生成AIとフィジカルAIの違いは？初心者が「頭と体」で整理してみた

※本記事にはPR（アフィリエイト広告）を含みます。

ChatGPTに質問すると、数秒で長い文章が返ってきます。画像を頼めば、それっぽい絵も描いてくれます。

すごい。本当にすごい。

でもある日、ブログを書きながらふと思いました。

「この子、コップ1つ持てないんだよな。」

どれだけ賢くても、画面の外には手が出せない。ところが、フィジカルAIについて調べ始めると、まさにその「画面の外」に出ようとしているAIの話ばかり出てきます。

同じ「AI」なのに、何が違うんだろう？

この記事では、生成AIとフィジカルAIの違いを、勉強中の僕が調べた範囲で整理します。専門家の解説ではなく「初心者がこう理解した」というノートなので、一緒に学ぶつもりで気軽に読んでください。

生成AIとフィジカルAI、一言でいうと何がちがう？

生成AIは、もうすっかり身近になりました。

どれも、学習したたくさんのデータをもとに**新しい文章や画像を「作り出す」**のが得意です。僕もこのブログを書くときに、だいぶお世話になっています。

ただ、生成AIの仕事はすべて画面の中で完結します。料理のレシピは完璧に教えてくれても、キッチンに立って作ってはくれません。体がないからです。

フィジカルAIは、その「画面の外」に飛び出したAIです。

AI向け半導体で有名なNVIDIAは、フィジカルAIを運動能力を使って現実の世界を理解し、関わっていくAIのモデルと説明しています。

もう少しかみくだくと、フィジカルAIはこんな流れで動きます。

活躍の場は、工場や倉庫のロボット、人の形をしたヒューマノイドロボット、自動運転の車など。共通しているのは、現実の世界で体を動かすという点です。

ちなみに、調べて少し意外だったのが、「フィジカルAI」という言葉の意味がまだ人によってブレていること。AIの「頭脳（モデル）」のことを指す人もいれば、ロボットなどの「機械そのもの」を指す人もいます。新しい言葉なので、まだみんなで呼び方を探している途中、という感じのようです。

ここで僕は、また疑問がわきました。

「工場のロボットなんて、昔からあるよね？」

調べてみると、昔からある工場ロボットの多くは、人間が決めた動きを、正確に何万回もくり返すのが得意なタイプです。同じ場所にある部品を、同じ動きで、ひたすら組み立てる。それはそれで、すごい技術です。

ただし、部品の置き場所がちょっとズレただけで、うまくいかなくなることもあります。台本にないことは苦手なんですね。

フィジカルAIは、そこが違います。部品がズレていても、カメラで見て「あ、ちょっと右にあるな」と判断して、動きを変えられる。初めて見る物でも、なんとか扱おうとする。

たとえるなら、

です。本番中にハプニングが起きても、なんとかしてくれる方です。頼もしい。

調べていて一番おもしろかったのが、この2つがライバルではなく、つながっているという話です。

GoogleのAI研究チーム（Google DeepMind）は2025年3月、「Gemini Robotics」というAIを発表しました。これは、チャットなどで使われるGeminiというAIをもとに、出力の種類に「体の動き」を追加して、ロボットを直接動かせるようにしたものです。

こうしたAIは、**「見る（Vision）」「言葉（Language）」「動き（Action）」**の頭文字をとって、VLAモデルと呼ばれています。

つまり、

という違いです。発表では、折り紙を折ったり、お菓子を袋に入れてチャックを閉めたりといった、細かい作業ができる様子が紹介されていました。

「この紙を折って」と話しかけると、ロボットが実際に折ってくれる。生成AIの「言葉が分かる頭」が、そのまま体を手に入れたようなイメージです。

NVIDIAのジェンスン・フアンCEOは、2025年1月の家電・技術の見本市CESで、AIの進化を波にたとえて説明しました。生成AIの次にAIエージェント（自分で作業を進めるAI）、そしてその先に、見て・考えて・計画して・動くフィジカルAIが来るという見立てです。

さらに、ロボットにもChatGPTが登場したときのような大きな転換点がもうすぐ来るとも話していました。

兄（生成AI）が言葉を覚えて賢くなったおかげで、弟（フィジカルAI）が体を動かせるようになってきた。僕は、そんな兄弟のような関係だと理解しました。

最後に、ここまでの内容を表にまとめます。