シミュレーションと現実の間に橋を架ける企業が、次の10年を支配する。
シミュレーションの中では成功率96%。実機に載せた瞬間、77%まで落ちる。
この数字は、中国のロボットメーカーUnitreeが2026年3月に発表したテニスロボットの論文「LATENT」に基づく。バーチャル空間でほぼ完璧にフォアハンドを打てていたヒューマノイドロボットが、体育館の実機に移した途端に19ポイント落ちた（論文中のシミュレーション成功率と実機成功率の差分。フォアハンド実機成功率は90.9%、バックハンドは77〜78%）。
この「19ポイントの崖」を見たとき、真っ先に自分の仕事を思い出した。
私は設計の仕事をしている。計算上は余裕があるはずなのに、現場に出すと想定外のズレが重なって図面通りにいかない。あの感覚を何度も味わってきた。紙の上では正しい。でも現実は、紙に従ってくれない。
フィジカルAI（ロボット、自動運転、ドローン）の世界でも、まったく同じことが起きている。しかもそのズレは、仕事の品質ではなく人の命に関わるスケールで存在する。
あなたのポートフォリオには、NVIDIAやTeslaのようなフィジカルAIの「表の主役」がいるかもしれない。でも次の10年で最も静かに、最も確実に利益を取り続けるのは表舞台に立たない「翻訳者」だと私は考えている。
あくまで私の仮説に過ぎないことにご留意いただきたい。フィジカルAIで最も長く利益を取るのは、ロボット本体でもAIモデルでもない。シミュレーションと現実のあいだの"翻訳レイヤー"を握る企業だ。
クラウド時代に起きたことが、ロボット時代にも起きる
本題に入る前に、一つだけフレームワークを共有させてほしい。
2000年代、企業は「サーバーを自前で持つか、クラウドに乗るか」で二分された。自前派は「うちのデータは外には出せない」と言った。AWSは「計算資源は水道のように使え」と言った。結果、AWSが勝った。そしてAWSは、クラウド上で動くすべてのサービスから、静かに通行料を取り続けている。
フィジカルAIでも、同じ構造が生まれつつある。
ロボットや自動運転車のAIを開発するには、シミュレーション環境が必要だ。バーチャル空間でAIを何百万回も訓練し、それを実機に移す。この「シミュレーション環境を自前で作るか」「誰かのプラットフォームに乗るか」という選択が、今まさに世界中の企業に迫られている。
私がAI銘柄を選ぶとき、いつも見ている3つの構造がある。通行料モデルかどうか。スイッチングコストが時間とともに上がるか。メタトレンドの中心にいるか。
フィジカルAIのシミュレーション・プラットフォームは、この3つが全部揃う場所だ。
sim-to-realギャップとは何か
sim-to-real。Simulation to Realの略。仮想空間で訓練したAIを現実の機械に移すこと。そしてその際に必ず発生する性能低下が「sim-to-realギャップ」と呼ばれる。
AIをロボットや自動運転車に搭載するとき、いきなり実機で訓練するのは危険だしコストがかかりすぎる。まずシミュレーション（仮想空間）で訓練する。物理エンジンの上でロボットを何百万回も動かして、強化学習で最適な行動パターンを学ばせる。
ところが、この「仮想空間で学んだAI」を実機に載せた途端に性能がガクッと落ちる。
原因はシンプルで、シミュレーションは現実を完全には再現できない。摩擦の微妙な違い、モーターの遊び、光の反射角度、空気抵抗。すべてに誤差がある。一つ一つは些細でも、それが複合すると、シミュレーション上では完璧だった動きが実世界でまるで通用しなくなる。
Googleマップで「最短ルート15分」と出たのに、実際に運転したら工事中の迂回と信号のタイミングで30分かかった。あの感覚に近い。地図のデータ（＝シミュレーション）は間違っていない。でも現実には、地図に載っていない変数が山ほどある。
フィジカルAIにおいては、この「地図と現実のズレ」が致命的になる。自動運転車がシミュレーションで完璧に走っても、朝日の逆光でカメラが白飛びすれば判断を誤る。テニスロボットがバーチャル空間で高い成功率を叩き出しても、床の摩擦が想定と0.1違えばバランスを崩す。
このギャップを埋められるかどうか。それがフィジカルAIが「技術のデモ」から「実用」に移行するための最大のボトルネックになっている。
3つの解法が競っている
では、このギャップをどう埋めるのか。今、3つのまったく異なるアプローチが競合している。
解法A：「教科書を無料で配って、応用は各自で」
NVIDIAは今年のGTC 2026で、自動運転用のオープンAIモデル群「Alpamayo」を公開した。大規模なVLAモデル（視覚、言語、行動を統合したモデル）で、膨大な走行データで訓練されている。
ポイントは、このモデルは実際の車には載らないということだ。
自動車メーカーは、Alpamayoを「教師」として使い、自社のセンサーや車両に最適化した小さくて速い自動運転AIを作る。AIの世界で「蒸留」と呼ばれる手法で、巨大な教師モデルの知識を実機に載せられるサイズのモデルに圧縮する。
NVIDIAにとっては、教科書（Alpamayo）は無料で配っても構わない。なぜなら、蒸留やシミュレーションの過程で使うのはNVIDIAのGPU（車載チップ DRIVE AGX Thor）だから。勉強する教室と机で通行料を取る。BYD、Hyundai、日産、Geelyをはじめ複数の自動車メーカーが採用を表明している（NVIDIA公式ブログ "NVIDIA and Global Robotics Leaders Take Physical AI to the Real World"、2026年3月16日）。
さらにNVIDIAは、シミュレーション環境（Isaac Sim）、合成データの生成AI（Cosmos）、シミュレーション実行基盤（Omniverse）も提供している。つまり教科書だけでなく、教室も、練習問題も、模擬試験もNVIDIA製。全工程で通行料を取る構えだ。
解法B：「5分の見よう見まねから始めて、猛練習で鍛え上げる」
一方で、まったく別のアプローチも出てきた。
冒頭で紹介したUnitreeのテニス論文「LATENT」が示したのは、たった5分間のテニスプレイヤーの映像から出発して、ヒューマノイドロボットにテニスを教えるという方法だ。しかもその映像は精度が粗い。
まず「大体のフォームを覚える」段階では、不完全な人間の映像をニューラルネットに見せて大まかな動きのパターンを学ばせる。その後、シミュレーション上で強化学習を繰り返し、動きの精度を上げていく。ただし、人間の映像から大きく逸脱しないようにバリアを設けてあるので、「現実にはありえない不自然な動き」にはならない。
ここで注目すべきなのが、シミュレーションから実機への転写時に使われた技巧だ。論文によると、訓練中にロボットの質量、ボールの空気抵抗、床の摩擦係数といった物理パラメータをランダムに変動させている（domain randomization）。つまり「完璧な1つの環境」ではなく「ばらつきのある無数の環境」で鍛えることで、現実のどんな条件にもある程度対応できるようにしている。色んなコートで練習した選手の方が本番に強いのと同じだ。
結果、シミュレーション上で高い成功率を記録し、実機でもフォアハンド90%超を維持。秒速15メートル以上のボールを相手に25球以上のラリーを続けることに成功した。
この方法論の衝撃は、「完璧なデータを大量に集めなくても実用的なフィジカルAIが作れる」という点にある。もしこれが一般化すれば、sim-to-realギャップの前提そのものが変わる。
解法C：「仮想世界の方を、現実と区別がつかないレベルまで引き上げる」
3つ目は、シミュレーション側の精度を極限まで上げるアプローチだ。
NVIDIAのCosmos（世界基盤モデル）は、シミュレーション画像を生成AIでフォトリアルに変換する。ロボットのカメラから見える映像が、仮想空間なのか現実なのか区別がつかないレベルまで品質を上げることで、視覚面のギャップを消そうとしている。
そしてもう一つの軸が、Synopsys（2025年7月にAnsysを$35Bで買収完了）が提供する物理シミュレーションだ。チップの発熱、ボディの応力、空気の流れ、電磁干渉。すべてを同時にシミュレーションできる。「見た目」だけでなく「物理法則」の精度も上げることで、sim-to-realギャップの根本原因に迫る。
対立の核心
この3つは「データを大量に作って翻訳精度を上げるか」「少量データから賢く学ぶ方法を確立するか」「そもそも仮想世界を現実に限りなく近づけるか」という、根本的に異なる思想に基づいている。答えはまだ出ていない。
ただし、注目すべき構造的事実がある。NVIDIAはAとCを同時に押さえている。教師モデル（Alpamayo）を配りながら、仮想世界の精度を上げるツール（Cosmos、Isaac Sim、Omniverse）も提供している。つまり、どのアプローチが勝っても、NVIDIAのプラットフォーム上で行われる可能性が高い。
ここに冒頭で述べた仮説の根拠がある。勝つのはモデルではなく、翻訳レイヤーだ。 そしてNVIDIAは、その翻訳レイヤーのプラットフォーム全体を握ろうとしている。クラウド時代にAWSが「仮想マシンでもコンテナでもサーバーレスでも、全部うちの上で動く」と言ったのと同じ構図だ。
「紙の上では正しい」のに
ここまで読んで、「結局NVIDIAが強いって話か」と思ったかもしれない。でも私がこのテーマに引っかかったのは、もう少し個人的な理由がある。
仕事で何度も経験してきた。計算結果は出ている。確認もした。でも現場に出すと、想定していなかった変数が噛み合って思った通りにいかない。あのとき感じるのは、計算が間違っていたという後悔ではなく、「現実には、自分が考慮しきれなかった変数がまだあった」という発見だ。
フィジカルAIのsim-to-realギャップも、本質的には同じだと思う。シミュレーションが間違っているのではない。現実の方が、シミュレーションよりも常に複雑なのだ。
だからこそ、「複雑さを翻訳する」レイヤーを握る企業の価値は、AIモデルそのものの性能よりも長期的に重要になると考えている。
なぜか。シミュレーション・プラットフォームは一度導入されると離れにくい。エンジニアの学習コスト、蓄積された検証データ、ワークフローへの組み込み。すべてがスイッチングコストとして積み上がっていく。AIモデルはオープンソース化やコモディティ化が進んで差がなくなっていくが、プラットフォームの乗り換えは年単位の作業になる。この構造的な粘着性こそが、翻訳レイヤーを「通行料ビジネス」にする根拠だ。
NVIDIA以外の監視リスト：翻訳レイヤーの3銘柄
NVIDIAがこの領域の中心にいることは明らかだ。問題は、NVIDIA以外に何を見ておくべきか。sim-to-real翻訳レイヤーで通行料を取れるポジションにいる3銘柄を挙げる。
いずれも「今すぐ買うべき」という推奨ではない。 構造的に面白いポジションにいる企業として、私自身の監視リストに入れている銘柄だ。
この3つの中で私がいちばん構造的に面白いと思っているのはSynopsysだ。理由は後述する。
Synopsys（SNPS）：物理シミュレーションのAWS
何を握る会社か。
2025年7月にAnsysを$35Bで買収完了し、チップ設計（EDA）と物理シミュレーションを統合した世界唯一の企業。チップの熱、ボディの応力、空気の流れを同時にシミュレーションできる。フィジカルAIのデジタルツインに必要な演算の「全階層」をカバーする。
なぜ通行料になるか。
一度Synopsys上で設計・検証したワークフローを他社に移すのは極めて困難だ。エンジニアの学習コスト、蓄積されたデータ資産、検証の再実行コスト。全部がスイッチングコストになる。NVIDIA Omniverseとの連携も実装済みで、ABB、FANUC、KUKAといった産業ロボット大手がNVIDIA Omniverse/Isaacのスタックを自社ソリューションに統合し始めている（NVIDIA公式発表、2026年3月16日）。FY2025売上は約$7.1B（2026年2月決算発表）、粗利率は80%超。
最大リスク
$35Bの買収に伴う負債。統合がもたつけば、最大のライバルであるCadence（HexagonのD&E部門を$2.7Bで買収済み）に追い上げられる。
Rockwell Automation（ROK）：工場のラストマイル
何を握る会社か。
大手産業オートメーション企業。工場の制御システム、つまりシミュレーションで訓練したAIを「実際の生産ラインで動かす」ための接続口を握っている。sim-to-realの橋の「real側の端」にいる企業だ。
なぜ通行料になるか。
工場の制御システムを入れ替えるのは年単位のプロジェクトだ。既存設備との接続、安全規格への適合、現場オペレーターの再教育。ソフトウェア企業が参入しにくい物理的な障壁がある。NVIDIA Omniverseとの協業拡大を2024年に発表済みで、Omniverse Cloud APIをEmulate3Dに統合している。デジタルツインから実機展開までのラストマイルを担うポジション。安定したキャッシュフローを持つ。
最大リスク
成長率がテック企業ほど高くない。フィジカルAIの波にうまく乗れなければ、地味な産業株のまま放置される可能性がある。
PTC（PTC）：デジタルツインの入口
何を握る会社か。
CADソフト、産業IoT、AR/デジタルツインの機能を持ち、設計データから仮想空間への変換、つまりsim-to-realの「入口」を押さえている。GTC 2026では、PTCのクラウドCADプラットフォーム「Onshape」からNVIDIA Isaac Simへ設計データを直接流し込む連携が発表された（NVIDIA公式発表、2026年3月16日）。
なぜ通行料になるか。
設計データが蓄積するほど他社に移行しにくくなる。さらにRockwell Automationと資本提携しており、「入口（PTC）から出口（Rockwell）」まで、sim-to-realの橋の両端がつながっている構図がある。FY2025売上は約$2.7B（PTC公式IR）、粗利率80%。
最大リスク
SaaS移行中でバリュエーションが高め。Synopsys/Cadenceとの競合激化。
なぜSynopsysがいちばん面白いと思うか
3社を並べてみると、sim-to-realの翻訳レイヤーにおけるポジションが異なることがわかる。
PTCは橋の「入口」（設計データからシミュレーションへ）。Rockwellは橋の「出口」（シミュレーションから実機の工場へ）。そしてSynopsysは橋そのもの、シミュレーションの「精度」を司る中央のアーチだ。
入口も出口も重要だ。しかし橋の強度を決めるのはアーチであり、シミュレーションの物理精度が低ければ、どんなに良い設計データ（PTC）を入れても、どんなに優秀な制御システム（Rockwell）で受けても、sim-to-realギャップは埋まらない。
加えて、SynopsysはAnsys買収により、この領域で唯一の「チップからシステムまで一気通貫」のシミュレーション能力を手に入れた。この堀は、少なくとも今後数年は誰にも簡単には真似できない。
ただし、これはあくまで私の現時点での暫定的な順位だ。Cadenceの追い上げ、Rockwellの現場データ蓄積、PTCのSaaS転換の進捗次第で、判断は変わりうる。
3銘柄の比較と監視条件
数字で並べてみよう。（2026年3月下旬時点）。
SNPSのP/Eが66倍と突出しているのは、Ansys買収に伴う一時費用でGAAP利益が圧縮されているためだ。Non-GAAPベースだとEPSは$3.77（直近四半期）で、成長率を考慮すればテック銘柄としては許容範囲に入る。ただし割安とは言い難い。
PTCを2位にした理由は、P/Eが19倍と3社の中で最も割安で、Rockwellとの資本提携による「橋の両端接続」という構造的優位がある点。ただし時価総額$17Bと小型寄りで、株価のボラティリティは高い。
ROKを3位にしたのは、粗利率50%がSNPS/PTCの80%と比べて低く、「通行料モデル」としての利益構造が弱いため。ただしフィジカルAIが工場に入る局面では必ず通過する場所であり、長期の安定性は3社の中で最も高い。
私が今後監視する５つのイベント
Synopsys FY2026 Q2決算（2026年5月予定）。 Ansys統合後の初年度の利益率推移。Non-GAAP営業利益率が45%前後を維持できているか。
Rockwell FY2026 Q2決算（2026年5月5日予定）。 AI関連売上の内訳開示があるか。Omniverse連携の具体的な顧客導入事例が出てくるか。
PTC FY2026 Q2決算（2026年4〜5月予定）。 Onshape（クラウドCAD）の成長率。NVIDIA連携後の新規顧客獲得ペース。
NVIDIA GTC 2027（2027年3月想定）。 Alpamayoの採用企業数とIsaac Simの利用拡大。翻訳レイヤー全体の市場浸透度を測るベンチマーク。
フィジカルAI関連の重大事故の有無。 自動運転、ロボット、eVTOLのいずれかで死亡事故が発生した場合、規制環境が一変する可能性がある。
仮説を強める兆候： Synopsys/PTC/Rockwellの決算でフィジカルAI関連の売上比率が上がり始める。NVIDIAのIsaac Sim/Omniverseの月間アクティブ開発者数が加速的に増える。ABBやFANUCの決算で「デジタルツイン」「シミュレーション」のキーワードが増える。
仮説を弱める兆候： GoogleやTeslaが自社完結のsim-to-realパイプラインを発表し、外部プラットフォームを使わない姿勢を明確にする。Synopsysの統合がもたつき、粗利率が悪化し続ける。Unitreeのようなアプローチがさらに進化し、シミュレーション不要の開発事例が増える。
この仮説を捨てるとき
ここまで書いた「sim-to-real翻訳レイヤーのプラットフォーマーが勝つ」という仮説を、私はどんな兆候が見えたら捨てるか。3つ挙げておく。
1. フィジカルAIの社会実装が止まるとき。 実機テスト中の重大事故、規制当局の一斉凍結。技術の問題ではなく社会的受容のタイムラインが5年以上遅延すれば、翻訳レイヤーを含むフィジカルAI関連銘柄はすべて影響を受ける。
2. 閉じたエコシステムが勝つとき。 GoogleやTeslaが「シミュレーション＋チップ＋ロボット本体」を全部自前で閉じたエコシステムとして構築し、それが業界標準になった場合。NVIDIAやSynopsysのオープン戦略が「誰も乗らないプラットフォーム」になるリスクだ。
3. シミュレーション自体が要らなくなるとき。 Unitreeの論文が示した「少量の実データから直接学習する」アプローチがさらに進化し、シミュレーションを経由しない開発が一般化すれば、翻訳レイヤーそのものの存在意義が消える。ただし、現時点では最も可能性が低いシナリオだと私は見ている。フィジカルAIは人命に関わる。実機だけでの試行錯誤は社会的に許容されにくいからだ。
渡る側か、架ける側か
フィジカルAIで最も長く利益を取るのは、ロボット本体でもAIモデルでもなく、翻訳レイヤーを握る企業だ。この記事で私が言いたかったのは、この一点に尽きる。
クラウド時代、AWSのポジションに気づいた投資家は、10年で資産を大きく伸ばした。同じ構造が、今フィジカルAIの領域で立ち上がりつつある。
シミュレーションと現実のあいだに橋を架ける企業。この「翻訳者」のポジションは、AIモデルの性能競争よりも静かで、ニュースにもなりにくい。でも構造的に見れば、ここが次の10年の通行料を決める場所だと私は考えている。
あなたは、その橋を渡る側にいたいですか。それとも、架ける側に資本を置きたいですか。
▼ この記事の一次ソース
Unitree G1テニス論文「LATENT: Learning Athletic Humanoid Tennis Skills from Imperfect Human Motion Data」（arXiv、2026年3月13日）
NVIDIA "NVIDIA and Global Robotics Leaders Take Physical AI to the Real World"（NVIDIA Newsroom、2026年3月16日）
NVIDIA Isaac Sim / Cosmos / GR00T N1.7（GTC 2026発表、2026年3月16〜19日）
Synopsys Ansys 2026 R1（Synopsys プレスリリース、2026年3月11日）
Synopsys FY2025決算（2026年2月発表）
PTC FY2025決算（PTC公式IR）
Rockwell Automation × NVIDIA Omniverse協業発表（2024年）
TrendForce "NVIDIA Expands Robotics Ecosystem at GTC"（2026年3月19日）
※ 本記事は特定銘柄の売買を推奨するものではありません。投資判断はご自身の責任でお願いします。筆者はNVIDIA（NVDA）を保有しています。SNPS、ROK、PTCは本記事執筆時点では未保有ですが、今後購入する可能性があります。
