2025年、AI業界の話題は一つだけでした。「GPUが足りなくて買えない」。
でもa16zのパートナーWill Bitskyは、このポッドキャストではっきりこう言っています。「2025年のAIの話題がコンピュート制約とデータセンター建設だったなら、2026年はデータ制約、その中でも重工業データをめぐる新しい争奪戦になる」と。 そのデータは画面の中ではなく、工場のフロアや物流倉庫にあるんです。
てっきりGPU争いだと思ってましたよね
この2年間、AI業界の物語ははっきりしていました。誰がより多くのGPUを確保し、より大きなモデルを学習させるかが勝負だと。でもa16zのパートナー4人が揃って出演したこのエピソードは、その前提そのものを揺さぶってきます。
電子・産業スタック担当のパートナー、Ryan McEntushはこうまとめています。「ソフトウェアは私たちの考え方、デザインの仕方、コミュニケーションの仕方を変えた。次はソフトウェアが、私たちの動き方、作り方、生産の仕方を変える番だ」と。 電化、材料科学、AIが同時に収束し、初めて物理世界全体をソフトウェアで制御できる条件が整ったというわけです。
でもこの波で本当に勝つのは、一番良いモデルを持つ会社ではなく、一番先に「現場の運用データ」を集めた会社だというのがBitskyの核心的な主張です。重工業現場のトラック運行、メーター検針、メンテナンス記録、生産ライン一つひとつが全部モデル学習の材料なのに、これまではそれを収集・注釈・学習パイプラインにつなげる産業側の語彙自体がなかったというんですね。 その隙間を埋めるスタートアップたちが、今新しい勝者として浮上しています。
実際、数字がこれを裏付けています。高品質なテレオペレーションデータ(ロボットを遠隔操作しながら収集・ラベリング・標準フォーマットにパッケージ化したデータ)の収集コストは、2024年初めの1時間あたり約340ドルから2025年第4四半期には136ドルまで下がり、2026年3月時点で標準的なピックアンドプレース作業に限れば118ドルまでさらに下がりました。 データを積み上げる参入障壁そのものが急速に下がっているということです。
でも工場ではもう証明され始めています
これがただのVCの楽観的なストーリーテリングなら、割り引いて聞くべきでしょう。でも今回は、実際の生産ラインから出てきた数字があります。
BMWのスパータンバーグ工場では、Figure AIのヒューマノイドロボット2台が11ヶ月間実戦配備され、シートメタル部品9万個以上を積み込みながらBMW X3の3万台超の生産に貢献しました。毎日10時間の平日シフトをこなし、累積稼働時間は約1,250時間です。 Amazon系のフルフィルメントセンターでは、Agility Roboticsの二足歩行ロボットDigitが、人の介入なしにトート(運搬箱)をコンベヤーと自律移動ロボットの間で運ぶ作業を実運用しています。 韓国でも現代自動車が2028年までにボストン・ダイナミクスのアトラスを年間3万台規模で生産し、そのうち2万5千台以上を自社工場に優先投入する計画を発表しており、Figureは5月に200時間の連続無停止稼働を達成しました。
パイロット段階ではなく実戦規模に移行している証拠は、市場指標にも表れています。
| 以前 | 今 | |
|---|---|---|
| 商用ヒューマノイドプラットフォーム数 | 3種類(2024年) | 12種類(2026年) |
| テレオペレーションデータのコスト | 1時間約340ドル(2024年初め) | 1時間136ドル(2025年第4四半期) |
| VLA(ビジョン・言語・行動モデル)の新規導入率 | 5%未満(18ヶ月前) | 40%(2026年) |
| ロボティクスへのベンチャー投資(グローバル) | 2024年基準 | 94億ドル、2025年+41% YoY |
特に注目したいのは、VLA(Vision-Language-Action)モデルの導入率が2年で5%未満から新規導入の40%まで跳ね上がったことです。 ロボットが人間のように「見て、理解して、動く」構造が、研究室を出て実際のラインに入ってきたというシグナルなんです。市場全体で見ると、物理的AI市場は2030年に4,300億ドル、2040年には1兆6,000億ドル規模まで成長すると予測されています。産業自動化、自動運転、ヘルスケア、防衛まで9つの垂直分野をカバーする規模です。
ロボットを作らない会社にも関係がある理由
ここまで読んで、「うちは製造業でもロボティクスでもないけど?」と思われるかもしれません。そこでヒントになるのが、このエピソードで出てきた2つ目の概念、フィジカル・オブザーバビリティ(物理的可観測性)です。
a16zパートナーのZabie Elmgrenは、米国の都市にはすでに10億台以上のネットワークカメラ・センサーが設置されていて、そのおかげで「都市、電力網、インフラで今何が起きているかをリアルタイムで理解することが、急務であると同時に可能になった」と言います。 これまではこのデータがただ流れ去っていただけだったんですね。
これを一般的なビジネスの言葉に置き換えるとこうなります。あなたの会社もすでに「構造化されていない運用データ」を毎日生み出している、ということ。顧客対応ログ、店舗のカメラ映像、配送ルート、勤務記録 — こういうものが全部「潜在的な堀」なんです。テレオペレーションのコストが60%下がったように、今このデータを整理し始める会社と、後で慌てて始める会社の差は、時間が経つほど縮まるどころか広がっていく可能性が高いです。
今すぐ始めるデータの堀チェックリスト
- 自社の「整理されていない現場データ」をリストアップする
カメラ映像、コールセンターの録音、作業ログ、配送ルートのように今も溜まっているのに誰も見ていないデータから並べてみましょう。 - まずは最小限のパイプラインを設計する
ロボティクス業界がそうであるように、完璧なシステムより「キャプチャ→ラベリング→標準フォーマット保存」の最小ループを先に回すことが大事です。 - 小さく始める
業界ではほとんどの操作タスクを300〜1,200件のデモデータだけで学習させています。 全社データではなく、一つのチーム、一つのプロセスからパイロットを回せば十分です。 - 追いかける企業リストを作る
Figure、Agility Robotics、Wandelbots、Galaxeaのように産業データを資産化しているスタートアップの動きを四半期ごとにチェックしておくと、自分の業界にいつこの波が来るか感覚がつかめます。 - 「データの優先順位」を定例議題にする
四半期の戦略会議に「今四半期どんな運用データを新しく構造化したか」をKPIの一つとして入れてみましょう。後でAIを乗せるときに、この差がそのまま競争力になります。
もっと深く知りたいなら
Big Ideas 2026: Physical AI and the Industrial Stack a16zパートナー4人が直接語る物理的AI展望の元ポッドキャスト a16z.com
State of Robotics 2026 Report 市場規模からテレオペレーションコスト、VLA導入率までロボティクス業界の統計を総まとめ roboticscenter.ai
Humanoid Robotics in 2026: The Race From Pilot To Platform Figure・BMW、Digit・Amazonなど実戦配備事例をまとめた分析 kraneshares.com
2026년 피지컬 AI와 휴머노이드가 이끄는 제조 혁신 現代自動車・Figure・Enbyusなど最新動向を伝える韓国のテック系ニュース記事 etnews.com
Physical AI converges on the warehouse floor 物流現場で物理的AIが実際どう運用されているかを掘り下げたレポート marketscale.com
