LTS QA

現代のビジネス環境において、マルチモーダルAI事例は、複雑な情報の理解と意思決定の自動化という側面で劇的な変革をもたらしています。従来のテキストや画像のみを処理するAIシステムとは異なり、マルチモーダルAIは言語、画像、音声、動画、そしてセンサーデータを統合し、現実世界をより深く、網羅的に理解することが可能です。

製造ラインでの製品検査、医療画像診断による医師の支援、小売における高度な検索、自動運転技術まで、マルチモーダルAIの応用範囲は無限に広がっています。基盤モデルが進化を続ける現在、競争優位性を左右するのはモデルそのものの選択だけではありません。真の価値は、これらのモデルを実環境で確実に動作させるための「高品質なマルチモーダル学習データ」にあると言えます。

本記事では、マルチモーダルAIとは何か、その仕組みやシングルモーダルAIとの違いを紐解き、各産業におけるマルチモーダルAIの活用事例を詳しく解説します。また、実運用を見据えたAI構築において、データ品質がなぜ最大の課題となるのか、そしてLQAがどのように高品質なデータセット構築を支援するかをご紹介します。

マルチモーダルAI：基礎から仕組みを徹底解説

マルチモーダルAIは今、研究室レベルの革新技術から、ビジネスの現場で直接的な価値を生む実用フェーズへと急速に移行しています。Global Market Insightsの予測によると、日本のマルチモーダルAI市場は2034年までに約70.6億米ドル規模に達すると見込まれています。

この成長を牽引しているのは、日本が長年培ってきた精密工学とロボティクスの強固な基盤に加え、AIを活用した製造業のDXやスマート自動化への投資拡大です。産業界全体でマルチモーダルAI活用事例を模索する動きが強まる中、こうしたシステムを支える基盤技術を理解することは、企業の競争力を左右する非常に重要な要素となっています。

では、そもそもマルチモーダルAIとは一体どのような技術なのでしょうか。なぜ日本を含む世界中でこれほどまでに注目を集めているのでしょうか。まずはその基本的な概念を理解した上で、各産業でどのように活用されているのか、具体的な事例を紐解いていきましょう。

マルチモーダルAIとは？

マルチモーダルAIとは、テキスト、画像、音声、動画など、複数の異なる入力形式を単一のモデル内で処理し、推論を行うAIシステムを指します。

従来のAIが画像認識や自然言語処理など、特定のデータ形式に特化しているのに対し、マルチモーダルAIは異なる種類の情報を組み合わせて解析することで、状況をより包括的に理解したうえで、予測や回答を生成できます。

例えば、製造現場では、製品画像だけでなく、検査レポート、設備の稼働音、センサーデータを同時に分析することで、不良や異常をより高精度に検出できます。このように、異なるモダリティを横断的に関連付けて理解できることにより、従来は複数のAIシステムを組み合わせなければ実現できなかった高度なタスクを、単一のマルチモーダルAIで実行できるようになります。

マルチモーダルAIはどのように異なるデータを統合するのか？

マルチモーダルAIの最大の特徴は、それぞれのデータを個別に処理するのではなく、異なるモダリティ同士の関係性を学習できる点にあります。

従来のように画像認識AIや音声認識AIなど複数のモデルを組み合わせるのではなく、最新のマルチモーダルAIは、テキスト・画像・音声・動画・センサーデータなどを共通の特徴表現へ変換します。これにより、異なるモダリティ間の関連性を理解し、それらを組み合わせて推論できるようになります。

主な特徴は次のとおりです。

• 統合的なデータ理解： テキストや動画、センサー入力を「潜在特徴空間」において共有された特徴量へと変換します。これにより、モデルは異なるデータ源を孤立させず、相互に関連づけて解釈できます。
• クロスモーダル推論： 言語による指示と動画映像のマッチングや、設備画像と保守記録の紐付けなど、モダリティを超えた論理的な推論を実現します。
• 高度な異常検知： 視覚的な動きと音声データ、あるいはセンサーの数値を相関させることで、単一モダリティでは検知不可能な異常パターンを浮き彫りにします。
• 人間らしい判断力： 視覚、聴覚、言語を組み合わせることで、人間が日常的に行うシーンの解釈を模倣し、コンテキストに基づいた精度の高い意思決定を支援します。

シングルモーダルAIとマルチモーダルAIの比較

従来のAIまたはシングルモーダルAIは、一度に処理できるデータ形式が1種類に限られています。例えば、画像認識AIは画像のみ、音声認識AIは音声のみ、大規模言語モデル（LLM）は主にテキストを対象として処理します。

これらのAIは特定分野では高い性能を発揮しますが、複数の情報を組み合わせて判断する必要がある業務では限界があります。

一方、マルチモーダルAIは、単一のモデルで複数のモダリティを同時に理解・分析できます。

例えば、製造業における設備点検では、シングルモーダルAIは設備画像だけを解析します。一方、マルチモーダルAIは、設備画像に加えて保守履歴、異常音、センサーデータなどを統合的に分析し、不具合の原因をより正確に特定するとともに、適切な対応策まで提案できます。

比較項目	マルチモーダルAI	シングルモーダルAI
入力形式	複数のモダリティを同時に処理	単一のモダリティのみ処理
コンテキスト理解	複数ソースを網羅した深い理解	限定的
拡張性	単一モデルで複数タスクに対応	タスクごとに個別のモデルが必要
学習難易度	同期された高品質なデータセットが必要	シンプルなデータセットで可能
適用シーン	複雑な実世界シナリオに最適	特化型アプリに最適

マルチモーダルAIは柔軟性と高い判断精度を実現しますが、その性能は学習データの品質、多様性、そして整合性に強く依存します。今後、多くの企業でマルチモーダルAI活用事例が増加する中で、適切にアノテーションされたデータセットの構築こそが、プロダクションレベルのAIを構築するための最も重要なファクターとなります。

マルチモーダルAIの仕組み：コアメカニズムを紐解く

マルチモーダルAIの内部構造を理解する際、機械学習の詳細な数式を知る必要はありません。しかし、ベンダー選定やプロジェクト計画を立てる上で、その基本的なプロセスを把握しておくことは極めて重要です。ここでは、アカデミックな理論よりも、ビジネス現場での応用に直結する「実用的な仕組み」を解説します。

モダリティエンコーダーとフュージョン技術

マルチモーダルAIの処理プロセスは、主に以下の2段階で構成されています。

• モダリティエンコーダー（符号化）: まず、テキスト、画像、音声といった各入力形式が、それぞれのエンコーダーを通過します。例えば、画像エンコーダーはピクセルを数値の特徴量に変換し、テキストエンコーダーは単語をベクトル化します。
• フュージョンレイヤー（統合）: 次に、変換された各データが「フュージョンレイヤー」で一つの共有空間へと統合されます。これにより、モデルは「動画内の物体」と「音声で発せられた言葉」、あるいは「文書内のフレーズ」を相互に関連付けて理解できるようになります。

ここで最も重要なのはデータの品質です。 フュージョン工程の精度は、学習データがいかにモダリティ間で適切にラベル付けされ、整合性が保たれているかに大きく依存します。不完全なデータセットでは、モデルが情報の関連性を見失ってしまうため、高品質なデータ準備が不可欠です。

主要なマルチモーダルAIモデルの比較

現在、複数の大手AI研究機関から、それぞれ異なる強みを持つマルチモーダルモデルが提供されています。以下の表は、各モデルの概略的な特徴をまとめたものです。

モデル	提供企業	対応モダリティ	主な特徴
GPT-4o	OpenAI	テキスト、画像、音声、動画	音声・画像を含むリアルタイム対話やマルチモーダル推論に優れる
Gemini	Google DeepMind	テキスト、画像、音声、動画、コード	長文ドキュメントや長時間動画の理解、高度なコンテキスト処理に強み
Claude	Anthropic	テキスト、画像、ドキュメント	文書や画像を組み合わせた高度な推論やドキュメント解析に優れる

 

※注：AI技術は日進月歩で進化しており、各モデルの機能も頻繁にアップデートされるため、最新のリリースノートを確認することをお勧めします。

産業別：マルチモーダルAI事例

各産業において活用されるテキスト、画像、動画、音声、センサーデータの組み合わせは多種多様ですが、共通する要件は一つです。それは「実世界の複雑な状況を正確に反映した、高品質なマルチモーダル・データセット」が不可欠であるということです。

ここでは、産業界に大きな変革をもたらしている最もインパクトのあるマルチモーダルAIの応用例を見ていきましょう。

製造業におけるマルチモーダルAI事例：品質検査と生産ラインの最適化

NEDO（新エネルギー・産業技術総合開発機構）の報告によれば、日本政府はフィジカルAIやロボティクスを支援する国産マルチモーダル基盤モデルの開発に注力しており、製造業の競争力強化を国家戦略の優先事項として位置づけています。これは、次世代の製造業が、個別のデータ源を単独で処理するのではなく、産業データ全体を横断的に理解・推論できるAIシステムにかかっているという認識の高まりを反映しています。

今日の生産現場では、検査画像や機械センサーの数値、保守ログ、オペレーター報告、設備音など、膨大な量のマルチモーダルデータが生成されています。しかし、これらは個別に分析されることが多く、不良品やダウンタイム、設備故障に繋がる前に根本原因を特定することが困難でした。

ここでマルチモーダルAIが大きな価値を発揮します。

例えば、AIシステムは以下のようなデータを同時に解析します。

• 完成品の解像度画像
• 生産ラインの映像データ
• 設備の振動および音響信号
• IoTセンサーデータ
• 設備メンテナンス記録

これらの複数のモダリティを相関させることで、視覚的な検査だけでは発見できない欠陥を特定できます。外見上は正常に見える部品であっても、稼働音や振動パターンに異常があれば、早期に機械の摩耗を検知することが可能です。

欠陥検知にとどまらず、製造業では以下の目的でマルチモーダルAIが活用されています。

• 故障発生前の予知保全
• 生産ワークフローの最適化
• 計画外ダウンタイムの削減
• 品質の一貫性向上
• 予知保全戦略の強化

製造後の事後対応ではなく、リスクの早期発見と無駄の削減を実現することで、設備総合効率（OEE）を劇的に向上させることが可能となります。

関連記事：製造業におけるフィジカルAIとは？：その重要性と日本企業の導入動向

自動車におけるマルチモーダルAI事例：センサーフュージョンによる安全な判断

マルチモーダルAIを最も高度に活用している業界の一つが、自動運転です。

自律走行車は、天候、照明、交通状況が絶えず変化する中で、周囲の環境を常に理解しなければなりません。単一のセンサーで完璧な状況認識を提供することは不可能であるため、自動運転にはセンサーフュージョンが不可欠です。

マルチモーダルAIシステムは、以下の情報を統合します。

• カメラ画像
• LiDAR（点群データ）
• レーダー
• GPS
• 超音波センサー
• 車両テレメトリ（走行データ）

それぞれのセンサーは独自の強みを持っています。カメラは信号機や道路標識、車線を認識し、LiDARは物体の距離を正確に測定し詳細な3Dマップを作成します。レーダーはカメラが苦手とする雨、霧、暗闇の中でも信頼性の高い情報を得ることができます。

これらの補完的なデータ源を組み合わせることで、マルチモーダルAIは運転環境をより正確に再現します。これにより、歩行者の検知、危険の予測、周辺物体の追跡、そしてリアルタイムでのより安全な運転判断が可能になります。マルチモーダル学習なしでは、多様な道路状況下で信頼性の高い認識を維持することは極めて困難です。

ヘルスケアにおけるマルチモーダルAI事例：診断精度の向上

医療従事者が診断を下す際、多くの場合、複数のシステムに点在する情報を統合して検討する必要があります。医療画像、臨床検査結果、電子カルテ（EHR）、医師のメモ、患者へのインタビューなどは、いずれも診断に不可欠な文脈を提供しますが、これらのソースを手作業で紐付けることは時間と労力を要し、ヒューマンエラーのリスクも伴います。

マルチモーダルAIは、これらの異なるデータ型を統合的に分析することで、臨床医がより包括的な患者像を把握できるよう支援します。

例えば、マルチモーダル診断システムは以下を組み合わせます。

• MRI、CT、X線画像
• 電子カルテデータ
• 臨床検査結果
• 医師の診療録
• 患者面談の音声記録

モデルは各ソースを個別に評価するのではなく、ソース間の関係性を特定し、潜在的な異常を強調し、関連性の高い情報を優先順位付けすることで、臨床意思決定をサポートします。

重要な点は、マルチモーダルAIは医療従事者に代わるものではなく、その専門性を補完するように設計されているということです。分断された情報の整理に費やされていた時間を削減することで、医師は診断、治療計画の策定、患者へのケアにより集中できるようになり、プロセス全体を通じて常に人間による監督が維持されます。

小売・eコマースにおけるマルチモーダルAI事例：よりスマートな購買体験の提供

小売業者は複数のチャネルを通じて顧客と接しており、製品画像、顧客レビュー、ブラウジング行動、購入履歴、店舗内映像など、多様なデータを日々生成しています。

マルチモーダルAIは、これらの情報源を結びつけ、より直感的でシームレスな購買体験を創出します。最も認知度の高いマルチモーダルAI活用事例の一つがビジュアル検索です。顧客はキーワードで製品を説明する代わりに、写真をアップロードするだけで、AIが視覚的に類似した製品を特定します。その際、製品説明文、レビュー、在庫データから抽出された属性情報も併せて考慮されます。

また、小売業者はマルチモーダルAIを活用して以下の取り組みを行っています。

• パーソナライズされた製品レコメンデーションの提供
• AI搭載のセルフレジシステムの高度化
• 在庫認識精度の向上
• 棚での商品誤配置の自動検知
• 実店舗における顧客行動分析

視覚、テキスト、行動データを組み合わせることで、小売業者は顧客満足度（カスタマーエクスペリエンス）とオペレーション効率の両面を改善しています。

セキュリティ・監視におけるマルチモーダルAI事例：リアルタイム異常検知

従来の監視システムは、人間のオペレーターが映像フィードを監視することに大きく依存しており、広大な環境全体でインシデントを迅速に検知することは困難でした。マルチモーダルAIは、複数の情報を同時に分析することで、状況認識の範囲を大幅に拡大します。

導入環境に応じて、システムは以下を組み合わせます。

• ライブ映像フィード
• 音声録音
• 人感センサー
• 入退室管理ログ
• サーマルイメージング（熱画像）
• IoTセキュリティセンサー

マルチモーダルAIは、個別の単発的なイベントを検知するだけでなく、異なるモダリティを横断して行動パターンを認識します。例えば、「放置物」を特定すると同時に、不審な動きや異常な音、あるいは不正な入室試行を同時に検知することが可能です。複数の信号を相関させることで、誤報を削減し、セキュリティ担当者に対してより信頼性の高いアラートを提供し、迅速な対応を可能にします。

教育におけるマルチモーダルAI事例：パーソナライズされた学習とインテリジェントなコンテンツ生成

学習者は、読書、リスニング、デモンストレーションの視聴、インタラクティブな活動など、それぞれ異なる方法で情報を吸収します。マルチモーダルAIを活用することで、教育プラットフォームはこれらの学習方法を単一のインテリジェントなシステム内で統合できるようになります。

マルチモーダル学習アシスタントは、以下の情報を同時に処理します。

• デジタル教科書
• 講義動画
• 音声解説
• 学生のエッセイ
• 音声による回答
• 画像および図解

この情報を基に、システムは自動的にクイズを生成し、複雑な授業内容を要約し、音声による解説を提供し、口頭回答を評価し、各学生の進捗に合わせてパーソナライズされた学習教材を推奨することができます。

マルチモーダルAIは教師に代わるものではなく、繰り返しの多いタスクを削減し、学生一人ひとりに適応した、より魅力的で効果的な学習体験を提供するための支援ツールとして機能します。

LQAが実現するマルチモーダルAI導入の実践的プロジェクト

マルチモーダルAIモデルの構築は、成功への道のりの一部に過ぎません。それと同等以上に重要なのが、モデルの学習に用いられるデータ品質です。

単一のデータソースに依存する従来のAIプロジェクトとは異なり、マルチモーダルAIは画像、動画、音声、テキスト、センサー情報にわたる同期されたデータセットを必要とします。AIモデルが異なるモダリティ間で意味のある相関関係を学習するためには、これらのデータが慎重に収集、アノテーション、そして厳格に品質チェックされている必要があります。

LQA（Lotus Quality Assurance）は、大規模なデータ収集、アノテーション、検証、そして品質保証サービスを通じて、AI企業が実運用レベルのマルチモーダルデータセットを構築できるよう支援しています。以下のプロジェクトは、高品質なマルチモーダルデータがいかにAIシステムの信頼性を高めるかを示す好例です。

事例1：人間によるデモンストレーションを用いた身体性AIの学習支援

課題

身体性AIおよびロボティクスの開発を行うグローバルAI企業は、人間が日常の物体とどのように自然にインタラクションするかをロボットに学習させるため、大規模な一人称視点データセットを必要としていました。

従来の第三者視点の動画では、ロボット学習に不可欠な精密な手元の動きや物体操作の視覚情報を十分に捉えられないという課題がありました。

LQAのソリューション

LQAは、ヘッドマウントカメラと手首装着型カメラを同期させた大規模な一人称視点データ収集プロジェクトを設計・実行しました。

参加者は以下を含む多様な実生活のアクティビティを実演しました。

• 物体の把持
• 道具の使用
• 家事タスク
• マルチステップのワークフロー
• 人間と物体の自然なインタラクション

プライバシー遵守のため、すべての録画データから顔画像や個人を特定できる情報を除外した上で、現実的かつ多様なインタラクションシナリオを維持しました。この結果得られたマルチモーダルデータセットは、身体性AIモデルが人間の行動を深く理解し、そのスキルをロボットシステムへと転移させるために不可欠な視覚・動作情報を提供しています。

ビジネスインパクト

• 身体性AI学習のための高品質な一人称視点データを提供
• 多様な実生活環境におけるインタラクションシナリオの獲得
• プライバシーを遵守した大規模データ収集の実現
• ロボットの操作タスク学習精度の向上

詳細は当社の一人称視点データ収集の事例をご覧ください。

事例2：フィジカルAI向けシミュレーション対応データセットの構築

課題

ロボットの学習を完全にシミュレーション環境で行うと、仮想空間では機能するものの、実世界では性能が発揮できないという「Sim-to-Real（シミュレーションと実環境の）ギャップ」が生じます。あるフィジカルAIインフラ企業は、このシミュレーションのリアリティとロボットの性能を改善するため、高精度にアノテーションされた大量のマルチモーダルデータを必要としていました。

LQAのソリューション

LQAは、データ収集からアノテーションまでを一気通貫で行うマルチモーダル・データパイプラインを提供しました。本プロジェクトでは以下を実施しました。

• 家庭、工場、研究所、小売店舗といった多様な環境での一人称視点データ収集
• 高精度な動画アノテーション
• 物体およびインタラクションのセマンティックラベリング
• ワークフロー全体にわたる多層的な品質保証

現実的な人間のデモンストレーションと詳細なアノテーションを組み合わせることで、顧客は実世界の環境をより正確に反映した学習用データを獲得しました。

ビジネスインパクト

• Sim-to-Realギャップの低減
• ロボット基盤モデルのための高品質なデータセット構築
• シミュレーション環境の信頼性向上
• 実環境へのデプロイ（実装）時の精度向上

詳細は当社の一人称視点データ収集・アノテーションの事例をご覧ください。

事例3：遠隔操作データ収集によるロボット性能の改善

課題

Tier 1自動車サプライヤーやロボティクスOEMを支援するあるロボットデータプロバイダーは、多様な環境下での複雑な操作タスクをロボットに学習させるため、高品質な遠隔操作（テレオペレーション）データを必要としていました。

本プロジェクトは、スタンフォード大学、コロンビア大学、およびトヨタ研究所（TRI）の研究者によって開発された「Universal Manipulation Interface（UMI）」フレームワークを基盤としています。

LQAのソリューション

人間のオペレーターがハンドヘルド型のグリッパーを操作し、キッチン、カフェ、オフィス、屋外など50種類以上の実環境で、カップ配置などの操作タスクを遠隔で実演・キャプチャしました。収集されたデモンストレーションデータを用いて、ロボット操作のための拡散ポリシーモデルを学習させました。学習済みのポリシーは、UR5eおよびFrankaの両ロボットアームに展開されました。

ビジネスインパクト

• テスト中に研究者が照明条件を変更したり物体を再配置したりした場合でも、ロボットは70%～100%のタスク成功率を達成。
• 従来のビジョンモデルと比較し、極めて高い堅牢性（ロバストネス）を実証。
• 動的な実世界環境で動作するロボットAIシステムの適応能力を大幅に改善。

詳細は当社の当社の遠隔操作データ収集の事例をご覧ください。

学習データがAIの成果をいかに左右するか、LQAが提供するその他のAI学習用データ活用事例もぜひご覧ください。

マルチモーダルAI導入のメリットと課題

シングルモーダルからマルチモーダルAIへと移行する企業は、単一の指標にとどまらない多面的な成果を享受しています。導入によるインパクトが最も顕著に現れる4つの領域を以下にまとめました。

マルチモーダルAI導入のメリット

• 人間と同様の情報処理能力： 視覚、聴覚、言語情報を組み合わせることで、各信号を個別に分析するのではなく、人間が自然に行うように文脈を統合して理解します。
• 複雑なビジネス課題への対応力： センサー数値と技術者のメモを統合して設備故障を診断するなど、単一のAIツールでは解決困難な複雑な問題も、マルチモーダルなワークフローであれば自然に解決可能です。
• 分析精度の向上： 複数のモダリティを照合することで、誤検知や盲点を削減します。片方のデータ形式で曖昧な異常も、別のモダリティが確認することで明確化され、判断精度が向上します。
• カスタマーエクスペリエンス（CX）の劇的な改善： 視覚情報を理解する音声アシスタント、スクリーンショットを読み取るチャットボット、写真で検索できるツールなど、ユーザーの利便性を高めるUIを実現します。これが、顧客接点でのマルチモーダルAI活用が急速に拡大している理由です。

導入に際して考慮すべき課題

マルチモーダルAIは非常に強力ですが、構築や保守は容易ではありません。プロジェクトを検討するチームは、最初から以下の制約を計画に盛り込む必要があります。

• 膨大な同期データの必要性： 全てのモダリティにわたって、高品質で同期された学習データが大量に必要となります。
• 評価指標の複雑化： モダリティの組み合わせによって性能が変化するため、単一モダリティのAIと比較して評価基準の解釈が困難です。
• 処理負荷とリードタイムの増大： シングルモーダルなパイプラインと比較して、データ処理のワークロードとターンアラウンドタイムが増加します。
• データ漏洩リスクの拡大： マルチモーダルデータセットには、テキストに加え、機密性の高い画像、音声、動画が含まれることが多く、データ漏洩のリスクが高まります。
• 知的財産権への配慮： スクレイピングされた画像、動画、音声に関連する著作権の問題など、権利侵害のリスクを学習前に慎重に審査する必要があります。

これらの課題を俯瞰すると、「なぜ高品質な学習データが成功の第一要因となるのか」が明確になります。導入における障壁のほぼ全ては、根底となるデータセットがどのように収集され、ラベル付けされ、管理されているかに帰結するからです。次章では、このデータ基盤の構築について詳しく解説します。

高品質なマルチモーダル学習データはどう準備すべきか？

マルチモーダルAIに関する議論の多くは、AIの成功を左右する「最も泥臭い部分」、つまりデータ準備のプロセスを軽視しがちです。しかし実際には、競合モデル間の性能差は、このデータ準備の段階で生まれることがほとんどです。

AI活用に向けたAIレディなデータセットとは？

AIレディなマルチモーダルデータセットには、各モダリティ間の高度な同期が不可欠です。例えば、動画のフレーム、その書き起こしテキスト、そしてセンサーデータが、時間軸上で正確に一致している必要があります。

さらに、アノテーター間でのラベル付けの一貫性、そして顔や音声、生活環境を含むデータに対する厳格なプライバシーコンプライアンスが強く求められます。

マルチモーダルAIに求められるアノテーション手法

形式ごとに適切なアノテーション手法は異なり、一つのプロジェクトで複数の手法を並行して実施することも珍しくありません。

• 画像アノテーション： バウンディングボックス、セグメンテーション、キーポイント検出など。
• 動画アノテーション： アクションラベル付けや、フレーム間における物体追跡。
• 音声アノテーション： 文字起こし（トランスクリプション）および話者特定。
• テキストアノテーション： インテント（意図）分類やエンティティ（固有表現）抽出。
• 3D点群アノテーション： 自動運転やロボティクスで多用されるLiDARデータのタグ付け。

生データからモデルの微調整（ファインチューニング）へ

収集・アノテーションされたマルチモーダルデータセットは、モデルのトレーニングと最適化における基盤となります。用途に応じて、組織は以下のような手法でデータを活用します。

• 教師ありファインチューニング（SFT）： 基盤モデルをドメイン固有のタスクに適応させます。
• 検索拡張生成（RAG）： 独自のナレッジベースを活用し、モデルの回答精度を向上させます。
• 人間のフィードバックによる強化学習（RLHF）： モデルの挙動を人間の期待値に合わせます。

これらのトレーニング手法には、それぞれ異なるデータ形式、アノテーション基準、品質保証プロセスが必要です。多くのAIプロジェクトにおいて、モデルの性能を制限しているのはアーキテクチャ自体ではなく、不十分または適切に準備されていない学習データです。

結論として、プロダクションレベルのマルチモーダルAI構築は、モデルのトレーニングが始まるずっと前、すなわち「高品質なデータの確保」から始まっているのです。

高品質なマルチモーダルAIデータセットなら、LQAにお任せください

LQAは、多種多様なアーキテクチャやデータ形式を網羅し、AIモデルの学習に最適化された高品質なデータセットを提供します。

• 対応可能なAIモデル： コンピュータビジョン、自然言語処理（NLP）、マルチモーダルAI、生成AI、LLM（大規模言語モデル）、その他カスタムモデル
• 対応可能なデータ形式： 画像、動画、音声、テキスト、コード、時系列データ、マルチモーダルデータセット、軌跡データ

LQAの取り組みは、これまでの事例でご紹介した通り、プロジェクト全体を貫く以下の原則に基づいています。

• 品質優先の戦略： データ収集からアノテーションの全工程で、最高水準の品質を追求。
• 各分野における専門知識： 製造、自動車、ヘルスケア、小売、ロボティクスなどの専門領域に精通。
• グローバルデリバリー体制： ベトナム、日本、米国、韓国を拠点としたグローバルな供給能力。
• 日本基準の徹底した品質管理： Professional Scrum Master （PSM）やPMP認定、ISO 27001認証に基づいた厳格な品質管理とセキュリティ体制。
• 円滑なコミュニケーション： 日本語対応スタッフが約20%、英語対応スタッフが約85%を占める多言語チームによるスムーズな連携。

より優れたマルチモーダルAIを構築する準備はできていますか？

AI学習用データの収集・アノテーションやLLMトレーニングデータサービスなど、LQAが貴社のAI開発プロジェクトをどのように加速できるか、ぜひ当社のサービスページより詳細をご確認ください。

マルチモーダルAI事例に関するよくある質問

マルチモーダルAIの導入や活用を検討される際に、お客様から多く寄せられる質問をまとめました。

マルチモーダルAIとは何ですか？

テキスト、画像、音声、動画、センサー信号など、複数の異なるデータ形式（モダリティ）を単一のモデル内で処理・理解できるAIシステムのことです。異なるソースの情報を組み合わせることで、従来のシングルモーダルAIよりも実社会の状況をより深く理解し、高精度な推論や意思決定を可能にします。

ChatGPTのマルチモーダル機能にはどのようなものがありますか？

ChatGPTは、テキスト以外の入力形式を理解・生成する能力を備えています。ユーザーは画像やドキュメントをアップロードしたり、音声で話しかけたりすることが可能です。これにより、チャートの分析、画像内容の解釈、文書に関する質疑応答、自然な音声会話といったタスクが実現します。

マルチモーダルAIを導入するメリットは何ですか？

最大のメリットは、複数の情報源を統合し、文脈を汲み取った精度の高い結果を出せる点です。テキスト、画像、音声、センサーデータを統合することで、意思決定の改善、エラーの削減、より自然な人間とコンピュータ間の対話が可能になり、自動運転、医療診断、高度な製造管理、パーソナライズされた顧客体験などの複雑なアプリケーションをサポートします。

マルチモーダルAI導入における課題は何ですか？

大きな利点がある一方で、構築には高度な技術が必要です。高い信頼性を確保するには、複数の形式にわたる多様で整合性の取れた大量の学習データが必要となります。これらのデータ収集、アノテーション、同期には時間とコストがかかるほか、高度なコンピューティングリソース、ならびに精度・プライバシー・コンプライアンスを担保するための厳格なデータガバナンスが求められます。

どのような業界でマルチモーダルAIが使われていますか？

多岐にわたる業界で採用が進んでいます。製造業では品質検査や予知保全、自動車業界ではセンサーフュージョンによる自動運転、ヘルスケアでは診断支援、小売業ではビジュアル検索やレコメンデーション、セキュリティではリアルタイム監視、教育機関ではパーソナライズ学習などに活用されています。マルチモーダル基盤モデルの進化に伴い、今後さらに多くの業界へ拡大する見込みです。

製造業ではどのようにマルチモーダルAIが使われていますか？

産業用カメラ、機械センサー、メンテナンス記録、動作音、生産ログなどのデータを組み合わせることで、オペレーション効率を劇的に改善しています。自動品質検査、予知保全、欠陥検知、生産ライン最適化、作業者の安全監視などが代表的です。複数のデータソースを同時に解析することで、従来よりも早期の課題特定やダウンタイムの削減、製品品質の向上を実現しています。

まとめ：マルチモーダルAI活用の成功に向けた鍵

マルチモーダルAIの活用事例は製造、自動車、医療、小売、セキュリティ、教育と広範囲に及んでいます。これらすべての成功に共通する絶対的な条件があります。それは、「AIモデルの性能は、学習に使用したデータの品質によってのみ決定される」という事実です。

同期が取れ、適切にアノテーションされ、プライバシーに配慮された高品質なデータを準備することこそが、PoC（概念実証）の段階で終わるのか、それとも実運用環境（プロダクションシステム）として稼働するのかを分ける決定的な要素となります。

もし貴社のチームがマルチモーダルAIプロジェクトを計画しており、技術的要件と高い品質基準を両立できるデータパートナーをお探しであれば、ぜひLQAにご相談ください。貴社のデータニーズに合わせた最適なソリューションをご提案します。

• Website: https://lotus-qa.com/jp/
• Tel: (+84) 24-6660-7474
• Mail: [email protected]
• Fanpage: https://www.linkedin.com/company/lts-japan/

製造業におけるAIは、新たな局面を迎えています。単なる生産データの分析や推奨事項の提示にとどまらず、AIは今、機械や生産ライン、そして工場の現場環境と直接的に相互作用し始めています。この進化は「フィジカルAI（Physical AI）」と呼ばれ、製造業における複雑な物理的作業の自動化を根本から塗り替えようとしています。

この変革は日本の製造業にとって極めて重要なタイミングで訪れています。

科学技術振興機構（JST）もその戦略的重要性を認識しており、次世代のインテリジェント・ロボティクスの核となる技術としてフィジカルAIを位置づけ、日本の長期的な産業競争力を強化する鍵として強調しています。

こうした背景の中、製造業におけるフィジカルAIは、単なるAIの流行を超えつつあります。それは、あらかじめ定義された指示を実行するだけの機械から、自ら周囲を理解し、自律的な判断を下し、リアルタイムで物理的な状況に対応できるシステムへの決定的な転換を意味します。

本記事では、フィジカルAIとは何かという基本から、それを支える技術、なぜ今日本の製造現場がこれに注力しているのか、すでに生産現場で導入が進んでいるマルチモーダルAIの事例や産業用AIソリューション、導入を阻む障壁、そして成功のために必要なデータや検証の観点について詳しく解説します。

フィジカルAIの基本原則：物理世界を認識・推論・相互作用する仕組み

製造業におけるフィジカルAIは、機械が物理世界を自律的に認識し、推論し、相互作用を可能にすることで、従来のAIの枠組みを超えた進化を遂げています。本セクションでは、フィジカルAIとは何か、従来の産業用オートメーションと何が違うのか、そしてそれを実現する中核技術について解説します。

フィジカルAIとは何か？

これまでの産業用AIは、需要予測や予兆保全、品質分析、生産計画の最適化によって製造業を変革してきました。しかし、これらのシステムの多くはデジタル領域で完結しており、「情報の分析と推奨」を行うまでにとどまり、物理的な作業そのものは人間やあらかじめプログラムされた機械に依存していました。

製造業におけるフィジカルAIは、AIの役割をデジタル上の意思決定から物理的実行へと拡張します。機械が自ら環境を感知し、変化を理解し、判断を下し、物理的な動作を行うことを可能にする技術です。

科学技術振興機構（JST）の研究開発戦略センター（CRDS）によれば、フィジカルAIとは、センサーやアクチュエータ、運用インフラを通じて物理環境と直接相互作用することで、知性を獲得する「身体性を持った人工知能」と定義されています。

端的に言えば、フィジカルAIとは、機械に「視覚・思考・行動」を与える技術です。

あらかじめ定義されたルールや繰り返しの動作シーケンスに依存するのではなく、AIを搭載したロボットは、センサーデータを継続的に解釈し、周囲の状況を評価して、条件の変化に応じて自ら行動を調整します。壊れやすい部品のハンドリングや、動的に変化する工場内での移動、あるいは作業員との安全な協働など、これらのシステムは「反復」ではなく「適応」を学習するのです。

この概念の技術的な詳細については、当社の専門ガイド「フィジカルAIとは？仕組み・活用事例・生成AIとの違いをわかりやすく解説」も併せてご覧ください。

フィジカルAIを支える技術要素

フィジカルAIは、単一のAIモデルや特定のロボットを指す言葉ではありません。実際の製造現場で機能する自律的な物理システムを構築するために、複数の技術が統合されています。

• センシング技術：カメラ、LiDAR、レーダー、力覚トルクセンサー、IMUなどを活用し、物理的な環境の状態をリアルタイムで把握します。
• ロボティクス技術：アクチュエータ、ロボットアーム、グリッパー、移動プラットフォームなど、AIの判断を物理的な動作へと変換します。
• 機械学習・強化学習：デモンストレーションや試行錯誤から学習し、タスクの精度を向上させます。多くの場合、実機に触れる前に数百万回ものシミュレーションを重ねて最適化されます。
• エッジAI技術：装置内で推論を実行し、クラウド接続に依存せず瞬時に判断を下します。これは工場の現場において不可欠な低遅延性を実現します。
• シミュレーション技術：デジタルツインやワールドモデルを活用し、現実環境に導入する前に仮想環境でロボットの挙動を検証・改善します。

これらの技術レイヤーが統合されることで、機械は「プログラムされた指示を実行するだけの存在」から、「目の前の状況に応じて自らの行動を適応させられる存在」へと進化するのです。

フィジカルAIと従来のAI、および従来型産業用ロボットの違い

フィジカルAIは、広義の「AI」や「ロボティクス」と混同されがちですが、投資判断を行う際にはその明確な違いを理解することが不可欠です。

従来のAIとフィジカルAIの比較

まずは、情報の処理を主とする従来のAIと、物理的な適応能力を持つフィジカルAIの違いを整理します。

 

比較項目	従来のAI	フィジカルAI
主な役割	ビジネス効率化、コンテンツ生成支援	人間の物理的作業の代替・支援
動作環境	デジタル空間（PC、サーバー、クラウド）	物理的、現実世界の空間
学習方法	大規模な構造化/非構造化データ	実世界の試行錯誤、シミュレーションに基づく強化学習
核となる能力	データ分析、予測、分類、定型デジタルタスクの自動化	非定型かつ物理的な環境下での自律行動

 

従来型産業用ロボットとフィジカルAI搭載ロボットの比較

次に、従来の産業用ロボットと、フィジカルAIを搭載したロボットの違いについて比較します。

比較項目	従来型産業用ロボット	フィジカルAI搭載ロボット
ティーチング方法	手動プログラミング、固定指示セット	模倣学習、ダイレクトティーチング、シミュレーション訓練
動作環境	固定された安全柵内、管理された空間	動的な空間、人間との協働が可能
非定型タスクの処理	困難（大規模な再プログラミングが必要）	柔軟かつリアルタイムでの適応が可能

 

なぜ今、この違いが注目されているのか？

この違いこそが、現在日本で最も急成長しているロボットカテゴリーの理由です。それは従来の6軸産業用アームではなく、協働ロボット（コボット）です。

フィジカルAIの進歩によって力覚センサーの精度が飛躍的に向上したことで、ロボットは安全柵を設置することなく、人間のすぐ隣で安全に作業できるようになりました。この領域は、2034年まで年平均成長率（CAGR）約22.5%で推移すると予測されており、日本の製造現場における産業用AIソリューションの主戦場となっています。

製造業におけるフィジカルAIの仕組み：センシング・思考・行動のループ

製造業におけるフィジカルAIは、「センシング・思考・行動（Sensing–Thinking–Acting）」の絶え間ないループを通じて動作します。これにより、機械は環境を認識し、自律的に意思決定を行い、リアルタイムで反応することが可能になります。すべての動作が事前に定義されたルールに従う従来の自動化とは異なり、フィジカルAIは刻々と変化する工場の状況に常に適応し続けます。

プロセスの始まり：センシング

カメラ、LiDAR、力覚センサー、慣性計測装置（IMU）、その他の産業用センサーが、部品の位置、機械の振動、温度、さらには近くで作業する従業員の動きに至るまで、生産環境に関するリアルタイムの情報を収集します。この絶え間ないデータストリームによって、AIシステムは工場のフロアで今何が起きているのかを最新の状態で把握します。

次の段階：思考

マルチモーダルAIモデルは、視覚情報、空間データ、センサーデータを統合し、環境の全体像を構築します。続いて、「ワールドモデル」と「強化学習」が可能なアクションを評価し、その結果を予測した上で最適な応答を選択します。単なる反射的な反応ではなく、AIが次に何が起こるべきかを予測するのです。

最終段階：行動

システムがアクションを起こします。ロボットアームがグリップを微調整する、自律走行搬送ロボット（AMR）が障害物を避けて経路を変更する、あるいは工作機械が自動的に動作パラメータを最適化するなどです。すべての行動は即座に新たなセンサーデータを生成し、システムが継続的に学習・適応するためのクローズド・フィードバック・ループを形成します。

デジタルツインとワールドモデルの

デジタルツインとワールドモデルは、大規模な導入を安全かつ経済的に行うための鍵となります。高価な生産ラインでロボットに直接試行錯誤をさせるのではなく、製造業者はまず工場の仮想レプリカ内で数百万回のシミュレーションを実行し、信頼性が証明されたポリシーのみを実機に展開できます。

例えば、三菱電機は2026年にドイツのアーヘン工科大学（RWTH Aachen University）と共同で、CNC工作機械の誤差をリアルタイムで補正する「エッジデジタルツイン技術」を開発しました。これにより、機械加工におけるエラーを最大50%削減することに成功しています。このように、産業用AIソリューションを活用することで、現場の生産性と品質は飛躍的に向上します。

なぜ今、日本の製造業でフィジカルAIが加速しているのか

日本の製造業におけるフィジカルAI導入状況

現在、日本におけるフィジカルAIの導入機運は、3つの強力な要因によって急速に高まっています。

• 構造的課題（労働力不足）：最大の要因は逼迫する労働力不足です。日本の生産年齢人口は2020年から2030年にかけて約5.8%減少すると予測されており、製造現場での人手不足は深刻です。これに加え、熟練技術者の引退による「匠の技」の継承問題や、大量生産型の「ライン生産」から、多品種少量生産に対応した「セル生産」へのシフトが、自動化の難易度を押し上げています。
• 技術的進展：センサーコストの低下、計算能力の向上と低コスト化、そして実機配備前に安全に訓練できるシミュレーション環境の普及が、フィジカルAIの実用性を後押ししています。経済産業省も、Society 5.0や「コネクテッド・インダストリーズ」の一環として、2024年度補正予算でAIロボットの研究開発に320億円以上を投じるなど、政策面からも支援を強化しています。
• 世代交代：日経クロステック（日経xTECH）の調査によると、製造業への就職希望者の約60%が「将来の職場でのAI・ロボット活用」を想定しており、65%以上が「業界にポジティブな変化をもたらす」と期待しています。次世代の労働力にとって、AI搭載ロボットとの協働はもはや「問うべきこと」ではなく「当たり前の前提」となっています。

現状、市場調査によれば日本の製造業の約3分の1がフィジカルAIを活用・検討していますが、実際に導入・稼働している企業は約4%に留まっています。この「関心と実装の大きなギャップ」を埋めることが、今後数年間の日本市場の最大の焦点となるでしょう。

なお、IMARC Groupの予測によると、日本の産業用ロボット市場は2025年の1.36万台から2034年には5.12万台へと成長し、年平均成長率（CAGR）は15.89%に達する見込みです。特に産業用AIソリューションを統合した協働ロボットや、年平均成長率30%を超えるヒューマノイドロボットの開発が、市場を牽引すると予測されています。

日本の製造業がフィジカルAI導入で得られる主要なメリット

• 深刻な人手不足の緩和：製造拠点の60%以上が人材育成に課題を抱える中、安全柵が不要な協働ロボット（コボット）は、従来の固定プログラムロボットでは不可能だった非定型かつ労働集約的なタスクを自動化し、貴重な人間をより付加価値の高い業務へとシフトさせます。
• 匠の技のデジタル化と継承：暗黙知を言語化しにくいマニュアルとは異なり、模倣学習を活用すれば、熟練技術者の動き（力加減、タイミング、順序）を直接学習させることが可能です。これにより、長年培われた職人のノウハウを再利用可能なデジタルモデルとして保存・継承できます。
• 劇的なコスト削減：電子機器組み立て、食品加工、医薬品パッケージングなどを担う日本の中小企業において、軽量な協働ロボットの導入は安全柵の設置コストを不要にし、従来の産業用ロボット導入と比較して統合コストを40〜60%削減できる可能性があります。

製造業におけるフィジカルAI活用事例

フィジカルAIは、工場の現場で具体的にどのような価値を生み出しているのでしょうか。ここでは、現在進行中の主要なユースケースを紹介します。

予兆保全と異常検知

機械の振動、温度、音響などのセンサーデータを、AIが学習した「正常な挙動モデル」と照らし合わせます。ベアリングの摩耗やモーターの異常電流などを、故障が発生するよりはるかに早い段階で検知できるため、メンテナンスを「定期的なスケジュール」から「状態に基づいた最適化」へとシフトさせることが可能です。

AIによる視覚品質管理と欠陥検査

良品と不良品の両方を学習させたマルチモーダルAIビジョンシステムは、目視検査では見逃しがちな微細な表面欠陥、寸法偏差、組立ミスをラインの速度に合わせて検出します。人間が繰り返しの作業で行う視覚チェックとは異なり、疲労によるミスが一切発生しません。

精密組立

世界最大級の電子機器受託製造企業であるFoxconnは、AIとデジタルツインを組み合わせ、これまで従来のロボットでは困難だった「ネジ締め」や「ケーブル挿入」といった繊細な作業を自動化しています。世界経済フォーラム（WEF）によると、サイクルタイムの20〜30%短縮、エラー率の25%削減、運用コストの15%削減といった成果が報告されています。

工場全体のデジタルコマンドハブとデジタルツイン

Hyundaiの最新の米国工場は、施設全体をリアルタイムで再現するデジタルツインを核とした「デジタルコマンドハブ」を中心に構築されています。工場フロアからのセンサーデータがAI駆動の仮想レプリカに集約され、生産トラブルの根本原因を特定して修正案を提示します。これにより、単一マシンの制御を超えた「工場全体のオーケストレーション」を実現しています。

模倣学習を通じた熟練工の技術継承

模倣学習により、熟練技術者の手の動き（グリップの力加減、角度、タイミング）をフィジカルAIシステムに観察・再現させます。これにより、これまで暗黙知とされてきた職人の「匠の技」を再利用可能なモデルに変換し、シフトや拠点を超えて一貫したスキルを展開できるようになります。

人間と協働する人型ロボットと協働ロボット

トヨタ研究所（TRI）のGAIAプログラムでは、大規模行動モデル（Large Behavior Models）を用いて、手作業によるプログラミングなしで未知の状況に対応できる人型ロボットの開発が進んでいます。これは人間を代替するのではなく、人間の能力を拡張するためのツールとして位置づけられています。また、川崎重工の双腕ロボット「duAro」やUniversal Robots社の「URシリーズ」は、2025年時点で日本の12,000以上の中小企業に導入され、電子部品の組み立てや包装作業でその真価を発揮しています。

自律走行搬送ロボット（AMR）

AMRは、LiDARやカメラ、リアルタイムマッピングを使用して、動的に変化する工場内を自律的に移動します。固定のガイドラインに従う従来のAGVとは異なり、フィジカルAIを搭載したAMRは、障害物や人、レイアウト変更を即座に認識してルートを再計算します。これは、生産ラインのレイアウトが頻繁に変更される多品種少量生産環境において、大きな強みとなります。

フィジカルAIが業界全体でどのようにパフォーマンスを加速させているか、詳細についてはLTS Japanのプロジェクトページ「[フィジカルAIの活用事例]」をご覧ください。

フィジカルAI導入における主な障壁と課題

日本は産業用ロボットの世界的リーダーですが、フィジカルAIを製造現場へ導入する際には、従来の自動化とは異なる特有の課題が存在します。プログラム可能な自動化から、AI駆動型の自律的な生産へと移行するには、高度なハードウェアだけでなく、高品質なデータ、インテリジェントなソフトウェア、スケーラブルなインフラ、そして厳格な検証プロセスが不可欠です。大規模な導入を阻む技術的・運用上の障壁を整理します。

1. ハードウェア重視の思考とソフトウェアの遅れ

日本の製造基盤は、数十年にわたる産業用ハードウェアとメカトロニクスの強力な歴史を持っています。しかし、JST（科学技術振興機構）の研究開発戦略センター（CRDS）の報告書が指摘するように、生成AIや基盤モデルをロボティクスに応用する領域において、日本は米国や中国に遅れをとっています。世界最高水準のハードウェアと、フィジカルAIを最大限に引き出すためのソフトウェア層の間にギャップが生じているのが現状です。

2. データの断片化とプライバシーの壁

センサーデータ、視覚データ、運用データは、機器ベンダー、レガシーシステム、各部門ごとにサイロ化（孤立）していることが多く、標準化が進んでいません。また、施設や作業員に関する機密性の高いデータはプライバシー保護の観点から取り扱いが慎重になりやすく、強固なモデルを学習させるためのデータ集約をさらに遅らせる要因となっています。

3. 強化学習とシミュレーションインフラのコスト

フィジカルAIシステムを構築するには、実機への配備前にデジタルツイン環境で数百万回もの試行錯誤（強化学習）を実行する必要があります。これには莫大な計算資源が必要であり、さらに専門的なAI・ロボットエンジニア（日本国内の認定ロボットエンジニア数はわずか約4万7千人と推計されています）の不足が大きなネックとなっています。

4. 物理インフラとエッジコンピューティングの要件

工場のフロアにフィジカルAIを展開するには、新しいエッジコンピューティングハードウェア、広帯域かつ低遅延なネットワーク、そして最新の安全システムへの更新が必要です。中小企業にとって、産業用ロボットセル一式の導入に500万〜3,000万円程度のコストがかかることは、極めて高い参入障壁となります。

5. 人間とロボットの協働における安全性確保

ロボットが安全柵から出て人間と共有空間で作業するようになると、AIの予測ミスや判断ミスは直ちに物理的なリスクへとつながります。そのため、厳格かつ継続的な安全性の検証が、単なるオプションではなく「絶対不可欠な要件」となります。

6. データ品質、アノテーション、検証：見落とされがちなボトルネック

どれほど強力な計算能力やハードウェアを備えていても、フィジカルAIモデルの信頼性は、学習データとテストデータの質に依存します。不適切なアノテーション、一貫性のないラベリング基準、あるいはエッジケースの網羅不足は、稼働後の診断が困難なパフォーマンス低下を招く典型的な原因となります。

フィジカルAIの導入を成功させるために

前述した各ユースケースや課題を通じて一貫して言えることは、信頼性の高いフィジカルAIシステムを構築するための基盤は、「高品質かつ精緻にアノテーションされたマルチモーダルAI用データ」にあるということです。同期された動画、LiDARによる点群データ、触覚センサーの時系列データ、そして空間データといった情報が、システムが稼働する現実の環境を正確に反映していることが不可欠です。

もう一つ極めて重要なのは、シミュレーションだけでなく、実際の運用環境全体で行う厳格なテストと検証です。モデルがデジタルツイン上で示すパフォーマンスと、実際の工場のフロアで示す結果との間の乖離は「Sim-to-Real（シミュレーション・ツー・リアル）ギャップ」と呼ばれ、有望なパイロットプロジェクトがその後に失速してしまう最大の理由の一つです。このギャップを埋めるには、最終段階だけでなく、データ収集、アノテーション、そしてモデル検証のあらゆるステージにおいて、体系的な品質保証（QA）を適用することが不可欠です。

まさにこの部分において、専門的なデータ作成や品質保証（QA）のパートナーの存在が、フィジカルAIプロジェクトを成功に導く鍵となります。

LQAがいかにして製造業におけるフィジカルAIを支援するか

LQA (Lotus Quality Assurance) は、ベトナム初の独立系ソフトウェアテスト専門企業として、長年にわたる品質保証（QA）の専門知識を備えたチームを擁しています。私たちは、フィジカルAIを支えるデータパイプラインやAIモデルが、あらゆるデバイスや現実世界の環境下で、信頼性と一貫性を持って動作することを支援します。

製造業におけるフィジカルAIのための当社の対応能力

• データ収集：フィジカルAIシステムが直面する現実の動作環境を忠実に反映した、多環境での構造化データ収集。
• 品質チェックと検証：データパイプライン全体に体系的なQAプロセスを適用し、モデル学習前に不整合、欠損、ラベリングエラーを排除。
• 高度なアノテーションサービス：ロボティクスや身体性AI（Embodied AI）のトレーニング要件に合わせ、動画、空間データ、センサーデータに対して高精度なラベリングを実施。
• Text to CADソリューション「SenCAD」：文章からパラメトリックでプリント可能な3Dモデルを生成するAIツールです。CADスキルの壁を下げ、設計コストを削減するとともに、設計履歴の監査も可能にします。

AIツールデモはこちら：ハードウェアチーム向けText-to-CADソリューション「SenCAD」のデモ【LTS Japan】

当社が支援するフィジカルAIの応用分野

• ヒューマノイドロボット
• 産業用・スマートファクトリー用ロボット
• 自動運転車・ADAS
• 自律走行搬送ロボット（AMR）
• ドローン・UAVシステム
• ヘルスケア・手術用ロボット
• バイオインスパイアード・スマート農業ロボットなど

当社が扱う主なデータ形式

LiDAR点群、レーダー、HDマップ、GPS/IMU、空間/地理空間IoTデータ、マルチカメラRGB動画、マルチスペクトル・サーマル画像、遠隔操作・一人称視点（エゴセントリック）記録、UMIマルチモーダルデータ、力覚・触覚シーケンス、シミュレーション出力およびマルチモーダル埋め込みなど。

対応可能な運用環境

製造・産業、物流・倉庫、小売、ヘルスケア、農業、住宅、食品・飲料、商業・ホスピタリティ施設など。

フィジカルAIの活用事例：シミュレーション最適化のためのデータセット構築

課題

ロボットのトレーニングをシミュレーションのみで行うと、仮想環境では高い性能を発揮しても、現実世界では動作しない「Sim-to-Realギャップ」が発生します。あるフィジカルAIインフラ企業は、シミュレーションのリアリティと、実環境でのロボット性能を同時に向上させるため、高精度にアノテーションされた膨大なマルチモーダルデータを必要としていました。

LQAのソリューション

LQAは、収集からアノテーションまでをカバーするエンドツーエンドのマルチモーダルデータパイプラインを提供しました。

• 住宅、工場、ラボ、店舗など多様な環境での一人称視点（エゴセントリック）データ収集
• 高精度な動画アノテーション
• 物体と相互作用のセマンティック（意味的）ラベリング
• ワークフロー全体に適用される多層的な品質保証

ビジネスインパクト

• Sim-to-Realギャップの縮小
• ロボット基盤モデル用データセットの品質向上
• シミュレーション環境の信頼性向上
• 実環境導入時の精度の大幅な改善

詳細については、当社の「一人称視点データ収集およびアノテーション」に関する事例紹介全編をご覧ください。

製造業におけるフィジカルAIに関するよくある質問

製造業におけるAIの活用例は？

製造業では、AIは設計から生産、品質管理、設備保全、物流まで幅広い工程で活用されています。代表的な活用例としては、AIによる外観検査、設備故障を予測する予知保全、需要予測に基づく生産計画の最適化、生成AIを活用したCAD設計支援などがあります。また、近年ではロボットやAGV、自動搬送システムとAIを組み合わせることで、自律的に判断・行動するフィジカルAIの導入も進んでいます。これらの活用により、品質向上、生産性向上、コスト削減、人手不足への対応といった効果が期待されています。

フィジカルAIとはどんなAIですか？

フィジカルAIとは、センサーやカメラなどから取得した現実世界のデータをAIが理解・判断し、その結果をロボットや設備の動作に反映するAI技術です。従来の生成AIがテキストや画像などのデジタル情報を扱うのに対し、フィジカルAIは現実空間を認識し、自律的に行動できることが特徴です。製造業では、AI搭載ロボットによる組立作業、AI外観検査、自律搬送ロボット（AGV・AMR）、設備異常検知などで活用されており、スマートファクトリーを実現する中核技術として注目されています。

製造業におけるAI導入のデメリットは？

製造業でAIを導入する際には、データ品質の確保や既存システムとの連携、人材不足などが課題となる場合があります。AIは学習データの品質に大きく左右されるため、画像やセンサーデータの収集・アノテーションが不十分だと期待した精度を得られません。また、MESやERPなどの既存システムとの統合や、AIを運用できる人材の育成も重要です。しかし、PoC（概念実証）から段階的に導入し、AI開発からデータ準備、システム連携まで対応できるパートナーと進めることで、これらのリスクを抑えながらAIを現場へ定着させることができます。

フィジカルAIと生成AIの違いは何ですか？

生成AIはテキストや画像、プログラムコードなどのデジタルコンテンツを生成するAIです。一方、フィジカルAIは現実世界の環境をセンサーやカメラで認識し、その情報をもとにロボットや機械を制御するAIを指します。製造業では、生成AIが設計支援やマニュアル作成などに活用されるのに対し、フィジカルAIは品質検査、自律搬送、ロボット制御など、実際の生産現場で動作するシステムに利用されています。

フィジカルAIを導入するために必要なものは何ですか？

フィジカルAIを導入するためには、高品質な学習データ、AIモデル、センサーやカメラなどのハードウェア、そしてMESやERPなど既存システムとの連携基盤が必要です。さらに、実際の現場で安定して運用するためには、データ収集・アノテーションからAI開発、システム統合まで一貫して進められる体制を整えることが成功の鍵となります。

フィジカルAIはどのような製造業に向いていますか？

フィジカルAIは、自動車、電子機器、機械、食品・飲料、物流など、品質管理や設備稼働率、生産効率の向上が求められる幅広い製造業で活用されています。特に、外観検査の自動化、ロボットによる組立、自律搬送、予知保全などの業務では導入効果が高く、人手不足への対応やスマートファクトリー化を推進する手段として注目されています。

フィジカルAIが拓く日本の製造業の未来

フィジカルAIは、工場の現場におけるAIの可能性を根本から変革するものです。単なる「分析と助言」を行うシステムから、物理世界を自ら認識し、判断し、行動するシステムへ進化しています。労働力人口の減少、匠の技術継承という喫緊の課題、そして多品種少量生産への構造的なシフトに直面している日本の製造業にとって、この変革は決して遠い未来のトレンドではありません。充実したデータ環境、政府による強力な政策支援、そしてすでに始まっている先行企業の導入事例が示す通り、この波はまさに今、到来しています。

しかし、本記事で紹介したすべての事例が示すように、プロジェクトの成功は、単にアルゴリズムの複雑さや高度さのみに依存するわけではありません。真の鍵となるのは、その背後にある「現実世界のデータの質」と「検証の厳格さ」です。Sim-to-Realギャップを解消し、人間とロボットの安全な協働を実現し、パイロットラインの枠を超えて汎用性の高いモデルを構築するためには、規律あるデータ収集、正確なアノテーション、そして徹底したQAが不可欠です。

もし貴社がフィジカルAIプロジェクトを計画されており、データ収集やアノテーション、あるいは検証プロセスにおいて専門的なパートナーをお探しであれば、ぜひLQAのチームにご相談ください。

• Website: https://lotus-qa.com/jp/
• Tel: (+84) 24-6660-7474
• Mail: [email protected]
• Fanpage: https://www.linkedin.com/company/lts-japan/

顧客の概要

顧客は、低侵襲手術向けのコンピュータビジョンシステムを開発している、欧州の大学・アカデミックAI研究グループ。開発モデルは、腹腔鏡手術の動画を分析して、手術操作や手術器具と解剖学的構造（臓器・組織）との相互作用を理解する。内視鏡手術中に、手術器具の検出、解剖学的構造の識別、および一連の手術操作の解釈を行うモデルを学習させるため、高品質にアノテーションされた手術データが求められている

ビジネス課題

・ 正確なラベリングに必要な外科的専門知識： 腹腔鏡の視野には複雑な手術器具や解剖学的構造が含まれており、医療の専門知識を持たないアノテーターがそれらを判読することは困難であること。
・ 多層的なアノテーションワークフロー： データセットには、インスタンスセグメンテーションに加え、手術器具・アクション・解剖学的構造を紐付ける「トリプレットベース」の相互作用アノテーションの双方が求められたこと。
・ スケーラビリティの制約： 高度な専門知識と一貫した品質の双方が求められるため、規模の拡大が困難であること。大規模アノテーション作業のために、常勤の放射線科医や医師を確保することは非常に困難。

プロジェクト詳細

手術器具、解剖学的構造、および一連の手術操作を理解するAIモデルを支援するため、腹腔鏡手術動画におけるインスタンスセグメンテーションおよび相互作用アノテーションを実施した。
・ データタイプ： 腹腔鏡手術の動画フレーム
・ タスク： 手術器具と解剖学的構造のインスタンスセグメンテーション、トリプレットベースの相互作用アノテーション

ソリューション

1. 医療ガイドラインの翻訳・伝達レイヤー
正確なラベリングには外科的知識が必要であるため、医師による監修レイヤーを導入した。手術プロトコルや実例を明確なアノテーションガイドラインに翻訳し、訓練を受けたアノテーターが手術器具、解剖学的構造、手術中の相互作用を確実に識別できるようにした。
2. 構造化されたセグメンテーションと相互作用アノテーションのワークフロー
多層的なアノテーション要件に対応するため、手術器具と解剖学的構造のインスタンスセグメンテーションと、手術操作を表すトリプレットベースの相互作用アノテーションを組み合わせたワークフローを構築した。これにより、フレーム間を横断して、器具と生体組織の相互作用の一貫した解釈を保証した。
3. スケーラブルな医療アノテーション人材モデル
全作業負荷を外科医だけに依存することなく、大量の腹腔鏡動画フレームを処理するため、ハイブリッド型の人材モデルを採用した。
• 訓練を受けたアノテーターが、セグメンテーションと相互作用のラベリングを担当。
• 医療アドバイザーがガイドラインの明確化と品質保証（QA）レビューを支援。
この体制を構築することで、医療水準の正確性を維持しつつ、大規模なデータセットの生産を実現した。

使用技術

主な結果

顧客の概要

顧客は、イスラエル拠点のテクノロジー企業であり、ハンズフリー操作システムの開発に注力している。同社の目標は、手動操作を必要とせず、視線のみでデジタルデバイスとコミュニケーションできる体験を向上させること。このビジョンを実現するために、正確な視線検出を行うAIモデルを構築しており、これには人間の参加者から収集した大規模で構造化されたリアルワールド視線データが必要。

ビジネス課題

構造化された視線データ収集:
参加者は画面上に表示される特定のターゲットを注視する必要があった。各セッションは、監督者から指示された厳格なポジショニング手順に従い、一貫したデータ取得条件を確保した。
大規模データ:
データセットの要件は非常に大きく、短期間で100名以上の参加者をトレーニングし、チームを迅速に拡張する必要があった。
迅速な展開:
スケジュールは厳しく、数週間以内にデータ収集を開始し、規模を拡大する必要があった。
コスト効率:
大規模プロジェクトでありながら、予算内での実施が求められた。
厳格なQAとセキュリティ:
すべてのデータ収集活動は厳格な品質管理が必要で、参加者のプライバシーとデータの機密性が必須条件。

プロジェクト詳細

ドメイン： 人工知能（AI）

ソリューション

1. プロトコル設定: ターゲット、ポジショニング、照明、カメラなどの視線取得基準をクライアントと合意した。パイロットセッションで設定の妥当性を検証した。
2. チーム拡張: 200名以上の参加者体制を構築し、10名の訓練済みスーパーバイザーがセッションを指導し、姿勢や視線を修正した。
3. データ収集: 構造化されたフロー：設定 → 視線取得 → レビュー → アップロード。
スーパーバイザーが常時、位置合わせや照明を監視した。
4. 品質管理: 現場でのチェックおよびランダムレビューにより、視線位置の正確性を保証した。
5. データセキュリティ: データはクライアントのシステムに直接アップロードし、アクセス制限を徹底した。
6. 監視: 収集量、再取得、精度を毎日追跡し、品質を維持した

主な結果

顧客の概要

顧客は、様々な分野向けにデジタルツインとLiDARソリューションを専門とする韓国の企業。農業環境から収集された生の画像データはすでに保有していたが、厳しい納期内に高品質なセグメンテーションアノテーションを提供できる、信頼性の高いパートナーを必要としていた。

ビジネス課題

農業環境から収集された生の画像データはすでに保有していたが、厳しい納期内に高品質なセグメンテーションアノテーションを提供できる、信頼性の高いパートナーを必要としていた。
・ 高品質な2Dセグメンテーションアノテーション：複数のオブジェクトクラスにわたり、各画像にピクセルレベルでの精度が求められた。セグメンテーションのエラーはデジタルツインの出力品質に直結するため、精密さが極めて重要であった。
・ 1ヶ月以内の迅速な納期対応：すべてのアノテーション作業をこの期間内に完了させ、検証まで実行する必要があった。
・ 合理的なコスト：コストを膨らませることなく、品質とスピードのバランスが取れたソリューションを求めていた。
・ 厳格な品質保証（QA）と万全なデータセキュリティ：明確に定義された品質保証プロセスと、クライアントのセキュリティ基準への完全な準拠が求められた。

プロジェクト詳細

アノテーション対象のクラス：19クラス（ガラス、木、低木、車両など）
アノテーション種類：2Dセグメンテーション

ソリューション

• チームの立ち上げ：経験豊富な20名のアノテーターからなるチームを編成した。セグメンテーションの対象クラス、ラベリングルール、出力フォーマット、レビュー基準、および使用ツールについて顧客と合意を形成した。
• トレーニング：ピクセルレベルのセグメンテーション、クラスの境界、およびエッジケースに特化したトレーニングを実施。本格的な生産の前に、QAリードが試行タスクをレビューし、ガイドラインを精緻化した。
• 実行およびQA：画像はバッチ単位で割り当て。アノテーターはQAチェックの前にセグメンテーションとセルフレビューを完了させた。疑問点はチャットで迅速に解決。プロジェクトは98%の精度を達成した。
• 納品：アノテーションデータは、1ヶ月を通じて構造化されたバッチ形式で順次納品。これにより、顧客側での継続的なレビューとシステムへの統合を可能にした能にした

使用技術

主な結果

顧客の概要

顧客は、シンガポールを拠点とし、高度なAIモデル向けのデータソリューションを提供する企業である。同社の事業は、リテールアナリティクスや商品認識など、コンピュータビジョンの幅広いアプリケーションを支えている。

ビジネス課題

納期がわずか1ヶ月という極めて緊急性の高いプロジェクト。顧客は、以下3つの明確な要求要件を掲げて当社にアプローチした：
・ 高品質な2Dバウンディングボックスアノテーショングローサリーアイテムを正確にラベリングし、物体検出モデルを適切にサポートできる学習データを確保すること。
・ 1ヶ月以内の迅速な納品
極めてタイトなスケジュール。後続のモデル学習スケジュールに間に合わせるため、すべてのアノテーションをわずか1ヶ月以内に完了する必要があった。
・ 厳格な品質保証（QA）と絶対的なデータセキュリティ統制された品質保証プロセスと、顧客のデータセキュリティ基準への完全な準拠が求められた

プロジェクト詳細

アノテーション対象クラス： グローサリー
アノテーション種類： 2Dバウンディングボックス

ソリューション

• チームの立ち上げ：1ヶ月の納期に対応するため、7名のアノテーターを招集した。アノテーション範囲、バウンディングボックスの基準、およびレビュー基準についてクライアントと合意を形成した。連絡や意思疎通は、WhatsAppおよびクライアントのアノテーションツールを介して実行。
• トレーニング：一貫したバウンディングボックスのルールに関してチーム内の認識を一致させ、サンプル画像を確認した。本格的な生産に入る前に、トライアルバッチを完了・検査した。
• 実行：密集した陳列棚や商品の重複に細心の注意を払いながら、食料品アイテムのラベリングを実行。4ステップの品質保証（QA）プロセスにより、98%の精度を確保した。
• 納品：進捗状況、データボリューム、およびQA結果の定期的なアップデートを伴うバッチ形式で、アノテーショ
データを納品した。

使用技術

主な結果

顧客の概要

顧客は、昆虫、幼虫、および感染症の媒介に焦点を当てた政府出資の研究プロジェクトを遂行している、イタリアの大学である。この研究は、感染症の拡大を招くおそれのある昆虫の個体群の早期発見と分析の改善を目指している

ビジネス課題

・ 本プロジェクトは視覚的データに大きく依存していた。大量の生物画像が収集されていたものの、分析やモデル学習に使用する前に、データを正確にアノテーションする必要があった。
・ 対象となるテーマが生物学と医学研究に関わるものであるため、顧客は、高度なアノテーションの技術的スキルと、専門領域特有門領域特有の機微やデータ取り扱いに対する深い理解を兼ね備えたベンダーを求めていた。

プロジェクト詳細

・ アノテーション対象：4種類の幼虫
・ アノテーション種類： 2Dバウンディングボックス

ソリューション

1. チーム編成：生物画像の処理経験を持つ10名のアノテーターからなるチームを編成。幼虫の定義、バウンディングボックスのルール、およびレビュー基準について顧客と合意させた。
2. ドメイン知識のトレーニング：幼虫とゴミやノイズ（破片・アーティファクト）を識別し、非常に小さい、または一部のみが見えている対象物に対して精密なバウンディングボックスを描くためのトレーニングを実施。
3. 実行・オペレーション：厳密に管理されたバッチ単位で画像のラベリングを実行。手戻りを防ぐため、アノテーターは自らセルフレビューを行い、不明瞭なケースは早い段階でフラグを立てて報告。
4. 品質保証（QA）のプロセス：4層のQAワークフロー（セルフチェック、相互レビュー、QAリードレビュー、最終検査）を導入し、98%の精度を確保。
5. 納品：進捗状況、対象物のカウント数、およびQAのステータス更新を伴う定期的なバッチ形式で、アノテーションデータを納品。

使用技術

主な結果

顧客の概要

顧客はこの分野のリーディングカンパニーであり、現実世界のデータキャプチャや設計統合から、コラボレーション、レポーティング、プロジェクト保管に至るまで、全体のワークフローを効率化するためのソリューションを開発している。

ビジネス課題

自社プラットフォームの価値を最大化するため、顧客は、ラベル付けされた建築図面と360度現地動画用の建設画像を処理・検証できるパートナーを必要としていた。具体的な要求要件は以下の通り：
・ 設計図面と照らし合わせて建設工事を検証し、設備などの設置が計画とスケジュール通りに進んでいるかを確認すること。
・ 異なる作業区域、工種、およびBIM（ビルディングインフォメーションモデリング）カテゴリ全体にわたる進捗率の分析。
・ 360度現地動画を進捗報告書に変換し、現場チームへの指示出し、遅延の削減、コラボレーションの向上に役立てること。
・ 建築要素を一貫して以下の3つのクラスに分類すること：
° 未検出： 不足、または未設置
° 未完了： 部分的に設置済み
° 設置済み： 完全に設置完了し、検証済み

プロジェクト詳細

・ アノテーション対象：配管（パイプ）、壁、ドアなど
・ 範囲： データ検証

ソリューション

1. パイロットフェーズ：5名のアノテーターからなる体制で開始し、ワークフローをテスト。建設図面と360度動画を
用いて、3つの分類（未検出、未完了、設置済み）の基準についてクライアントと認識を一致させた。
2. ガイドラインと品質保証：アノテーションルールやエッジケースを顧客と共同で精緻化。多層的なQAプロセスにより、98%の精度を維持。
3. チームの規模拡大：構造化されたオンボーディング、ツール操作研修、および実践練習を導入し、50名のアノテーター体制まで拡張。
4. モニタリング：PMが生産性を追跡し、週次のフィードバックや再研修を通じて不明瞭なケースを解消。
5. 実績・結果：1年間で5万枚以上の画像を処理。信頼性の高い建設進捗分析に向けて、98%以上の精度を維持。

使用技術

主な結果

顧客の概要

顧客は、中国に本社を置く世界有数の多国籍テック企業であり、複数のプログラミング言語と複雑なコードベースにわたる長期的なソフトウェアエンジニアリングタスクを解決するために設計された、AIコーディングエージェントを開発している。

ビジネス課題

軌跡データの必要性： 安定した学習と強力な汎用性を確保するための、大規模かつ高品質な軌跡データが必要。
• 難易度の向上： モデルのロードマップに沿って、タスクを多様化させ、段階的に難易度を上げていく。
• ステップ精度の担保： ほぼ完璧なステップ精度と厳格な品質管理の義務付け（1つのステップの誤りが、軌跡全体を無効化するため）。
• 広範なカバー率： 様々なプログラミング言語や、多様な要求種類（バグ修正、環境の問題、機能開発など）を広範囲にカバーする。
• スケーリングの要件： 規模の拡大には、長年の実践的な開発およびプロジェクト保守の経験を持つ熟練した開発者が必要。
• 一貫性のある測定： 経時的な進捗を追跡し、トレーニングと評価ターゲットを確実に一致させるための、安定した一貫性のあるベンチマークとスコアリング手法が必要。

プロジェクト詳細

長期実行軌跡の収集・記録、品質保証フレームワーク設計・実行、タスクとシナリオの作成、複数言語のコードカバー率の確保、AIエージェントの評価と進捗追跡。

ソリューション

1. 標準化された生産パイプライン：タスク作成 ➔ 実行 ➔ 修正 ➔ 自動QA ➔ 人手によるQAにより、エラーを削減しながらスループットを向上。
2. ロードマップに適合したタスク生成：高速な更新サイクル、難易度コントロール、および学習ウェーブ全体における段階的なドメイン拡張。
3. 明確な評価基準に基づくエンドツーエンドのQA：多層チェック（ピアレビュー、スポットチェック、ゴールドスタンダードタスク）に加え、合格率、編集距離、修正時間、自己回復などの指標を導入。
4. スケーラブルなデリバリー：迅速なオンボーディング、定期的なパフォーマンス測定、およびコストと品質を最適化するためのスキル階層化。
5. 軌跡の品質管理：推論トレースの検証、ツール使用状況の検証、および再現性の確認。
6. 評価に準拠したデータセット：エージェントのベンチマークと互換性のある標準化されたフォーマット。
7. 継続的な改善ループ：評価結果に基づき、タスクの更新およびQAプロセスをアップデート。

主な結果

顧客の概要

米国拠点のリサーチラボであり、ヒューマンAIインタラクション領域の研究開発を行っている。人間の行動に近い形でデジタルプラットフォームを操作可能なAIシステムの構築を目指している。その実現に向けて、リアルなユーザーインタラクションデータを大量に必要としている

 

ビジネス課題

・ お客様は、複数のアプリ上で人間の操作をシミュレーションし、そのインタラクションをLLM開発向けのトレーニングデータとして収集することを要件としている。
・ 弊社は、フレームワークおよび各種スクリプトを構築する必要がある。その上で、当該スクリプトに基づき、可能な限り多様なタスクを生成する必要がある。
・ アノテーターは、1日6～8時間にわたり画面録画を行い、アプリの自然な利用をシミュレーションする。
・ 各操作は約2～3秒間隔のリズムで実施し、人間のアプリ利用を模倣しつつ、自然なインタラクション速度を再現する。
・ アノテーターは、AIモデルとの対話を想定し、プロジェクトマネージャーと1対1形式で直接コミュニケーションを行う。
・ 厳格なQAルーブリック（正確性、完全性、効率性、品質、設定、キーボード／マウス操作）を遵守する必要がある。
・ 本プロジェクトはスクリプトおよび行動の多様性を重視しており、許容されるエラー率は最大10％。

ソリューション

1. 要件定義：クライアントとアプリ対象範囲、主要ユーザーアクション（投稿、購買、応募、編集）について合意し、データセット量とリアルなユーザー行動のバランスを調整する。
2. チーム構成：45名体制を配置します（PM 2名、タスク作成者 3名、QA 10名、アノテーター 30名）。アノテーターは日々のアプリ操作を記録する。
3. トレーニング：アノテーターを教育し、ソーシャル、Eコマース、コンテンツ、プロフェッショナルプラットフォームで自然なアプリ利用をシミュレーションできるようにする。
4. 実行：スクリプトに基づき多様なアプリ操作を実施する。アノテーターは1日6～8時間録画し、スクロール、投稿、いいねなどの実際の行動を再現する。このワークフローにより、週単位で数千分の動画を生成し、98％以上の精度を達成する。
5. 納品：画面録画、タスクログ、QAレポートを含むデータを定期的に納品し、クライアントがLLMトレーニングに直接利用できる形式で提供する。

使用技術

主な結果