AWS Summit 2026の参加を経て、フィジカルAIを再考する

2026/07/14

こんにちは、クラウドソリューション事業部の中村です。

今年も AWS Summit Japan 2026 に現地参加してきました。

今年も AI や AIエージェント関連の事例セッションや展示が多くありましたが、個人的に気になったのが、フィジカルAI の展示です。

ロボットアームやカメラ、IoT デバイスなどを使って、AI が現実世界を見て、判断し、何らかの作業を行うような展示が多いなと感じていました。

その展示内でフィジカルAIを見ていると、いわゆるファクトリーオートメーション(FA)の文脈で使われるものというイメージで見ていました。

ただ、展示を見ながら Vision Language Action Model（VLA Model）という考え方と合わせて考えると、これは単に「ロボットアームが動いていてすごい」という話ではなく、AI が仕様のない仕事に近づいている話なのではないかと思いました。

ということで、本記事では、AI と物理世界について再考します。

Vision Language Action Model (VLA Model)

VLA Model は、画像などの視覚情報(Vision)と、自然言語による指示(Language)を入力として受け取り、ロボットが実行できる行動(Action)に変換するモデルです。

たとえば「ナスをボウルに入れて」という指示があったとき、ロボットはカメラ画像からナスやボウルの位置を認識し、言語による指示を解釈し、実際の動作に変換する必要があります。

これまでの AI では、文章を生成したり、画像を認識したり、コードを書いたりするものとして別々のものとして語られることが多かったと思います。

しかし、VLA Modelでは、「見る」「言葉を理解する」「動作する」がシームレスにつながっているという点に強みがあると私は考えます。

ロボットアーム自体は、ずっと以前から工場などで使われていました。

部品をつかむ、組み立てる、決められた場所にものを運ぶ、といった作業は、すでにさまざまな現場で自動化されています。

ただし、従来のロボットアームが活躍する場所には、基本的にルールがあります。

工具や部品が決まった場所に置かれていて、それぞれの座標が決まっているような環境です。

1take(x: 300, y: 800, z: 20)

つまり、従来のロボットアームが動く環境には、あらかじめ仕様があります。

座標と手順が決まっていれば、その通りに動けば良いので、極端に言えば、Vision も Language も不要です。

例えば「片付けて」と言われたとして、その意味は家庭や状況によって変わります。

同じ言葉でも、期待される行動、言葉の意味が変わります。

これは家庭だけの話ではなく、会社でも、どこでも、似た事象は起きます。「いい感じにしておいて」といった指示には、明確な座標や手順が含まれていないためです。

しかし、人間は周囲の状況を見て、過去の経験や暗黙のルールをもとに、期待されている状態を推測して作業できます。

AWS Summit の展示を見たとき、最初はロボットアームやカメラ、IoT デバイスといったハードウェアの印象でしたが、VLA Model の文脈と合わせて考えると、見え方が変わりました。

AWS Summit の展示は、単に「ロボットが動いている展示」として見ていましたが、AI が物理世界の作業に近づきはじめている例として見直したときに、次に向かう先は、画面の中ではなく、まだ名前のついていない現実世界の作業なのかもしれません。