この技術はもう工場で使われているのですか？

いいえ。公式発表は「実証」であり、本文にも「開発支援ツールや柔軟物体ハンドリングシステムの実用化を目指し」と記載されています。つまり実用化前の段階です。商用提供の開始時期についての記載もありません。今後の展開としては「より高度なタスクへの適用検証の継続」「フィジカル AI 検証の拡大」が挙げられていますが、これらも計画であり確定した導入スケジュールではありません。社内資料では「大手 2 社が実証に成功した段階」と正確に記述してください。

「柔軟物体のハンドリング」がなぜ難しいのですか？

剛体（変形しない物体）と違い、ケーブルや布のような柔軟物体は掴んだ瞬間に形が変わるためです。産業用ロボットは通常、「この位置にこの形状の物がある」という前提で動作を事前計画します。しかし柔軟物体は、置かれるたびに形状も配置も変わり、掴んだ後も重力やたわみで状態が変化します。事前に全パターンをプログラムすることが原理的に不可能なため、その場の視覚情報から状態を認識して動作を決める仕組みが必要になります。本事例で VLA が使われているのはこのためです。

VLA（Vision-Language-Action）とは何ですか？

視覚情報（Vision）と言語による作業指示（Language）を入力として、ロボットの動作（Action）を出力するモデルの総称です。従来のロボット制御が「座標と軌道をプログラムする」方式だったのに対し、VLA は「見て、指示を理解して、動作を生成する」方式です。公式発表では「視覚情報やタスクの指示を基にロボットの動作を生成する VLA を活用し、柔軟な物体を正確に認識・把持・操作できる柔軟物体ハンドリングシステムを開発」と説明されています。生成 AI で培われた大規模モデルの手法が、物理的な動作生成に応用された領域と理解できます。

「合成データ生成」は何のために必要なのですか？

ロボットの学習には膨大な試行データが必要ですが、実機で何万回も試行するのは時間・コスト・摩耗の面で現実的ではありません。そこでシミュレーション上で仮想的な試行データを大量に生成し、学習に使うのが合成データのアプローチです。本事例では NVIDIA Omniverse ライブラリー（シミュレーション環境構築）と NVIDIA Cosmos（合成データ生成）が使われています。ただし、シミュレーションと現実のズレ（sim-to-real ギャップ）は依然として課題であり、最終的な実機検証は不可欠です。本事例が実機での確認まで行っているのはこのためです。

「安定してハンドリングできた」というのは、どの程度の性能なのですか？

公表されていないため判断できません。公式発表の表現は「安定してハンドリングできることを確認」という定性的なもので、成功率・サイクルタイム・連続稼働時間といった数値は一切開示されていません。「安定」の判定基準も示されていません。したがって、他社のロボット実装との性能比較や、自社ラインへの導入可否の判断材料としては使えません。本事例から読み取るべきは性能値ではなく、「データ収集から実機適用までを一気通貫でカバーする開発基盤」という構成の考え方です。

ソフトバンクと安川電機が VLA でワイヤーハーネスの把持を実証｜GPU クラウドをフィジカル AI 開発基盤に活用【AI活用事例】

公開: 2026-07-23

ソフトバンク / 安川電機製造業（産業用ロボット）× 通信・クラウドロボット制御（柔軟物体ハンドリングの実証実験）大手AI データセンター GPU クラウド（ソフトバンク）Infrinia AI Cloud OSVLA（Vision-Language-Action）

この事例でわかること

ソフトバンクと安川電機が 2026-07-13、NVIDIA の協力のもと「AI データセンター GPU クラウド」をフィジカル AI の開発基盤として活用し、柔軟物体ハンドリングシステムを実証したと共同発表
検証タスクは「形状や配置が作業ごとに変化するワイヤーハーネスを箱に収納する」1 タスク。柔軟物体全般での汎用性が確認されたわけではない
中核技術は VLA（Vision-Language-Action）。視覚情報とタスク指示からロボットの動作を生成し、対象物の状態を認識して把持・操作する
開発基盤は「動作データ収集 → 合成データ生成 → AI 学習 → シミュレーション評価 → 実機適用」を一気通貫でカバー。NVIDIA Omniverse・Cosmos 等を利用
結果は「安定してハンドリングできることを確認」という定性表現のみ。成功率・工数削減率などの定量 KPI は未公表で、実用化前の実証段階

主な指標（一次ソース確認済み）

取り組みの段階: 実証（実用化前）
検証タスク: ワイヤーハーネスを箱に収納（形状・配置が作業ごとに変化）
検証結果: 「安定してハンドリングできることを確認」（数値なし）
開発基盤がカバーする工程: 動作データ収集・蓄積 → 合成データ生成 → AI モデル学習 → シミュレーション評価 → 実機適用
定量的な導入効果: 未公表

一次ソース: https://www.softbank.jp/corp/news/press/sbkk/2026/20260713_01/ （公開: 2026-07-13）

要約

ソフトバンクと安川電機が、NVIDIA の協力のもと、ソフトバンクが開発を進める 「AI データセンター GPU クラウド」 をフィジカル AI の開発基盤として活用し、安川電機が開発する 柔軟物体ハンドリングシステム の実証を実施したと、2026 年 7 月 13 日に共同発表しました（ソフトバンク公式プレスリリース）。

検証タスクは 「形状や配置が作業ごとに変化するワイヤーハーネスを箱に収納する」
中核技術は VLA（Vision-Language-Action）。視覚情報とタスク指示からロボットの動作を生成
開発基盤は 動作データ収集 → 合成データ生成 → AI 学習 → シミュレーション評価 → 実機適用 を一気通貫でカバー
結果は 「柔軟物体のハンドリングを安定して行えることを確認」

本記事は実証段階の事例です。 公式発表には「実用化を目指し」と明記されており、商用提供は開始されていません。成功率・工数削減率といった定量 KPI も一切公表されていません。本記事は、公開された技術構成をもとに、製造業がフィジカル AI を検討する際の視点を Links-Create の独自分析として整理したものです。

何が発表されたか（公式情報ベース）

ソフトバンク・安川電機の共同プレスリリース（2026-07-13）から確認できる事実を整理します。

項目	公式発表の内容
発表日	2026 年 7 月 13 日（共同発表）
位置づけ	実証。「実用化を目指し」と記載＝実用化前
検証タスク	形状や配置が作業ごとに変化するワイヤーハーネスを箱に収納
中核技術	VLA（Vision-Language-Action） — 視覚情報やタスク指示を基にロボットの動作を生成
開発基盤	AI データセンター GPU クラウド（Infrinia AI Cloud OS 搭載）
基盤の機能	動作データ収集・蓄積／合成データ生成／AI モデル学習／シミュレーション評価
NVIDIA の提供物	NVIDIA Omniverse ライブラリー（シミュレーション環境構築）、NVIDIA Cosmos（合成データ生成）、NVIDIA Physical AI Factory Blueprint
検証結果	「柔軟物体のハンドリングを安定して行えることを確認」
定量 KPI	記載なし
商用化時期	記載なし
担当者コメント	記載なし
今後	より高度なタスクへの適用検証継続、フィジカル AI 検証の拡大、開発基盤の整備推進

公式発表の検証結果:「ロボットが視覚情報を基にワイヤーハーネスの状態を認識し、AI がリアルタイムに学習してロボットに的確な指示を出すことで、制御に高度な判断が求められる柔軟な物体を安定してハンドリングできることを確認」 — 出典: ソフトバンク公式プレスリリース（2026-07-13）

技術構造の整理（Links-Create による解説）

以下は公開情報から読み取れる構造の独自分析であり、ソフトバンク・安川電機・NVIDIA の公式見解ではありません。

1. なぜ「ワイヤーハーネス」が選ばれたのか

ワイヤーハーネスは、自動車をはじめとする製造業で自動化が最も難しいとされてきた対象の一つです。理由は柔軟物体特有の性質にあります。

性質	剛体（従来のロボット対象）	柔軟物体（ワイヤーハーネス）
形状	常に一定	置くたびに変わる
把持後の状態	変化しない	重力・たわみで変形し続ける
事前計画	座標と軌道を固定できる	全パターンの事前計画が不可能
必要な制御	位置制御	状態認識に基づく動的な動作生成

従来の産業用ロボットは「決まった位置にある決まった形状の物」を前提に、動作を事前にプログラムする方式でした。この方式は柔軟物体に原理的に適用できません。だからこそ、この領域は長年人手作業として残されてきました。検証タスクとしてワイヤーハーネスが選ばれたのは、フィジカル AI の価値が最も明確に出る対象だからと読めます。

2. VLA が変える制御の考え方

VLA（Vision-Language-Action） は、視覚情報とタスク指示を入力とし、ロボットの動作を出力するモデルです。制御方式としての転換点は次の対比で理解できます。

軸	従来のロボット制御	VLA によるフィジカル AI
入力	設計された座標・軌道	カメラ映像＋作業指示
出力の決定	事前にプログラム	その場で生成
変化への対応	ティーチングし直し	認識して適応
開発の主作業	動作の作り込み	データ収集と学習
適した対象	大量・高速・単一形状	多品種・不定形

重要なのは、VLA が従来方式より万能だという意味ではない点です。大量・高速・単一形状なら従来方式が圧倒的に有利です。VLA が効くのは、事前計画が成立しない領域に限られます。

3. 「開発基盤を一気通貫にする」ことの意味

本事例で技術的に注目すべきは、ロボット単体ではなく 開発工程全体をクラウド基盤に載せた 点です。公式発表が挙げる機能範囲は次の 5 工程です。

ロボット動作データの収集・蓄積
合成データ生成（NVIDIA Cosmos）
AI モデルの学習
シミュレーション評価（NVIDIA Omniverse）
実機への適用

フィジカル AI の開発が難航する典型的な原因は、この 5 工程が別々のツール・別々の担当・別々の環境に分断されていることです。実機で取ったデータをシミュレーション環境に持ち込めない、学習した重みを実機に反映するのに手作業が要る、といった継ぎ目のたびに時間が失われます。

一気通貫の基盤は、この継ぎ目を減らすことを狙った構成と読めます。ただし公式発表には従来比の効率化数値が示されていないため、実際にどれだけ短縮されたかは判断できません。

4. 合成データと sim-to-real ギャップ

ロボットの学習には膨大な試行が必要ですが、実機で何万回も動かすのは時間・コスト・機械の摩耗の面で現実的ではありません。そこでシミュレーション上で仮想的な試行を大量に生成する 合成データ のアプローチが取られます。

一方で、シミュレーションと現実の差（sim-to-real ギャップ）は依然として本質的な課題です。摩擦係数、ケーブルのたわみ方、照明条件、センサーノイズ——これらが現実と完全には一致しないため、シミュレーション上でうまくいっても実機で失敗することは珍しくありません。

本事例が 実機での確認まで行っている ことには意味があります。「シミュレーションで成功」と「実機で安定」の間には大きな隔たりがあり、後者に到達したことが実証の成果と読めます。ただし前述のとおり、その「安定」の水準は数値化されていません。

製造業の AI 検討への示唆（Links-Create の視点）

示唆 1: 「自動化できなかった工程」から候補を探す

本事例の対象選定が示すのは、フィジカル AI を検討する際の入り口です。

自社工程のうち 「既存の産業用ロボットで自動化を試みたが断念した」 工程を洗い出す
断念した理由が 「対象物の形状・位置が毎回変わる」 であるものを抽出する
それが フィジカル AI の検討対象 になる

逆に、既存のロボットで自動化できている工程や、治具の工夫で位置決めできる工程に AI を持ち込む必要はありません。AI は最後の手段であり、安価な解法が使えるならそちらが優先されます。

示唆 2: 「実証成功」と「導入可能」の距離を測る

実証で「安定してできた」ことと、生産ラインに入れられることの間には、次の隔たりがあります。

観点	実証で確認されること	本番導入で追加的に必要なこと
成功率	動作すること	歩留まりに耐える成功率（99.x% 水準）
速度	完遂できること	タクトタイム内に収まること
連続性	短時間の試行	連続稼働時の安定性・熱・摩耗
例外処理	想定内のケース	失敗時の検知と復旧手順
保守	開発者が対応	現場作業者が扱えること

本事例では成功率もタクトタイムも公表されていないため、この表の右列はまだ未知です。実証の発表を「導入できる技術が完成した」と読むのは誤りです。

示唆 3: データを取れる状態を先に作る

フィジカル AI の開発は、モデル選定より データ収集の設計 が先に来ます。本事例の基盤が最初の工程として「ロボット動作データの収集・蓄積」を置いているのは象徴的です。

自社で検討する場合、AI 導入以前に次を整備しておくと着手が早くなります。

対象工程の作業映像を記録できる状態にする
熟練作業者の動作をデータとして取得する手段を持つ
成功・失敗の判定基準を明文化する（何をもって「掴めた」とするか）

これらが無いまま AI ベンダーに相談しても、最初の数か月はデータ整備に費やされます。

法人 AI 研修への示唆（Links-Create の視点）

情報系 AI と物理系 AI の評価軸を分ける — 生成 AI の「だいたい合っていれば有用」という感覚は、ロボット制御には通用しません。物理系では成功率が 95% でも、20 回に 1 回ラインが止まることを意味します。この感覚の違いを組織の共通認識にする必要があります。
「実証」の意味を正しく扱う — プレスリリースの「実証に成功」を「導入できる」と要約する誤読は、製造業の投資判断で頻繁に起きます。実証段階と量産適用の距離を、技術者以外も理解できる言葉で説明できることが重要です。
AI 適用の前に「安価な解法」を検討する習慣 — 治具・専用機・工程設計の見直しで解決できる課題に AI を持ち込むのは、コストと保守負荷の両面で不利です。AI を検討の最終手段に置く判断基準を、現場と経営の双方で共有する必要があります。

出典・引用ポリシー

本記事の事実情報は、以下を出典としています。

一次ソース（公式発表）

ソフトバンク・安川電機共同プレスリリース「フィジカル AI の開発基盤として『AI データセンター GPU クラウド』を活用し、柔軟物体ハンドリングシステムを実証」（2026-07-13）

補助ソース

BUSINESS NETWORK「ソフトバンクと安川電機、『AIデータセンター GPUクラウド』を活用した柔軟物体ハンドリングシステムの実証」（2026-07-13）

技術構造の解説、製造業への示唆、研修への示唆は Links-Create の独自分析であり、ソフトバンク・安川電機および NVIDIA の公式見解ではありません。

本記事は 実証段階の事例 です。公式発表に「実用化を目指し」と明記されているとおり商用提供は開始されておらず、商用化時期の記載もありません。検証結果は「安定してハンドリングできることを確認」という定性表現のみで、成功率・サイクルタイム・工数削減率といった定量 KPI は公表されていないため、本記事でも数値としては記述していません。検証対象は「ワイヤーハーネスを箱に収納するタスク」の 1 件であり、柔軟物体全般での汎用性が確認されたものではありません。社内提案で引用する際は、実証段階であることと数値未公表であること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。