11月18～20日に開催される「EdgeTech+ 2026」では、フィジカルAIを支える技術が注目される。なかでも知っておきたいのが「VLA」だ。
VLAは、ロボットなどが周囲の状況を認識し、人間の指示を理解して行動するためのAIモデルだ。関連する「ワールドモデル」「AIエージェント」「マルチモーダルAI」を理解すると、AIがどのように情報を受け取り、判断し、行動につなげるのかが見えてくる。
●VLAとは何か
VLAは、Vision-Language-Action（ビジョン・ランゲージ・アクション）の略だ。視覚情報と言語情報をもとに、具体的な行動を生成するAIモデルを指す。
例えば、ロボットに「机の上にある赤い箱を持ち上げて」と指示した場合を考えてみよう。ロボットはカメラで机の上を確認し、赤い箱を見つける。そして、指示された作業を実行するために、腕や手をどのように動かすかを決める。VLAは、こうした視覚と言語から動作への変換を、学習したモデルによって実現する技術だ。
従来のロボット制御では、作業内容に応じて動作手順を細かく設定する方法が使われてきた。VLAは、学習した知識を利用し、異なる指示や環境に対応することをめざしている。
●ワールドモデルとは何か
ワールドモデル（World Model）は、周囲の環境や物体の状態、その変化を学習・予測するAIモデルだ。例えば、ロボットが物体を押した場合、その物体がどのように動くかを予測する。自動運転では、周囲の車両や歩行者の動きを予測する技術にも関係する。
エヌビディアは、フィジカルAIの開発を支える世界基盤モデル「Cosmos」を展開している。Cosmosは、物理世界の状況を反映した映像やデータを生成し、ロボットや自動運転車のAI開発、学習、検証を支援する技術だ。
ワールドモデルは、現実世界で起こり得る変化を予測したり、仮想環境で再現したりするために利用できる。VLAが視覚や言語から行動を生成する技術であるのに対し、ワールドモデルは環境の状態や変化を予測する点に特徴がある。両者は組み合わせて利用できるが、VLAにワールドモデルが必ず必要というわけではない。
●AIエージェントとは何か
AIエージェント（AI Agent）は、与えられた目標に向かって、必要な作業を判断し、実行するAIシステムだ。例えば、「倉庫内の商品を指定された場所へ運ぶ」という目標を与えられた場合、作業の順序を決め、必要なシステムを利用しながら処理を進めることが考えられる。
AIエージェントは、必ずしも身体を持つわけではない。情報検索やソフトウェア操作など、コンピューター上の作業を実行するものもある。いっぽう、ロボットなどの機械と結び付くことで、現実世界で作業するシステムにも応用できる。フィジカルAIとの関係では、目標を達成するための計画や作業の管理を担う技術として理解できる。
●マルチモーダルAIとは何か
マルチモーダルAI（Multimodal AI）は、画像、音声、文章など、異なる種類の情報を組み合わせて処理するAIだ。
「モーダル」は情報の種類を意味する。例えば、カメラの映像と音声による指示を同時に理解するAIが該当する。自動車やロボットでは、カメラ画像、音声、各種センサーの情報など、複数の情報を扱う必要がある。マルチモーダルAIは、こうした異なる情報を統合して理解するための技術だ。
VLAも、視覚と言語という異なる種類の情報を扱う点で、マルチモーダルAIと関係が深い。ただし、マルチモーダルAIのすべてが動作を生成するわけではない。
Alの知能の流れ（「見る」「理解する」「予測する」「行動する」）
●4つの技術はどうつながるのか
4つの技術を、ロボットの作業に当てはめてみよう。
まず、マルチモーダルAIによってカメラ画像や言語指示などを扱う。次に、ワールドモデルを利用すれば、周囲の環境がどう変化するかを予測できる。AIエージェントは、与えられた目標に向けて作業を計画し、必要な処理を進める。そしてVLAは、視覚情報や言語指示を具体的な動作につなげる。
実際のシステムでは、これらの機能がひとつのモデルに統合される場合もあり、必ずしも別々の技術として実装されるわけではない。エヌビディアは、ヒューマノイド向けの「Isaac GR00T」や世界基盤モデル「Cosmos」などを通じて、フィジカルAIの開発を進めている。
AIが情報を認識するだけでなく、周囲の変化を予測し、具体的な行動につなげることが、フィジカルAIの重要な特徴だ。EdgeTech+ 2026では、AIモデルそのものに加え、こうしたAIをロボットや産業機械などの実際のシステムで動かすための技術にも注目したい。
具体例：ロボットの作業の場合●EdgeTech+ 2026開催概要
EdgeTech+ 2026は、11月18～20日に神奈川県横浜市のパシフィコ横浜で開催される、組込みシステムやエッジテクノロジーに関する展示会だ。主催は組込みシステム技術協会（JASA）。会場では、組込みハードウェア、ソフトウェア、AIなどの技術が紹介される。
EdgeTech+ 2026【キーワード】
Vol. 1 「フィジカルAI」って何？ 似ている4つの基本用語
○フィジカルAI
○Embodied AI
○Embedded AI
○エッジAI
4つの用語を理解することで、自動運転車やロボット、産業機械などの展示が、どのような技術によって成り立っているのか見えてくる。
Vol. 2 「VLA」って何？ AIが判断し行動する技術
○VLA
○ワールドモデル
○AIエージェント
○マルチモーダルAI
VLAは、ロボットなどが周囲の状況を認識し、人間の指示を理解して行動するためのAIモデルだ。それに関連するワードも。
Vol. 3 「Sim-to-Real」って何？ AIを動かす実装技術＜予告＞
○Sim-to-Real
○デジタルツイン
○オンデバイスAI
○NPU
フィジカルAIの実用化を理解するうえでは、AIモデルの性能だけでなく、開発したAIを実際の機械で動かすための技術にも注目したい。
Vol. 4 「E2E AI」って何？ 自動運転を支える技術＜予告＞
○E2E AI
○センサーフュージョン
○TinyML
フィジカルAIの応用分野のひとつが自動運転だ。自動車産業の視点から注目したい3つの技術だ。
