ロボットメーカーのデバイスクラウド連携型ハイブリッドコンピューティング展開ソリューション調査レポート、2026年
Robot Manufacturers' Device-Cloud Collaborative Hybrid Computing Deployment Solution Research Report, 2026
- 発行日
- ページ情報
- 英文 289 Pages
- 納期
- 即日から翌営業日
- 商品コード
- 2183536
- 翻訳ツール提供対象 PDF対応AI翻訳ツールの無料貸し出しサービスのご利用が可能です
- 自動車関連専門 自動車関連専門を専門とする市場調査会社です。
目次・概要・図表を含むサンプルPDF(数ページ~数十ページ)を、担当者からEメールでお送りします。費用はかかりません。
概要
EAIの「デバイス・エッジ・クラウド連携」に関する調査:階層化後の実現方法、ロボットメーカー12社のサマリー
中国におけるヒューマノイドロボットの出荷台数は、2026年に5万台に達すると予測されています。年初には1万4,000台と予測していたMorgan Stanleyは、6月に予測を5万台に上方修正しました。これは今年に入って2度目の上方修正となります。同レポートによると、2025年のヒューマノイドロボットの約80%は教育、展示会、データ収集に利用されていたのに対し、産業用物流への利用はわずか4%にとどまっており、出荷台数の伸びが生産的な用途への需要と一致していないことが示されています。Goldman Sachsは2026年8月、世界のヒューマノイドロボットの平均BOMコストが2025年から2035年にかけて年率約7%低下すると予測しました。この試算に基づくと、1台あたりのコストは2025年の約2万7,700米ドルから、2035年には約1万3,500米ドルまで低下することになります。コスト削減は投資回収期間の算出に向けた条件を整えるものですが、ロボットの信頼性、納期、および現場での統合については、依然として個別に検証する必要があります。
また、規格も厳格化されています。2026年9月に公布されたGB/T 48317.1-.5は、2027年4月に施行されます。遅延、ネットワーク障害、信頼性については、統一された試験基準が適用されることになります。今後2年間は、デバイスレベルでのエンドツーエンドのエンジニアリングループの確立に重点が置かれます。エッジでの展開は、ロボット群の密度の増加に伴い拡大し、有意義なデータがフィードバックされるにつれて、クラウドへの投資も拡大していくでしょう。
12社のメーカーの展開状況:デバイスにおける2つのパラダイムとエッジにおける3つのアプローチ
実需はまだ大きな規模には達していません。業界統計によると、2025年の産業物流の割合はわずか4%にとどまり、教育、展示会、データ収集を合わせた割合が約80%を占めていました。これは、「デバイス・エッジ・クラウド」の連続体への投資には、依然として安定した収益源が欠けていることを示唆しています。12社のメーカーの戦略の差異は、本質的に、特定の使用事例がどこに位置し、いつ成熟期を迎えるかについての各社の判断を反映しています。
推論が実行されるレイヤーは、ネットワーク障害時のレイテンシとパフォーマンスを決定します。オンサイトでの演算能力の源は、配信およびレプリケーションのコストを左右します。また、トレーニングとデータを支えるインフラは、機能が継続的に反復改善できるかどうかを決定します。これら3つの要素が組み合わさって、各メーカーの実際の展開形態を構成しています。
12社のうち、6社はデバイス側の自律性に、6社は階層的な展開に重点を置いており、これら2つが主要なパラダイムとして確立されています。一方、クラウド主導のオーケストレーションや、現在のワークロードに基づいてエッジ、フォグ、クラウドのリソース間でタスクをリアルタイムに分散させる動的なランタイムパーティショニングといったパラダイムは、現時点ではどのメーカーにも採用されていません。差別化の主な要因はレイテンシにあります。リアルタイム制御ループのサイクル時間は1~20ミリ秒と様々です。サーボと全身の協調制御は1~2ミリ秒、視覚・運動戦略は5~20ミリ秒の範囲で動作し、様々な事例で紹介されている閉ループ運動制御システムは、通常4~10ミリ秒の範囲に収まります。対照的に、VLAモデルの1ステップの推論には数百ミリ秒を要します。ミリ秒レベルの計画・制御は公開APIに依存することはできず、非リアルタイムの計画はクラウドまたはエッジでのみ展開可能です。
レイテンシに加え、ネットワークから切り離す能力も重要な要素となります。12社のうち8社は、すでにオフライン動作機能をアーキテクチャに組み込んでいます。一方、クラウドベースのソリューションに完全に依存している企業の場合、ネットワーク障害時の選択肢は、機能低下モードへの切り替えか、安全なシャットダウンを行うことしかありません。なお、「レイヤリング」--つまり、低速な推論、計画立案、および複数マシンのスケジューリングにクラウドとエッジのどちらが関与するか--は、単一の実体における「大脳」と「小脳」の役割分担(大脳が高レベルの認知と計画を担当し、小脳が運動協調を管理する)とは異なる概念である点を明確にしておく必要があります。これら2つのパラダイムがそれぞれ半数を占めていることから、リアルタイムの閉ループ処理をデバイス上で維持することが業界のコンセンサスとなっていることは明らかです。意見が分かれる唯一の点は、具体的にどのタスクをクラウドに、あるいはエッジに委ねるべきかという点にあります。
モデルアーキテクチャは、独自開発の基盤モデル、オープンソースの基盤モデル上に構築された具現化レイヤー、外部統合の3種類に分類でき、それぞれが異なるトレードオフの考慮事項によって規定されています:
独自開発の基盤モデル:重みと展開場所を柔軟に設定できるため、具体的なシナリオに応じて、ワールドモデルやVLAモデルをデバイス上またはクラウドに展開することが可能です。その代償として、事前学習、専門人材、および計算リソースへの投資が大幅に増加しますが、その一方で、潜在的な性能の上限も最も高くなります。
オープンソースの基盤モデル:ベースモデルの事前学習を省略することで、リソースを具現化層、ワールドモデル、および物理ロボットのデータに振り向けることができます。これにより、費用対効果と制御性のバランスが向上しますが、反復開発のペースは、基盤となるオープンソースの基盤モデルのリリースサイクルに左右されます。
外部統合:サードパーティの基盤モデルを活用して意味理解や対話機能を強化しつつ、社内開発ではエンボディメント層とエンジニアリングによる適応に注力します。このアプローチは最も迅速な導入が可能ですが、意味理解機能、API利用コスト、およびデータの閉ループ処理は、サードパーティのプロバイダーによる制約を受けます。
オンサイト展開に関しては、12社のメーカーが4つの異なるアプローチを採用しています。4社が独自のエッジクラスターを構築し、3社がオンサイトでのシステム統合に注力し、1社が通信事業者からネットワーク接続サービスを購入し、4社が独立したエッジ層を実装していません。自社構築のクラスターには、データセンター、専用ネットワーク、および保守への投資が必要です。システム統合はプロジェクトごとに提供され、倉庫管理システム(WMS)や製造実行システム(MES)に接続しますが、演算能力は提供されません。通信事業者のパッケージでは、帯域幅、スライシング、および遅延が保証されます。また、エッジ層を持たない企業は、エッジの自律性、ネットワークバックホール、およびクラウドベースのトレーニングに依存しています。4つのアプローチ間では、投資額や再現コストが異なり、機能展開のペースもそれぞれ異なります。
トレーニングとデータの区別は、計算能力の取得方法だけでなく、データ資産の蓄積にも反映されています。公開された報告によると、XPengは、アリババクラウドと長期独占契約を締結し、共同で構築した福耀インテリジェントコンピューティングセンターを活用しています。AI2 Roboticsは設立以来、1,000基のGPUを備えたコンピューティング・クラスターを活用しており、Baidu AI Cloudとのエコシステム連携を確立しています。Leju Robotics、Galaxea AI、X Square Robot Technologyはパブリッククラウドを採用しています。UBTECH、AGIBOT、Galaxy、Unitree、および北京ヒューマノイドロボットイノベーションセンターは、実機ロボットデータ、合成データ、オープンソースのエコシステムに重点を置いています。
デバイスによって、ロボットにどの機能を残すべきかが決まり、またエッジ側とクラウド側でそれぞれどの程度の処理が可能かも決まります。
デバイス:演算能力が上限を決定し、接続の断絶が下限を決定します
デバイスは2つのタスクを同時に処理しなければなりません。サーボ制御、バランス保持、障害物回避、そして安全なシャットダウンは、外部接続に依存することはできません。VLAは、クラウド上のミリ秒レベルのアクションループを経由することなく、デバイス自体でリアルタイム推論を実行します。その代償として、演算能力が向上するたびに、消費電力、放熱、バッテリー、および構造コストが同時に増加します。モバイルモデルにおいても、知能機能と動作範囲の間でトレードオフが生じます。計算能力の上限はハードウェアによって決定され、利用可能な時間はエネルギー消費量によって決定されます。この2つは互いに制約し合います。
12のサンプルの中で、デバイスの演算能力は100~2250 TOPSの範囲にあり、デバイスモデルのパラメータ数は2億~130億に及びます。これら2つの範囲の間に、決まったスケーリング比は存在しません。同じハードウェアでも、2億パラメータでも130億パラメータでも動作可能です。同様に、30億~130億パラメータのモデルでも、275 TOPSまたは560 TOPSを達成できます。導入の実現可能性は、圧縮率、実効フレームレート、シングルステップレイテンシ、および消費電力によって決定されます。パラメータ数は単なる変数の1つに過ぎず、数が多ければ必ずしも良いとは限りません。
デバイスの演算能力は、タスクに応じて3つのレベルに分類できます。100~200 TOPS:250M~4Bの脳は、高頻度の実行とシングルステップのクロールを処理しますが、オープンタスクの汎化能力やマルチステップの推論能力には限界があります。275~560 TOPS:3B~13Bの脳と100Mの小脳は、産業用脳・小脳階層化の主要な範囲を占めています。13Bの大脳は275 TOPSというホスティング限界に近く、VRAMの占有量、量子化処理、およびロボットの回帰検証においてトレードオフが生じています。1035~2250 TOPS:マルチモデルの並行処理やデバイス上の低速推論が含まれるため、それに応じて消費電力、放熱、および調達コストが増加します。
チップの供給元は極めて集中しています。12社のうち、大多数がNVIDIAのOrinまたはThorを採用しており、Horizon RoboticsやHuixiなど一部の企業は国内のAIプラットフォームを利用しています。Rockchipは主にモーションコントロールコアに使用されており、XPengは自社開発のAIチップを採用しています。主な違いは、ドメインコントローラの設計、演算能力のレベル、およびモデルの圧縮レベルにあります。
UBTECHとLeju Roboticsは、モデルやソリューションに応じてOrin、Thor、および国内のコンピューティングプラットフォームを採用しており、これにより複数の種類のタスクをカバーすることが可能です。同時に、マルチモデル対応とサプライチェーンソリューションを維持する必要があります。Galaxea Aiの「G0 Tiny 250M」は、R1 ProのOrin上で最大10 Hzの推論を実現しています。
ネットワーク切断時の対応策は、以下の3つの状態に分けられます。1.完全自律:VLA全体がロボット上に存在します。切断後も進行中のタスクは継続されますが、実行可能なアクションの範囲は制限されます。2.機能制限動作:ローカルの小脳と事前に展開されたスキルは保持されますが、新規タスクの学習は一時停止され、データは接続が回復した際にアップロードされるよう蓄積されます。3.安全なシャットダウン:リアルタイム推論は外部リンクに依存しており、ロボットはネットワーク接続が途絶えた直後に安全な停止状態に入ります。「オフライン対応」と単に述べるだけでは、戦略とはなりません。実世界での実用性を評価するためには、どのタスクを継続し、どのタスクを機能低下させ、どのタスクを停止させるかを明確に指定する必要があります。
単一のロボットはリアルタイムの閉ループを完結させ、問題の第一層のみを解決します。マルチロボットの配車、視覚的な確認、および稼働を維持するための接続切断には、エッジ機能が必要です。エッジを構築するかどうかは、まずロボット群の密度に依存し、次にタスクの頻度、データの境界、および既存のシステムの判断と組み合わせて決定されます。
エッジ:構築の可否は密度に、構築方法は形態に依存します
エッジとは、ロボットの稼働現場に近い場所に配置される演算能力の層のことです。工場、倉庫、店舗に導入できるほか、運送業者によってゾーンノードに設置することも可能です。なお、Leju Robotics社の「Embodied Wing Link」5G-A接続パッケージは、ネットワークスライシング、アップリンク帯域幅、および遅延の保証を提供している点に留意する必要があります。これは接続性への投資に該当し、エッジコンピューティング能力とは別個に計上されるべきものです。両者はコスト構造が異なるため、混同してはなりません。
エッジノードを構築するかどうかは、主に4つの条件、すなわちフリート密度、タスクの頻度、データの境界、および既存システムによって決まります。
フリート密度:密度が高いほど、エッジノードへの固定投資の負担が分散されやすくなります。フリート規模が不十分な場合、1台あたりの分担コストが大幅に増加します。
タスクの周期:タスクの周期が短く、ロボット間の連携頻度が高いほど、ゾーンスケジューリングの価値は明確になります。
データの境界:元の画像が顧客の敷地外や指定されたゾーン外へ持ち出せない場合、ローカルでの推論、非機密化、およびキャッシュが必要となります。
既存システム:既存のMES、WMS、またはコンピュータールームがある場合は、演算能力の重複構築を避けるため、まず既存システムに接続する必要があります。
参考となるベンチマークは、工場あたり約8台のロボットです。この密度を下回る場合は、デバイス・クラウドの2層構造またはサービタイゼーション・ノードの方が経済的です。この密度を上回ると、自社構築クラスターへの固定投資の効果が薄れ始めます。ノードコストは固定投資が大部分を占めており、ロボット群の規模が小さければ小さいほど、ロボット1台あたりの償却コストは高くなります。この数値は本レポート内のサンプル統計から導き出されたものであり、業界標準というよりは評価の基準としてご活用ください。実際の評価は、タスクのcadenceやデータ境界にもさらに依存します。
必要なオンサイト計算能力を決定したら、投資モデルを選択します:
オンプレミス・クラスター:CAPEXとして分類されます。あらゆる機能を提供しますが、工場間での展開には現地調査と共同試運転が必要となります。
エッジオールインワン:迅速な導入のために単体で購入します。ただし、一元管理のためにはサポートプラットフォームが依然として必要です。
通信事業者によるマルチアクセス・エッジ・コンピューティング(MEC):サービスベースの課金方式です。CAPEXがOPEXに転換され、機械室のない拠点や複数拠点への展開に適しています。
エッジコンピューティング能力に加え、システム統合とネットワーク接続には別途投資が必要です。システム統合は機器や業務システムへのアクセスを担当し、通信パッケージは接続とスケジューリングの保証を提供します。いずれもエッジコンピューティング能力そのものは提供しません。独自のエッジ層を持たないメーカーは、デバイスの自律性とクラウドトレーニングに依存しており、ロボット間のスケジューリングやゾーンオフライン時の耐障害性は比較的限定的です。
オンサイト展開には5つのアプローチがあります。UBTECH、AGIBOT、および浙江ヒューマノイドロボットイノベーションセンターは独自のエッジクラスターを構築しています。Galaxea AIはG-Fleetを使用して物理的なロボットクラスターを管理しています。ROBOTERA、AI2 Robotics、および北京ヒューマノイドロボットイノベーションセンターは、オンサイトでのシステム統合に注力しています。Leju Roboticsは通信事業者からネットワーク接続サービスを購入しています。Galaxy、Unitree、XPeng、およびX Square Robot Technologyは、独自のエッジ層を持っていません。
UBTECH、AGIBOT、および浙江ヒューマノイドロボットイノベーションセンターは、エッジ展開の方法が異なります。UBTECHは工場内にエッジクラスターを展開し、MESと接続しています。AGIBOTはOpenYurtを使用してエッジ管理を行っています。浙江ヒューマノイドロボットイノベーションセンターは、注文の分解処理とマルチロボット配車に注力しています。Galaxea AIのG-Fleetは、主にポリシーの配布、並列展開、データフィードバック、自動評価、およびバージョンリリースを担当しています。同社が独自の工場内エッジコンピューティングクラスターを構築しているとは見なされていません。
Leju Roboticsは、通信事業者のネットワーク接続サービスを採用しています。「Embodied Wing Link」は月額課金制となっており、スタンダード版(599人民元)はピークアップリンク速度300 Mbps、高速アップリンクトラフィック200 GBを提供します。エンハンスド版(999人民元)は、ピークアップリンク速度500 Mbps、高速アップリンクトラフィック500 GBに加え、動的ネットワークスライシング機能を提供します。エンハンスト・エディションの合意されたサービス条件の下では、95%信頼区間で20msの遅延指標が適用されます。この方式により、プライベートネットワークの展開にかかる初期投資を削減できます。オンサイトでのエッジコンピューティングが必要な場合は、通信事業者のカバレッジ、SLA(サービスレベル契約)、およびデータ分離条件の評価に加え、追加の設定が必要となります。
クラウド:ミリ秒レベルのループからは除外され、その価値はデータフィードバックにかかっています
クラウドはアクションループには含まれず、主にキューイングや並列化が可能で、長期的な蓄積を必要とするタスクを担当します。これには、基礎トレーニングおよびトレーニング後処理、ワールドモデルの作成とシミュレーション、長期評価と回帰分析、ならびにバージョン管理および工場間連携が含まれます。これら4つの機能が一体となって、モデル運用の基盤を形成しています。
クラウドへの投資には、以下の4つの方法があります:
1.自社構築のトレーニングクラスターは、長期的に安定したトレーニング需要があり、クラスターの利用率が持続的に高く、データ主権が求められるシナリオに適しています。これには、CAPEX、減価償却費、およびO&Mコストが発生します。
2.プラットフォームのサブスクリプションでは、クラウドプロバイダーからデータ、トレーニング、シミュレーション、バージョン管理ツールをリースします。これは、プロトタイプの検証、標準化されたタスク、呼び出し量が限られている場合、およびデータがローカルドメイン外に出てもよい使用事例に適しています。
3.モデル/APIサービスは、事前学習済みのクラウドモデルのエンドポイントを直接呼び出します。これは、数百台のロボットによるパイロット導入や、追加投資が少なく、変更頻度の低い標準化されたタスクに適していますが、データの外部流出やコンプライアンスに関してはより厳しい制約が課されます。
4.クラウドプロバイダー、ロボットメーカー、システムインテグレーターが、プロジェクトごとに責任分担を行います。共同提供は、政府、企業、または単一シナリオのプロジェクトに適用され、責任範囲、受入基準、および支払条件は事前に明確にしておく必要があります。
トレーニング用の演算能力は、社内で構築するか、専用ホスティングやパブリッククラウドを通じて確保することができます。公開情報によると、富耀(Fuyao)インテリジェント・コンピューティング・センターは、XPengとアリババクラウドが共同で構築したものです。アリババクラウドがハードウェア資産を保有し、XPengは長期独占契約に基づき同センターを独占的に利用しており、その規模は物理カード3万枚、10 EFLOPSに達します。Leju RoboticsとX Square Robot Technologyは、Huawei CloudおよびAlibaba Cloudと深い協力関係を築いています。Galaxea AIも、Baidu Baigeの活用を公表しています。専用ホスティングやパブリッククラウドは、ロボット企業のインフラ投資を削減し、有効な計算能力、利用率、およびエンジニアリング効率に注力することを可能にします。
UBTECHは合計で約1,100万件の物理ロボットデータを保有しており、その80%以上が産業シーンから得られたものです。Maniformer(AGIBOTの子会社)は、MEgo(AGIBOT Maniformerのデータ収集端末)などの端末を通じて、ロボットを使用しない実地収集データを100万時間以上蓄積しています;Unitree WLA-1.0は、約2,500時間分の実機ロボットデータを使用しています。Galbotは、主に合成データに基づいたトレーニング経路をたどり、少量の実データでキャリブレーションを行っており、合成データ99%、実データ1%という構成コンセプトを提案し、数百億件のデータからなるデータセットを構築しています。
しかし、膨大なデータがあるからといって、モデルの継続的な改善が保証されるわけではありません。閉ループには、収集→クリーニング→アノテーション→シミュレーション→学習→評価→配布という7つのリンクがあります。いずれかのリンクが途切れると、モデルがシナリオデータを用いて反復学習を行うことが困難になります。中断は、収集段階だけでなく、承認、キャリブレーション、リリース後のロールバックの段階でも発生します。
データが機能へと変換できるかどうかは、3つのガバナンスによって決まります。データガバナンスは、データのフィードバック、匿名化、および利用に関する要件を定義します。生データを施設内にとどめることを義務付ける産業顧客にとっては、ローカルでの匿名化、特徴量のアップロード、およびプライベートトレーニングが前提条件となります。評価ガバナンスは、成功率、タスクの頻度、および現場での受入基準に関する指標を統一します。所定の成功率は、資材、シフト、タスクの一貫した定義と結びつけられる必要があります。バージョンガバナンスにより、カナリア展開、異常監視、およびロールバックが可能になります。デバイスは前回のリリースの重み付けと構成を保持するため、ロールバックは外部ネットワークに依存しません。
ワールドモデルも機能的な責任に応じて分割される必要があります。事前行動予測用のモデルは、動作サイクルに合わせたレイテンシ要件を満たす必要があり、通常はデバイスまたはオンサイトのエッジに展開されます。一方、データ生成、長期的な推論、オフライン評価用のモデルは、クラウド展開に適しています。
12社のうち4社では、2つのルートが並行して稼働しています。ルートの選択は、タスクが統合されているか、およびモデル名とは無関係に、フリートが継続的なデータフィードバックを維持しているかどうかに依存します。デバイス・エッジ・クラウドの3層スタックが機能するようになれば、契約書にこれらの機能をどのように記載するか、また受入検査をどのように行うかといった商業的な課題に対処する必要があります。
検収:タスクの実施頻度、オフライン運用、およびロールバックが契約に盛り込まれつつあります。
2026年には、多数の規格や政策文書が公表されました。2月には「ヒューマノイドロボットおよび具現化知能規格システム(2026)」が公表されました。3月に発表された「第15次五カ年計画要綱」では、「クラウド・エッジ・デバイスの協調的な開発を推進する」ことが提言されています。8月には、ITU(国際電気通信連合)の通信標準化部門が、クラウド・エッジ・デバイスの協調アーキテクチャに関する新規標準化プロジェクトを承認しました。9月に公表され、2027年4月に発効予定のGB/T 48317.1-.5は、環境認識、意思決定および計画、動作制御、操作を網羅しています。さらに、具現化AIクラウドプロトコルの要件や、クラウド・エッジ・デバイス協調システムの技術仕様についても、現在策定が進められています。
これらの文書により、調達基準が再定義されます。購入者は、遅延、オフライン時の継続性、ラインレベルのタスク間隔、MTBF(平均故障間隔)、ロールバック時間を契約上明記し、実際の運用条件下での再検証を行うことが可能となります。
規格では、受入検査の実施方法が定義されています。大規模な導入には、生産グレードの需要、供給能力、信頼性という3つの条件が同時に満たされる必要があります。
需要は最初の閾値です。生産的な需要が有効とみなされるためには、産業用ロジスティクスのシェアを4%から15%~20%に拡大し、3年以上の契約期間を持つ契約を締結する必要があります。需要が不安定な場合は、エッジおよびクラウドへの投資を、確定した受注、実際の稼働時間、およびデータフィードバックの量に合わせて調整すべきです。
2つ目の基準は、安定した供給です。2025年には、わずか数社のメーカーしか、3ヶ月連続で月産100台を維持できませんでした。2026年に5万台を出荷するためには、業界はロボットの安定性、生産歩留まり、および継続的な供給能力を向上させる必要があります。
3つ目のハードルは信頼性です。ロボットのエントリーレベルのMTBF目標は500時間であるのに対し、ハイエンドの生産ラインでは8,000時間が求められており、その差は約16倍にも及びます。
エッジおよびクラウドへの投資は、シナリオの要件が明確になってから行うべきです。まずエッジ環境を構築してからシナリオを模索すると、ノードが長期間遊休状態となり、1台あたりの償却費を削減することが困難になります。一方、まずクラウドをレンタルしてからデータのフィードバックを待つと、トレーニングリソースが長期間遊休状態になる一方で、サブスクリプション料金は引き続き発生し続けます。過去2年間でよく見られた過ちは、まだ実現していないスケールに対して前払いをしてしまうことです。
投資は3つのステップで進めるべきです。第一に、デバイスのクローズドループを実行し、実装可能なシナリオのリストを作成し、タスクのレイテンシ、実行頻度、オフライン時の耐障害性、および精度に関する要件を明確にすること。第二に、フリート密度に基づいてエッジの容量を追加し、ノードおよびSLAのテンプレートを確定すること。第三に、有効なデータフィードバックに基づいてクラウドへの投資をスケールアップし、トレーニングおよびバージョン管理のための予算を準備することです。各ステップは、前のステップからの成果を基に、次のステップを支えることになります。
単一サイトのライフサイクル全体にかかるコストには、少なくとも以下の6つの項目が含まれます:ロボットおよびデバイス、エッジおよびネットワーク、データ資産、トレーニングおよびシミュレーション、統合およびレプリケーション、運用およびバージョン管理です。見落とされがちなコストには、データ収集とアノテーション、サイト調査、サイト変更時の手直し費用、およびバージョン維持管理の人件費などが挙げられます。一括投資を選択する顧客は、デバイス、エッジ、クラウドを一度に設定したがる傾向がありますが、これは容易に過剰な構成につながりかねません。
ロボットメーカーは、回帰テストの仕組みを確立し、モデル、構成、マップのバージョンを統一的に管理する必要があります。クラウドプロバイダーや通信事業者は、導入および運用・保守の機能を補完し、現場でのSLAを明確にする必要があります。シナリオを利用する顧客は、デモの結果だけを見るのではなく、タスク指標に基づいてタスクを受け入れる必要があります。アーキテクチャが効果的かどうかは、最終的にロボットが測定可能で、許容可能かつ再現可能な作業を継続して完了できるかどうかにかかっています。
目次
第1章 EAIロボットのクラウド・エッジ・デバイスへの導入
- EAIロボットのポリシー
- 国家レベルの方針
- 地域の方針
- デバイス・エッジ・クラウドのポリシー
- デバイス・エッジ・クラウド連携の業界基盤
- 2026年には3万~10万台が出荷される見込みですが、実際に生産サイクルに入るものは10%未満となる見込みです
- 設定手順:支払いの確認→階層構造の確認→レプリケーションコストの算出
- デバイス・エッジ・クラウドの境界は、タスクサイクルによって定義されます
- 出荷台数は高い成長を維持していますが、産業分野での需要は依然としてインキュベーション段階にあります
- 有料導入は、まだ3つの閾値を超えていません
- 有料導入の実例は3つのシナリオに集中しています
- ロボットメーカー、OEM、クラウドプロバイダー:デバイス・エッジ・クラウドの責任は、各社の能力に応じて再配分されつつあります
- 政策手段は補助金から受容促進へと移行しています
- ベンチマークの事例は、単一のワークステーションのみを対象としています
- デバイス・エッジ・クラウドの構成は一度に完了させる必要はなく、条件に応じて設定可能です
- デバイス・エッジ・クラウド連携の業界における基本原則
- デバイスは制御と推論を同時に実行する必要があり、演算能力は消費電力と放熱によって制限されます
- デバイスの演算能力、モデルの規模、チップモデルは相互に制約を受けますが、固定の比率はありません
- デバイスの推論遅延はビジュアルコーディングによって大きく左右され、解像度を下げる方がチップを変更するよりも効果的です
- オフラインでの動作可能性がデバイスの下限を決定し、モデルおよびデータの展開を定義します
- エッジは「パークサイド」の演算層として機能し、スケジューリング、再検証、およびオフラインでの耐障害性を担います
- 単一のファクトリー内のユニット数が約8に達した時点で、自社構築のエッジが費用対効果に優れているかどうかを評価します
- エッジには4つの形態があり、レプリケーション速度やコスト構造は大きく異なります
- クラウドはアクションの閉ループには関与せず、トレーニング、シミュレーション、評価、バージョン管理のみを行います。
- データの閉ループには7つのリンクがあります。1つのリンクが断たれると、モデルは工場状態のままとなります
- ワールドモデルの2つのアプローチ:クラウドによる合成データ生成とデバイスによる予測
- コラボレーションのボトルネックは、モデルの精度ではなく、バージョン管理にあります
- クラウド・エッジ・デバイス間を流れる3つのフロー:制御フロー、データフロー、バージョンフロー
- 独自のクラウドプラットフォームを構築するかどうかは、規模とデータの境界によって決まります。4つの協力方法は、4つのアカウントタイプに対応しています。
- 2026年~2028年:デバイスが最初に成熟し、エッジは密度に左右され、クラウドはデータフィードバックが中心となります
- EAIクラウドプロバイダーの構成
- クラウドプロバイダーはロボットを製造するのではなく、データ、トレーニング、シミュレーションを販売しています
- Tencentクラウドは、プラットフォームとともにモデルを提供しています
- Alibabaクラウドは、EAIデータリンクをパイプラインへと変革します
- Huaweiクラウドは、国内の演算能力とReal-Simを基盤として構築し、20社以上のロボットメーカーを結びつけています
- Baidu AIクラウドは、コンピューティングの側面からデータ取引に参入しています
- JDクラウドは、データインフラストラクチャに自社内のユースケースを活用し、計算リソースではなくデータを販売しています
- AWSはNVIDIAのロボットスタックを製品化し、5段階に分けて提供しています
- Google CloudはGeminiをロボットの「脳」として位置づけ、APIを通じて収益化を図っています
- Azureはロボットを企業のIT環境に統合し、ガバナンスと統合において強みを発揮しています
- China Telecom、China Mobile、China Unicomは、接続性、エッジコンピューティング能力、RaaSをパッケージ化しています
- 5段階のチェーン全体を網羅している企業はなく、参入ポイントはデータとプラットフォームに集中しています
第2章 クラウド・エッジ・デバイス展開の動向、課題、およびEAIロボットのサマリー
- ヒューマノイドロボットに関するマクロデータ
- 世界の人型ロボット出荷台数予測
- 世界のヒューマノイドロボット市場規模
- 中国のヒューマノイドロボット出荷台数予測
- 中国のヒューマノイドロボット市場規模の予測
- ヒューマノイドロボットのBOMコスト削減曲線
- 2026年4月の中国における資金調達統計
- 2026年5月の中国における資金調達統計
- 2026年6月の中国における資金調達統計
- 2026年7月の中国における資金調達統計
- 2026年8月の中国における資金調達統計
- 2026年9月の中国における資金調達統計
- EAIロボットメーカーにおけるクラウド・エッジ・デバイス展開
- 導入パラダイム:6社がデバイスの自律性を採用、6社が階層的な連携を選択
- デバイス内展開:パラメータと演算能力の間に決まった比率はありません
- クラウド展開:リアルタイムの閉ループ処理はデバイスへ集約され、クラウドはトレーニング、データ、および低速な推論を保持します
- エッジ層への4つのアプローチ:4社が独自にエッジを構築、3社がエッジを統合、1社が通信キャリアの支援を受け、4社がエッジを展開していません
- EAIロボットメーカーにおけるクラウド・エッジ・デバイス展開の問題点
- 問題1:顧客のITポリシーにより、クラウドでのトレーニングへのアクセスが遮断される
- 課題2:消費電力、放熱、重量がデバイスの演算能力の上限を決定する
- 課題3:ミリ秒レベルのループはクラウドに移行できず、オフラインやネットワーク環境が不安定な状況ではサービス品質が低下します
- 課題4:エッジ層は投資額が大きく、展開に時間がかかります。マルチロボットスケジューリングを展開しているのは5社のメーカーのみ
- 問題5:演算能力への投資額が高く、導入成果を算出できない。
- EAIロボットメーカーのクラウド・エッジ・デバイス展開の動向
第3章 国内外のロボットメーカーにおけるクラウド・エッジ・デバイスの展開比較
- UBTECH Robotics
- AGIBOT
- Leju Robotics
- Galbot
- Unitree Robotics
- Zhejiang Humanoid Robot Innovation Center
- Beijing ROBOTERA
- AI2 Robotics
- Beijing Innovation Center of Humanoid Robotics
- Galaxea AI
- XPeng Robotics
- X Square Robot Technology
第4章 EAIロボットメーカーにおけるクラウド・エッジ・デバイスの展開状況のベンチマーク
- 評価フレームワーク
- 総合ランキング:メーカー12社の加重総合スコア
- 主要メーカーの5つの評価軸に基づくスコアリングマトリックス
- EAIロボットメーカー各社のモデルシステムおよびアーキテクチャのベンチマーク
- EAIロボットメーカー各社のオンデバイス実装に関するベンチマーク
- EAIロボットメーカー各社のクラウド学習およびデータインフラに関するベンチマーク
- EAIロボットメーカー各社のクラウド・エッジ・デバイス連携メカニズムに関するベンチマーク
- EAIロボットメーカー各社の代表的な事例におけるデバイスクラウド間の役割分担に関するベンチマーク