ニュース
ELYZA Roboticsの曽根岡氏と今井氏が描くフィジカルAIの将来像
2026年11月12日 11:00
フィジカルAIの社会実装に向け、KDDIグループの専門人材を結集して「ELYZA Robotics」が設立された。大規模言語モデル（LLM）の研究開発を手掛けてきたELYZAの知見と、KDDIの通信・計算資源や運用ノウハウを融合し、ロボット基盤モデルの構築から現場インテグレーションまでを一気通貫で実現することを目指している。
本稿では、ELYZA 代表取締役CEOで、ELYZA Robotics 代表取締役社長の曽根岡侑也氏と、KDDI 先端技術企画本部 副本部長で、ELYZA Robotics 代表取締役副社長の今井尚樹氏にフィジカルAIの現在の課題と将来像について伺った。
――まずKDDI、ELYZA、ELYZA Roboticsの3社の役割について教えてください。
曽根岡氏：KDDIグループとして実はフィジカルAIの取り組みは1年以上前からいろんな部署で動いていたところがあります。今回、これらの部門の専門人材を含めて1か所に集約する形で中核組織を作ろうというのがELYZA Roboticsになります。
役割としては、フィジカルAI領域の開発を担います。具体的には、ロボットの調達だったり、その上で動くであろうロボット基盤モデルを、データ収集も含めて開発するところまで行ないます。さらには現場にロボットを入れてインテグレーションすることを含めて実施するのが、このフィジカルAIの組織であるELYZA Roboticsになります。
一方でELYZAは何をするかと言うと、いわゆる基盤モデルの研究開発を行なっており、LLMだったり音声モデルだったり、あとはVLMみたいなところも含めていろんな研究開発をしている組織です。そういったところで、人材交流をしながら研究開発を一緒に行っていきます。
とくにELYZAでは、ELYZA RSI ResearchというRSI関連の研究開発を行なう組織をたちあげ、「AIによるAI開発」、オートリサーチ（自律研究）自体の研究を進めているところです。これは、フィジカルAIの領域でも非常にワークすることが検証として進んでいます。そこで生まれてきた基盤を転用するような形になってくると考えています。
KDDIは大きな会社なので、基本的にはインフラの部分で、フィジカルAIに合った低遅延の通信を作っていくことと、計算資源としてGPUなどの計算インフラの整備をやっていくのがメインになると思います。
さらには実際にロボットを実現場で動かすとなった時に、今だと法令上、一定の大きさ（長さ120cm・幅70cm・高さ120cm）以内のロボットは、遠隔操作型小型車として届け出て、遠隔操作で歩道などを通行させるといった基準があると思いますけれども、今、自動運転やドローンでそういった遠隔監視のセンターを持たれているので、そういったところはKDDIが担います。
ほかにもKDDIに担っていただくところは営業とかいろんなものがいっぱいあるんですが、大枠の役割分担としてはこんなところです。
――最近はJevのような仕組みも注目されていいますが、フィジカルAIへの応用の可能性についてはどういう風に見てらっしゃるのでしょうか。
曽根岡氏：基本的にはアーキテクチャーとしては新しいようで古いというか、昔からある分類モデルの話という風に捉えることもできれば、しっかりそれを一定のクオリティでできるようにしたというところも含めて、Jevは面白いアイデアだなと思っています。
利用の部分で言うと、速くできるよねとか、コストカットできるよねみたいな話が話題になっていますが、フィジカルAIの世界になると、やっぱりリアルタイム性というのは非常に重要になってくるので、ロボットが次にどの動作を取るべきかを高速に判断するなどで、ああいうモデルの形態はあり得るんじゃないかなというのは我々も思っているところです。
一方でアイデアとしてはシンプルなので、Jevが出た後すぐに、他のプレイヤーも同じようなものを作れてしまうというところもあります。我々もLLMの世界に8年ぐらいいるんで分かるんですが、この技術のアセットとして考えた時には、新規性があるアイデアで「すごい！」となることもあれば、やっぱりすぐ陳腐化することもあって、陳腐化しない技術アセットをちゃんと作っていくことが大事になります。
我々としては、陳腐化しないものとして、「現場のデータセットをいかに集めるのか」という方が技術的な部分では関心度は高いです。
――その現場でのデータ収集というか、人間も含めてどういう動きなのかというところをひたすら集めていくというのはまずやらなきゃいけないと。
曽根岡氏：そうですね。データを集めるのはそんな簡単じゃないというか。エゴセントリック（装着者の視点・主観視点のこと）で、ここで取ればいいとかという話もあるんですが、「じゃあ、これのモダリティどうするの？」「どの機材使うの？」「RGBでいいの、それとも深度系も必要なの、デプスも取るべきなの？」とか検討すべきことが多くあります。
あとは実際にロボットに作業させると、実は手の情報だけじゃなくて、屈伸など、全身のデータもどれぐらい取るのかというのも含めて、1回転、2回転、3回転、4回転と改善して「この取り方でデータを集めるべきだよね」というところは、実は工夫の余地がすごくあるんです。
我々も今改善サイクルを回していて、どう改善するかという話を考えているところでありますけれども、そういうような世界かなと思うので、こっちの方が個人的には重要かなと思っています。
――現状、視覚とか聴覚とか触覚とか、人間の五感の部分でやっていて一番難しいのはどれでしょう？
曽根岡氏：難しいですよね。脳波も取るべきだとか言い始めている人もいます。よく介護の世界では、匂いでいつ交換すべきかを判断できるようにすると、それだけで介護されている側も介護する側も幸せになるという話があるので、実は匂いセンサーとかは結構興味深いなとは思います。
今一番重要だと思っている事の1つがロボットのマニピュレーションの手の部分がどこまで人間と同じスピード、精度でできるかという世界だとは思うので、そういう意味で重要度が高いなと思うのは視覚の部分のRGBじゃなくてデプスにするのかとか、あとはやっぱり触覚センサーの部分をやるべきなのかとか、そういうところはあると思います。
――先日のKDDI SUMMIT 2026の講演の中でもデータ収集エンジンと研究開発エンジンの2つが事業としてコアになっていくという話をされていました。ただ、それだけだとなんか動かすところまではいくけど、それが現場に出ていくとなると、それはKDDIの役割になるのかもしれないですが、第3のエンジン、第4のエンジンが必要になりそうな気もします。あるとすれば、どういうものが今足りないと感じてらっしゃるのでしょうか？
曽根岡氏：どちらかというと実用のためのエンジンの方がこの後の比重は重要かなとは思っています。先日の講演はどちらかというと研究開発の方にフォーカスしましたが、実現場で使うには協調制御もしなければ、安定的に動かし続けるような仕組みも作らなければいけません。どちらかというとそちらのプラットフォーム開発というのも我々としては注力する領域であるかなと思っています。
今井氏：やっぱり社会実装や運用の部分ですよね。通信事業者なんかも、基地局を建設して終わりではなく、どんな天候でもきちんと動作しているかとか、トラフィックが想定通り流れているかが大事になります。基地局を建設しても、あまり使う人がいなかったら、コスト効率が悪くなってしまいますので、そこもちゃんと見ているんですよね。
そういった意味では、社会実装して運用を続けること自体が1つのエンジンになって、ずっと改善のサイクルを回し続ける。ここがないと、研究開発から実際の現場に出ていかないんじゃないかと思っていて、最後に一番大事になってくる部分だと思います。
――フィジカルAIは投資も活発な状態ですが、各社に聞くとやっぱり2030年ぐらいみたいなちょっと先の話をされています。そこに向かって今ソフトウェア面やハードウェア面で残された課題があるとすると、どういった領域の話になっているのか、現場の生の声を伺いたいのですが。
曽根岡氏：現場に導入するのは本当にいろんなハードルがあるんだなというのを今も走りながら思っているのですけれども、あえて先日の講演と違う切り口で説明してみますが、ロボットはロボットでまだまだ実運用でずっと使い続けるということができるものが少ないなとは思っています。
実際に我々もいろんなロボットを使って研究していますが、普通に使っていて1か月、2か月ぐらいでロボットハンドの小指が動かなくなりましたとか、人差し指がずっとピンとしてますみたいな、故障をするんですよね。
これは普通に考えるとハードウェア、特にアクチュエーターの耐用年数の問題というのが1個ありますが、それ以上にやっていて困るのは、壊れた後すぐに修理を呼べるわけでもなければ交換できるわけでもない。自動車だったらそこらへんにディーラーとか修理工場があってすぐ直せるという構造に対して、結構そういうことが起きてしまう。
ロボットがある前提で仮にオペレーションを組んでいた時に故障しましたとなると、「明日から人を集めなきゃ」という状況になる。そんなことは現実的ではないので、そういった意味ではまずロボットの耐用年数が上がることもそうですし、修理のエコシステムが生まれることというのも含めて、まだまだそこの部分は1つ課題としてはあるんじゃないかなと思っています。
モデルレイヤーの話で言いますと、どちらかというと今「AIによるAI開発」でどんどん加速している部分がありますので、想定以上にロングホライズンタスク、梱包作業をするとかそういったことができるようになっていくのは間違いないなとは思っています。
ここは課題が仮にあるとしたら、まだまだ精度が足りないというのはもちろんありますが、現場に合ったそのマニピュレーション、例えば弁当箱を持つとなった時に、知らないロボットは絶対にひっくり返してしまいます。やっぱり1個1個の持ち方って人間は気にかけていないけれども、いろんな工夫がされていて、現場に行って実際にやってみたらうまくいきませんでしたとか、多分いっぱい出てくるのは目に見えているので、そういった現場にフィットするロボット基盤モデルにしなきゃいけないというのは、基盤モデルのレイヤーの課題だと思います。
今井氏：ほかにも課題はたくさんありますよね。今出てきたハードとソフトの課題はその通りだと思いますし、もう少し直接的なところでは、やっぱり単純にもっと賢くしなければいけないということもあります。動作速度を速めるとハードへの負担が高くなるので、そのバランスをどう取っていくかという問題もあります。
「素早く動かすにはどうすればいいのか」と現場のメンバーに聞いたら、学習時の速度を速くするそうです。例えば、動画を2倍速にしたものを学習させると動作が速くなる場合もあるそうですが、どこまで速くすると逆に破綻するのか。速くしすぎると、結局うまく動かなくなっちゃうこともありますし、機体の耐久性は持つのかという問題もあります。
そして、最終的に人が作業する場合のコストに追いつくのかという点もあります。ソフトとハードの両方をバランスよく高めていくことが、重要な課題なんじゃないかなと思います。
――そのあたりのロボティクスのベンチマークの基準みたいなものもありますが、そこは現場とのギャップってまだまだある感じなんでしょうか。
曽根岡氏：具体的な数字を挙げてしまうと、RoboChallengeというグローバルのリーダーボードがあるんですね。APIを通じて実機ロボットを動かして、30個ぐらいのタスクをやって成功率を出してくれるというものです。
CVPR 2026の大会では、優勝モデルでも成功率は約41％で、2位以下は約21％以下でした。現在のTable30 V2でもトップモデルの成功率は40％台前半という状況です。もちろんタスクの難易度にもよりますが、現場で幅広い作業を安定して自律実行できるレベルかというと、まだ課題が残っていると思います。
――現段階のベンチマークでほぼ100点に近づけつつ、さらにそのベンチマークで足りない領域というのがまだ現場にはたくさんあるというイメージですか。
曽根岡氏：おっしゃる通りです。1個だけ補足をすると、これもマニアックな話になってしまうんですが、LLMの進化において、なんで人間が使えるものになったかというと、スケーリング則をちゃんと実行したからだと思っています。モデルサイズで100億や200億パラメーターのモデルを作る時代から、数千億パラメーター規模のモデルへと移り、今では数兆パラメーター規模になっているというように、データも増やしてきたんですよね。
一方で、ロボットの世界では、リアルタイム性が非常に重要になります。例えば生産ラインで物体が流れてきているときに、モデルの推論に5秒かかってしまうと、必要なタイミングで対応できないという問題が起きます。リアルタイム性が必要になった結果、今のロボット基盤モデルのモデルサイズは数十億パラメーター規模で行なうことが主流になっています。この精度感を上げていく上で、スケーリング則を反映させながら、リアルタイム性と両立していくのかみたいなところは、重要になってくるなという風に認識しています。
――それは開発の方向性として小さいモデルで頑張ろうとするのか、大きなモデルが動くようになる時まで待つのかとか、状況を見ながらではありますが、現時点ではやっぱり小さいモデルでなんとかしようというのが主流なんでしょうか。
曽根岡氏：制約条件の中で皆さん研究開発をしているようには見えますけど、もっと大きなモデルでやったりとか、それこそ大規模なモデルでやる話もあるんですが、リアルタイム性の話をすると結構そこはボトルネックになるとは思っています。
妄想としては、近くにすごいGPUがあるデータセンターがあって、そこまで20ミリ秒とか100ミリ秒とかで通信して、でかいモデルで処理して返ってきて動けるという世界になることで、大きなモデルがロボットを精緻に動かす世界というのもあると思っています。
――なるほど。KDDIのデータセンターがある堺にも拠点を設けるというのは、そういうことも含めて見ていこうとしているということですか。
曽根岡氏：はい。
――デモを見ていると、やっぱり工場とか倉庫とか、そういったイメージのものが多いですが、その中でローソンの店頭にロボットがいるというように、一般のコンシューマーの目に触れそうな感じのところでチャレンジされているというのはすごく新鮮というか面白い部分ですが、そこには難しさはないのでしょうか。
曽根岡氏：周りに人がいる状況だと変数が増えてくるというのはそうだと思いますし、コンビニの大変さは私が言うまでもないかもしれないですが、幅広い業務を店員さんはやってらっしゃるんですよね。揚げ物を揚げたりとか、タバコを取ったりとか、電子レンジに物を入れてボタンを押したりとか。
この辺りはまだベーシックかもしれないですが、もう一番無理だろうと思っているのが、切手を注文された後にシートからちぎって渡すというところまでやっているんですよね。したがって最初は、揚げ物まではできるけど切手はさすがにロボットはNGですとか、そういう形で実装するのかもしれません。
ただ、技術屋としては非常に多岐にわたるいろんなタスクを学ばせることができる場所ではあるので、これはこれで良い環境だと思いますし、ここで得たノウハウは、それこそ物流とか製造業とか病院とか、他のサービス業のところに展開していける。そういう意味では一番難しく一番多くのタスクが扱えるこの環境というのを1つレバーにして、我々としては技術をしっかり育てていこうと考えています。
――先日の講演でも冗談交じりに、現状はロボットがVIP待遇で、周囲の技術者が手取り足取りサポートする状態になっていると話されていました。確かにその通りで笑ってしまったのですが、さすがに実装段階でそれではダメという話ですよね。
曽根岡氏：おっしゃるとおりですね。
――中国を見ると、まだ物を運んで渡すくらいではあるものの、人の目に触れる場所にロボットが実装されてきています。日本のファミリーレストランでも配膳ロボットは走り回っていますが、中国のように次に行かないのはなぜなんでしょう？
曽根岡氏：国内でやっていくには、ロボットの耐用年数とか、安定的に動くというような周りのエコシステムも大変だと思いますし、店舗として入れて稼働させるとなると、オーナーさんがどう判断されるかという視点も重要になってきます。店舗の中で本当に使えるものなのか。採算性が取れるんだったら入れるというオーナーさんは出てくるかもしれませんが、現状の現場で試してみるとなると、KDDIのオフィス内にあるローソンとか、そういったところからやっていくしかないのかな、というところはあります。
――2030年までに1,000台導入という目標を掲げていますが、この1,000台というのはいわゆるヒューマノイドで1,000台なのでしょうか。例えば今KDDIの本社ビルの中では配送ロボットが走っていますが、あれも含めて1,000台なのか、どういう風なイメージなんでしょうか？
曽根岡氏：我々がやろうとしているのはロボット基盤モデルの開発です。これが何に効きますかというと、難しいタスクとか多様な環境で動くことなので、一番イメージとして強いのはやはりヒューマノイドとか、セミヒューマノイドという足が車輪のヒューマノイドとか、ロボットアームみたいなところがメインのところになると思っています。
ただ、我々の本当のゴールはあくまで社会実装で、ロボットを入れることで業務が変わって人手不足がなくなったよねとか、終日稼働できるような工場ができたよねとか、そういったことを実現することです。必ずしも今言ったヒューマノイド、セミヒューマノイド、ロボットアームだけじゃなくて、場合によっては4足歩行や、AMR（自律走行搬送ロボット：Autonomous Mobile Robot）もそうですし、これらをうまく組み合わせてロボットが動いて社会が楽になる、幸せになるような事例を作っていくということだと思っています。
我々の中の定義としては「ヒューマノイドだけに閉じてます」「これはカウントしません」ということはありません。
――その1,000台というのは、KDDIの倉庫で配送業務を行なったりとかローソンの店舗に導入されていくとかっていうイメージでしょうか。それ以外の用途についてはいかがでしょうか。
今井氏：それ以外のユースケースについても、今回のKDDI SUMMIT 2026での発表を受けて、多くのお問い合わせをいただいていますので、世の中のお困りごとを見ながら解決していこうと考えています。
通信で使用する鉄塔での高所作業や、人が入りにくい場所での作業についても、自動化してほしいという声がありますので、そういったところも1つの事例になると思いますね。
曽根岡氏：我々の中ではタスクをちゃんと1個1個切っていくというのがすごく重要だと思っています。今はコンセントにプラグを挿すのってめっちゃ難しいんですよ。だけどペットボトルを持つとか、大まかな作業はできるとなった時に、その中で相性がいいところというのは、1つは小売と物流は皆さんも知っているところですけれども、警備と清掃とか。あとは医療、病院って遠そうな印象がありますが、患者さんがいらっしゃる中で動かなきゃいけないということなんですが、実は思った以上に物を運ぶというだけの作業とかも分解するとあったりはするので、どちらかというと人手不足で困っていて逼迫しているところの「じゃあ物を運ぶところだけやっちゃおう」とか、そういうのも含めて我々としては幅広い業務でいろんなデータを集めていきたいと考えています。
――今スマートフォンを当たり前のように使っている世の中ですが、フィジカルAIやロボット、ヒューマノイドが我々の隣にいるとか家にいるとか、そういう未来というのは実現しそうなのか、さすがにないのか。実現するとすればいつぐらいにどんな風に実現していくのか、個人的な願望でも構わないので教えていただけますか。
曽根岡氏：感覚的にあと3年後ぐらいには、値段が折り合うかどうかは別として、コンシューマー向けの体験として「まあ使えなくはないよね」みたいな世界は作られるだろうなと予測しています。
私は短いLLMのヒストリーしか知らないんですが、やはり3年ぐらいすると劇的な変化、もう全く世界観が変わるぐらいの変化をしているのがAIの世界で、今そういう進化をしているのをずっと見ているので、感覚的にはいろんなことができるだろうなと。
例えばロボットに「下のポストを開けて郵便取ってきてよ」と言ったら、たぶん3年後にはできる世界にはなるんですけど、それが一般に届いているという定義なのかは分からない、ということが起きるんじゃないかなと。
――KDDIはコンシューマーに強いので、物を売っていく力、普及させていく力にも期待していますが、その段階になったら、4,000万〜5,000万円したら35年ローンですとか、2年ごとに下取りしつつ、モデルチェンジしながら使い続けていくとか。月額費用もどれぐらい払えばいいのかわからないですが。
今井氏：そういう意味では、昔のテレビも登場当初は非常に高価だったものが、その後、価格が大きく下がって普及したように、ロボットに関してもコストが下がるまでは一家に1台は難しいかもしれません。例えば、高級マンションにロボットが1台あって、「掃除してほしい」と住民の方が言うと、その部屋にやってくる。あるいは、先ほどの手紙を取りに行くような作業を、まずはみんなでシェアリングするとか、お庭の掃除をして帰っていくとか、そういうサービスですかね。これもロボット・アズ・ア・サービス（RaaS）なんでしょうかね。個人で所有する前に、そういうサービスの形が一度入るのかもしれません。
――携帯電話も昔は自動車電話から始まってすごく高い状態でショルダーフォンになって、だんだん小さくなってという歴史がありましたね。
今井氏：ショルダーフォンは主に業務用途で使われていましたよね。業務用途から始まって、エコシステムもうまく回り、一般にも普及したという背景があるので、そこは重要だと思います。
曽根岡氏：実際にちょっと考えてみると、数百万〜数千万円というのは研究開発用に作っている、要はロボットの量産化前の金額です。これが量産化されると一桁下がるので、そういう世界というのは多分来るんだと思うんですけど、それでも掃除や皿洗いをしてもらうために100万円以上払うかというと「食洗機でいいよね」みたいな話がたぶん始まるんだとは思います。なので新しいものが好きな方が最初に買うとか、先ほどおっしゃったシェアリングエコノミーの仕組みでみんなで共同保有するとか、そういう枠組みがどうしてもビジネスモデルの方で生まれてくるんじゃないかなと思います。
――シェアリングができると、1時間お手伝いロボットが来て何かやってもらうみたいな世界になっていくので、それに対して何千円か払うとかはできなくはないでしょうから、いろいろとありそうな気はしますね。
曽根岡氏：ありますよね。「ロボット、マッサージして」って呼んで、ロボットにマッサージしてもらって1万円払って、みたいな。
――そんな未来が早く訪れることに期待しています。ありがとうございました。