KPMGで監査、IPO、M&A、財務戦略に関わってきた立場から見ると、ロボティクスは単なる製造業向けの自動化装置ではありません。AI、センサー、半導体、モーター、バッテリー、クラウド、エッジコンピューティングが統合され、物理世界で労働・移動・操作・検査を担う次世代産業インフラです。
ロボティクス：ロボットの設計、制御、認識、動作、運用、産業応用を扱う技術・産業領域。
エッジコンピューティング：クラウドではなく、ロボットや現場端末に近い場所でデータ処理を行う方式。低遅延が求められるロボットで重要。
産業インフラ：多くの産業活動を支える基盤。ロボットは今後、製造・物流・医療・介護・農業・防衛を支える労働インフラになる。
これまでのロボットは、工場内で決められた作業を高速・高精度に繰り返す機械でした。しかし、生成AIと物理AIの進化により、ロボットは「決められた動作を繰り返す機械」から、「環境を理解し、判断し、人間と協働する機械」へ移行しつつあります。これは、AIが画面の中から物理世界へ出ていく流れです。
生成AI：文章、画像、音声、動画、コードなどを生成するAI。ロボットでは指示理解や行動計画に応用される。
物理AI：現実世界の物体、空間、力、動作を理解し、ロボットや機械を制御するAI。
協働：人間とロボットが同じ空間で役割分担しながら作業すること。
参照図表1：世界ロボティクス市場規模・導入台数の推移
ロボティクス市場を見るうえでは、金額市場と導入台数の両方を見る必要があります。Grand View Researchによれば、世界の産業用ロボティクス市場は2024年に339億ドル、2030年には606億ドルに拡大する見通しです。また、モバイルロボティクス市場は2024年に254億ドル、2030年には736.8億ドルに拡大すると予測されています。IFRによれば、2024年の世界の産業用ロボット年間導入台数は542,000台で、10年前の2倍超となりました。
産業用ロボット：製造現場で溶接、搬送、組立、塗装、検査などを行うロボット。自動車、電機、半導体工場で多く使われる。
モバイルロボット：自律的または半自律的に移動するロボット。倉庫搬送、配送、警備、農業、点検などに使われる。
IFR：International Federation of Roboticsの略。国際ロボット連盟。ロボット市場統計の主要機関。
単位：十億米ドル。産業用ロボティクス市場とモバイルロボティクス市場を比較。
単位：千台。2024年はIFR World Robotics 2025による実績値。2014年は「10年前の2倍超」というIFR説明に基づく概算。
この数字が示すのは、ロボティクス市場がすでに工場だけの市場ではなくなっているということです。製造業では産業用ロボットが成熟し、物流・倉庫ではモバイルロボットが急成長し、医療・介護・清掃・警備・農業ではサービスロボットが拡大し、さらにヒューマノイドロボットが新しい投資テーマになっています。
サービスロボット：製造業以外の用途で使われるロボット。物流、医療、清掃、接客、警備、農業、介護などが含まれる。
ヒューマノイド：人間に近い形状を持つロボット。人間向けに設計された環境で作業できる可能性がある。
投資テーマ：資本市場や事業会社が中長期で注目する成長領域。
1. ロボティクスとは何か
ロボティクスとは、センサーで環境を認識し、AIや制御システムで判断し、モーターやアクチュエータで物理的に動作する技術体系です。人間でいえば、目や耳に相当するセンサー、脳に相当するAI・制御ソフト、筋肉に相当するアクチュエータ、身体に相当する機構部品が統合されたものです。
センサー：カメラ、LiDAR、力覚、温度、距離、位置など、外部環境や内部状態を測る部品。
制御システム：ロボットの動作を計算し、モーターや関節を正確に動かす仕組み。
アクチュエータ：電気信号を物理的な動きに変える部品。モーター、油圧、空圧などがある。
機構部品：ロボットの骨格、関節、減速機、フレーム、ハンドなど、物理構造を作る部品。
ロボットには、産業用ロボット、協働ロボット、AMR、AGV、ドローン、医療ロボット、介護ロボット、農業ロボット、建設ロボット、ヒューマノイドなどがあります。従来は特定作業に特化したロボットが中心でしたが、今後はAIによって、環境に応じて判断し、複数タスクをこなす汎用ロボットへ進化していきます。
協働ロボット：人間と同じ空間で安全に作業できるよう設計されたロボット。コボットとも呼ばれる。
AMR：Autonomous Mobile Robotの略。地図やセンサーを使って自律移動するロボット。
AGV：Automated Guided Vehicleの略。床の磁気テープやルートに沿って移動する搬送ロボット。
汎用ロボット：特定作業だけでなく、複数の作業や環境に対応できるロボット。
参照図表2：ロボティクス・バリューチェーン図
ロボティクス産業を理解するには、完成品ロボットだけを見るのでは不十分です。センサー、アクチュエータ、減速機、制御ソフト、AIモデル、ロボットOS、シミュレーション、インテグレーション、保守運用、データ収集までを含む長いバリューチェーンで構成されています。特に今後は、ハードウェア単体ではなく、AIとデータを含むシステムとしての競争になります。
図表2：ロボティクス・バリューチェーン図
ロボットは、部品・制御・AI・システム統合・運用データの組み合わせで価値を生む。
| 領域 | 主な役割 | 代表的プレイヤー・技術 |
|---|---|---|
| 部品・材料 | ロボットの動作・認識・電源を支える基礎部品を供給 | モーター、減速機、力覚センサー、LiDAR、GPU、バッテリー、レアアース磁石 |
| 機構・制御 | 関節、ハンド、移動、姿勢、力制御を実現 | サーボ制御、モーションプランニング、ロボットハンド、エンドエフェクタ |
| 認識・AI | 環境理解、物体認識、行動計画、言語指示理解を行う | Vision AI、3D認識、ロボット基盤モデル、LLM、強化学習、シミュレーション |
| ロボット本体 | 用途別にロボットを設計・製造する | FANUC、ABB、KUKA、安川電機、Boston Dynamics、Figure AI、Agility Robotics、Unitree |
| SI・導入 | 工場・倉庫・病院などの現場に合わせてシステム統合する | ロボットSIer、FA企業、物流自動化企業、医療機器企業 |
| 運用・データ | 保守、遠隔監視、稼働改善、学習データ取得を行う | RaaS、予知保全、テレオペレーション、ロボットフリート管理 |
| 区分 | 領域 | 主な構成要素 |
|---|---|---|
| Layer 01 | 部品・材料 | モーター、減速機、センサー、半導体、バッテリー、構造材 |
| Layer 02 | 機構・制御 | 関節、ハンド、移動機構、モーション制御、安全制御 |
| Layer 03 | 認識・AI | 画像認識、3D認識、基盤モデル、行動計画、強化学習 |
| Layer 04 | ロボット本体 | 産業用、AMR、医療、農業、建設、ヒューマノイド |
| Layer 05 | SI・導入 | 現場設計、周辺設備、工程統合、教育、安全評価 |
| Layer 06 | 運用・データ | 保守、遠隔監視、稼働データ、改善学習、RaaS |
減速機：モーターの回転を減速し、力を増幅して関節を正確に動かす部品。ロボットの精度と耐久性に直結する。
ロボットSIer：ロボットを現場の設備・工程・安全基準に合わせて導入するシステムインテグレーター。
RaaS：Robot as a Serviceの略。ロボットを購入ではなく月額・従量課金で利用するモデル。
テレオペレーション：人間が遠隔でロボットを操作する仕組み。学習データ収集や難作業の補助にも使われる。
2. ロボティクス分野における技術課題とは
第一の課題は、現実世界の不確実性です。工場内の固定ラインでは、ロボットは高い性能を発揮できます。しかし、倉庫、病院、家庭、建設現場、農地、災害現場のような環境では、物体の位置、形状、人間の動き、床面、照明、天候が常に変わります。ロボットはこの不確実な環境を認識し、安全に行動する必要があります。
不確実性：環境や対象物が予測どおりでないこと。現実世界でロボットを動かす最大の難しさ。
固定ライン：工場で作業手順や設備配置が固定された生産ライン。
安全制御：人間や設備に危険を与えないよう、速度、力、距離、停止動作を制御する技術。
第二の課題は、器用な作業、すなわちマニピュレーションです。人間にとっては簡単な「つかむ」「回す」「折る」「差し込む」「柔らかい物を扱う」という作業は、ロボットにとって非常に難しい領域です。特に、ヒューマノイドやサービスロボットでは、手、指、力覚、触覚、視覚、制御AIの統合が必要になります。
マニピュレーション：ロボットが物体をつかみ、動かし、組み立て、操作する技術。
力覚：ロボットが物体に加わる力や接触状態を感じ取る能力。
触覚：物体の硬さ、滑り、接触位置などを検知する感覚。ロボットハンドで重要。
第三の課題は、コストと投資回収です。ロボットは本体価格だけでなく、周辺設備、導入設計、安全対策、保守、教育、ライン停止リスクを含めて投資判断されます。単純作業の自動化では投資回収しやすい一方、変化の多い現場では導入コストが上がりやすく、RaaSや標準化された導入パッケージが重要になります。
投資回収：ロボット導入にかかった費用を、人件費削減、生産性向上、品質改善などで回収すること。
周辺設備：ロボット本体以外に必要な治具、コンベヤ、センサー、柵、安全装置、制御盤など。
標準化：導入手順や部品、ソフトウェアを共通化し、コストと工期を下げること。
第四の課題は、データ不足です。生成AIはインターネット上の大量データで学習できますが、ロボットは現実世界の動作データを必要とします。物体をつかむ、工具を使う、人間を避ける、段差を歩く、倉庫でピッキングする、といったデータは収集コストが高く、シミュレーションと実データのギャップも存在します。
動作データ：ロボットや人間がどのように動き、物体を操作したかを記録したデータ。
シミュレーション：仮想空間でロボットや環境を再現し、学習や検証を行うこと。
Sim-to-Real：シミュレーションで学習した動作を、現実世界のロボットへ移す技術と課題。
参照図表3：技術ブレイクスルー整理図
ロボティクスのブレイクスルーは、AIモデルだけでは起きません。センサー、アクチュエータ、ロボットハンド、基盤モデル、シミュレーション、エッジAI、通信、安全規格、RaaSが組み合わさることで、初めて現場で使えるロボットになります。特に、AIがロボットの「認識」と「行動計画」を大きく変え始めています。
図表3：ロボティクス技術ブレイクスルー整理表
課題、解決技術、主要プレイヤー、主なアプリケーションを対応させて整理。
| 技術領域 | 解決する課題 | 主要プレイヤー・技術 | 主なアプリケーション |
|---|---|---|---|
| ロボット基盤モデル | 汎用性、行動計画、言語指示理解 | Google DeepMind、NVIDIA、OpenAI系研究、Physical AI | 汎用ロボット、ヒューマノイド、家庭・物流・製造 |
| 3D認識・Vision AI | 環境理解、物体認識、人間との協働 | LiDAR、RGB-Dカメラ、SLAM、3D Vision、マルチモーダルAI | AMR、倉庫、医療、建設、警備、農業 |
| 器用なロボットハンド | 把持、組立、柔軟物操作、汎用作業 | 触覚センサー、力制御、デクスタラスハンド、模倣学習 | ヒューマノイド、介護、物流ピッキング、製造組立 |
| 高性能アクチュエータ | 小型化、低コスト、高出力、耐久性 | サーボモーター、減速機、トルクセンサー、レアアース磁石 | 産業用ロボット、ヒューマノイド、医療・介護ロボット |
| Sim-to-Real / デジタルツイン | 学習データ不足、導入前検証、現場最適化 | NVIDIA Isaac、ロボットシミュレータ、合成データ、デジタルツイン | 工場自動化、物流、ロボット学習、遠隔監視 |
| エッジAI・低遅延通信 | リアルタイム制御、クラウド依存、遠隔操作 | GPU/SoC、5G/6G、エッジサーバー、オンデバイスAI | 協働ロボット、ドローン、遠隔医療、災害対応 |
| RaaS・フリート運用 | 初期投資、保守負担、稼働率管理 | 月額課金、遠隔監視、予知保全、フリート管理 | 清掃、警備、物流、飲食、農業、施設管理 |
ロボット基盤モデル：多様な環境や作業に対応するため、言語・画像・動作データを統合して学習するロボット向けAIモデル。
SLAM：Simultaneous Localization and Mappingの略。ロボットが自己位置を推定しながら地図を作る技術。
デジタルツイン：現実の工場やロボットを仮想空間に再現し、シミュレーションや最適化を行う仕組み。
フリート運用：多数のロボットをまとめて管理・監視・最適化する運用方式。
3. ロボティクスにおける技術的解決、すなわちブレイクスルーとは
第一のブレイクスルーは、ロボット基盤モデルです。従来のロボットは、特定の環境・特定の作業に合わせて個別にプログラムされていました。今後は、言語、画像、3D空間、動作データを統合したAIモデルが、ロボットに「何をすべきか」「どう動くべきか」を理解させる方向へ進みます。
行動計画：ロボットが目的を達成するために、どの順番で何を実行するかを決める処理。
マルチモーダル：テキスト、画像、音声、3D、触覚など複数種類の情報を統合して扱うこと。
模倣学習：人間の動作データを使って、ロボットに同様の作業を学習させる手法。
第二のブレイクスルーは、シミュレーションとデジタルツインです。現実世界だけでロボットを学習させると、時間、費用、安全性の制約が大きくなります。仮想空間で大量の試行錯誤を行い、その結果を実機へ移すことで、開発速度を高めることができます。これは、ロボット開発における「GPUでの仮想訓練」とも言えます。
仮想訓練：仮想空間でロボットに多数の動作を試させ、現実投入前に学習・検証すること。
実機：シミュレーション上ではなく、現実世界で動くロボット本体。
GPU：Graphics Processing Unitの略。AI学習やシミュレーションを高速化する半導体。
第三のブレイクスルーは、器用なハンドと力制御です。ロボットが人間の生活空間や物流現場で本当に役立つには、物を単に動かすだけでなく、壊さずにつかみ、向きを変え、差し込み、受け渡す必要があります。この領域では、機械設計、触覚センサー、AI制御、学習データが密接に結びつきます。
デクスタラスハンド：人間の手のように複数の指や関節を持ち、細かな作業ができるロボットハンド。
力制御：対象物に加える力を調整し、壊さず安全に操作する制御技術。
受け渡し：人間や他のロボットとの間で物体を安全に渡す動作。
第四のブレイクスルーは、RaaSと現場導入モデルです。ロボットは技術的に動くだけでは市場化しません。顧客が初期投資を抑え、保守を任せ、稼働率に応じて費用を払える仕組みが必要です。RaaSは、ロボットを設備投資から運用サービスへ変え、清掃、警備、物流、飲食、農業などに普及させる可能性があります。
市場化：研究開発段階の技術が、顧客に継続的に使われ、売上と利益を生む状態になること。
初期投資：ロボット導入時に最初に必要となる購入費、設置費、教育費など。
稼働率：ロボットが利用可能時間のうち、実際に作業している割合。
4. ブレイクスルーを担うプレイヤーとアプリケーション
ロボティクスを牽引するプレイヤーは、従来型のロボットメーカーだけではありません。産業用ロボットではFANUC、安川電機、ABB、KUKA、川崎重工、Nachiなどが重要です。AI・シミュレーション・ロボット基盤ではNVIDIA、Google DeepMind、Amazon、Teslaなどが存在感を高めています。ヒューマノイドではFigure AI、Agility Robotics、Boston Dynamics、Tesla、Unitreeなどが注目されています。
産業用ロボットメーカー：工場向けのロボットアーム、制御装置、溶接・搬送・組立ロボットを提供する企業。
ロボット基盤：ロボットの認識、シミュレーション、学習、制御、運用を支えるソフトウェア・半導体・クラウド基盤。
ヒューマノイド企業：人型ロボットを開発する企業。工場、物流、介護、家庭などへの応用が期待されている。
アプリケーションで見ると、短期的に最も実需があるのは、製造、物流、倉庫、清掃、警備、医療、農業です。中期的には、建設、インフラ点検、災害対応、介護、飲食、店舗運営が拡大します。長期的には、ヒューマノイドと汎用ロボットが、人間向けに作られた空間で労働力を補完する可能性があります。
実需：投資テーマや期待ではなく、実際に顧客が費用を払って導入する需要。
インフラ点検：橋梁、トンネル、送電線、プラント、配管などをロボットやドローンで検査すること。
労働力補完：人間の仕事をすべて置き換えるのではなく、人手不足の現場で一部作業を担うこと。
原田浩志としての市場観：ロボティクスは「AIの身体化」である
私がロボティクス市場を見るうえで最も重要だと考えているのは、ロボティクスが「AIの身体化」であるという点です。生成AIは、人間の知的作業を支援する技術として急速に普及しました。しかし、社会の多くの課題は、画面上ではなく物理世界に存在します。工場で物を運ぶ、倉庫で仕分ける、高齢者を支援する、農作物を収穫する、危険区域を点検する。これらは、AIが身体を持たなければ解決できません。
AIの身体化：AIがソフトウェア上の判断だけでなく、ロボットを通じて物理世界で行動できるようになること。
物理世界：工場、道路、家庭、病院、農地、災害現場など、現実の空間と物体が存在する世界。
危険区域：高温、高所、有毒ガス、放射線、災害現場など、人間が作業するには危険な場所。
一方で、ロボティクス市場には大きなリスクもあります。技術実証と商用導入のギャップ、導入コスト、保守負担、安全規制、事故責任、現場ごとのカスタマイズ、人材不足、部品サプライチェーン、レアアース磁石への依存です。特にヒューマノイドは注目度が高い一方で、短期的には過度な期待が先行しやすく、実用化には用途の絞り込みが必要です。
技術実証：研究開発やデモ環境で、技術が動くことを確認する段階。
商用導入：顧客の現場で継続的に稼働し、費用対効果を生む段階。
事故責任：ロボットが人や設備に損害を与えた場合、誰が責任を負うかという問題。
レアアース磁石：高性能モーターに使われる希土類磁石。ロボットのアクチュエータで重要。
ロボティクスは、AIをデジタル世界から物理世界へ拡張するための「身体」であり、人手不足社会の最重要ディープテックである。
したがって、ロボティクス市場を「人型ロボットが来るかどうか」という単純な話で見るべきではありません。正しくは、労働力不足、AI、センサー、半導体、電力、通信、現場導入、規制、安全が交差する総合産業として見るべきです。今後の勝ち筋は、派手なデモではなく、特定業務で確実に投資回収できるロボットを量産・運用できるかどうかにあります。
総合産業：単一技術ではなく、ハードウェア、ソフトウェア、AI、部品、現場導入、保守、規制が組み合わさる産業。
量産：同じ品質・性能の製品を大量に製造すること。ロボットの低コスト化に不可欠。
運用：導入後にロボットを安定稼働させ、保守し、改善し続けること。
ロボティクスの勝者は、ロボット本体を作る企業だけではありません。アクチュエータ、センサー、減速機、エッジAI、シミュレーション、基盤モデル、データ収集、保守運用、現場導入を一体で設計できる企業です。AI時代のロボットは、単なる機械ではなく、ソフトウェア、データ、ハードウェアが結合した「物理的なAIプラットフォーム」になると考えています。
エッジAI：ロボットや現場端末上で動くAI。低遅延、プライバシー、オフライン稼働で重要。
データ収集：ロボットの動作、失敗、環境、センサー情報を記録し、改善や学習に使うこと。
物理的なAIプラットフォーム：AIがソフトウェアだけでなく、ロボットの身体を通じて現実世界で行動するための基盤。
参考資料
- International Federation of Robotics, “World Robotics 2025 report – INDUSTRIAL ROBOTS.” https://ifr.org/ifr-press-releases/news/global-robot-demand-in-factories-doubles-over-10-years
- International Federation of Robotics, “World Robotics 2025.” https://ifr.org/worldrobotics/report-2025
- Grand View Research, “Industrial Robotics Market Size & Share Report, 2025-2030.” https://www.grandviewresearch.com/industry-analysis/industrial-robotics-market
- Grand View Research, “Mobile Robotics Market Size, Share | Industry Report, 2030.” https://www.grandviewresearch.com/industry-analysis/mobile-robotics-market
- Goldman Sachs, “The global market for humanoid robots could reach $38 billion by 2035.” https://www.goldmansachs.com/insights/articles/the-global-market-for-robots-could-reach-38-billion-by-2035
- Global Robotics Technology Roadmap 2025–2035. https://hichristensen.com/pdf/global_robotics_roadmap_2025.pdf
- Hu et al., “Toward General-Purpose Robots via Foundation Models: A Survey and Meta-Analysis.” https://arxiv.org/abs/2312.08782
- Mehta et al., “Large Language Models and 3D Vision for Intelligent Robotic Perception and Autonomy: A Review.” https://arxiv.org/abs/2511.11777
- Robinson et al., “Robotic Vision for Human-Robot Interaction and Collaboration: A Survey and Systematic Review.” https://arxiv.org/abs/2307.15363
- Ghassemian et al., “6G Empowering Future Robotics: A Vision for Next-Generation Autonomous Systems.” https://arxiv.org/abs/2602.12246