生成AIは文章や画像、ソフトウェア開発など、まずデジタル空間で急速に普及してきた。次の競争領域として注目されているのが、カメラやロボットを通じて現実世界を理解し、物理的な作業につなげる「フィジカルAI」だ。米スタートアップのPerceptron（パーセプトロン）は、その潮流を工場や倉庫の現場に持ち込もうとしている。単に映像を認識するだけでなく、周囲の状況を読み取り、判断し、機械の行動まで支援することが同社の狙いである。



Perceptronは2024年11月、MetaのAI研究部門Fundamental AI Research（FAIR）に在籍していたArmen Aghajanyan氏とAkshat Shrivastava氏によって設立された。FAIRは、巨大IT企業Metaの基礎AI研究を担う組織として知られる。創業者2人が目指すのは、機械が複雑な物理環境と、より柔軟に相互作用するための先端的な視覚モデルだ。直近では、Bessemer Venture Partnersが主導した資金調達ラウンドで2,100万ドルを調達している。

同社が今回発表した最新モデル「Isaac 0.5」は、産業環境で機械に「知覚し、推論し、行動する」能力を与えるよう設計されたという。想定されるのは、整然とした実験室だけではない。荷物や人、設備が混在し、状況が刻々と変化する倉庫や工場の床面である。AIを現実の業務に組み込む際は、認識精度だけでなく、環境変化への追随や運用のしやすさも問われる。Isaac 0.5は、その複数の要件を一つの知能レイヤーで扱おうとする試みとして位置づけられる。

Isaac 0.5の特徴を理解するには、荷物の仕分けを考えると分かりやすい。人にとっては単純に見える箱の整理でも、ロボットには複数の判断が必要になる。まずラベルを読み、その箱が何であるかを把握する。次に、箱同士や周辺設備との位置関係を認識し、どの箱を持ち上げるべきかを決める。複数の箱を扱うなら、作業しやすさや衝突の回避を踏まえ、持ち上げる順番まで計画しなければならない。



ここでいう「知覚」は、カメラ映像からラベル、物体、空間配置などを捉える段階だ。「推論」は、現在の状態から次に何をすべきかを組み立てる段階であり、「行動」は、その判断をロボットの移動や把持につなげる段階となる。現場では一度判断して終わりではなく、箱を動かした後の状況を再び知覚し、計画を更新する循環が必要になる。Isaac 0.5は、この一連の工程を視覚情報に基づいて支援し、ロボットが複雑な環境を移動できるようにする。また、ロボットが記録した動画から、企業が業務に役立つ視覚的な知見を取り出す用途も想定されている。

もちろん、ラベル認識、位置推定、経路計画、ロボット制御といった個別機能は、すでに産業界で利用されている。Perceptronが問題視するのは、それらが個別のプログラムとして分かれ、用途や環境ごとの調整を必要とする場合が多い点だ。同社は、Isaac 0.5によって各工程をより柔軟につなぐことを目指している。したがって評価の焦点は、ある一つのデモが成功するかだけではない。異なる配置、対象物、作業条件に変わったときも、知覚から行動までを一貫して支えられるかが重要になる。

Perceptronは、現在のフィジカルAIには不自然な二者択一があると主張する。一方には、多様な課題を扱えるものの、稼働する個体ごとに複数の専用クラウドGPUを必要とするような汎用基盤モデルがある。もう一方には、知覚または制御といった限られた機能には強いが、その両方を一体として扱えない専用モデルがある。前者は計算資源や通信への依存が導入障壁になりやすく、後者は業務変更への適応範囲が狭くなりやすい、という構図だ。



Isaac 0.5が掲げる「汎用性」は、一つの反復作業だけに固定されず、置かれた環境や状況に応じて振る舞いを変えられることを意味する。工場や倉庫では、扱う製品、棚の配置、照明、作業者の動線などが変化する。作業のたびに専用システムを一から作り直すのではなく、共通モデルを基盤として複数の工程に展開できれば、開発と運用の負担を抑えられる可能性がある。Perceptronは、知覚と制御の間をつなぐ柔軟なソフトウェアこそ、産業自動化を広げる鍵だと見ている。

ただし、「汎用」という言葉は、あらゆる現場ですぐに無調整で使えることを保証するものではない。記事で示されているのは同社の設計思想と主張であり、個別環境での性能、必要な計算資源、安全性、既存設備との接続方法などは、実導入時に検証すべき事項となる。企業側には、自社の作業条件を代表する映像や失敗例を用意し、従来の専用システムと比較する姿勢が求められる。汎用性の価値は、対応できる業務の幅だけでなく、現場変更への追随に要する時間や工数も含めて判断する必要がある。

物理世界で働くAIには、静止画に写る物体の名前を当てるだけでは足りない。対象物がどう動き、人がどの順序で作業し、ある行為が次の状態をどう変えるかを学ぶ必要がある。Perceptronによると、Isaac 0.5には100万時間分の「一般動画」を学習させ、さまざまな場所、視覚的特徴、場面を識別できるようにした。大量の動画は、時間の流れを含む現実世界のパターンをモデルに与えるための土台となる。



同社はさらに「エゴ動画」を重視している。これはGoProのようなアクションカメラやウェアラブルカメラを使い、作業者本人の視点から身体作業を記録した映像である。第三者視点の動画とは異なり、手元の対象物、視線に近い画角、作業の順序が捉えやすいため、人がどのように対象へ接近し、操作するかを学ぶ材料になる。記事に登場する「UMI動画」も、人間が繰り返す動作を記録し、AIシステムに運動を教えるために使われる種類のデータだ。ここでは、映像から物体を理解することと、作業の軌跡を学ぶことが結びついている。

Perceptronは学習データの具体的な入手元を開示していない。一方、Shrivastava氏は、画像、テキスト、動画からロボットの軌跡に至る複数のモダリティを含む、ペタバイト規模のデータセットを社内で構築したと説明している。企業がモデルを評価する際には、データ量の大きさだけでなく、自社現場との類似性や、まれだが危険な場面がどの程度カバーされているかも重要になる。また、映像には人物や業務上の情報が含まれ得るため、実運用で追加データを扱う場合は、撮影目的、アクセス権、保存方針などのデータ管理も導入設計の一部として考える必要がある。

Isaac 0.5は「オープンウェイト」モデルとして公開される。ウェイトとは、学習を通じて調整されたモデル内部のパラメーターを指す。外部から利用できる形で重みが提供されれば、企業や研究者はモデルの構成や挙動を調べ、自社の環境に合わせた評価や調整を行いやすくなる。Perceptronは、パラメーターと学習材料を誰でも確認できるとしており、閉じたクラウドサービスとしてのみ提供されるモデルとは異なる選択肢を示している。



B2Bの現場では、モデルの能力だけでなく、どこで動かすか、どのデータが外部へ送られるか、更新を誰が管理するかが重要になる。オープンウェイトであれば、利用条件と技術要件が合う範囲で、社内環境や現場に近い計算基盤で検証する余地が生まれる。通信遅延や接続断が問題になり得る工場・倉庫では、クラウドへの依存度をどう設計するかが運用品質に直結する。さらに、既存のカメラ、ロボット、倉庫管理システムなどとの接続を試しながら、モデルの出力を監視する仕組みも構築しやすくなる可能性がある。

一方で、オープンウェイトは、そのまま安全性や透明性を保証する言葉ではない。公開範囲、ライセンス、再配布や商用利用の条件、学習データに関する説明はそれぞれ確認が必要だ。また、重みを入手できても、動作に必要な計算資源、推論環境、モデル更新、サイバーセキュリティーなどの運用責任は残る。産業用途では誤認識が物理的な事故につながり得るため、モデルの判断を直接すべての動作へ結びつけず、停止条件、権限分離、人による確認を含む安全設計と組み合わせることが現実的である。

Perceptronは、自社ソフトウェアを多様なベンダーに提供し、幅広い業界の製品や設備に組み込まれる知能レイヤーにしようとしている。記事で挙げられた対象は、製造、物流・倉庫、セキュリティー、モビリティー、メディア・エンターテインメントである。工場の工程監視と倉庫の荷物仕分けでは目的が異なるが、カメラ映像から状況を理解し、その結果を判断や行動へ結びつけるという基本構造には共通点がある。



製造や物流では、設備や荷物、人の位置を認識し、機械の移動や作業を支援する用途が中心になると考えられる。セキュリティーでは映像から状況を把握する能力、モビリティーでは動的な周辺環境を認識する能力が関係する。メディア・エンターテインメントでも、蓄積された映像から意味のある情報を抽出する技術は応用範囲を持つ。ただし、これらは同社が市場として挙げた領域であり、記事は各業界における具体的な顧客名や導入実績までは示していない。

この戦略のポイントは、ロボット本体を一種類に限定するのではなく、さまざまなベンダーのハードウェアに組み込まれるソフトウェア層を目指していることだ。もし異なる機器や現場で共通利用できれば、Perceptronは個別の自動化案件ではなく、複数業界にまたがる基盤技術として成長できる。一方、実際にはカメラ仕様、ロボット制御系、現場ルールがベンダーごとに異なるため、接続部分の標準化や導入支援が普及を左右するだろう。「このようなものは他に存在しない」とAghajanyan氏は自信を示すが、企業側はその主張を出発点とし、既存製品との比較検証を通じて価値を見極める必要がある。

日本企業にとって、Isaac 0.5のような技術は、いきなり工場全体を自律化する道具というより、映像認識とロボット制御の分断を縮められるかを試す候補として捉えるとよい。最初の対象には、作業手順と成功条件が明確で、失敗時に安全停止できる限定工程が向く。例えば検証では、対象物の種類、照明、遮蔽、人の出入りなど現場特有の変動条件を整理し、通常時だけでなく例外時の挙動も記録する。精度だけを単独で追うのではなく、処理時間、再設定の工数、停止からの復旧、人の介入頻度まで含めて評価指標を設けることが重要だ。



導入体制では、AI担当部門だけで判断せず、現場責任者、設備・ロボット担当、安全管理、情報システム、法務・調達を早い段階から参加させたい。視覚モデルが正しく対象を認識しても、制御系への指示や現場の運用ルールが不適切なら、業務全体としての成果にはつながらない。また、作業映像を追加学習や分析に使う場合は、撮影範囲、従業員への説明、保存期間、外部提供の有無を明確にし、既存の社内規程と整合させる必要がある。オープンウェイトという提供形態についても、ライセンスと保守範囲を確認し、自社運用とベンダー支援の役割を切り分けるべきだ。

今回の記事から読み取れる最大の示唆は、産業AIの競争軸が「何が見えるか」から「見た内容をどう判断し、現場の行動へつなげるか」へ広がっていることだ。ただし、Perceptronは新興企業であり、Isaac 0.5の実環境での優位性は今後の検証を待つ部分がある。日本企業は、壮大な汎用性の物語だけで採否を決めず、自社の一工程で測定可能な仮説を立て、小規模検証、リスク評価、限定運用、段階拡大という順に進めるのが堅実だ。モデルの柔軟性が、現場変更への対応時間やシステム統合コストを本当に下げるのかを、具体的な業務データで確かめることが導入判断の核心になる。