「車がいつ故障するかを予測してほしいと言われても、渡されたのが10万時間分の完璧な走行データだけなら、私には何も見えない」。CoreWeaveのフィジカルAI担当シニアバイスプレジデント(SVP)リチャード・アールフェルト(Richard Ahlfeld)氏は、Superintelligenceが2026年10月4日に掲載した書面インタビューでこう語りました。

そもそもフィジカルAIの意味

フィジカルAIは現実世界で動作するAIで、自動運転車、工場ロボット、人型ロボット、設備の故障予測などが該当します。扱うのはセンサー、カメラ、試験台、テレメトリー(稼働中の機器が随時送ってくる計測値)のデータです。判断を誤れば衝突、停止、設備の損傷につながります。

正常運転のデータだけでは、モデルは故障を予測できない

AI計算資源のクラウド企業CoreWeaveは2026年9月10日、「Physical AI Field Engineering」サービスを開始しました。自動車、航空宇宙、機械分野出身のエンジニアが顧客チームに常駐し、試験台の結果、シミュレーション出力、生産ラインのセンサー、リアルタイムのテレメトリーでモデルを構築します。チームと手法は、CoreWeaveが2025年に買収したエンジニアリングAI企業Monolithに由来します。

Monolithの創業者で、現在はCoreWeaveのフィジカルAI担当SVPを務めるアールフェルト氏は、率直にこう語ります。最もよくある失敗は、「本当に重要な瞬間を一度も含んでいない訓練データ」です。10万時間分の完璧な走行データがあっても、一度も現れていない故障は補えません。

NEURA Gym:毎日一巡するデータのループ

同氏は顧客であるNEURA Roboticsの例を挙げます。NEURA Gymには約100のセル(作業区画)があり、ロボットが顧客の実際のタスクに挑みます。ループは毎日一巡します。結果を評価し、収集すべきデータを決め、収集し、学習させ、シミュレーションで検証し、再び実機のロボットでテストします。

結論は、データの量より適切なデータを見つけることが重要だという点です。現場エンジニアはドメイン知識をもとに、どの「エッジケース」(めったに起きないが、起きれば大きな問題になる状況)を合成データで補うべきか、どの異常が意味のあるシグナルかを判断します。このループは毎日、手元のデータに重要な瞬間が欠けていないかを確かめています。

NEURA Gymの毎日のデータループを示すイメージ図
毎日一巡するデータのループ

75回の改良で、30秒以内の判断が可能に

もう一つの例は、アストンマーティン・アラムコF1チームの無線認識システムです。7時間分の注釈付き音声をもとに75回の改良を重ね、エンジン音、時速300kmの風切り音、多言語のドライバー、チーム内の略語に対応できるようにしました。

各バージョンはWeights & Biases Weaveで単語誤り率(認識結果のうち誤った単語の割合)と大規模言語モデルによる品質評価を使って検証され、カタールとアブダビの本番レースで試験運用した後に全面導入されました。以前は数分かかった問題を、30秒未満のピットイン時間内に処理できるようになりました。インタビューでは誤り率が公表されていないため、「75回」と「30秒」はプロセスと結果を示すにとどまり、精度は示していません。

合成データの前に、まずシミュレーションを検証する

現実世界の重要な瞬間はまれで記録もしにくいため、業界ではシミュレーターや、リアルな場面を生成する「世界モデル」で合成データをつくって補います。アールフェルト氏の第一のルールは、まず管理された実測データでシミュレーションを十分に検証することです。同氏は合成データを2つに分けています。

合成データで補える項目と実測が必要な項目の比較図
合成データと実測の役割分担

例として挙げたのは訓練中の人型ロボットです。元データには暗所の映像がわずかしかなく、直射日光の映像はまったくなかったため、タスクは失敗しました。チームはNVIDIA Cosmosの世界モデルでそうした照明条件の映像を補い、再学習後は両方の状況に対応できました。同氏は、成功したのは照明が世界モデルの得意分野だったからだと強調し、接触、材料の挙動、摩耗の問題は実機試験に戻る必要があるとしています。

臺灣にとっての意味

エネルギー実証サイトで試運転の異常を記録するエンジニアのイメージ図
試運転中の異常データ

臺灣のエネルギー転換は実証と試運転が多い段階にあり、CCS、水素、新型発電設備などが最初の現場データを蓄積しています。試運転で出る異常は、10万時間分の正常データに欠けている部分にあたります。参考になる取り組みは3つです。

  • 異常データを残す:試運転中の異常、停止、運転限界付近の条件を、定常データだけでなく体系的に記録する。

  • シミュレーションを検証してからデータを補う:実測でシミュレーションを信頼できる範囲を確かめる。地下流体や材料腐食など精度が下がる領域では、現場試験が引き続き必要。

  • AIの提案は人が確認する:アールフェルト氏は、物理システムに対するAIの提案はすべて人が審査し、追跡可能な記録を残すべきだとしており、発電所や実証サイトにも当てはまります。

出典(5)

出典