アイベックス、産業用Physical AIの量産解決策を提示…「PoCを超え現場適用」

アイベックスは、製造現場のAI実証を実際の量産適用へとつなぐ技術戦略を公開した。戦略の範囲はセンシング・認識・機構・制御・運用の統合であり、現場データを活用してAI性能を継続的に改善する構想を明らかにした。

こうした問題意識の下、アイベックスは11日、ソウルのウェスティン・ソウル・パルナスで初の年次AIフォーラム「AIVEX FRONTIER 2026」を開催した。イベントは毎日経済メディアが共同主管し、会社側の説明では産業界・学界・投資業界の関係者約300人が参加した。

フォーラムのテーマは「Enterprise AIからPhysical AIまで」であり、企業のAI転換戦略と産業現場への適用方法を扱った。発表にはBCG・Palantir・ソウル大学・Upstage・LG電子・Vessel AIの専門家が参加した。

アイベックスの成民洙代表が基調講演を行った。成代表は、製造現場のPhysical AIがPoCから実際の量産へ移行できない背景を、技術と運用体系の分断に求めた。

同代表は、光学・AIモデル・機構・制御をそれぞれ異なる企業が担当する構造が原因だと指摘した。このような構造では問題が発生した際に責任の所在が不明確になり、責任の不明確さに伴う対応の遅れが生じると説明した。

成代表は量産過程の事例として、カメラ保護装置による映像品質の低下、機構部の故障、設備間通信の問題を挙げた。AIモデルの性能が優れていても、周辺設備や運用体系で問題が発生しうるとし、こうした周辺設備・運用体系の問題が生産ライン全体に影響を及ぼすと説明した。

これに対しアイベックスは、解決策として5つの技術層を自ら開発し、統合運用する方式を推進していると明らかにした。5つの技術層はセンシング(L1)、認識(L2)、機構(L3)、制御(L4)、学習・運用(L5)で構成される。

発表では、現場データを活用したAIモデル改善体系も紹介した。量産ライン適用ビジョン基盤モデルを基に、単一モデルで数千種類を検査する方式も提示した。この過程で、学習データの使用量は従来比で36分の1に削減したと説明した。

続いて、検査過程で収集したデータを選別し、AIモデルを再学習した後に生産ラインへ再配布する構造を説明した。これにより、量産ラインで得られるデータを再び学習に反映させ、モデルを継続的に高度化する「Closed-loop」運用体系を提示した。

この運用体系は現場設備と学習サーバーの接続を基盤とし、検査対象や生産環境が変化してもモデルを継続的に改善する方式として設計されたと明らかにした。成代表は、光学・モデル・機構・制御・運用が分離されると、PoCの性能を量産現場で実装することが難しくなると説明した。

成代表は、アイベックスが5つの技術層を自ら開発してきたと明らかにした。また、1社が最後まで責任を負う体系が必要だと説明した。これは、技術要素の統合開発と単一責任体系を通じて当該運用構造を可能にする条件として示された。

続いて企業AIに関する発表も行われた。この場では、技術導入そのものより実際の経営成果の確保が重要だという意見が提起され、企業AIの成果格差に言及した。あわせて、業務再設計と運用効率が強調された。

BCGの金志勲代表パートナーは、企業ごとのAI活用水準の違いによる成果格差を診断した。BCGの「AI Utilization Index 2026」の調査結果を根拠に、企業のAI活用成熟度の差が実際の成果差につながっていると説明した。今回の調査は世界の企業上級経営陣1330人を対象に実施され、AI活用成熟度の最高段階である「future-ready」企業の割合は7.5%となった。また、AI活用の拡大と成果創出を実現する企業の割合は41%と集計された。

金志勲は、既存業務にAIツールを追加する方式だけでは十分な投資収益率を確保しにくいと指摘した。これにより、AIを業務に付け加えるのではなく、業務自体をAI中心に再設計する必要があると明らかにした。あわせて、AI中心の業務手順の再設計が必要だと説明した。

金志勲は、AI中心の組織構造の再設計も必要だと明らかにした。また、企業固有の知識・意思決定基準を反映した「Enterprise IQ」の構築が必要だと示した。核心は、AIが自社の文法に基づいて判断できるかどうかにあると説明した。

Palantir Technologies Asia-Pacific(APAC)のコマーシャル部門責任者、閔世勲は、AI投資の必要条件として売上増加・収益性改善・コスト削減などの経営成果との連動を提示した。単純な業務自動化の限界を指摘し、企業の核心的問題を把握する必要性を強調した。

閔世勲は、AI投資が実質的な成果につながるためには、解決しようとする問題を再定義することに大きな努力を投じるべきだという趣旨で説明した。また、問題解決の方式を決定する主体はリーダーシップだと明らかにし、それに合わせて意思決定方式と実行方式の変化が必要だと説明した。

同氏はこれを支える技術として、企業データ・業務ロジック・意思決定・実行をつなぐOntologyを提示した。Ontologyは、サプライチェーン管理で構築したデータ・運用体系を品質管理など他の業務に再利用する方式で活用され、これを通じてAI適用範囲を拡大することを目的としていると説明した。

あわせて、企業AIの拡散に伴うインフラ構築・運用コストの問題も議論の対象に含まれた。安在万Vessel AI代表は、データセンター・GPU・電力・データ活用で構成されたAIファクトリーを説明し、これをAIモデルの学習・推論サービスを提供する企業AIの生産基盤と位置づけた。

Vessel AIは、国内データセンターを基盤に大規模AI学習・推論用GPUクラウドサービスを提供するNeocloud企業である。安代表はAIファクトリーを知能生産基盤と位置づけた。

安代表は、企業別のAIモデル・エージェント開発需要が増えているとして、それに伴い演算資源の確保が重要であり、演算資源を効率的に運用することも重要だと強調した。

その後のPhysical AIセッションでは、商用化の課題が提示された。このセッションでは、実際の環境で発生する例外状況と学習データ不足を主要課題として挙げた。

ソウル大学の金建煕教授は、Physical AI商用化の主な障害として学習データ不足を指摘した。自動運転車・産業用ロボットは、天候・照明・作業対象の位置など多様な環境変化に対応しなければならないと説明した。続けて、あらゆる状況に対応できるデータを実際の現場で確保するのは難しいと明らかにした。

金教授は、Physical AIの最大のボトルネックとしてデータ不足を挙げ、データ収集を拡大しても不足は続くと明らかにした。これに対する解決技術として「World Action Model(WAM)」を紹介した。

WAMは、World modelとVision-Language-Action model(VLA)を組み合わせた構成である。World modelは現実世界の変化を予測する機能を担い、VLAはロボットの行動を生成する機能を担う。この方式は、大規模映像を基盤に物理的環境を事前学習する構造であり、これにより従来のVLAよりも少ない作業データでロボットを学習させることができると説明した。

アイベックスのAI Robotics Group Leader、朴志勲は、ヒューマノイドのデモ性能と実際の製造現場で求められる水準の間に隔たりがあると指摘した。研究段階の高性能AIモデルも、生産ラインに適用するには作業成功率と速度、品質、運用コストを満たさなければならないと説明した。アイベックスはこれに対する方式として「混合制御」を提示し、これは従来のロボットティーチングとビジョンベース制御、Vision-Language-Action model(VLA)を組み合わせた構成である。アイベックスは、部品をつかんで移動する過程には従来の制御技術を活用し、精密締結作業にのみAIを適用することで、学習データ確保にかかる時間と費用を削減できると説明した。

朴リーダーは、産業用ロボットの目標は人間を模倣することではなく、必要な作業を効率的かつ安定的に遂行することにあると明らかにした。また、AI適用方針については、従来方式では解決が難しい作業に限定するという基準を示した。

続いてアイベックスは、統合制御プラットフォーム「AIVot」と現場データ収集装置「AMI」を紹介した。「AIVot」はロボットメーカーを問わず設備を連動でき、作業経路のシミュレーションや障害物回避、ビジョンベース制御を支援する。「AMI」で確保したデータは産業用VLAモデル開発に活用する計画だと明らかにした。

その後、ロボットの形態と設計方向についての議論が行われた。UCLA機械航空工学科教授でありロボット研究所ロメラ所長でもあるデニス・ホンは、人間向け環境では人間に近い形態が有利になりうると説明した。ただし、構造的複雑性・エネルギー効率・安定性・コストを考慮すると、人間の姿を模倣することは必須ではないと付け加え、ロボットは外形よりも作業目的と環境に合った設計が重要だという見方が示された。

LG電子AI Home Solutions事業開発担当の呉範俊常務は、LG電子のAI活用による住空間・建物運営戦略を紹介した。呉範俊は、LG電子がAIホームハブ「ThinQ ON」、モジュラー住宅「Smart Cottage」、企業向けプラットフォーム「ThinQ Pro」を運営していると説明した。続いて、LG電子が家電製品と空間管理サービスを連携させる方式を提示した。

このうちThinQ Proは、アパートやコンドミニアムなどの住宅施設の家電を統合管理し、異常兆候の検知と保守業務を支援すると説明された。LG電子はここにAIエージェントを組み込む計画だ。AIエージェントを組み込む目的は、空間運用の自動化範囲を拡大することにある。

呉範俊は、スマートホームでは音声機能やGPTの搭載だけでは体感価値が限定的だと明らかにした。同氏は、顧客の時間の還元とコスト削減に集中していると説明した。今回のフォーラムでは、企業AI導入の経営成果と産業現場適用のための技術的・運用上の課題が提示された。

フォーラムでは、今後の産業AI拡散の条件として、モデル性能のほかデータ確保、既存設備との連携、運用コストの効率管理が重要である点が示された。あわせて、アイベックスは検査・ロボット・MLOpsを結合したClosed-loop運用体系を保有していると紹介された。ただし、アイベックスには量産現場での技術安定性・経済性の立証が必要であり、アイベックス事業拡大の鍵も量産現場における安定性・経済性の立証であることがあわせて示された。

出典：TECHWORLD · キム・スンギ 原文：https://www.epnc.co.kr/news/articleView.html?idxno=409683

参考資料

• https://www.epnc.co.kr/news/articleView.html?idxno=409683