アトムが豊洲にフィジカル AI の学習データ拠点を開設｜自社ヒューマノイドで視覚・触覚・力覚データを生産、2027 年末に常時 200 台を目指す（同社発表）【AI活用事例】

要約

国産ヒューマノイド AI ロボットを開発するスタートアップ、株式会社アトムが、東京・豊洲に フィジカル AI の学習データを生産する開発拠点「アトム フィジカルAIファウンドリ」 を開設しました（公式発表 2026-08-26）。自社開発のヒューマノイドを人が遠隔操作して作業を実演し、そこで生じる 視覚・触覚・力覚のデータ を生産して、AI の学習と機体の改良に還元します。

この事例から学べるのは完成したロボットの成果ではなく、AI に現実の作業を学ばせるためのデータを、どう設計して集めるかです。公式発表から読み取れるポイントは次の 3 つです。

• データそのものを「生産」する: 計算資源を集めるだけでなく、実機を人が遠隔操作して作業データを作る施設
• 機体と AI を一緒に改良する: データを AI の学習と機体の改良の両方に還元し、改良した機体を再び現実で検証する
• 数値はすべて目標・計画段階: 2027 年末に常時 200 台、累計 30 万時間、2027 年の市場投入・量産開始はいずれも目標

本記事は 公式プレスリリース（2026-08-26）を一次ソースに、事実の整理と Links-Create の分析・研修用の演習を分けて解説します。演習の例は研修用の提案であり、アトムが実施した事実ではありません。 本事例は導入効果の事例ではなく、量産前の開発拠点の開設事例です。

何が発表されたか（公式情報ベース）

発表主体はアトム自身であり、数値も同社による発表値（多くは目標値）です。この点を前提に読んでください。

アトム フィジカルAIファウンドリの概要

項目	内容
運営	株式会社アトム（2025 年 11 月設立。ヒューマノイド AI ロボットとフィジカル AI 基盤モデルをいずれも自社で開発）
所在地・開設	東京都江東区豊洲。2026 年 8 月開設（発表 2026-08-26）
面積	約 1,700㎡。2027 年前半に約 1,000㎡を拡張し、約 2,700㎡へ（計画）
稼働台数	2027 年末に常時 200 台（目標）
データ生産目標	累計 30 万時間（目標）
機能	学習データの収集・生成、AI モデルの学習・評価、実機検証、機体改良
ロボット	自社開発の五本指・双腕・二足歩行のヒューマノイド AI ロボット
製品化	2027 年の市場投入・量産開始を目指す

何のデータを、なぜ集めるのか

公式発表は、世界で蓄積が進むロボットデータは二本爪のグリッパーによるものが主流で、指先が対象物にどう触れ、どの程度の力で保持しているかという情報を含まないと指摘しています。一方で製造や物流の現場で人手が最も足りないのは、小さな部品をつまんで組み付けるような、力加減を伴う繊細な作業だとしています。

そこで本拠点では、実機を人が遠隔操作して現実の作業を実演し、そこで生じる視覚・触覚・力覚のデータを生産します。製造・物流の実作業を模擬した環境で、つかむ・運ぶ・はめ合わせるといった、どの現場にも共通する基本動作を、条件をそろえて繰り返し記録できるとしています。

垂直統合型の開発サイクル

実機から得たデータを AI の学習と機体の改良に還元し、改良した機体を再び現実世界で検証する。この循環を大規模かつ高速に回すことが拠点の目的とされています。代表取締役社長の青木 俊介氏は、公式発表のコメントで次のように述べています。

「ヒューマノイドロボットの実用化には、AIとハードウェアのどちらか一方を磨くだけでは十分ではありません。」 — 出典: 株式会社アトム 公式プレスリリース（2026-08-26、代表取締役社長コメント）

外部への開放とパートナー募集

「ファウンドリ」の名称には、自社専用の施設にしないという意味を込めたとされ、データ生産拠点の一部を外部に開放・公開するとしています。また、「データ収集連携パートナー」の募集を始めました。設備の配置・床の状態・周囲で動く人や搬送機・工程ごとの制約など、模擬環境では再現しきれない現場の条件は実際の生産現場でしか得られないため、データ収集から実証、本格導入までを共に進める相手を求める、という説明です。

公式発表で開示されていない情報（推論で書かない）

公式発表を確認した範囲で、次の情報は記載がありません。

• 開設時点の稼働台数と、生産済みのデータ量
• 遠隔操作を行う人員の数や体制
• 累計 30 万時間の達成時期
• データの品質の基準と、データ量とロボットの作業性能の関係
• フィジカル AI 基盤モデルの仕様と評価結果
• 製品の価格・導入先・販売計画、導入による省人化や生産性の効果
• 外部に開放する範囲と条件

これらは公式情報がないため、本記事でも記載しません。第三者メディアの取材記事にのみ現れる情報も使用していません。

設計の読み解き（Links-Create による解説）

ここからは、公開情報から読み取れる設計上のポイントを Links-Create の視点で解説します。以下は独自分析であり、アトムの公式見解ではありません。

1. 「どんなデータが足りないか」から拠点を設計している

公式発表の論理は、作業 → 必要なデータ → 機体 → 拠点 の順に組み立てられていると読めます（Links-Create の整理）。

順	問い	公式発表の答え
1	人手が足りない作業は何か	小さな部品をつまんで組み付ける、力加減を伴う作業
2	その作業に要るデータは何か	指先の触れ方・保持の力を含む視覚・触覚・力覚のデータ
3	そのデータを取れる機体は何か	五本指の自社開発ヒューマノイド
4	どう集めるか	人の遠隔操作で実演し、条件をそろえて繰り返し記録する拠点

AI 活用では「まずデータを集めよう」と始めがちですが、狙う作業から逆算して、足りないデータの種類を特定する順番が、この事例の設計の核です。

2. 「共通の基本動作」と「現場固有の条件」を分けている

公式発表は、拠点で蓄積する基本動作のデータと、実際の生産現場でしか得られないデータを分けて説明しています。前者は条件をそろえて大量に取り、後者はパートナーの現場で取る、という役割分担です。

これはロボットに限らず、AI 活用全般に当てはまる考え方です。どの会社にも共通する部分は外部の汎用的な AI やデータで済ませ、自社固有の条件は自社で記録する。この線引きができると、投資の優先順位がつけやすくなります。

3. 目標値と実績値を分けて読む

本事例の数値は、すべて目標・計画・仕様です。

• 常時 200 台: 2027 年末の目標。開設時点の台数ではない
• 累計 30 万時間: データ生産の目標。生産済みの量ではない
• 約 2,700㎡: 2027 年前半の拡張計画
• 2027 年の市場投入・量産開始: 目標

推奨する表現は「2027 年末に常時 200 台の稼働、累計 30 万時間の学習データ生産を目指すと同社が発表（いずれも目標値）。」です。データの量が増えることと、ロボットが現場で役立つことは別の話で、後者を示す数値はまだ公表されていません。

4. 既存の事例との違い

ロボット × AI の事例でも、何に焦点があるかは事例ごとに異なります。

事例	焦点	本事例との違い
三菱自動車と Highlanders のヒューマノイド協業	工場で使うヒューマノイドの共同開発と、工場の遊休建屋を活用した量産化の協議（基本合意の段階）	自動車メーカーとの協業による開発・量産の検討。本事例はロボットを賢くする「データを作る側」の拠点
ソフトバンクと安川電機の柔軟物体ハンドリング実証	形が変わるワイヤーハーネスの把持の実証と、GPU クラウドの開発基盤活用	特定作業の制御の実証。本事例は特定作業ではなく、多様な作業の学習データを生産する仕組み

自社に置き換える演習（Links-Create の研修用の提案）

以下の演習と表の例は、Links-Create が研修用に提案するものです。アトムが実施した手順や事実ではありません。 表の「例」は考え方を示す架空の例なので、自社の業務に置き換えて記入してください。ロボットを使わない事務作業にも応用できます。

演習 1: AI に任せたい作業から、足りないデータを逆算する

欄	記入例（研修用の例）
任せたい作業	見積依頼メールから見積書の下書きを作る
人が判断に使っている情報	過去の見積、顧客ごとの値引き条件、在庫
いま記録されている情報	過去の見積書（PDF）
記録されていない情報	値引きした理由、断った案件の理由

最後の行が、アトムの事例でいう「触覚・力覚」にあたる、結果だけでは見えない判断の情報です。

演習 2: 「共通部分」と「自社固有部分」を分ける

区分	考え方	例（研修用の例）
どの会社にも共通	外部の汎用 AI やテンプレートで済む	敬語の整え方、一般的な書式
自社固有	自社で記録・整備しないと AI に渡せない	取引条件、社内の承認ルール、過去の判断の理由

自社固有の部分から優先して記録を始めると、AI の出力の質が上がりやすくなります。

演習 3: 目標値と実績値を分けて報告する

AI 活用の計画を社内で報告するときは、数値を次の 3 つに分けて書きます。

種類	書き方の例
目標	「半年後に月 100 件を AI で下書き（目標）」
実績	「今月 12 件を下書き、うち 9 件をそのまま使用（実績）」
効果	「1 件あたりの作成時間が平均 20 分短縮（実測・測り方を併記）」

目標と実績が混ざった報告は、意思決定を誤らせます。本事例の公式発表が目標値を「目指す」と明記しているように、書き分けを習慣にすることが大切です。

法人 AI 研修への示唆（Links-Create の視点）

1. データは「量」より先に「種類」を決める — 何が記録されていないかを洗い出す演習を研修に入れる
2. 共通部分と自社固有部分を分ける — 外部サービスで済む部分と自社で整備すべき部分の線引きを、決裁者と現場で共有する
3. 目標・実績・効果を書き分ける — 社内報告の書式に 3 区分を組み込む

関連リソース

• 生成 AI（Claude Code）を実務で使う実装演習 — 生成 AI で何ができるかを体験する無料コース
• 生成 AI とは — 生成 AI の基本と、できること・できないこと
• AI でデータ分析 — 業務データを AI で扱うための基本
• 生成 AI の社内導入の進め方 — ルール整備から効果測定までの 90 日ロードマップ
• 三菱自動車と Highlanders のヒューマノイド協業（AI活用事例） — 自動車メーカーとのヒューマノイド共同開発（基本合意）
• ソフトバンクと安川電機の柔軟物体ハンドリング実証（AI活用事例） — 特定作業のロボット制御の実証

出典・引用ポリシー

本記事の事実情報は、次の公式発表のみを一次ソースとしています。

• 株式会社アトム プレスリリース『国産フィジカルAIのデータ収集センター「アトム フィジカルAIファウンドリ」を開設』（2026-08-26、PR TIMES）

設計の読み解き・演習・研修への示唆は Links-Create の独自分析・研修用の提案であり、アトムの公式見解ではなく、同社が実施した事実でもありません。

数値は公式発表の限定（目標値・計画・同社発表）を維持し、実績や成果保証としては記述していません。第三者メディアの取材記事にのみ現れる情報は使用していません。社内提案で引用する際は、前提条件を必ず併記してください。

公式情報の更新があれば、本記事も追従して更新します。