#24 フィジカルAI実装の核心！製造業のスキルをどうデータ化するのか
ジェネシア・ベンチャーズが配信する『Ayo! by Genesia.』は、スタートアップの“挑戦の裏側”に光をあてるPodcastです。プレスリリースなどのオフィシャルな情報だけでは伝えきれない、挑戦のプロセスで生まれる想いや葛藤、そしてリアルな学びを、起業家と投資家、それぞれの視点からお届けします。
「Ayo!」はインドネシア語で「Come on!」「Let’s Go!」という意味。スタートアップのチャレンジをリアルにお届けしていきます💁♂️💁
今回のゲストは前回に引き続き、製造業向けスキルマネジメントシステム『Skillnote』を開発・提供する、株式会社スキルノート 代表取締役の山川 隆史さん（以下：山川）と、データ観点からAI開発に必要な全工程を支援する、FastLabel株式会社 代表取締役CEOの鈴木 健史さん（以下：鈴木）。そして、2社の投資担当であるジェネシア・ベンチャーズの相良 俊輔（以下：相良）です。 モデレーターは、同じくジェネシア・ベンチャーズの水谷が務めます。
前編はこちら💁♂️💁：https://www.genesiaventures.com/23-ayo-by-genesia/
目次
- 「他社では取れない貴重なデータをいかに確保できるか」フィジカルAIを分ける要素とは
- 「いち早くリアルワールドデータを抑えられたプレイヤーが勝つ」データ収集の鍵を握る新興国
- 「現場が強いからこそロボット化のインセンティブを感じない」日本の製造業が抱えるアキレス腱
- 「ホワイトカラーとブルーカラーを一本化」人手不足の先に見える“ライトブルーカラー”という未来
- 「Claude Codeで遊んでないで、工場に行け！」日本のものづくりをセクシーにするために
- 「データの重要なインフラレイヤーを担う」FastLabelが描く、ハードウェアメーカーとは異なる道
「他社では取れない貴重なデータをいかに確保できるか」フィジカルAIを分ける要素とは
水谷：さて、後編となる今回も「フィジカルAI」をテーマにお二人のお話を伺っていきたいと思います。まずFastLabelの鈴木さんにお伺いしたいのですが、今バズワードになっている「フィジカルAI」の「成否を分ける要素」とは、実際何になってくるのでしょうか？
鈴木：非常に抽象的な質問なので回答が難しいですが、一つは「基盤モデル」ですね。そして、モデルにとって重要なのはやはり「データ」です。このデータをいかにちゃんと確保できるか。かつ、他社では取れない貴重なデータをいち早く現場に実装して、その現場のデータのフィードバックループを回していけるかが鍵になるんじゃないかと思っています。
水谷：素人質問で恐縮ですが、鈴木さんが何度も口にされている「データ」とは、具体的に何を指すのでしょうか？
鈴木：例えば画像認識系のAIだとわかりやすいのですが、単純に画像のデータをAIに学習させても意味がありません。実際は、画像に対して「ここに人がいる」「ここに車がある」という、四角いバウンディングボックス、いわゆる座標情報を付けたりするんです。画像とその座標情報をセットにしたものを「教師データ」と呼んでいて、これを学習に使います。
ロボティクスにおいてはまた少し違います。VLA（Vision-Language-Action model）であれば、ロボットが見えている視点の情報、つまり画像や動画の情報とロボットが実際に動作した腕の関節の角度、アクチュエーターのジョイントの角度情報、そして例えば「洗濯物を畳む」といった指示文、テキストの情報などを総合して教師データとして学習させます。そのデータを何百時間、何万時間と集めなければいけない。ここが非常に大変な活動で、今ボトルネックになっているという形です。
水谷：「洗濯物を畳む」という、人なら誰でも認識・実行できるような行為を構造化されたデータに落とし込む難易度がものすごく高いと想像します。このあたりはどのようにデータ化を進めているのでしょうか？
鈴木：正直、まだできていないのが現実です。工場にロボットを置いてテレオペレーションで操作するのですが、ロボットの操作はなかなか難しいですし、人間の2-3倍の時間がかかってしまうので、まだ到底工場に投入できるレベルにない。かなりハードルがある状況です。
そこに対して今、人間を一体のロボットと見立ててカメラを付けて作業してもらえば現場のデータが取れるのではないかという観点での研究も進んでいます。とはいえまだ研究レベルなので、これからというところですね。
水谷：カメラと、関節ごとのセンサーみたいな話でしょうか。
鈴木：人間にセンサーを付けるのは難しいので、そこは推定になります。「今こういう関節がこういう動きをしているだろう」と。その情報が本当に使えるのかという部分はありますが、大量に集めることで可能になるのではないかと考えられています。
「いち早くリアルワールドデータを抑えられたプレイヤーが勝つ」データ収集の鍵を握る新興国
相良：：二ヵ月くらい前に、インドでこんな動画がバズりました。
インドの縫製工場で、大量のワーカーがミシンで布を縫いながら、カメラを付けて自分たちの作業を全部撮影している様子です。そのデータを彼ら自身が持って帰ってどこかに売ることはないですが、工場のオーナーがどこかのデータ需要者と契約をして、データプロバイダーとして販売するということをやっています。
鈴木：その種のビジネスが今、新興国— インド、インドネシア、フィリピンあたりでかなり流行っていますね。
相良：現代の二毛作ですね。いち早くそういうリアルワールドデータを抑えられたプレイヤーが勝つとして、世界を見渡したときに、どこでそういうデータを早く大量にゲットできるか。ここに、ある種のリープフロッグがあるかなと思います。セキュリティもガバナンスも蓄積した暗黙知もたくさんある日本のような先進国よりも、そういったものが整い切っていないインドのような新興国でそれが先行していく可能性はあるかなと。
インドの地場のプレイヤーと話していると、製造業を振興しようというポリシーを掲げて頑張っていますが、人を採用して育成して長い時間をかけて量産のクオリティを担保していくのは、かなりチャレンジングです。でも、それは人でやるからチャレンジングなのであって、習熟させる対象をロボットにしてしまえば、より短い時間軸で大きなアウトプットを出せるのではないかという議論は出ています。もちろん、一番雇用吸収力のある製造業を空洞化させるというネガティブな視点もあるので、直線的にはいきませんが、そういう議論が出ているぐらい、短期的にはジャンプが見込まれる領域なのかなと。
水谷：やはり日本では、製造業の工場におけるデータ生成・提供を兼ねた二毛作は難しいということでしょうか。
鈴木：難しいですね。セキュリティというか、重要な工程や出荷前の製品などの情報も含まれてしまうので、原理的に厳しいと思います。
「現場が強いからこそロボット化のインセンティブを感じない」日本の製造業が抱えるアキレス腱
相良：業種や職種によって難しさがだいぶ変わってきますよね。「布をただミシンで縫う」ことと、「飛行機のミッションクリティカルな部品を作る」ことは全く違うものです。
そこで山川さんにお聞きしたいのですが、『Skillnote』は製造業のかなり多くの大企業のお客さんに使ってもらっていて、そこには当然、いろいろな業種・職種の構造化されたスキルデータが溜まってきていると思います。それを、来たるフィジカルAI時代に応用しようとしたときに、どの業種のどの職種のどの工程から徐々にロボット化が進んでいくだろうと考えていますか？
山川：なんだかんだでいろいろと自動化はできるんですが、費用対効果の面で様子を見ているところが多い印象です。AIを組み込んだロボットを試された会社の方と話すと、「一定の工程は置き換えられるけれど、費用対効果で見たときに、もっと汎用性がないとこの投資はできない」という感じです。例えば、AGV（無人搬送車）の上にロボットアームを付けて、品物を自動で見分けながら運ぶことはできるけれど、「この工程のここだけで使っていていいの？」という話になります。やはり全体を見たときに、ある程度の汎用性があったり、例えば溶接工程のように共通した部分を置き換えるなど大きなコストインパクトがあったり、というところから始まるのかと思います。
相良：日本の製造業では、投資対効果の測り方がすごく難しいですよね。現場が強くて、指令がなくても自律的に改善案を考えて機動的に動ける人たちが大量にいる環境と、一方で、そういったマインドセットもスキルセットも持ち合わせず、単純に時給でお金をもらうためにそこにいるという人たちが多い環境。どちらがロボット化を進めるインセンティブにつながるかというと、圧倒的に後者なわけです。
真面目さや現場の強さ、暗黙知、言語化できない機動的な協力体制によって救われていることがたくさんある環境が、今までは日本の強みだった。でも、これからの時代においては、そこがむしろ“アキレス腱”になってくる。つまり、強い現場があるからこそ経営層がロボット化のインセンティブを感じない。そういうことがすごくあるなと、新興国の製造業の現場を見ると思います。どうでしょうか？
山川：現場が強くて、現場に頼ってきたというところがあるので、物の作り方や考え方がだいぶ違うなと思っています。これまでは現場でいろいろ調整しながら品質を作り込んできたけれど、それでずっと勝ち続けられるかというと、やはり競争力は落ちていくかなと。現場で学んだことや浮かび上がってきた課題を上流工程、つまりは設計にフィードバックしながら、設計そのものを変えて、現場や熟練工に頼りすぎずにものづくりができる環境に変えていかないと、中長期的には競争力を維持するのは厳しくなってくるのかなとは思います。
「ホワイトカラーとブルーカラーを一本化」人手不足の先に見える“ライトブルーカラー”という未来
鈴木：でも、今まではそういうインセンティブで動けなかったところから、徐々に変化も起こってきています。事業の継続性が困難なレベルでの人手不足だからです。だから、事業継続性の観点でもう投資していかなくてはないという話を最近聞くようになりました。データを蓄積するとかスキル管理をするといった、これまでROIで測れなかった部分への投資は進みやすくなっているんじゃないかと思います。
相良：もう、背に腹は代えられないと。
山川：本当にその通りだと思います。毎週のように工場に行っていますが、どこへ行っても人材不足の話です。量も質も足りないと。地方の工場では本当に新規で人を雇えない状況なので、事業を継続するために設備投資や自動化は必須かなと。これは正しい方向性だと思いますし、やらざるを得ないところかなと思います。
相良：山川さんはもっと声高に叫んでいったほうがいいと思います！『Skillnote』に溜まっているデータで技術喪失などのリスクファクターを可視化して、営業のときにダッシュボードを見せたりしているじゃないですか。それを業界全体に向けて発信して、「5-10年後にこの業種のこの技術・技能は喪失する確率は何パーセントです」という白書を出して、「やるっきゃないよね」という雰囲気を醸成していくことにはすごく意味があると思います。
山川：そうですね。技能伝承は特に大きな課題です。「2007年問題」から20年近くが経って、雇用延長などもありながらここまで来ましたが、本当に今こそ“待ったなし”かなと。ただ、技能伝承と言っても、一つの会社に数千や数万種類のスキルがあったりするので、どこから手をつけるべきかが見えていないんです。我々が今取り組んでいるのは、社内で特に重要なスキルを特定して、「こういう順番で技術がなくなってしまいそうだよ」「3年後にはこう、5年後にはこうなるよ」という予測を可視化することです。それを見ていただくと、「まずい。ここから着手しよう」と初めて一歩目が踏み出せます。
今は一つの企業の中で閉じているスキルの情報ですが、これからは何らかの形で共通化して、「産業全体でここがまずい」「日本として、人が採用できないこの領域は自動化しないければ」ということを明らかにしていく必要がある。それが我々の仕事ですし、それができると日本全体の製造業が変わってくるのかなと思います。
相良：みんなが同じ課題を抱えて限られたパイを取り合っていては、根本的な解決にはつながりなりませんよね。どこかで抜本的に外科手術をしないといけないとすると、ロボットの導入や、そこに向けたロードマップを誰かが主導していくことも大事かなと。
鈴木：逆にホワイトカラー人材が余るという説もありますよね。AIによってデジタル系のワーカーの需要が減る一方で、海外ではブルーカラーの賃金が上がっていて、実際そちらに人材が移行しています。短期的な人材確保の面で言うと、ホワイトカラー人材をそちら側に移していくことで、ロボットが現実的になるまでの時間を一定確保できるのではないかと思っています。
相良：山川さんとこの間、「ライトブルーカラー人材」という話をしましたね。ブルーカラーとホワイトカラーを混ぜるとライトブルーになる。デジタルとフィジカルの職種を混ぜていく。それによって、業界の希少性がどんどん増していくし、その中で希少な人材になっていくということですね。
山川：ものづくり領域で有名な東大の藤本先生が提唱し始めて、大木先生という方も賛同して、この「ライトブルー」という言葉が最近いろいろなところで引用され始めてきました。製造業でこれまで分かれてきたホワイトカラーとブルーカラーを、人事制度も含めて一本化してしまおうという会社も今出てきています。AIやロボット、デジタルが出てきたことによって、そこが融合してきています。
純粋なホワイトカラーとしてオフィスだけで仕事をするということがあまりなくなってきて、現場が分かった上でデジタルを使うホワイトカラーが現場に降りてきて、ブルーと混じり合ってライトブルーになる。逆に、これまで人間がやっていた作業に設備やロボットが入ってくることで、現場の人がデジタルを扱って作業を効率化するなど、ホワイトカラー寄りの仕事をするようになる。そこに製造業の今後のあり方があるのではないかあと、相良さんとこの間話していたところですね。
「Claude Codeで遊んでないで、工場に行けよ」日本のものづくりをセクシーにするために
鈴木：そちらをうまくアピールできるといいですよね。日本全体としてそちらに急速にシフトしていくように。この「ライトブルーカラー人材」が、よりセクシーな職業であるというように。
山川：私は「かっこいい製造業」と言っていますが、工場のイメージって、今も3K（きつい、汚い、危険）みたいなイメージがあるし、実際危ないところも結構あります。でも、クリーンルームでやらないといけない作業や危険が伴う作業はロボットがやってくれて、現場がデジタルやAIの実践の場みたいになってくると、すごくかっこいい最先端の産業になる。そこに人が魅力を感じて集まってくるようにしたいなというのはめちゃくちゃありますね。
今うちの娘も就職活動をしていて、昨日聞いたら「IT業界に行く」と言っていました。デジタルといったらIT業界というのはそうなのですが、我々の作っているツールも実際に製造業の現場で使ってもらっています。つまり、そこにデジタルやAIの最先端がある。特に、日本の製造業なんて世界で戦える実践の場です。最先端の産業を目指す人材が、製造業の現場で「ロボットを入れてこうしよう」「AIを使ってこう改善しよう」と活躍する世界観が当たり前になってくると、また日本のものづくりが活気づくんじゃないかなって個人的には思っています。
鈴木：起業家もそうだと思います。「Claude Codeで遊んでないで、もう工場行けよ」と思います。そっちをセクシーにしていきたい。Claude Codeを使ってちょちょっとアプリを作ることなんて誰でもできるような時代になっているので。特にスタートアップ界隈では、ピュアなデジタルに閉じている人も結構多いんじゃないかなと思うので、ベンチャーキャピタリストの皆さんにもぜひ、「現場の方がセクシーだよ」と発信してほしいです。強くしたい産業に人と資金を振り向けることこそ、VCの重要な役割なんじゃないでしょうか。
相良：その通りですね。
「データの重要なインフラレイヤーを担う」FastLabelが描く、ハードウェアメーカーとは異なる道
相良：FastLabelは最近、平和島にロボットトレーニングセンターを作って、まさにそれを地で行く活動をしていますよね。創業当初は画像認識のアノテーション事業から始めて、今はロボットにものを教え込むということをやっている。下流工程だけでなく今はロボット専業のSIerっぽくも振る舞っていて、ビジネスモデルも変遷してきました。その経緯も教えてください。
鈴木：もともと「アノテーションつらい」というところから創業しましたが、生成AIや自動運転のE2E（End-to-End）モデルなど、よりデータの質や量が重要になってきました。お客さまのニーズが非常に高まってきたこともあり、データ収集の部分、つまり「どういうデータを収集すれば性能を高められるか」という上流の部分から入って、一気通貫でモデルのファインチューニングや開発、実機へのデプロイ、そして「本当にこれは質のいいデータだったのか」という検証の部分まで総合的に見られるようにしていきたいということで、データの収集から入っています。実際に今、弊社でも中国系のロボットを10台ぐらい購入してトレーニングセンターでデータの収集もやっていますし、そこでAIエンジニアが実機にデプロイして、どんな挙動をするのか、どういったデータがいいのか、といった研究活動をしています。
相良：すごくおもしろいですよね。ポジショニングもすごくユニークだなと。周りを見渡せば「ヒューマノイドカンパニーです」と言って大型の資金調達をしている会社も複数あり、ハードウェアを自社で作って、モデルも内製して、学習データも付けていくという垂直統合型のアプローチがある中で、それを横目にFastLabelはデータのレイヤーを起点に水平的なアプローチを崩さずにやっています。そこにおける勝ち筋や戦略的な意義についても補足してもらえますか？
鈴木：ロボット系のメーカーさんとは、目指すところが違うのかなと思っています。彼らは人間の労働力の代替という形で、ロボットのハードウェアとAIの知能を作っています。我々はどちらかというと企業サイドのインフラ的なポジションとして、ヒューマノイドもあれば四足歩行も産業用ロボットもある中で、適材適所でそれぞれに必要なデータの重要なインフラレイヤーを担う形で水平的にやっているところが大きな違いかなと思います。
相良：お客さんと話す中で、「ハードウェアは海外製でも良いけれど、そこに組み込むデータは国産で、自分たちがプロプライエタリで培ってきたデータを使いたい。それを預けるベンダーも日本企業がいい」みたいな話は実際あったりするのですか？
鈴木：まだそこまでではないですが、ハードウェアに関しては明確に「ここに中国製は入れられない」という部分はあります。データについては、正直まだ現場の人たちがその重要性を認識しているかというとそんなことはなく、まずはハードウェアの話からですね。そこから、データの基盤部分はかなり重要になるので、外出しできない、基本的には自社の環境でホスティングしたい、という話にはなってきます。
相良：そこはもう本当にSIの世界ですね。
鈴木：そうですね。データのパイプラインをちゃんと自社環境内で閉じて作っていく。やはり希少でどうしても外に出せないデータが含まれるので、クラウドさえも厳しい、というところは出てくると思います。
相良：最終的にはいろいろとレイヤーが分かれて、AIプレイヤーといってもいろんなアプローチが出てくるでしょうが、個社に最適化した環境を作り、最適化したデータを使って、カスタムのロボットを作っていくという意味では、最終的にはいろんなモデルやデータを使いながらSIをやっていく、という切り口はずっと残るんでしょうね。
鈴木：結局、現場で得たデータをちゃんと教え込むという過程は消えないでしょうし、人間と一緒かなと思います。人間も常に指導しなければいけないですから。ミスを繰り返すような人間がいたら厳しいのと同じで、そういったところでのデータパイプラインは残ってくると思うので、我々はそこで価値を発揮していく形かなと思っています。
相良：スキルノートは初回投資から7年、FastLabelは5年になりますが、まだまだこれから、日本から世界に向けて先駆けでやっていけることが、この2社にはすごく大きいなと思っています。ことフィジカルAIで言うと、両社でタッグを組んで同じお客さんにより大きな価値を提供していくことも今後できるんじゃないかと。
日本人が日本企業として日本で創業して、そこから世界に打って出られるビジネスモデルはそんなに多くないと思っていますが、この両社においては、夢物語ではなくそれができる領域・経営者だと思っています。インドとの絡みも今後は増やしていきたいですね。
水谷：さて、前後編に亘った「フィジカルAI」回ですが、そろそろクロージングです。途中、鈴木さんから出た「Claude Codeで遊んでいないで工場に行け」という一言が個人的には非常に刺さりました。ありがとうございました！
鈴木、山川、相良：ありがとうございました。Ayo~~!
全編はPodcastでお楽しみください💁♂️💁：
