エンボディードAIとは、AIに身体を与え、現実世界で手を動かして働かせる技術路線です。チャットや文章作成、画像生成だけでなく、カメラやロボットアーム、車輪といった身体で環境を感じ取り、行動し、その結果を現実に引き受けます。身体のないモデルがいくら賢くても、画面の中で考えているだけです。エンボディードAIに求められるのは、考えたうえで動くこと、間違えたら修正することです。その技術基盤は、マルチモーダル基盤モデル、視覚・言語・行動モデル(VLA)、そしてワールドモデルです。
従来のロボットや純粋なソフトウェアエージェントとの違い
従来のロボットは、ほとんどが固定のプログラムで動きます。掃除ロボットは道を覚え、ロボットアームは決まった軌道でつかみますが、環境が変わるとうまく動きません。純粋なソフトウェアエージェントはその逆で、ネットで調べ、コードを書き、航空券を予約できますが、現実の物体には一切触れられません。エンボディードAIはその中間に位置します。大規模モデルが認知を担い、身体が実行を担い、知覚・判断・行動が閉じたループになります。たとえるなら、チャットモデルは頭だけの参謀、従来のロボットは考えずに手を動かす作業員、エンボディードAIは頭も手も使う見習いであり、現実のやり取りから学びます。
2026年、どれほど熱いのか
エンボディードAIは政府活動報告に続けて盛り込まれ、「第十五次五カ年計画」でも方向性が定められました。清華大学と中国情報通信研究院が2026年10月に発表した『エンボディードAI発展報告』によると、2026年上半期の国内関連融資は約935億元で前年同期の約5倍、上半期の世界の人型ロボット出荷は2.2万台を超え、全国に70以上の訓練場が整備され、国内関連企業は405社に上ります。資金、政策、出荷の3本の線が同時に上向いていることが、今年何度も話題になる理由です。
冷静な側面:出荷は稼働を意味しない
盛り上がりの裏には、認めるべき3つの現実があります。第1に、相当数の機器は月平均の稼働日数が10日に満たず、買われても展示場や倉庫に置かれたままで、工場や家庭で実際に働いているものはまだ少ないことです。第2に、本体価格はライフサイクル全体のコストの4〜6割にすぎず、導入、保守、訓練データの費用のほうが大きくなります。第3に、環境が変わるとモデルの性能は大きく落ちます。制御されたデスク上での操作ベンチマークは飽和に近い一方、擾乱のある現実環境では性能が一般に30%を下回ります。繊細な操作、長い多段階タスク、オープンな意味理解を伴う対話は、依然として弱点です。
ですからエンボディードAIを見るときは、発表会のデモだけを見てはいけません。本当の問いは、リハーサルなしの環境で、ひとつの仕事を最初から最後までやり遂げられるかどうかです。できれば世界を本当に理解していることになり、できなければ「動ける」段階にとどまり、「働ける」段階には達していません。