エンボディドAI（Embodied AI）は、カメラやセンサーで周囲を知覚し、腕や車輪といった身体を動かして環境に働きかけながら課題を解くAIです。日本語では「身体性AI」、中国語では「具身智能」と訳されます。
この記事では、語の意味と読み方、研究の源流、フィジカルAI・生成AIとの違い、2023年以降に相次いだVLAモデル（画像と言語から行動を出力するモデル）の公開状況を、論文と開発元の公式発表をもとに整理します。
まとめ：エンボディドAIの要点
- 読み方は「エンボディドAI」または「エンボディードAI」。embodyは「具体化する」「身体を与える」という動詞で、embodiedはその過去分詞です。
- 研究コミュニティの定義は「環境との相互作用を要する課題を解くエージェント」で、実機ロボットだけでなくシミュレーション内の仮想ロボットも含みます。
- 考え方の源流は、チューリングが1950年に示した「機械に感覚器官を与えて教える」案と、ブルックスが1991年に唱えた「世界そのものをモデルとして使う」主張です。
- 2023年7月のRT-2がVLAという枠組みを示し、π0、GR00T N1、Gemini Roboticsが続きました。「オープン」と発表されたモデルでも、商用利用の可否はモデルごとに異なります。
- フィジカルAIはNVIDIAなどが用いる呼び名で、エンボディドAIと指す範囲はほぼ重なります。NVIDIAの定義はロボットに加えてカメラや自動運転車も対象に挙げています。
エンボディドAIの意味・読み方と日本語訳
embodyは、Merriam-Websterでは「具体的で知覚できる形にする（to make concrete and perceptible）」「身体または身体の一部にする（to cause to become a body or part of a body）」と説明される動詞です。発音はCambridge Dictionaryで英音/ɪmˈbɒd.i/、米音/ɪmˈbɑː.di/。embodiedはその過去形・過去分詞なので、Embodied AIは直訳で「身体を与えられたAI」となります。カタカナ表記は「エンボディド」と「エンボディード」で揺れていますが、指すものは同じです。
研究上の定義は、日本語の解説記事でよく見る「物理的な身体を持つAI」より広く取られています。CVPRのEmbodied AI Workshopの公式サイトは、目標を「ロボットのように、環境との相互作用を必要とする困難な課題を創造的に解くことを学ぶエージェントを作ること」と説明しています。同分野の代表的な基盤であるHabitat（Savvaら、ICCV 2019）も、「写実的な3Dシミュレーション内で身体を持つエージェント（仮想ロボット）を効率よく訓練できる」ことを売りにしていました。
ロボット実機への導入を検討するときは、論文やベンチマークの数字がシミュレーション上のエージェントで測られたものか、実機で測られたものかを区別する必要があります。この前提を知らないと、論文の成功率を実機の成功率と取り違えます。
身体性という考え方の源流：チューリングとブルックス
チューリングは1950年の論文「Computing Machinery and Intelligence」（Mind誌59巻236号）の結びで、機械に知能を持たせる出発点として二つの道を挙げました。一つはチェスのような抽象的な活動です。もう一つは「お金で買える最良の感覚器官を機械に与え、英語を理解して話せるよう教える」道で、子どもに物を指さして名前を教えるように進められると書いています。チューリング自身はどちらが正しいか分からないとし、両方を試すべきだと結んでいます。なお、同論文にembodiedという語は出てきません。「チューリングがエンボディドの概念を初めて提唱した」という紹介は言い過ぎで、正確には「身体側から学ぶ道を選択肢として示した」です。
この考えを研究の主張として打ち出したのが、MITのロドニー・ブルックスが1991年に発表した「Intelligence without representation」（Artificial Intelligence誌47巻1〜3号、139〜159頁）です。ブルックスは、知能システムを段階ごとに完成品として作り、「実際の知覚と実際の行動を伴って現実世界に放つべきだ」と主張しました。さらに、単純な知能には明示的な世界表現がむしろ妨げになるとして、「世界そのものをそのモデルとして使うほうがよい」と結論づけています。
研究者が成果を持ち寄る定期的な場もあります。CVPRのEmbodied AI Workshopは2020年のCVPR併催（シアトル開催の予定がオンライン開催に変更）で始まり、2026年で第7回を数えます。
フィジカルAI・生成AI・従来の産業ロボットとの違い
| 観点 | エンボディドAI | フィジカルAI | 生成AI | 従来の産業ロボット |
|---|---|---|---|---|
| 主な背景 | AI研究（CVPR等） | NVIDIAなど産業側 | LLM・画像生成 | 製造業の自動化 |
| 主な入力 | カメラ・センサー・言語指示 | カメラ・センサー | テキスト・画像 | 教示した位置・手順 |
| 主な出力 | 行動（移動・関節動作） | 行動 | テキスト・画像・コード | 教示どおりの動作 |
| 対象の範囲 | 実機＋シミュレーション | ロボット・自動運転車・カメラ | デジタル空間 | 固定された作業セル |
フィジカルAIとの違いは、技術の違いというより呼び名の違いです。NVIDIAは用語集でフィジカルAIを「カメラ、ロボット、自動運転車などの自律システムが、物理世界を知覚・理解・推論し、複雑な行動を実行または統括できるようにするAI」と定義しています。身体を動かすロボットだけでなく、カメラや自動運転車も対象として明示している点が特徴です。自動運転での使われ方や日本の投資計画はフィジカルAIの仕組みと生成AIとの違いで扱っています。
生成AIとの違いは、比べている軸にあります。生成AIは文章・画像・コードなどを生成する技術の総称で、生成物が現実の環境に働きかけることを前提にしていません。エンボディドAIは、身体を通じて環境に行動し、その結果を次の知覚で確かめながら課題を進めるAIを指します。両者は対立する技術ではありません。RT-2はウェブデータとロボットデータの両方から学習するモデルで、Gemini RoboticsはGemini 2.0に「物理的な行動」を出力の種類として加えたモデルです。いまのエンボディドAIの多くは、生成AIの言語・画像理解を土台にしています。
エンボディドAIの仕組み：VLAモデル・シミュレーション・データ共有
画像と言語から行動を直接出すVLAモデル
Google DeepMindは2023年7月28日にRT-2を発表し、「ウェブデータとロボティクスデータの両方から学習する新しいvision-language-action（VLA）モデル」と説明しました。カメラ画像と「リンゴを取って」のような指示を入力し、ロボットの動作を直接出力する方式です。従来は、認識結果からどう動くかを人が個別にプログラムしていましたが、VLAは「画像と言語指示から動作指令を出す」対応づけを一つのモデルで学習します。出力された動作指令を実際のモーター制御に落とすのは、引き続きロボット側の制御系です。
2025年3月12日のGemini Roboticsでは、役割の違う二つのモデルが同時に発表されました。ロボットを直接動かすVLAのGemini Roboticsと、空間理解に強く既存の低レベル制御系につないで使うGemini Robotics-ER（embodied reasoning）です。すでに制御系が完成している機体に知能を足すならER型、動作まで一貫して学習させるならVLA型、という選び方になります。各モデルの詳細はGemini Roboticsの解説にまとめています。
シミュレーションとワールドモデルによる学習データの補完
実機で失敗を繰り返すと、時間がかかり機体も壊れます。そのため実機での学習を補う手段として、Habitatのような3Dシミュレータや、NVIDIAのIsaac Simが使われます。最近は、ロボットの行動に応じて次の映像を生成するワールドモデルを「学習用の仮想環境」として使う研究も増えており、NVIDIAのDreamDojoはその一例です。シミュレーションで得た方策を実機へ移すときに性能が落ちる差（sim-to-real gap）は今も大きな課題で、ブルックスが1991年に「実際の知覚と行動を伴って現実世界に放て」と主張した論点がそのまま残っています。
ロボットの種類をまたいでデータを集めるOpen X-Embodiment
言語モデルがウェブ上の膨大な文章で学習できるのに対し、ロボットの動作データは機体ごとに一から集める必要があります。この壁に対して、2023年10月に公開されたOpen X-Embodimentは、世界21機関の協力で22種類のロボットの100万件超の実機軌跡（527スキル・160,266タスク）を1つのデータセットにまとめました。既存の60データセットを、カメラの台数や動作の表し方の違いを吸収できる共通形式（RLDS）に変換して集約しています。参加機関には東京大学と理化学研究所も含まれます。論文は、このデータで学習したRT-Xが、他の機体で集めた経験を取り込むことで複数の機体の性能を高める「正の転移」を示したと報告しています。
代表的なモデルと公開状況：「オープン」の中身を分けて確認
| 発表日 | モデル・データ | 開発元 | 公開状況 |
|---|---|---|---|
| 2023年7月28日 | RT-2 | Google DeepMind | 研究発表 |
| 2023年10月 | Open X-Embodiment | 21機関の共同 | データセット公開 |
| 2024年10月31日 | π0 | Physical Intelligence | 2025年2月4日にコード・重み公開 |
| 2025年3月12日 | Gemini Robotics／ER | Google DeepMind | 研究発表 |
| 2025年3月18日 | Isaac GR00T N1 | NVIDIA | 重み公開・非商用限定 |
「オープン」という言葉は、コード・重み・ライセンスに分けて確認する必要があります。Physical Intelligenceはπ0のコードと重みを2025年2月4日にopenpiリポジトリで公開しました。リポジトリのライセンスはApache License 2.0ですが、Gemma由来の部分には利用制限を定めたLICENSE_GEMMA.txtが別に同梱されているため、商用利用を判断するときは両方を確認します。一方、NVIDIAはGTC 2025でIsaac GR00T N1を「オープンで完全にカスタマイズ可能な基盤モデル」と発表しましたが、Hugging Faceで配布されているGR00T-N1-2Bの重みのライセンスは「非商用に限って使用できる」と定め、非商用を「研究または評価目的のみ」と定義しています。研究・評価の目的を超えて、製品やサービスに組み込む使い方は許諾の範囲外です。
2026年に入ってからも、Generalist AIのGEN-1や、全身制御を打ち出したGemini Robotics 2が発表されています。どちらも利用には早期アクセスや提供範囲の制約があるため、採用を検討する場合は各記事で提供条件を確認してください。
中国の政策と日本の業界団体：具身智能とAIロボット協会
中国では、2025年3月5日に第14期全国人民代表大会第3回会議で示された政府活動報告に「生物製造、量子科学技術、具身智能、6Gなどの未来産業を育成する」という一文が入りました。前年2024年の報告全文を検索すると「具身」は0件で、中国のネット行政を担う国家互聯網信息弁公室のサイトも、具身智能と6Gが初めて報告に書き込まれたと伝えています。
日本では、一般社団法人AIロボット協会（AIRoA）が2024年12月に設立されました。目的は「ロボットとAIの融合により、ロボット開発の技術を革新する。それにより、社会におけるロボットの活用を推進する」ことです。国の投資計画としてのフィジカルAIは、前出のフィジカルAIの記事で扱っています。
エンボディドAIを検討するときの判断基準
デモ動画だけで導入を決めるのは避けるべきです。公開されている成功率の多くは、開発元が選んだ機体・物体・照明の条件で測られており、シミュレーションでの値が混ざっている論文もあります。検討の段階では、少なくとも次の点を自社の条件で確かめます。
- モデルの重みが商用利用できるか（GR00T-N1-2Bのように非商用限定のものがある）
- 自社の機体と同じ種類のロボットが学習・評価に使われているか（機体が違えばカメラの台数や動作の表し方も違い、データをそのまま流用できるとは限らない）
- 評価がシミュレーションか実機か、実機なら何回の試行で測ったか
反対に、すでに教示どおりの動作で安定稼働している溶接や塗装のラインに、あえてVLAを入れる理由は薄いと考えます。エンボディドAIの価値が出るのは、置き場所や物の形が毎回変わり、従来のティーチングでは例外処理が膨らむ作業です。
よくある質問
エンボディドAIの読み方は？
「エンボディドエーアイ」または「エンボディードエーアイ」と読みます。embodyの発音は英音/ɪmˈbɒd.i/、米音/ɪmˈbɑː.di/で、第2音節の「ボ」に強勢があります。
エンボディドAIを日本語でいうと何ですか？
「身体性AI」「身体化されたAI」と訳されます。embodyは「身体を与える」「具体化する」という意味の動詞です。中国語では「具身智能」と表記され、2025年の中国政府活動報告にもこの語が登場しています。
エンボディドAIとフィジカルAIの違いは何ですか？
指す範囲はほぼ重なります。エンボディドAIはAI研究の分野名として使われてきた言葉で、シミュレーション内のエージェントも含みます。フィジカルAIはNVIDIAなどが用いる呼び名で、NVIDIAの定義ではロボットに加えて自動運転車やカメラなど、物理世界で知覚・推論し行動する自律システムを対象に挙げています。
エンボディドAIと生成AIの違いは何ですか？
生成AIは文章・画像・コードなどを生成する技術の総称で、エンボディドAIは身体を通じて環境に行動し、その結果を知覚しながら課題を解くAIを指します。分類の軸が違うため、両方に当てはまるモデルもあります。RT-2やGemini Roboticsは、言語・画像を理解するモデルに行動の出力を加えたものです。
シミュレーションの中のロボットもエンボディドAIに含まれますか？
研究上は含まれます。Habitat論文はシミュレーション内の仮想ロボットを「身体を持つエージェント」として扱い、CVPRのEmbodied AI Workshopも実機に限らない定義を採っています。ただし、シミュレーションでの成功率は実機ではそのまま再現されないことが多く、評価結果を読むときは区別が必要です。
