SUPERB AI.

― Physical AI時代を支えるAIデータファクトリーの成果 ―

Physical AI時代に求められる「AI学習データ構築」

近年、Physical AI（フィジカルAI）やロボティクスの進化により、サービスロボット、自律搬送ロボット、産業用ロボットなど、現実世界でAIが動作する機会が急速に増えています。

しかし、ロボットの性能を決定づけるのはAIモデルだけではありません。

最も重要なのは、現実世界を理解するためのAI学習データです。

現在、Web上には画像やテキストは数多く存在しますが、ロボットが学習できる

• 3D空間
• 人の動き
• 物体の可動情報

まで含めたAIデータセットはほとんど存在していません。

そこでSuperb AIは、Physical AI向けデータ生産基盤「Physical AI Data Factory」を構築し、ロボットが学習できる高品質なデータを生成しています。

Foundation Model時代に必要なのは「データ」

Foundation Modelの性能向上に伴い、AI開発の競争はモデルそのものからデータ品質へと移っています。

特にPhysical AIでは、

• ロボットがどこにいるのか
• 何を見ているのか
• どのように行動するのか

を学習する必要があります。

そのためには、

• 3D空間
• 4D行動
• インテリジェントオブジェクト

を統合した高品質なAIデータセットが不可欠です。

Superb AIは、Foundation ModelとMLOpsを支えるデータ基盤として、このPhysical AI Data Factoryを開発しています。

🔗 関連ブログ: Superb AI「独自AI基盤モデル開発プロジェクト」フェーズ2：デジタルツイン資産化

Physical AI Data Factoryとは？

実世界のデータを収集し、デジタルツイン環境を構築し、ロボットシミュレーション用のSynthetic Data（合成データ）を大量生成するAIデータファクトリーです。

データ生成は次のような流れで行われます。

1. 実環境を高精度に撮影・計測
2. 3D Gaussian Splattingでフォトリアルな空間を生成
3. 人の行動を4Dデータとして解析
4. 家具・設備をインタラクティブなオブジェクトへ変換
5. NVIDIA Isaac Simへ統合
6. ロボットシミュレーションを実施
7. Synthetic Data（合成データ）を大量生成
8. Foundation ModelやVision AIの学習へ活用

この一連のプロセスを効率化することで、AI学習データ構築を大規模かつ継続的に実現します。

図1. Physical AI Data Factoryの構造：実世界データの収集、デジタル化、大量生成、品質管理のプロセス

要約

• 高精度な3D空間アセット50件を構築 実際の住宅環境を再現した3D空間データを構築。背景には3D Gaussian Splattingを活用し、ロボットが操作するインタラクティブなオブジェクトには物理メッシュを組み合わせたハイブリッド構造を採用。現実世界のスケールや床面形状に合わせた、ロボットシミュレーション向けの高精度なデジタルツイン環境を構築しました。
• 家庭内行動を再現する4D行動アセット5,000件を構築 食器洗い、掃除、整理整頓などの家庭内動作を対象に、7,500件の記録シーケンスから品質評価を行い、5,000件の4D行動データを選定。**SMPL（人体モデル）**を用いて人体形状と姿勢情報を分離し、データ処理パイプラインでは98%以上の処理成功率を達成しました。
• ロボット操作対象となるインテリジェントオブジェクト10,000件を構築 ロボットが頻繁に操作する生活用品を対象に、10,000件のオブジェクトアセットを作成。冷蔵庫、洗濯機、引き出しなど8種類の対象物について、ピクセル単位のセグメンテーションと可動構造（Articulated Model）のモデリングを実施しました。
• Synthetic Data生成パイプラインの検証を開始 構築した3D空間・4D行動・オブジェクトアセットをNVIDIA Isaac Simへ統合し、Synthetic Data（合成データ）生成パイプラインのPoC（概念実証）を実施。現在、10,000枚のSynthetic Image生成を進めています。
• 次のステップ：フェーズ3（2026年下半期）へ 次フェーズでは、言語情報と行動データを統合したマルチモーダルAI学習環境の構築を目指します。これにより、ロボットが「見る」「理解する」「行動する」能力をさらに向上させるPhysical AI基盤の発展を推進します。

計画と成果

今後公開予定の技術解説シリーズでは、それぞれのアセットがどのように構築されたのかを詳しく紹介します。

全4回の記事を通じて、行動アセット・空間アセット・オブジェクトアセットの生成プロセスや、これら3種類のデータがどのように統合され、Physical AI向け学習データ基盤を形成するのかを解説します。

3種類のデータアセット構築プロセスを解説する全4回のシリーズ

なぜ「空間・行動・オブジェクト」が重要なのか

Physical AIやロボティクスにおいて、ボトルネックとなるのはAIモデルではありません。

高品質なAI学習データです。

ロボットは、

• 自分がどこにいるのか
• 何を見ているのか
• どのように動くべきか

を理解しなければなりません。

そのためには、

• Space（空間）
• Behavior（行動）
• Object（オブジェクト）

という3種類のデータが必要です。

これらを組み合わせることで、デジタルツイン上に現実世界を再現し、ロボットシミュレーションを通じて大量のSynthetic Data（合成データ）を生成できます。

Vision AI・Physical AIを支えるMLOps

高品質なAIデータセットを構築するだけでは十分ではありません。

継続的なAI開発には、

• データ管理
• アノテーション
• 品質管理
• モデル学習
• デプロイ

まで一貫して管理するMLOpsが重要です。

Superb AIは、Vision AI開発からPhysical AI向けデータ構築までを統合的に支援し、企業のAI開発を加速します。

世界で進むPhysical AI時代のデータ基盤構築

Physical AIの実現に向けた取り組みは、世界中で加速しています。

中国では政府主導でロボット学習環境の整備が進み、40以上のロボットトレーニング拠点が設立されています。また、AgiBotは100万件以上の実ロボット操作データを含むオープンソースデータセットを公開し、ロボット学習データの共有を推進しています。

欧州でも、Physical AI向け研究・開発基盤への投資が拡大しています。ドイツでは、ミュンヘン工科大学とNEURA Roboticsが、1,700万ユーロの投資を受け、欧州最大級のPhysical AIトレーニングセンターの開設を進めています。

これらの動きが示すように、次世代AIの競争領域はAIモデル開発だけではなく、現実世界を理解し行動するための高品質な学習データの構築へと移行しています。

よくある質問（FAQ）

なぜ地域ごとの実環境データが必要なのですか？

ロボットは実際に動作する環境を学習する必要があります。住宅や施設の構造、家具の配置、生活様式は地域によって異なるため、現地環境を反映したAIデータセットが重要です。

Synthetic DataだけでAIを学習できますか？

いいえ。

Synthetic Data（合成データ）は実データを置き換えるものではありません。

高品質な実環境データから構築したデジタルツインを基盤とすることで、現実に近いSynthetic Dataを大量生成し、AIモデルやFoundation Modelの性能向上を支えます。

まとめ

AIモデルだけでは、高性能なPhysical AIやロボティクスは実現できません。

今後の競争力を左右するのは、

高品質なAI学習データ構築、デジタルツイン、Synthetic Data、MLOpsを組み合わせたAIデータ基盤です。

Superb AIは、3D空間・4D行動・インテリジェントオブジェクトを統合したPhysical AI Data Factoryを通じて、Vision AI、ロボティクス、製造業、物流、自律システムなど幅広い分野における次世代AI開発を支援しています。

Physical AIやロボット向けAI学習データ構築をご検討中の企業様は、ぜひSuperb AIまでお気軽にお問い合わせください。