。ソフトウェアの脆弱性を自動的に発見・分析することで、企業や研究機関がセキュリティ上の問題を攻撃者より先に修正できるよう支援することが狙いだ。限定パートナーにはApple・Google・Microsoft・Nvidia・AWSのほか、Broadcom・Cisco・CrowdStrike・Palo Alto Networksなど計12社が名を連ね、さらに約40の組織にもアクセスが提供されている。各パートナーはMythosを活用した防御的セキュリティ研究の実施が期待されている。 今後の展望 Anthropicは今後、Mythos Previewで得られた知見やフィードバックをもとに安全策を強化しつつ、提供範囲の段階的な拡大を検討するとみられる。AIの能力が高度化するなかで、強力なモデルをいかに安全かつ責任ある形で展開するかという課題は、業界全体にとって重要な問いとなっている。同社の慎重な姿勢は、AIの安全性を優先するAnthropicの基本方針を改めて示すものといえる。

概要 中国のZhipu AI（智谱AI、現在はZ.AIとも表記）は2026年3月27日、コーディングタスクに特化したフラッグシップのオープンソース大規模言語モデル「GLM-5.1」を公開した。MITライセンスのもとで重みが公開されており、開発者が自由に利用・改変できる。特筆すべきはソフトウェアエンジニアリングベンチマーク「SWE-Bench Pro」でスコア58.4を記録し、Claude Opus 4.6（57.3）、GPT-5.4（57.7）、Gemini 3.1 Pro（54.2）といった米国主要モデルを上回ったとの同社発表だ。これは中国製モデルがこのベンチマークで米国主要モデルを初めて超えたケースとして注目されている。 技術的な詳細 GLM-5.1はMixture-of-Experts（MoE）アーキテクチャを採用しており、総パラメータ数は744Bだが、推論時にはトークンあたり40Bのみが活性化される設計となっている。コンテキストウィンドウは200K、最大出力は128Kに対応する。特徴的なのは単純なコード生成を超えた「最大8時間の長時間自律実行」を実現している点で、計画立案・実行・テスト・修正・最適化までの一連の工程を自律的にこなし、本番環境対応のアウトプットを生成できるという。オプションのDeep Thinking機能、ストリーム型ツール呼び出し出力、Claude CodeやClineなどOpenAI互換ツールへの対応も備え、vLLM・SGLang・KTransformersを用いたデプロイが可能だ。 SWE-Bench Pro以外のベンチマークでも、CyberGym（68.7）、MCP-Atlas（71.8）、AIME 2026（95.3）、GPQA-Diamond（86.2）といった高いスコアを示している。ただしSWE-Bench Verified（コード修正成功率）では77.8%と、Claude Opus 4.6（80.8%）やGPT-5.4（80.0%）をやや下回る結果もあり、ベンチマークによって得意・不得意があることが示されている。 開発背景と注目ポイント Zhipu AIはNvidiaのGPUを使用せず、華為（Huawei）のAscend 910Bチップ10万基とMindSporeフレームワークでGLM-5.1を訓練した。同社は2025年1月に米国の輸出規制リスト（エンティティリスト）に掲載されたが、開発を継続し、2026年1月には香港IPOで約5億5800万ドル（約857億円）を調達している。今回の公開はGLM-5（2月）、Turbo版（3月中旬）に続く6週間で3度目の重要モデル更新であり、急速な開発ペースを維持している。 展望と課題 GLM-5.1のオープンソース公開は、オープンウェイトのコーディング特化モデルとして開発者コミュニティへの訴求力が高く、「80%のスタートアップが中国オープンモデルを採用」という現状をさらに後押しする可能性がある。一方でSWE-Bench Proのスコアは現時点でZhipu AI自身の自己申告であり、第三者機関による独立した評価はまだ確認されていない点には注意が必要だ。米中のAI競争が激化するなか、Huaweiチップを活用した大規模訓練インフラの実績とオープンソース戦略の組み合わせは、今後の中国製LLMの動向を占う重要な事例となりそうだ。

概要 Googleは2026年4月7日、エッジデバイス上でのLLM（大規模言語モデル）推論に特化したオープンソースフレームワーク「LiteRT-LM」を公開した。同フレームワークはgoogle-ai-edgeチームが開発したプロダクション向けの推論エンジンであり、Chrome・Chromebook Plus・Pixel Watchへのオンデバイス生成AI機能としてすでに実装されている。クラウドへの依存を排除することで、ユーザーのプライバシー保護と応答レイテンシの低減を同時に実現する。 アーキテクチャと技術的最適化 LiteRT-LMはEngine/Sessionパターンを採用している。Engineはベースモデルやエンコーダーなどの共有リソースを管理するシングルトンとして機能し、Sessionは個々の会話を担当してステートフルなコンテキストとLoRAウェイトによるタスク固有のカスタマイズを処理する。 メモリと計算効率を最大化するため、以下の3つの主要な最適化機能を備える。 コンテキストスイッチング: タスク切り替え時にKVキャッシュとLoRAの状態を保持し、再計算を省く セッションクローニング: 計算済みのKVキャッシュ状態をキャッシュし、冗長な処理を回避する Copy-on-Write KVキャッシュ: バッファを変更が生じるまで共有し、メモリ使用量を最小化する プラットフォームサポートはAndroid・Linux・macOS・Windows・Raspberry Piに対応し、バックエンドはCPU・GPU・NPUの各ハードウェアアクセラレーターをサポートする。 実装事例：Chrome・Chromebook PlusとPixel Watch ChromeおよびChromebook Plusでは、複数のAI機能が単一のGemini Nanoベースモデルを共有する構成を採用した。これにより、機能ごとに専用モデルを配置する場合と比較してメモリ要件を大幅に削減できる。 Pixel Watchへの実装では、ウェアラブルデバイスの制約に対応するためモジュラー設計が活用された。実行エンジン・トークナイザー・サンプラーという必要最小限のコンポーネントのみを選択して組み合わせることで、限られたリソース内での動作を実現している。この事例はフレームワークの柔軟性と拡張性を示すものだ。 開発者向けリソースと今後の展望 LiteRT-LMのC++プレビュー版はGitHub上で公開されており、ドキュメントとサンプルコードも提供されている。対応モデルはLiteRTのHugging Faceコミュニティから参照可能で、エンジンの基礎となるC++インターフェースにも直接アクセスできる。 今回のリリースは、LLM処理の分散化・エッジ化という業界全体の流れを加速させるものとして注目される。クラウドデータセンターへの依存を低減し、よりレスポンシブでプライバシーに配慮したアプリケーション開発を可能にするLiteRT-LMは、エッジAI開発の標準的フレームワークとなる可能性を持つ。

概要 NVIDIAは2026年の全米ロボット週間（National Robotics Week）に合わせ、物理AI（Physical AI）領域における最新の実用事例を公式ブログで公開した。同社のIsaac Sim、Omniverse、Cosmos、Jetson Orinといったプラットフォームを活用したスタートアップ企業が、太陽光発電や農業など産業現場で具体的な成果を上げていることが明らかになった。また、NVIDIAのスタートアップ支援プログラム「NVIDIA Inception」の第2期MassRobotics Fellowshipに選ばれた9社も発表された。 注目事例：太陽光パネルの自律設置と農業AIロボット 特に注目を集めているのが、AES Corporationから生まれた太陽光ロボティクス企業Maximoによる太陽光パネルの自律設置プロジェクトだ。同社はNVIDIAのアクセラレーテッドコンピューティング、Omniverse ライブラリ、Isaac Simフレームワークを活用したロボットフリートを開発・展開し、100メガワット規模の太陽光設備設置を完了した。労働力不足が課題となっている太陽光発電の普及において、設置速度・安全性・一貫性の向上に貢献しているとされる。 農業分野ではAigenが、NVIDIA Jetson Orin エッジAIモジュールを搭載したソーラー駆動の自律ローバーを展開している。作物と雑草をリアルタイムで識別し、精密な除草を実施することで除草剤への依存を低減する。バックエンドではNVIDIAのCosmos基盤モデルを農業データで追加学習させ、Isaac Simのパイプラインを使って多様な農場環境でのシミュレーションを行っている点が技術的な特徴だ。 MassRobotics Fellowship 第2期採択スタートアップ NVIDIA Inception メンバーの中から、AWSのクラウドクレジット支援を受ける9社が選出された。自律農業ロボットのBurro、双腕ロボット向けデータ基盤のConfig Intelligence、製造向けコンピュータビジョンのDeltia、物理AIシステム用触覚デバイスのHaply Robotics、太陽光パネル設置向けAIロボットのLuminous Robotics、ロボット開発向けデータ分析プラットフォームのRoboto AI、小売・物流向けAIヒューマノイドのTelexistence、レーザー除草農業ロボットのTerra Robotics、歩行支援ウェアラブルのWiRoboticsの9社で、多様な領域をカバーするラインナップとなっている。 物理AI普及に向けた展望 今回の事例群は、NVIDIAのシミュレーション・エッジ推論・基盤モデルという三層のプラットフォームが、物理AIの「仮想訓練から実世界展開」というサイクルを加速していることを示している。太陽光・農業・製造・小売といった多様な産業での実用化が同時並行で進んでおり、物理AIが研究フェーズを超えて産業インフラとして定着しつつある段階に入っていると言えるだろう。