VLAからWAM、WLAへ

VLAからWAM、WLAへ

ロボットAIが「反応する機械」から「未来を想像し、計画するエージェント」へ進化すると、半導体・メモリー・NAND・産業構造はどう変わるのか

はじめに

生成AIの次の巨大市場として、「フィジカルAI」が注目されている。

ここでいうフィジカルAIとは、単にAIを搭載した機械ではない。カメラやセンサーから現実世界を認識し、人間の指示を理解し、自ら行動を計画して、ロボットの身体を通じて現実へ作用するAIである。

このロボットAIを支える中心技術は、次のように発展してきた。

VLA
画像と言語から、直接行動を生成する

    ↓

WAM
行動によって世界がどう変化するかを予測する

    ↓

WLA
作業を言語で分解し、未来を予測し、長期的に行動する

ただし、これは古い方式が完全に消えて新方式へ置き換わるという意味ではない。

将来のロボットは、

• VLAの言語・意味理解
• WAMの物理的な未来予測
• WLAの長期計画・記憶
• 従来型制御器の高速性と安全性

を階層的に組み合わせる可能性が高い。

本稿では、VLA、WAM、WLAの基本構造から、それぞれに必要なGPU、メモリー、NAND、学習データ、さらにWLAが主流になった場合に拡大する経済圏まで、数値を交えて整理する。

1．VLAとは何か

VLAは、Vision-Language-Action Modelの略である。

基本的には、

カメラ画像
＋言語指示
＋ロボットの関節状態
        ↓
       VLA
        ↓
腕・手首・グリッパーなどの行動

という変換を学習する。

例えば、

「赤いカップをつかんで、棚の上に置いて」

という指示を受けると、VLAはカメラ映像から赤いカップと棚を認識し、ロボットの腕を動かすための行動列を生成する。

VLAの強みは、インターネット規模の画像・言語モデルが持つ知識をロボットへ移植できる点にある。

「カップ」「棚」「赤い」「上に置く」といった意味を、ロボット専用データだけで最初から覚え直す必要がない。

代表例のOpenVLAは70億パラメータで、約97万件の実ロボットエピソードから学習された。

VLAの長所

• 言語指示の理解に強い
• 既存のVLMを利用できる
• 行動を直接出力するため比較的高速
• 量子化すればエッジGPUでも動かせる
• 特定ロボットへのファインチューニングが比較的容易

VLAの弱点

一般的なVLAは、

現在の状態 → 行動

を直接学ぶ。

そのため、

この角度からつかむ
    ↓
物体が滑る
    ↓
隣の皿にぶつかる

という未来の状態変化を、明示的に予測していない場合がある。

訓練データに近い作業には強くても、

• 未知の接触
• 布やケーブルなどの変形物
• 滑りや摩擦
• 長時間の作業
• 未経験の動作
• 途中の失敗からの復旧

では弱さが現れやすい。

2．WAMとは何か

WAMはWorld Action Modelの略である。

VLAが現在の観測から直接行動を出すのに対し、WAMは、

その行動を取ったら、世界がどのように変化するか

も学習する。

現在の画像
＋言語指示
＋ロボット状態
        ↓
       WAM
   ↙          ↘
未来の世界    行動列

未来の世界は、

• 未来画像
• 数秒間の未来動画
• 物体位置
• 潜在空間内の未来状態

として表現される。

WAMの代表例：DreamZero

DreamZeroは、140億パラメータの動画拡散モデルを基盤とするWAMである。

現在画像、言語指示、ロボット状態から、

• 数秒先の未来映像
• その未来を実現するロボットの行動

を共同生成する。

例えば「シャツを畳む」と指示された場合、未来の映像として、

1. シャツの端をつかむ
2. 中央へ移動する
3. 布が折り重なる
4. グリッパーを離す

という変化を描きながら、それに対応する関節動作を生成する。

DreamZeroは約500時間、7,200エピソードの多様なロボットデータを使い、未知環境や未知動作への汎化で比較対象VLAを上回ったと報告している。

WAMの長所

• 物体やロボットの時間的変化を学べる
• 動画生成モデルの運動知識を利用できる
• 未知の動作や未知環境に強くなる可能性がある
• 人間や別ロボットの動画を利用しやすい
• 失敗する未来を実行前に発見できる可能性がある

WAMの弱点

最大の問題は計算量である。

動画は静止画像よりもトークン数が多い。

仮に1画像が256個の視覚トークンなら、

1フレーム ＝ 256トークン
8フレーム ＝ 2,048トークン
16フレーム＝ 4,096トークン

となる。

さらに拡散モデルは、ノイズを除去するため同じ巨大モデルを複数回実行する。

DreamZeroの単純実装は1行動チャンクの生成に約5.7秒かかった。CUDA Graph、キャッシュ、FP4量子化、2GPU並列、1ステップ生成などを組み合わせ、GB200上で約150ミリ秒、約7Hzまで高速化している。

つまりWAMは高性能だが、現時点ではVLAより大幅に重い。

また、未来動画が間違っていれば、ロボットが「間違った未来を忠実に実現する」という問題もある。

3．WLAとは何か

WLAはWorld-Language-Action Modelの略である。

WLA-0論文が2026年6月4日に提案したばかりの新しい分類であり、まだ業界標準として確立した名称ではない。

WLAは、次の三つを統合する。

Language
次に何をすべきかを言語で考える

World
行動後に世界がどう変わるかを予測する

Action
実際のロボット動作を生成する

WLA-0は、画像、指示、ロボット状態から、

• Textual Intention：言語サブタスク
• Physical Dynamics：物理的な状態変化
• Action：ロボットの行動

を共同生成する。

例えば、

「机の上を片付けてから、汚れている部分を拭いて」

という指示なら、内部的に、

1. ゴミを見つける
2. ゴミをつかむ
3. ゴミ箱に入れる
4. 布をつかむ
5. 汚れた場所を拭く

というサブタスクへ分解する。

過去に生成したサブタスクは記憶として残るため、

• どこまで作業が終わったか
• どの方法をすでに試したか
• 何回ボタンを押したか
• 前回の失敗を避けるべきか

を追跡できる。

WLA-0は総34億パラメータだが、通常推論ではWorld Expertを切り離し、約20億の有効パラメータで動作する。RTX 5090上で約40ミリ秒の推論時間を報告している。

4．TTSとは何か

この文脈でのTTSはText-to-Speechではなく、Test-Time Scalingの略である。

日本語では「推論時スケーリング」と表現できる。

通常モードでは一つの行動を生成して実行する。

現在状態
    ↓
候補行動A
    ↓
実行

TTSでは複数の行動候補を生成する。

候補A → 未来A → 評価
候補B → 未来B → 評価
候補C → 未来C → 評価

Value Modelがそれぞれの未来を採点し、最も成功確率が高い行動だけを実行する。

WLA-0では、通常時はWorld Expertを停止して高速に動作し、難しい場面ではWorld Expertを起動して複数候補を比較できる。

実用上は次のような階層が考えられる。

簡単な場面
高速モードで即座に行動

不確実な場面
一つの未来を確認

危険・重要な場面
TTSで複数の未来を比較

これにより、常時巨大な世界モデルを動かすのではなく、必要な場面だけ計算資源を追加できる。

5．VLA・WAM・WLAの比較

| 項目 | VLA | WAM | WLA |
| :--- | :--- | :--- | :--- |
| 中心能力 | 言語理解から直接行動 | 未来予測と行動生成 | 言語計画・未来予測・行動 |
| 主な出力 | 行動列 | 未来画像・動画＋行動 | サブタスク＋未来状態＋行動 |
| 得意分野 | 指示追従、意味理解 | 未知動作、物理変化 | 長期計画、記憶、試行錯誤 |
| 実行速度 | 比較的速い | 重い | 通常は速く、必要時だけ重い |
| 主な基盤 | VLM・LLM | 動画Diffusion Transformer | AR Transformer＋World／Action Expert |
| 動画利用 | 限定的 | 非常に得意 | 学習時に利用可能 |
| エッジ搭載 | 比較的容易 | 難しい | 高速モードなら可能 |
| 主な弱点 | 未来予測が弱い | 計算量と動画の幻覚 | 新しく、検証が不足 |

6．それぞれに必要な計算資源

VLA

OpenVLA 7Bの実測値は次の通りである。

| 精度 | 推論VRAM |
| :--- | :--- |
| BF16 | 16.8GB |
| INT8 | 10.2GB |
| INT4 | 7.0GB |

BF16ではRTX 4090上で約6Hzで動作する。

基盤学習では、

• A100 GPU：64基
• 学習期間：14日
• 合計：約21,500 A100 GPU時間

が使われた。

特定タスクへのLoRA学習でも、バッチサイズ16で約59.7GBのVRAMが必要だった。

VLAが得意とする計算資源

• INT4・INT8・BF16行列演算
• 16～32GBのGDDR
• 32～128GBのLPDDR統合メモリー
• 低遅延の単一GPU
• 高速な画像エンコーダー
• Transformer向けTensor Core

VLAはHBM必須ではなく、民生GPUやエッジAI SoCへ比較的搭載しやすい。

WAM

DreamZeroは14Bの動画モデルである。

重みだけなら、

| 精度 | 14Bモデルの理論容量 |
| :--- | :--- |
| BF16 | 28GB |
| FP8・INT8 | 14GB |
| FP4・INT4 | 7GB |

となる。

しかし実際には、

• 動画潜在表現
• KVキャッシュ
• 複数フレーム
• 拡散ステップ
• 条件付き・無条件の2系統
• Action Expert
• CUDAワークスペース

が加わる。

したがって実用的な推論環境は、工学的には、

40～80GB以上のGPUメモリー

が目安になる。

高解像度動画、長い履歴、複数候補を扱う場合は80GBを超える可能性もある。

学習時は14Bモデルのパラメータ、勾配、Adamの最適化状態だけで、

14B × 12～16バイト
＝168～224GB

程度になる。

動画活性値を加えると、実用的には、

• 最低構成：4基前後の80GB GPU
• 本格学習：8～32基の80GB級GPU
• 大規模事前学習：32～128基以上

が想定される。

これは論文でGPU台数が公開されていないため、モデル規模からの推定である。

WAMが得意とする計算資源

• 大容量HBM
• 高いHBM帯域
• FP8・FP4 Tensor Core
• NVLink・NVSwitch
• 複数GPU並列
• 動画エンコード・デコード
• 大容量の活性メモリー
• 高速なNVMeデータ供給

三者の中で最もHBMとGPU間通信を必要とする。

WLA

WLA-0は、

• 総パラメータ：3.4B
• 通常推論時：2B active
• RTX 5090：約40ミリ秒

と報告されている。

VRAM使用量は論文で公開されていないため、パラメータ数と一般的な推論バッファから見積もると、

| モード | 推定VRAM |
| :--- | :--- |
| 高速モード | 8～16GB |
| World Expert有効 | 12～24GB |
| 複数候補TTS | 16～32GB以上 |

程度になる可能性がある。

WLAが得意とする計算資源

• AR Transformer向け低遅延GPU
• 小型DiT・Flow Matching演算
• CUDA Graph
• 演算融合
• KVキャッシュ
• 高速なGDDR・LPDDR
• TTS候補のバッチ並列
• World Expertを必要時だけ起動できる異種計算

WLAは通常時にはVLAに近い計算特性を持ち、TTS時にはWAMに近づく。

7．ロボット側のメモリーはどれくらい必要か

将来の商用ロボットを用途別に考えると、次のようになる。

| ロボット用途 | activeモデル規模 | 推奨共有メモリー |
| :--- | :--- | :--- |
| 単純搬送・ピッキング | 1～3B | 8～16GB |
| 工場・物流の汎用機 | 3～7B | 16～32GB |
| 複雑な双腕ロボット | 7～15B | 32～64GB |
| 汎用ヒューマノイド | 10～30B＋複数モデル | 64～128GB |

ここにはモデル重みだけでなく、

• 複数カメラの映像
• 過去の視覚特徴
• サブタスク履歴
• KVキャッシュ
• World Expert
• Value Model
• TTS候補

が含まれる。

NVIDIA Jetson Thorは最大128GBのLPDDR5X、273GB/sの帯域、最大2,070 FP4 TFLOPS、40～130Wという構成を採用している。

これは将来のフィジカルAI端末が、64～128GB級の統合メモリーを必要とする可能性を示している。

メモリー需要の二重構造

WLA時代のメモリー需要は二つに分かれる。

ロボット側

• LPDDR5X
• LPDDR6
• 一部のGDDR7
• 16～128GB／台

データセンター側

• HBM3E
• HBM4
• HBM4E
• 80～288GB／GPU
• 複数GPUによる分散学習

つまり、WLAは端末側のLPDDRと、中央側のHBMを同時に増やす。

8．NANDはどれくらい必要になるのか

モデル本体は、NAND需要の中心ではない。

モデル重みの保存量

| モデル | BF16重み |
| :--- | :--- |
| VLA 3B | 約6GB |
| OpenVLA 7B | 約14GB |
| DreamZero 14B | 約28GB |
| WLA-0 3.4B | 約6.8GB |

INT4なら約4分の1になる。

ロボットに数個のモデルを保存するだけなら、512GB～1TB SSDでも足りる。

本当にNANDを消費するのは、連続的に生成される動画とセンサーログである。

1台当たりの動画生成量

仮に、

• カメラ4台
• 1台当たり8Mbps
• 1日8時間稼働

とする。

4 × 8Mbps × 8時間 ÷ 8
＝約115GB／日

ここに、

• 深度データ
• 関節角度
• 力覚・触覚
• 音声
• 高画質の失敗区間
• インデックス
• 学習用変換データ

を加えると、

1台当たり150～300GB／日

程度になる可能性がある。

ロボット内SSD

| SSD容量 | 保存可能期間の目安 |
| :--- | :--- |
| 1TB | 3～7日 |
| 2TB | 1～2週間 |
| 4TB | 2～4週間 |
| 8TB | 1～2か月 |

商用ロボットでは、

• 小型・普及機：1～2TB
• 工場・物流機：2～4TB
• 高性能ヒューマノイド：4～8TB

が一つの目安になる。

1万台のフリート

1台150～300GB／日なら、

1万台＝1.5～3PB／日

のデータが発生する。

すべてを中央へ送ることは難しいため、失敗や珍しい場面だけを1～5％アップロードすると、

15～150TB／日
年間約5.5～55PB

となる。

さらに、

• 冗長コピー
• 学習用デコード
• 動画切り出し
• 潜在表現
• チェックポイント
• バックアップ

を加えると、数倍になる可能性がある。

WLA時代のNAND需要は、

モデルを保存する需要ではなく、ロボットの経験を保存する需要

によって生まれる。

9．WLAが主流になると起こる三層化

WLAが普及した場合、ロボットAIの計算基盤は次の三層に分かれる可能性が高い。

第1層：ロボット上の高速推論

通常動作はロボット上で処理する。

カメラ・センサー
        ↓
高速WLA
        ↓
行動チャンク

通信障害があっても動けること、数十ミリ秒で反応できることが重要になる。

第2層：工場・施設内のTTSサーバー

難しい判断だけをローカルAIサーバーへ送る。

候補行動を複数生成
↓
未来を予測
↓
Value Modelで評価
↓
最良候補を返す

数十～数百台のロボットが動く工場では、GPU、NVMe、100GbE以上のネットワークを持つ小型AIデータセンターが設置される可能性がある。

第3層：中央データセンター

中央では、

• モデルの再学習
• 失敗データの解析
• 合成データの生成
• 新しい技能の学習
• 安全モデルの更新
• フリート全体へのモデル配布

を行う。

この結果、

ロボット台数増加
↓
動画・センサーデータ増加
↓
モデル再学習
↓
性能向上
↓
導入台数増加

というデータフライホイールが生まれる。

10．WLA時代に需要が増える分野

エッジAI半導体

必要になるのは単純なTOPSではない。

• FP4・FP8・INT8
• 64～128GBの統合メモリー
• 複数カメラ用ISP
• 低遅延Transformer
• 動画処理
• 安全CPUとの分離
• 40～150Wでの電力効率

が重要になる。

主要プレーヤーは、

• NVIDIA
• Qualcomm
• AMD
• Intel
• NXP
• Renesas
• Ambarella
• Horizon Robotics
• Huawei
• MediaTek

である。

HBM・DRAM

ロボット側ではLPDDR、中央学習ではHBMが増える。

主要プレーヤーは、

• SK hynix
• Samsung Electronics
• Micron

である。

NAND・ストレージ

主要プレーヤーは、

• Samsung Electronics
• SK hynix／Solidigm
• Kioxia
• SanDisk
• Micron
• YMTC

ストレージシステムでは、

• Dell
• HPE
• Pure Storage
• NetApp
• VAST Data
• IBM

などが関係する。

センサー

WLAが高度になるほど、映像だけでは分からない力、滑り、接触、硬さの情報が重要になる。

主要分野は、

• RGBカメラ
• 深度・ToF
• LiDAR
• 力覚
• トルク
• 触覚
• イベントカメラ
• IMU
• 関節エンコーダー

主要プレーヤーには、

• Sony Semiconductor Solutions
• onsemi
• STMicroelectronics
• OmniVision
• KEYENCE
• Cognex
• Teledyne
• Ouster
• Hesai
• RoboSense
• ATI Industrial Automation
• GelSight

などがある。

ネットワーク

ロボット内部と工場内AIサーバーの両方で通信需要が増える。

• MIPI CSI
• GMSL・FPD-Link
• 10／25GbE
• 100／200／400GbE
• Ethernet PHY
• リタイマー
• スイッチ
• 光通信

主要プレーヤーは、

• Broadcom
• Marvell
• NVIDIA
• Arista Networks
• Cisco
• Astera Labs
• Credo
• NXP
• Microchip Technology

である。

シミュレーション・デジタルツイン

現実のロボットを何万回も壊すことはできない。

そのため、

• 物理シミュレーション
• 接触・摩擦
• 柔軟物
• 合成動画
• Domain Randomization
• Sim-to-Real
• 仮想ロボットフリート

が必要になる。

主要プレーヤーは、

• NVIDIA
• Siemens
• Dassault Systèmes
• Synopsys／Ansys
• PTC
• Hexagon
• MathWorks
• Unity

である。

データ・MLOps

WLAでは、データ量そのものより、

どの失敗データを学習に使うべきか

が重要になる。

必要になるのは、

• 動画区間の自動切り出し
• 成功・失敗の自動判定
• サブタスク生成
• 重複排除
• データ品質評価
• 機密情報の除去
• モデル更新
• フリート管理
• ロールバック

である。

関連企業は、

• Palantir
• Databricks
• Snowflake
• Scale AI
• Weights & Biases
• AWS
• Microsoft
• Google Cloud

などである。

安全性・Value Model

WLAは未来を生成するだけでは不十分である。

どの未来が安全で、成功に近いかを評価するモデルが必要になる。

行動の総合価値
＝成功確率
－人間への危険
－衝突リスク
－破損リスク
－消費電力
－作業時間
－機械への負荷

関連分野は、

• Value Model
• 不確実性推定
• 衝突予測
• レッドチーミング
• 行動監査ログ
• サイバーセキュリティ
• AI安全認証

である。

主要プレーヤーとして、

• UL Solutions
• TÜV SÜD
• TÜV Rheinland
• Intertek
• SGS
• Keysight
• Synopsys
• Cadence

が挙げられる。

電源・冷却・バッテリー

高性能エッジAIは40～150W程度、ロボット全体では数百Wから数kWを消費する。

需要が増えるのは、

• PMIC
• DC-DC
• DrMOS
• GaN
• SiC
• 小型冷却
• ヒートパイプ
• 熱伝導材料
• バッテリー
• 充電設備

である。

主要プレーヤーは、

• Infineon
• Texas Instruments
• Monolithic Power Systems
• STMicroelectronics
• onsemi
• Renesas
• ROHM
• Navitas
• Vertiv
• Eaton
• Schneider Electric
• Delta Electronics
• CATL
• Panasonic Energy
• LG Energy Solution
• Samsung SDI

などである。

11．WLA経済圏の規模を数値で考える

2024年に世界で新規導入された産業用ロボットは約54万2,000台、稼働中の産業用ロボットは約466万4,000台だった。IFRは2028年までに年間導入台数が70万台を超えると予測している。

ただし、この数字には多くのサービスロボット、清掃、医療、物流、農業、将来のヒューマノイドは十分含まれていない。

ここでは2030年の基準シナリオとして、次の仮定を置く。

WLA対応ロボット稼働台数：1,000万台
年間新規・更新出荷：250万台
ロボット平均システム価格：5万ドル
WLAソフトウェア料金：年間2,500ドル／台
エッジAIコンピューター：2,000ドル／台
センサー：3,000ドル／台
端末メモリー・SSD：800ドル／台
中央AI計算：年間1,000ドル／稼働台
データ・シミュレーション・安全：年間1,500ドル／台

これは公式予測ではなく、経済規模を把握するためのシナリオ試算である。

基準ケース

| 分野 | 計算 | 年間収益規模 |
| :--- | :--- | :--- |
| ロボット本体・導入 | 250万台×5万ドル | 1,250億ドル |
| WLAソフトウェア | 1,000万台×2,500ドル | 250億ドル |
| エッジAI半導体 | 250万台×2,000ドル | 50億ドル |
| センサー | 250万台×3,000ドル | 75億ドル |
| 端末DRAM・NAND | 250万台×800ドル | 20億ドル |
| 中央AI計算 | 1,000万台×1,000ドル | 100億ドル |
| データ・シミュレーション・安全 | 1,000万台×1,500ドル | 150億ドル |
| 電源・冷却等 | 250万台×1,500ドル | 37.5億ドル |

部品はロボット本体価格に含まれるため、これらを単純合計してはいけない。

経済圏として見ると、2030年の基準ケースでは、

重複を除いた年間市場
約1,400億～2,200億ドル

程度が一つの目安になる。

12．分野別の市場規模・粗利率・収益性

| 分野 | 2030年WLA関連年間市場 | 粗利率の目安 | 営業利益率の目安 |
| :--- | :--- | :--- | :--- |
| ロボット本体・SI | 750億～2,500億ドル | 20～40% | 5～20% |
| WLAソフト・技能 | 150億～500億ドル | 75～90% | 20～50% |
| エッジAI半導体 | 30億～100億ドル | 50～75% | 20～50% |
| 中央AI・HBM | 80億～300億ドル | 35～75% | 15～50% |
| DRAM・NAND・ストレージ | 50億～180億ドル | 20～55% | −5～30% |
| センサー・ビジョン | 50億～200億ドル | 35～80% | 10～50% |
| ネットワーク | 30億～120億ドル | 50～70% | 20～45% |
| シミュレーション・データ・安全 | 80億～300億ドル | 60～90% | 15～45% |
| 電源・冷却・バッテリー | 50億～200億ドル | 25～50% | 10～25% |

これらは現在の代表企業の利益率と事業構造から見た長期的な目安である。

AI半導体の代表であるNVIDIAは2026年4月期四半期にGAAP粗利率74.9％を計上している。

半導体とインフラソフトを持つBroadcomの2025年度粗利率は約68％だった。

産業ソフトウェア企業PTCは2026年度第2四半期にGAAP営業利益率38.2％、非GAAPで53.0％を計上した。

一方、メモリーは非常に循環的である。Micronの2026年度第2四半期の非GAAP粗利率は74.9％に達したが、これはAI需要と供給逼迫が重なった異例の好況水準であり、長期的には大きく変動する。

13．最終的にどこへ利益が集まるのか

1位：WLAソフトウェア・技能・データ

最も高い粗利を得やすい。

一度開発した技能を数十万台へ配布できるため、限界費用が低い。

• 技能パッケージ
• WLA利用料
• フリート管理
• 継続学習
• Value Model
• 安全アップデート

が継続課金になる。

2位：AI半導体とネットワーク

先端プロセス、パッケージ、ソフトウェアエコシステムが参入障壁になる。

NVIDIAやBroadcom型の高粗利構造が成立しやすい。

3位：シミュレーション・産業ソフト・安全性

顧客の設計や運用へ深く組み込まれ、解約されにくい。

規制や認証による強制需要も期待できる。

4位：差別化されたセンサー

汎用カメラより、

• 触覚
• 力覚
• 高精度3D
• センサー融合
• 検査アルゴリズム

の方が高粗利になる。

5位：メモリー・NAND

需要量は大きく増えるが、価格競争、供給循環、巨額設備投資の影響を受ける。

数量成長がそのまま安定利益にはつながらない。

6位：ロボット本体・システム統合

売上規模は最大だが、部品、工場、保守、人件費、現場作業が必要になる。

本体販売だけでは利益率が低く、ソフトウェア課金を組み合わせられる企業が有利になる。

14．WLA時代の企業競争力

WLA時代の勝者は、最も大きなモデルを作った企業とは限らない。

重要なのは、

ロボットを販売する
↓
稼働データを収集する
↓
失敗や人間介入を抽出する
↓
モデルを改善する
↓
全フリートへ再配布する
↓
継続料金を得る

という循環を持つことである。

強い企業には次の条件が求められる。

• 大規模な稼働ロボット台数
• 独自の実世界データ
• 遠隔操作・人間介入データ
• 高速なエッジ推論
• 大規模な中央学習基盤
• シミュレーション能力
• 安全性と認証
• ハードとソフトの垂直統合
• 複数機体へ技能を移す能力

単にロボットを販売する企業よりも、

ロボットの経験を継続的なソフトウェア収益へ変換できる企業

の方が高い企業価値を得る可能性がある。

15．注意すべき点

WLAには大きな可能性がある一方、現時点ではまだ初期段階である。

WLA-0についても、

• 2026年6月公開のプレプリント
• 第三者による再現が不足
• 実機評価は一種類の双腕ロボット
• 実機タスク数が少ない
• 人間動画からの技能転移は十分に成功していない
• 長期ベンチマークではタスクごとにモデルを訓練
• 世界モデルの幻覚が残る
• TTSは遅延と電力を増やす
• 安全性の独立検証が必要

という制約がある。

したがって、

WLAが必ずVLAとWAMを置き換える

と断定するのは早い。

より現実的なのは、

VLAの意味理解
＋WAMの未来予測
＋WLAの言語計画と記憶
＋従来型制御の安全性

を統合した階層型システムである。

おわりに

VLAは、ロボットに「指示を理解して動く能力」を与えた。

WAMは、ロボットに「行動後の世界を想像する能力」を加えようとしている。

WLAはさらに、

今は何をすべきか どこまで作業が進んだか 以前に何を試したか どの未来を選ぶべきか

を言語と記憶によって管理しようとしている。

WLAが実用化されれば、ロボットは単体の機械ではなく、

• エッジAIコンピューター
• 工場内AIサーバー
• 中央データセンター
• 継続学習基盤
• データストレージ
• 技能マーケット
• 安全認証システム

から構成される巨大な分散AIシステムになる。

そのとき需要が増えるのはロボット本体だけではない。

LPDDR、HBM、NAND、GPU、センサー、高速通信、電源、冷却、シミュレーション、データ管理、AI安全性まで、フィジカルAIを支えるインフラ全体が成長する。

そして最大の価値は、モデルの重みそのものではなく、

ロボットが現実世界で蓄積した経験を、次の行動能力へ変換する仕組み

に宿ることになる。

出典対応

特定銘柄の推奨・勧誘・投資助言を目的とするものではありません。投資判断はご自身の責任でお願いいたします。

サムネはPixAIsunflowerモデルとGPTImage2.0