KJ Blog

AIロボットを数えて分かった「数字より先に見るべきもの」

「AIを搭載したロボットが急速に進化している」 そんなニュースを目にする機会が増えました。 しかし、「どのくら…

kj
22〜32分

「AIを搭載したロボットが急速に進化している」

そんなニュースを目にする機会が増えました。

しかし、「どのくらい進んでいるのか」と聞かれると、意外に答えるのが難しくなります。

論文が増えたら、技術は成熟したと言えるのでしょうか。

オープンソースのモデルがダウンロードされていれば、現場で採用されているのでしょうか。

特許が少なければ、まだ誰も権利を押さえていないのでしょうか。

そこで、AIロボットの中核技術であるVLAを、5つの数字から調べました。

VLAは「Vision-Language-Action」の略です。カメラで周囲を見て、人間の言葉による指示を理解し、ロボットの動作を出力するAIモデルを指します。

5つのデータベースで見えた数字

2026年7月21日時点の調査では、次の結果になりました。

一見すると、「研究とオープンソースが先行し、特許や事業化は遅れている」と読めます。

しかし、この読み方には注意が必要です。

論文の1件、GitHubリポジトリの1件、特許の1件、企業開示の1件は、同じ意味ではありません。列をまたいで足したり、単純な比率で成熟度を決めたりすることはできません。

これらは、技術が順番に上っていく5段階ではなく、同じ技術を別々の角度から見た「5つの観測信号」です。

技術は、必ずしも順番に成熟しない

当初は、技術が次の順番で成長すると考えていました。

研究 → オープンソース → 特許 → 企業開示 → 標準化

ところが、実際の技術開発はこのように一直線には進みません。

論文より先に特許が出願されることもあります。企業が技術名を公表せず、秘密情報として開発する場合もあります。市場が立ち上がる前に、相互接続のための標準化が始まることもあります。

企業開示が少ないことも、事業化されていない証拠にはなりません。

したがって、5つの数字から直接「VLAは成熟度2」といった判定を出すのは危険です。

今回の数字から言えるのは、少なくともvision-language-actionという言葉では、論文や公開実装が見つかりやすく、特許や企業開示では見つかりにくかった、ということです。

ダウンロード数は「利用者数」ではない

今回、最も大きな数字はHugging Faceに表示された219,245でした。

これは、OpenVLAというオープンなVLAモデルのダウンロード表示です。

OpenVLAは、画像と言語指示を入力し、ロボットの動作を出力するモデルです。モデル本体に加え、学習用コードなどもMITライセンスで公開されています。OpenVLAの論文、モデルページ

ただし、この数字を「21万人が利用した」「21万社で採用された」と読むことはできません。

Hugging Faceのダウンロード数は、対象ファイルへのHTTPリクエストを基に数えられます。自動処理、同じ利用者による複数回の取得、検証環境からのアクセスなども含まれ得ます。ユニーク利用者数ではありません。Hugging Faceの集計仕様

したがって、ここで分かるのは「OpenVLAのモデルファイルに多くの取得要求があった」ことまでです。

本番環境での採用数や、実際に動いているロボットの台数は分かりません。

π₀とπ₀.₅を混ぜてはいけなかった

調査では当初、次の比較を作っていました。

  • π₀の論文：被引用数140

  • pi05_base：ダウンロード数18,474

しかし、これは同じ研究成果の組み合わせではありません。

被引用数は、2024年に発表されたπ₀の論文の値です。一方、pi05_baseは2025年に発表された後継モデルπ₀.₅のチェックポイントです。π₀の論文、π₀.₅の論文、pi05_base

世代の違う論文とモデルを一組にして、OpenVLAと比較することはできません。

また、論文の被引用数は学術的な参照を、モデルのダウンロード数はファイルへのアクセスを示します。両者は別の行動を測っています。

今回分かったのは、「よく引用される研究」と「よくダウンロードされるモデル」が違う可能性です。

ただし、正確に比較するには、論文と対応モデルを正しくひも付け、同じ取得日で継続的に測る必要があります。

企業は技術者と同じ言葉を使わない

米国企業の開示書類を、複数の言葉で検索すると次の結果になりました。

この数字から「VLAの事業は27件しかない」とは言えません。

企業は、研究者が使う技術名をそのまま投資家向け文書に書くとは限らないからです。

研究者が「VLA」と呼ぶ技術を、企業は「ヒューマノイド」「ロボット基盤モデル」「Embodied AI」「自律システム」といった言葉で説明する可能性があります。

さらに、SECの検索結果には、事業機会だけでなく、競争上のリスクや規制対応としてその言葉が登場する文書も含まれます。

開示書類の件数は、売上高でも、導入社数でも、市場規模でもありません。

分かるのは、その言葉が企業の公式文書に何回現れたか、ということだけです。

GitHubでは、検索式1つで143倍になった

GitHubで最初に検索したとき、11万3,283件のリポジトリが表示されました。

しかし、上位に並んだのは動画ダウンローダーや、プログラミング言語のリンク集でした。VLAとはほとんど関係がありません。

検索式を修正し、フレーズを引用符で囲むと790件になりました。

検索システムは、誤った条件でもエラーを出すとは限りません。もっともらしい件数を正常に返します。

対策は単純です。

  • 件数が想定より大きい場合は、上位10～20件を読む

  • フォークや重複を確認する

  • 名前だけでなく、説明文やREADMEを確認する

  • 検索式を少し変え、件数がどの程度動くかを見る

790件も、VLAのOSSが正確に790個存在するという意味ではありません。決めた検索条件に一致したリポジトリが790件あった、という観測値です。

Hugging Faceでは、短い略語が別物を連れてきた

Hugging Faceでvlaと検索すると、名前の一部にvlaを含む利用者や、関係の薄いモデルが混ざりました。

一方、roboticsタグで探すと、OpenVLAだけでなく、NVIDIAのGR00Tや自動運転向けAlpamayoなども見つかりました。

ただし、roboticsタグはVLA専用ではありません。ロボティクス全般を含みます。

したがって、タグで候補を集めたあと、モデルカードで次の点を確認する必要があります。

  • 入力に画像と言語を使うか

  • 出力としてロボットや車両の動作を生成するか

  • 対応する論文や開発元が明記されているか

  • ライセンスと利用条件は何か

検索は、候補を発見する作業です。分類を確定する作業ではありません。

EDINETでは、存在しない検索条件が無視された

日本のEDINET APIに、試しにq=ロボットという条件を付けたところ、条件を付けない場合と同じ396件が返りました。

EDINET APIの書類一覧取得には、SEC EDGARのような概念横断型の全文検索パラメータがありません。未対応のqが検索条件として機能していなかったのです。

エラーが出なかったため、結果だけを見れば「ロボット関連の開示が396件ある」と誤解できます。

APIを使うときは、条件を付けた場合と外した場合の結果を比較する必要があります。

同じ件数が返るなら、条件が効いていない可能性を疑うべきです。

政府統計では、分類を外すと42倍になった

e-Statから機械受注統計を取得した際、最初に得られた2026年5月の値は377万1,347百万円でした。

しかし、これは産業用ロボットではなく、統計表全体の値でした。

分類コード280で産業用ロボットに絞ると、8万9,588百万円になりました。

分類を指定しないだけで、数字は約42倍になります。

e-Statには、統計表に含まれる分類や単位を確認するためのメタ情報取得機能があります。数値を取得する前に、分類コードと単位を確認する必要があります。e-Stat APIの仕様

なお、産業用ロボット全体の受注額はVLAの需要を示す数字ではありません。

VLAを搭載していないロボットも含まれるため、VLA市場の成長を裏付ける根拠としては使えません。周辺市場の状況を見る参考値にとどまります。

5つの数字から、何を判断できるのか

今回の調査では、5つの数字を成熟度の点数に変換しないことにしました。

代わりに、次の問いを立てます。

大切なのは、層をまたいだ件数比較ではなく、それぞれの中で時間変化を見ることです。

例えば、論文3,259件と特許47件を割り算しても、有効な成熟度指標にはなりません。

一方、同じ検索式で特許が47件から半年後に80件へ増えたなら、権利化の動きが加速している可能性があります。

OpenVLAのダウンロード表示だけでなく、派生モデル、更新頻度、GitHub上の開発、実機での評価事例が同時に増えていれば、公開エコシステムが広がっている可能性があります。

意味があるのは、異なる単位を無理に足すことではなく、同じ物差しを継続して使うことです。

技術動向を測る6つの手順

  1. 対象技術の定義を決める
    VLAに自動運転を含めるのか、ロボット操作だけにするのかを先に決めます。

  2. 同義語と周辺語を分ける
    vision-language-action、robot foundation model、embodied AIなどを、同義語と周辺概念に分類します。

  3. 各データベースの単位を確認する
    論文、リポジトリ、HTTPリクエスト、特許ファミリー、開示書類を混同しません。

  4. 検索結果を目視確認する
    上位20件程度を読み、関係のない結果がどれほど混ざっているか確認します。

  5. 取得できない範囲を記録する
    APIで取得できない政策資料や標準化文書は「動きがない」ではなく「未測定」とします。

  6. 同じ検索式で定点観測する
    毎回、検索式、取得日、件数、仕様変更を記録します。

VLAについて、現時点で言えること

今回の限定的な観測からは、VLAという言葉が論文、GitHub、モデル共有サイトで広く使われていることが確認できました。

OpenVLA、π₀.₅、GR00Tなど、目的やライセンスの異なるモデルも公開されています。

一方、特許47件やSEC開示27件という数字だけから、「誰も権利を押さえていない」「企業はまだ事業化していない」と結論づけることはできません。

別の専門用語で出願・開示されている可能性があり、公開前の特許や非公開の社内開発も観測できないからです。

より正確な結論は、次のようになります。

VLAは、公開研究とモデル共有の動きが見えやすい。一方、権利化と企業活動は、VLAという言葉だけでは十分に捉えられない。

これは「立ち上がり期」と断定するより地味な結論です。

しかし、どこまで測れているかが明確なので、次回の変化を正しく比較できます。

数字が正しいことと、解釈が正しいことは別

今回、最も大きな学びは、AIロボットの成熟度ではありませんでした。

検索結果は、条件を間違えても数字を返します。

APIは、対応していない条件を無視して正常終了することがあります。

ダウンロード数は大きく見えても、利用者数ではありません。

政府統計は分類を指定しなければ、分野全体の値を返します。

そして、別世代の論文とモデルを組み合わせれば、存在しない「逆転」さえ作れてしまいます。

だからこそ、技術調査では数字の大きさより、数字が何を数えているかを確認する必要があります。

0件を見たら、存在しないと判断する前に検索方法を疑う。
大きな数字を見たら、市場だと判断する前に単位を疑う。

5つの数字が示していたのは、1つの成熟度ではありません。

研究者、開発者、モデル利用者、出願人、企業が、それぞれ異なる場所で見せた反応でした。

※数値は特記のない限り2026年7月21日時点の当社測定値です。データベースの更新や検索仕様の変更により、後日同じ検索を行っても結果が変わる場合があります。

※Hugging Faceのダウンロード表示は、ユニーク利用者数、導入企業数、本番稼働数を示すものではありません。

※特許件数は検索語、分類、ファミリーの定義、公開時期によって変わります。権利の有効性や範囲は検討していません。

※本記事は一般的な情報提供を目的としており、特定企業や金融商品の評価・推奨を行うものではありません。

本記事はAIを制作補助に使用し、調査内容を確認したうえで作成しています。

コメントを残す

現在の人気