フィジカルAI：空間を「思考」するロボットたち

はじめに：チャット画面の向こう側へ

私たちは今、「知性」の定義が根底から覆される、歴史的な転換点に立っています。
近年、大規模言語モデル（LLM）は、ChatGPTやGeminiといった驚異的な成果を通じて、私たちの常識を鮮やかに塗り替えました。彼らは、流暢なテキスト生成、複雑な論理パズルの解決、そして詩やコードの創造的生成において、かつて人間だけの領域とされていた能力を発揮しています。まるで、デジタル空間に「賢い魂」が宿ったかのように見えます。
しかし、その華々しい成功の陰で、AIは今なお、ある根源的な「壁」に囚われています。それは、物理世界（フィジカル・ワールド）の壁です。

AIの「牢獄」：チャット画面という名の檻

想像してみてください。あなたは今、AIに最高の知性を与えることに成功しました。
そのAIに、「冷蔵庫からコーヒー豆を取り出し、私の好きな淹れ方で一杯の完璧なコーヒーを淹れてくれ」と頼むことはできるでしょうか。あるいは、「散らかったこの部屋を、人間にとって合理的な配置で片付けてくれ」と指示できるでしょうか。
答えは「ノー」です。
ChatGPTやGeminiがどれほど驚異的な推論能力や世界知識（Webスケールのデータから得られた知識）を持っていたとしても、彼らは依然としてチャット画面というデジタルの牢獄に閉じ込められています。彼らは、あなたの部屋のレイアウトも、コーヒー豆の入ったキャニスターの重さも、そのキャニスターを掴むためにロボットの腕をどのくらいの力で、どの角度で動かせばいいのかも、全く知りません。
現在のAIアシスタントは、天気予報の報告やウェブ検索といった定型的なタスクをAPI経由で自動化するのには優れていますが、現実世界の具体的なタスク、特にサードパーティ製の一般アプリケーションでのタスク実行には、いまだに限界があります。これは、AIの知性が、現実世界での具体的な「行動」に接地（グラウンディング）されていないことに起因します。

「現実」がわからないAI：知識と行動の断絶

LLMが苦手とするもの。それは、**「空間」「物理法則」「常識」**という、私たち人間が幼児期に無意識に獲得する、現実の最も基本的なルールです。
これまでの大規模な言語モデルや視覚・言語モデル（VLM）は、Webスケールの膨大なデータセットで訓練されることで、意味的な推論やラベル、テキストプロンプトに関する推論能力を獲得してきました。例えば、GoogleのRT-2のような初期のVision-Language-Action（VLA）モデルは、このWeb知識をロボット制御に転移させる画期的な手法を提示しました。RT-2は、アクションをテキストトークンとして表現し、VLMの訓練セットに組み込むというシンプルな方法で、ロボットが訓練データにないコマンドを解釈したり（特定のアイコンの上に物を置くなど）、即席のハンマーとして岩を選ぶといった初歩的な推論を行ったりする、創発的な能力を獲得しました。これは、AIが「言語」の知識を「行動」に結びつけようとする、大きな一歩でした。
しかし、このアプローチにも根本的な限界が存在しました。それは、どれだけ多くのWeb知識を注入したとしても、AIが獲得する物理的なスキル自体は、依然としてロボットが実際に収集した訓練データで見られたスキルの分布に限定されるということです。RT-2は、「言語」と「視覚」に関する理解を深めることで、既存のスキルを新しい方法で展開する能力は手に入れましたが、タオルをたたむ、道具を使うといった、ロボットデータにはなかった新しい動作を自力で学習する能力は獲得しませんでした。
これは、言語による記述（例：「ロボットの腕を動かす」）は、物体を掴むために必要なカルテシアン・エンドエフェクター・コマンドのような、現実世界に接地された低レベルのアクションとは異なる、という問題に直面していたためです。複雑な3Dの動きや軌道を、テキストという線形の情報に蒸留しようとすると、空間的および時間的な情報が大きく失われてしまうのです。
要するに、AIの知性は、私たちがデジタル世界で見る限り賢い。しかし、現実世界で行動するための中核要素である物理的な知性、すなわち空間で考え、空間で計画する能力が決定的に欠けていたのです。AIは、その知性をデジタル空間で発揮することはできても、現実の世界で「身体」を持って自律的に行動する、真のフィジカルAIにはなれていなかったのです。

物理世界への「越境」：フィジカルAI革命の幕開け

本書がレポートするのは、AIがこの「物理世界の壁」を、どのようにして打ち破り始めたのかという、フィジカルAI革命の最前線の物語です。
この革命の本質は、AIが思考の基盤を、「言語」の連なりから、「空間」の構造へとシフトさせたことにあります。
その中心にあるのが、AIが知覚、計画、制御を統合するために設計された、**アクション推論モデル（ARM）**という新しいクラスのAIモデルです。
特に、オープンソースの旗手であるAI2（アレン人工知能研究所）が発表したMolmoActは、このパラダイムシフトを最も明確に示しています。MolmoActは、言語による中間推論ではなく、「空間で推論する」という新しい哲学を採用しました。
具体的にMolmoActは、視覚的な観察と指示を受け取ると、以下の3つの構造化された推論チェーンを自動回帰的に生成します。

1. 深度認識トークン (Depth Perception Tokens): 3D環境を再構築するための深度情報。

2. 視覚的推論トレース (Visual Reasoning Trace): 計画された軌道を2Dで表現する、編集可能な中間プラン。

3. アクション・トークン (Action Tokens): 最終的なロボットの低レベル制御コマンド。

このアプローチにより、AIは低レベルの制御を、推論された深度と計画された動作スケッチに基づいて、空間的に接地させることができます。これは、AIが「言語」による抽象的な計画（例：「Aを拾う」）だけでなく、「空間軌道」という、物理法則に裏打ちされた具体的な計画で思考できるようになったことを意味します。
本書は、この革命的な技術MolmoActの登場と、それがもたらす産業界への破壊的なインパクトを、最先端の技術ジャーナリストの視点から詳細に解説していきます。
AIの未来は、もはやチャット画面の中だけではありませんでした。AIは今、ロボットやドローンといった「身体」を手に入れ [執筆指示]、私たちの部屋の片付けから、スマートファクトリーの完全自動化、そして動的な都市環境でのドローンの安全な緊急着陸に至るまで、現実世界のあらゆる課題に挑戦しようとしています。
読者であるあなたが、このフィジカルAI革命の波に乗り遅れることなく、来るべき未来においてビジネスの勝者となるための、すべての戦略と技術的洞察が、本書に詰まっています。
AIが空間を理解し、物理世界で行動する。この歴史的な越境の物語を、ご一緒に辿りましょう。

「フィジカルAI革命」シリーズへようこそ
本書から始まる「フィジカルAI革命」シリーズへ、ようこそ。このシリーズは、AIが「賢い脳」から「自律的な身体」を手に入れ、私たちの現実世界を根本から変革していくプロセスを追う、全5巻のロードマップです。
この記念すべき第1巻『空間を「思考」するロボット』は、その革命の「第一歩」である、AIが「空間」を理解した瞬間を捉えます。すべての物語は、Googleの閉鎖的なアプローチに対し、オープンソースという「反逆の武器」を提示した、以下の画期的な論文から始まります。
【第1巻の知的基盤】 テーマ：AIの空間認識とオープンソース化 原
論文: MolmoAct: Action Reasoning Models that can Reason in Space (arXiv, 2025) [Apache 2.0 License]
これから続く第2巻以降では、この「身体」が、ドローン（第2巻）やスマートフォン（第3巻）、AR/VR（第4巻）へと拡大し、最終的に現実をリブート（第5巻）する様を追いかけます。
さあ、まずはAIが「身体」を手に入れた、歴史的な瞬間の目撃者となってください。

目次

はじめに：チャット画面の向こう側へ
第1章：なぜAIは「現実」が苦手だったのか
AIが「賢い脳」だけで、「器用な身体」を持てなかった理由。Googleの挑戦と、その「壁」。

• 1-1. テキストベースのAIエージェントの限界

• 1-2. GoogleのRT-2：閉鎖的AIの挑戦とその「壁」

第2章：MolmoAct：空間で思考するAI
革命の狼煙。AIが「言語」ではなく「空間」で思考するとはどういうことか。その核心技術と、オープンソース戦略の謎に迫る。

• 2-1.【論文解説】参照論文No.1「MolmoAct」の技術的核心

• 2-2. 「テキスト軌道」vs「空間軌道」

• 2-3. なぜAI2は、これをオープンソース（Apache 2.0）で公開したのか？（著者の考察）

第3章：物理AIが「解放」された日
「空間思考AI」がオープン化されたことで、産業革命のパンドラの箱が開いた。大企業から中小企業まで、全ての開発現場で起こるイノベーション。

• 3-1. オープン化が、スマートファクトリー開発をどう加速させるか

• 3-2. 中小企業でも「空間を理解するAI」を開発できる未来

第4章：あなたのビジネス戦略：空間と思考
この革命の波に、どう乗るべきか。経営者、そしてエンジニアが今すぐ取るべき、具体的なアクションプラン。

• 4-1. 製造業、物流、建設業の経営者へ

• 4-2. エンジニアへ

おわりに：AIが「身体」を持った日