「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。
・通信が5Gで速くなれば、結局クラウドに戻るのでは？
・推論が現場に出たら、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。
転倒を防いでいるのはAIではありません。この記事では、その理由を時間の数字で解きほぐしていきます。
🎯 先に結論：正しい図は「2分割」ではなく「時間の3層」
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。
指令を出す頻度
制御周期
速度差
※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
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 意図 | 「コップを取る」など 行動の方針を決める | 5〜50Hz （20〜200ms） | AI推論チップ （GPU/NPU） |
| 第2層 軌道 | 関節をどう動かすか 位置・速度を計算 | 数百Hz〜1kHz （1〜数ms） | 制御用MCU |
| 第3層 電流 | モーターに流す電流を 瞬時に調整 | kHz〜十kHz級 （0.1ms以下） | モータードライバ パワー半導体 |
だから「AIが賢くなればロボットが安定する」は誤りで、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
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 |
そのためエッジでは、GPUの性能を使い切れないまま応答時間だけが効いてくる。「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。
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。
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
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。
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
※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
❌ よくある3つの誤解
→ 帯域が増えても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
→ 学習・シミュレーション・再学習はDC側に残り、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
→ 俊敏さを決めているのは第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。
コメント