「学習はクラウド、推論はエッジ」──この説明、もう何度も読みましたよね。
たしかに教科書的には正解です。でも、この一文で分かった気になった直後に、こんな疑問が湧いてきませんか。
・じゃあ「エッジ」ってどこまでの処理を指す のか？データセンター需要は減るのでは？
実は、この3つの疑問に「クラウド vs エッジ」の2分割図では答えられません。ロボットの中身は2層ではなく、時間軸の違う3層でできている からです。
そして最も意外な事実がこれです。ロボットの中で、AI推論は「最も遅い層」です。
あなたが今いる場所：AIインフラ ＞ フィジカルAI ＞ 学習と推論の分担
▼ 知能の循環（学習から現実世界へ、そして戻る）
学習（データセンター） ←ココ
シミュレーション
推論（エッジ） ←ココ
制御・駆動
現実世界での動作
センサーで観測→学習へ
▼ サプライチェーン（上流→下流）
半導体・電子部品
センサー・アクチュエータ
ロボット本体
システム統合（SIer）
現場・運用
先に結論：正しい図は「2分割」ではなく「時間の3層」
① 学習はDC： 数万時間の映像を処理する学習は、電力・冷却が潤沢なデータセンターでしかできない。② 推論は現場： クラウド往復の数十msでは、物理現象に間に合わない。体内で完結させるしかない。③ しかしAIは最速ではない： AI推論は10Hz級（0.1秒に1回） 。その下でモーター制御がkHz級（0.001秒に1回） 回っている。AIは「方針」を出す係で、体を支えているのは古典制御。 ④ DC需要は減らない： 推論が現場へ出ても、現場で集めたデータが学習へ還流するため、DC側の計算需要はむしろ増える。
5〜50Hz
ロボット用AIモデルが
※VLAモデルの出力周波数は業界レポートおよび公開論文ベース（π0で50Hz、産業用途の報告例で5〜15Hz）。サーボの電流ループ周期は各社サーボ技術資料ベース。いずれも機種・実装により大きく異なります。
まず基本｜「学習」と「推論」は何が違うのか
用語解説：学習（トレーニング）と推論（インファレンス）
学習 は、大量のデータからAIの「勘どころ」を作る作業。時間をかけて何度も計算をやり直します。推論 は、できあがったAIに実際の入力を通して答えを出させる作業。1回きりですが、速さが命です。
クラウド（学習）
電力・冷却は追加投資で増やせる
数日〜数週間かけてよい
HBM搭載GPUが主役
1回失敗してもやり直せる
エッジ（推論）
電池で動くため電力が有限
ミリ秒単位の応答が必須
LPDDR搭載SoCが主役
失敗＝転倒・衝突で取り返しがつかない
ここまでは、どの解説記事にも書いてある内容です。学習側の環境についてはGPUサーバーとは？ やAIデータセンターの5つの構成要素 で詳しく整理しています。
問題は、この2分割図がロボットに当てはめた瞬間に破綻することです。 次章から本題に入ります。
⏱️ 独自視点①｜ロボットの中は「2層」ではなく「時間の3層」 「エッジで推論する」と一括りにされますが、ロボットの体内では時間スケールが3桁ずつ違う処理が同時並行で走っています。 これを1つの箱に押し込んで語るから、話が噛み合わなくなるのです。
層
やっていること
周期の目安
担当ハード
第1層 「コップを取る」など 5〜50Hz AI推論チップ 第2層 関節をどう動かすか 数百Hz〜1kHz 制御用MCU 第3層 モーターに流す電流を kHz〜十kHz級 モータードライバ
※周期は代表的な実装例。機種・用途により大きく異なります（要確認）。
たとえ話：現場監督と職人
AIは現場監督 です。「あの棚から箱を降ろして」と1秒に数回だけ指示を出す。実際に手を動かし、バランスを取り、風でよろけた瞬間に足を踏ん張るのは職人（制御ループ） 。監督が転倒を防いでいるわけではありません。安定性は下の2層＝古典的な制御工学とパワー半導体の仕事 なのです。
この構造が分かると、企業の見え方が変わります。NVIDIAが握っているのは第1層だけ 。第2層はルネサス（6723）などのMCU、第3層はローム（6963）や富士電機（6504）のパワー半導体の領域です。SiC・GaNの記事 が、なぜフィジカルAIの必読記事になるのかもここで繋がります。
なぜ推論はクラウドに戻れないのか｜3つの理由
理由1：往復時間が物理現象に負ける
通信が高速化しても、「往復」という行為そのものが数十ms消費します。 第2層の制御が1msで回っている世界に、数十msの遅れは持ち込めません。5G・6Gで帯域が増えても、光の速度と経路の段数は変わらないので、この壁は原理的に残ります。
理由2：切れた瞬間に凶器になる
クラウド依存の家電なら、通信が切れても「動かない」で済みます。しかし100kgの機械が人の隣で動いている最中に判断が止まれば、それは事故です。 「通信断でも安全に停止できる」ことが機能安全の前提であり、判断の中核をネットワークの向こうに置くという設計自体が採りにくいのです。
理由3：送るほうが電気を食う場合がある
見落とされがちですが、
高解像度の映像を無線で送り続ける電力は、決して小さくありません。 電池が有限なロボットにとって、「送って考えてもらう」ことが必ずしも省電力にならない。ここは
ローカルAI が選ばれる理由とも重なります。
加えて、工場やオフィスの映像を外部に出せないというデータ主権の問題 もあります。技術・安全・電力・法務の4方向から、推論は現場に押し込まれているのです。
独自視点②｜エッジは「小さいデータセンター」ではない よくある誤解が「エッジ＝DCを縮小したもの」というイメージです。しかし両者は設計思想が逆向き で、縮小コピーではありません。
設計項目
データセンター
ロボット（エッジ）
向きの違い
最適化の軸 総処理量 1回の応答時間 真逆 まとめ処理 まとめるほど有利 まとめられない 効率化の常識が通じない メモリ HBM（TB/秒級） LPDDR5X（273GB/秒） 桁で劣る 電力 ラック120kW超 チップ40〜130W 約1000分の1 故障時 別ノードへ逃がす 逃がし先がない 冗長化できない
※エッジ側の数値はNVIDIA Jetson Thor公称値（128GB LPDDR5X／273GB/s／40〜130W）。DC側はGB300 NVL72に関する各社報道ベース。
一番効く違いは「まとめられない」こと
データセンターのGPUは、多数の依頼をまとめて一気に処理することで効率を稼いでいます（バッチ処理）。ところがロボットは「いま目の前にある1枚の映像」を今すぐ処理するしかない。 まとめる相手がいないのです。「TOPSの数字が大きいチップ＝ロボットで速い」とは限らない のは、この構造が理由です。
メモリの選び方の詳細はHBM vs LPDDR vs SOCAMM 、モデルを小さくする発想はSLM（小規模言語モデル）の仕組み で解説しています。
実は拠点も2つではない｜シミュレーションという第3のDC 「クラウドとロボット」の2拠点で考えると、もう一つの巨大な計算需要を見落とします。それがシミュレーション です。
用語解説：Sim-to-Real（シム・トゥ・リアル）
仮想空間でロボットを何万回も動かして学習させ、その成果を実機に移すやり方です。実機で1万回転ばせると壊れますが、仮想空間なら壊れません。ただし仮想と現実のズレの分だけ、実機では失敗します。
重要なのは、このシミュレーションがまた別種のデータセンター負荷 だという点です。学習用GPUが「行列計算」を回すのに対し、シミュレーションは物理演算と映像生成を大量に回します。つまりフィジカルAIは、DC側に「学習用」と「シミュレーション用」の二重の需要を作ります。
NVIDIAが「3つのコンピューター」（学習・シミュレーション・実機）という言い方をしているのも、この構造を指しています。本サイトの関心はモデルの中身ではなく、この3拠点それぞれが要求する電力・冷却・メモリです。
独自視点③｜推論が現場に出ても、DC需要は減らない 投資判断で最も重要なのがここです。「エッジ推論が普及するとデータセンターは不要になるのでは？」という問いに対する答えは、構造的に「逆」 です。
データ還流のループ（フライホイール）
1. DCで学習したAIをロボットに載せる2. ロボットが現場で働き、センサーで現実を記録し続ける 3. 失敗事例・想定外の状況がデータとしてDCへ戻る4. DCで再学習・再シミュレーション → 1へ戻る
つまり「現場で動くロボットの台数」が、そのままDC側の学習データ供給量になります。 ロボットが増えるほど、DCの計算需要は増える。エッジとDCは奪い合いではなく、掛け算の関係 です。
現実世界のセンサーデータは、テキストと比べて桁違いに重いのが特徴です。映像・深度・力覚・関節角度が同時に、しかも高頻度で記録される。インターネット上のテキストデータが枯渇し始めたと言われる中で、ロボットは「新しいデータの油田」 として位置づけられています。
ただし冷静に見るべき点
この還流が本格的に回るには、ロボットが十分な台数、実際に現場で稼働している必要があります。 2026年時点で、ヒューマノイドの量産規模はまだ限定的です。「データ還流でDC需要が爆発する」というシナリオは方向性として妥当でも、時間軸は数年単位で見るべき で、現時点の各社決算に大きく効いているわけではありません。
DC側の電力制約についてはAIデータセンターはなぜ電気を食うのか となぜ”電力”で詰まるのか をあわせてどうぞ。
「時間の3層」を誰が握っているのか 先ほどの3層構造を、企業の地図に重ねると見え方が変わります。NVIDIAが支配しているのは第1層のみ で、第2層・第3層は日本企業が伝統的に強い領域です。
第1層：意図（AI推論）
NVIDIA （NVDA）：Jetson系で事実上の標準Qualcomm （QCOM）：エッジAI SoCソシオネクスト （6526）：カスタムSoC設計※メモリはLPDDR系。国内では車載・産業向けの採用実績が鍵
第2層：軌道（制御・センサー）
ルネサス （6723）：制御用MCU安川電機 （6506）：サーボ制御の中核オムロン （6645）：FA制御・センサーソニーG （6758）：イメージセンサー首位村田製作所 （6981）：慣性センサー
第3層：電流（パワー・駆動）
ローム （6963）：SiC・モータードライバ富士電機 （6504）：パワー半導体三菱電機 （6503）：パワー半導体・サーボニデック （6594）：モーターハーモニック （6324）：波動歯車減速機
実需と思惑の分け方
第2層・第3層の企業は、現時点でも産業用ロボットや工作機械、車載向けで実需の売上が立っています。 ここが「フィジカルAI関連」の名前だけで動いているテーマ株との決定的な違いです。逆に言えば、ヒューマノイド向けの上乗せがどれだけ乗ったかは、各社IRの受注高で個別に確認するしかありません。 「関連」と報じられただけの銘柄と、既存事業で稼いでいる銘柄を混ぜないでください。※本記事は特定銘柄の売買を推奨するものではありません。証券コード・業績は執筆時点のものです。最新のIR資料をご確認ください。
この構造が、あなたにとって持つ意味
投資家の方へ
「エッジAIが伸びるからDC株は売り」という発想は、データ還流の構造を見落としています。 両者は掛け算です。また、AI推論チップ（第1層）だけに注目すると勝者はNVIDIA1社に見えますが、第2層・第3層まで含めると日本企業の取り分が明確に存在します。
学生・院生の方へ
「AI＝機械学習の研究室」と決めつける必要はありません。第2層の制御工学、第3層のパワーエレクトロニクスは、フィジカルAIの土台そのものです。 しかも、AIができる人より圧倒的に人数が少ない。希少性という意味では、こちらのほうが有利になる場面があります。
製造業の技術者の方へ
サーボ制御やインバータの実務経験は、そのままフィジカルAIの第2層・第3層のスキルです。「AIについていけない」と感じる必要はまったくありません。 むしろ、上に載るAIの都合（10Hzで指令が来る）を知っておくと、社内での立ち位置が一段クリアになります。
よくある3つの誤解
誤解1：通信が速くなればクラウド推論に戻る 往復の遅延はゼロにならず 、通信断時の安全性も担保できません。判断の中核は現場に残り続けます。誤解2：エッジ推論が普及するとDCは不要になる ロボットが増えるほど学習データが増えて需要が拡大 します。誤解3：AIチップが速ければロボットは俊敏になる 第2層・第3層の制御周期とモーターの応答 です。AIを高速化しても、動きの滑らかさは変わりません。
この記事のテーマを、本でもっと深く PR（アフィリエイト広告）
現場で動くAIを、社会実装の側から考えたい方に。本書（インプレス）には「社会実装の設計図――AIエージェントと世界理解で身体を動かす」の章があり、現場への実装力や、人と機械の役割の再設計も取り上げられています。
¥2,200 （2026/10/05 21:03時点 | Amazon調べ）
ポチップ
S
シラス
電験三種・QC検定1級 / メーカーでパワエレ設計・品質保証 実務10年
メーカーで回路設計と生産技術（品質改善）に携わってきた経験をもとに、AIインフラを支える半導体・電力・冷却の仕組みを、図解でやさしく解説しています。
テーマ別に、もっと深く学ぶ 気になるところから読んでも大丈夫です。どの記事も、はじめての方にもわかるように図解で書いています。
フィジカルAIをもっと深く
つまずきやすい「違い」を解決
あわせて知りたい、隣のテーマ
コメント