フィジカルAI（Physical AI）とは、カメラやセンサーで現実世界を認識し、ロボットや車両といった物理的な身体を実際に動かすところまでを担うAIを指す。文章や画像を出力して終わる生成AIとの決定的な違いは、出力が「動作」である点にある。
用語としての普及はNVIDIAが自動運転・ロボティクス文脈で強く押し出したことによる。ただし業界標準の厳密な定義はなく、指す範囲は企業ごとに揺れている。ここは筆者の整理だが、「知覚から行動生成までを学習済みモデルで一貫して行う」ことが共通の芯だと考えてよい。
エンジニアが押さえるべき構造は三層だ。世界を理解する知覚、次に何をするか決める方策（policy）、そして実機を動かす制御。近年の中心はVLA（Vision-Language-Action）と呼ばれる形式で、画像と自然言語の指示を入力し、関節角やグリッパ開閉といったアクションを直接出力する。従来のロボット制御が「ルールと座標を人が書く」ものだったのに対し、VLAは「未知の物体を掴んで」のような指示に汎化しうる。学習データは実機のテレオペレーション記録とシミュレータ上の合成データで、シミュレータで学んだ方策が実機で崩れるsim-to-realギャップが最大の難所である。摩擦や照明のわずかな違いが失敗率を跳ね上げる。
事業会社の観点では、適用先はピッキング、検品、搬送、建機・農機の自動化など、作業が完全には定型化できない現場になる。逆に動作が完全に固定できる工程は、従来型の産業用ロボットのほうが安く速い。フィジカルAIが効くのは「毎回少しずつ違う」かつ「人手が確保できない」領域だと整理するのが実務的だ。
料金については、正直に書く。汎用的な定価表は存在せず、筆者が公開情報から確認できる範囲でも横並びの価格は取れない。コストは大きく三つに分かれる。ロボット本体（ハードウェア）、学習と推論の計算資源、そして現場ごとのデータ収集とシステムインテグレーションだ。三つ目が最も見積もりづらく、PoCで止まるプロジェクトの多くはここで詰まる。検討時は本体価格ではなく、この統合工数を先に見積もるべきである。
投資家の観点では、レイヤーごとに顔ぶれが違う。GPUとプラットフォームを握るNVIDIA、ロボット本体を作るメーカー、そしてVLAなど方策モデルを開発する層。さらにその裾野として、推論を実行するAIサーバーの供給がある。直近の事実として、シャープは2025年9月15日にAIサーバー事業への参入を発表し、同日から受注活動を開始した。第1弾の業務向けAIサーバー「AI-B43100」はNVIDIA RTX Pro 6000 Blackwell Server Editionを8基搭載し、推論性能32 PFLOPS、4Uラック対応の空冷モデルで、2030年度に売上高2500億円を目指すとしている。これはフィジカルAI専用機と銘打たれたものではないが、推論用ハードウェアの国内供給が厚くなる動きではある。フィジカルAIの計算需要が推論側に寄っていく以上、こうした供給層が競争領域になる——ここから先は筆者の推測である。
