本記事は 2026 年 10 月 7 日に公開された “ Introducing AWS Physical AI Toolchain ” を翻訳したものです。 フィジカル AI ポリシーのトレーニングとデプロイを AWS 上で大規模に行うための、エンドツーエンドのソリューション フィジカル AI はロボット、自動運転車、スマートファクトリーなどを通して現実世界で稼働する人工知能です。 Capgemini Research Institute の調査によると、79% の組織がすでにフィジカル AI を活用しており、経営幹部の 60% が、フィジカル AI により、これまでロボットの採用が不可能または現実的ではなかった分野での活用が可能になると考えています。テクノロジーはまさに転換期を迎えています。 しかし、ロボットを実用可能な実験用プロトタイプから信頼性の高い生産システムへと発展させるには、単一のモデルだけでは不十分です。これには、データ収集、合成データ生成、モデルトレーニング、シミュレーションに基づく検証、エッジデプロイを統合するパイプラインが必要です。各段階では、それぞれ異なる計算リソース、異なるツールが求められ、運用上の制約も異なります。このような工程間の引き継ぎにおいて、多くのチームが何か月分ものエンジニアリングの時間を浪費しています。 本日、発表する Physical AI Toolchain on AWS は、AWS 上でフィジカル AI の開発ライフサイクル全体を運用するためのリファレンスアーキテクチャ、Infrastructure as Code、デプロイの自動化機能を 1 つにまとめ、NVIDIA Physical AI スタックと統合したものです。このツールチェーンは特定のロボットやタスクの種類に依存しません。自身の URDF、テレオペレーションデータ、タスク定義を用意するだけで、残りの処理はインフラストラクチャが行います。 フィジカル AI 開発ライフサイクル フィジカル AI は、閉ループで稼働し、現実世界に対し、感知、判断、実行を継続的なサイクルで行います。これは、モデルがデータを処理し、予測値を画面に返す、従来の ML-Ops とは根本的に異なります。オフラインの評価では高い精度を出せるモデルも、雑然とした倉庫で 6 軸アームを 200 Hz で制御しなければならないとなると、うまく機能しないかもしれません。開発プロセスでは、物理的な力学特性、リアルタイムの制約、センサーノイズ、安全上の境界、遅延、そして現実世界でのテストではハードウェアの破損の可能性がありコストがかかるという現実を考慮する必要があります。 図 1：フィジカル AI 開発ライフサイクル フィジカル AI のライフサイクルは、直線的なパイプラインではなく、フライホイール（循環構造）です。デプロイされたロボットが新たなデータを生成し、エッジケースを明らかにします。このようなエッジケースは、新たなシミュレーションシナリオの手がかりとなります。シミュレーションにより合成トレーニングデータが生成されます。より向上したモデルは、徐々に難易度を上げたテストによって検証されます。このサイクルを繰り返し、反復のたびにシミュレーションと現実世界のギャップを縮めていきます。 フィジカル AI に専用のツールチェーンが必要な理由 フィジカル AI には汎用的な ML-Ops の前提が通用しません。目的特化型のインフラストラクチャが必要となる 5 つの課題を以下に示します。 様々な計算資源の混在：1 つのフィジカル AI のワークフローの中で、基盤モデルトレーニングのための高帯域の GPU クラスター、物理シミュレーションのための柔軟な中位クラスの GPU 容量、ロボット上のリアルタイム推論のためのエッジ GPU が使われます。1 つの計算サービスですべてをカバーすることはできません。 アーティファクトの乱立：各ロボットリリースには、データセット、シミュレーションシーン、ロボット URDF 記述、キャリブレーションデータ、トレーニングコンテナ、チェックポイント、評価結果、デプロイ可能なエッジパッケージが含まれます。それぞれのステップを横断し、アーティファクトの昇格が制御されていないと、数週間のうちに再現性が失われます。 検証の深さ：故障したロボットが再起動した時には、物理世界はすでに変化しています。フィジカル AI は、シミュレーション、監督下での実機テスト、管理された実環境での展開を経て、段階的に昇格させる必要があります。ロボットアームにはシンプルなブルーグリーンデプロイメントに相当するものはありません。 データの経済性：実機ロボットのデータの収集にはコストがかかります。実環境グレードのポリシーは何百もの異なる環境への対応が求められます。チームには、デモンストレーションデータを、合成データによる拡張や強化学習によって増幅していくループが必要です。 制御経路の配置：物理的な動きを決定する推論は、ロボット上の遅延、電力の予算、熱の制約に縛られます。クラウドはトレーニングやロボット群の管理を担いますが、安全に関わる物理タスクの制御ループとなることはできません。 5 つの課題はすべて相関しています。ツールチェーンの価値は、トレーニングスクリプトが 1 つ増えることではありません。データの取り込みからシミュレーション、エッジデプロイに至る整合性のある検証済みのプロセスであり、多くのチームが時間を費やす引き継ぎの部分を担うものです。 Physical AI Toolchain on AWS の発表 Physical AI Toolchain on AWS は、AWS 上でのフィジカル AI 開発ライフサイクル専用に設計された、リファレンスアーキテクチャ、Infrastructure as Code、デプロイ自動化機能を組み合わせた、一般公開されているコレクションです。NVIDIA のロボティクスソフトウェアスタック―視覚・言語・行動（VLA）トレーニング用「GR00T」、物理シミュレーション用「Isaac Sim」、大規模強化学習用「Isaac Lab」、合成データ生成用「Cosmos」、およびワークフローオーケストレーション用「OSMO」―を再現性のある単一のパイプラインに統合し、AWS マネージドサービス上で展開します。このツールチェーンはフィジカル AI の複雑さを捨象するものではありません。これにより、チームは引継ぎのたびに基盤を構築し直すことなく、再現性のある方法で、データ、モデル、シミュレーションジョブ、デプロイメントアーティファクトをステージ間で移行することができます。 オープンスタンダードに基づく構築 ツールチェーンは NVIDIA のコンポーネントに加えて、ロボティクスチームがすでに利用している公開ツールの上に構築されています。Zarr 形式の生データを読み込んでコミュニティ標準の LeRobot 形式に標準化し、PyTorch と Hugging Face で学習を行い、Gymnasium で強化学習タスクを定義し、URDF でロボットを記述し、移植性の高いエッジ推論のために ONNX 形式でエクスポートします。ロボット上の制御は、モデルから ROS 2 に引き継がれます。こうすることで、データやモデルを移植性の高いオープンなフォーマットで保持できます。 設計原則 ツールチェーンは 3 つの設計原則に基づいています。 モノリシックでなくモジュラー型 ：各コンポーネント（基盤、Isaac Sim、Isaac Lab、GR00T、OSMO）は独立した Terraform モジュールになっており、1 つずつ段階的に導入することも、パイプライン全体に展開することもできます。モジュールは SSM パラメータを通じてコンフィギュレーションを共有しますが、厳密な依存関係はありません。 AWS インフラストラクチャ上の NVIDIA ネイティブ ：ツールチェーンは AWS のコンピュート、ストレージ、ネットワーキング、セキュリティサービス上で NVIDIA Physical AI スタックを実行します。直接 NVIDIA のドキュメンテーションをフォローしても、クラウドネイティブなデプロイ自動化のメリットを享受できます。 リニアなパイプラインではなくフライホイール・アウェア ：基盤によってフィジカル AI 開発の持つ反復的な特性をサポートします。デプロイからフィードバックされたデータが新たなシミュレーションシナリオに活用されます。生成された合成データが学習に活用されます。学習済みモデルが検証に活用されます。ツールチェーンは決まった順序を強制するのではなく、フライホイール内のあらゆる移行に対応する基盤を提供します。 アーキテクチャ Physical AI Toolchain on AWS は基盤にある複雑さを抽象化し、開発のフライホイールを AWS ソリューションに当てはめます。このアーキテクチャは意図的に垂直構造にして、各ピラーが独自に AWS のマネージドの基盤上で NVIDIA ドメインレイヤーを備える形になっています。アーキテクチャ全体のボトムレイヤーは Strands エージェントレイヤーで、インテリジェントなコーディネーションを可能にする Strands Agents SDK をもとに構築された AI ドリブンなオーケストレーションレイヤーです。チームは、個別に 1 つのピラーを採用することも、エージェントオーケストレーションで移行を管理し、ピラーを連携させてエンドツーエンドの完全なパイプライン全体を構築することも可能です。 図 2：Physical AI Toolchain on AWS のコンポーネント データは各ピラーを左から右へと流れます。遠隔操作装置の生データが Amazon Simple Storage Service (Amazon S3) に届き、 Amazon Elastic Kubernetes Service (Amazon EKS) や AWS Batch と NVIDIA Cosmos で合成世界の生成が行われ、AWS Batch と Amazon SageMaker で NVIDIA Isaac Lab および Isaac GR00T を使ってポリシー学習、 Amazon Elastic Compute Cloud (Amazon EC2) 上の NVIDIA Isaac Sim で検証を実行し、最終デプロイで、 AWS IoT Greengrass を使用して、最適化されたモデルを NVIDIA Jetson ハードウェアにプッシュします。Amazon SageMaker や AWS Batch で学習や微調整ジョブを実行することで、実装コストを最適化します。 Strands エージェントレイヤー は一般に公開されている Strands Agents SDK を基に構築され、ツールチェーン全体に AI ネイティブなインターフェースを提供します。チームは各パイプラインのバリエーション向けにカスタムのオーケストレーションスクリプトを書く代わりに、自然言語や構造化されたプロンプトで意図を記述するだけで済みます。あとはエージェントレイヤーが、呼び出すべきコンポーネントを判断し、必要なコンピューティングリソースを割り当て、データの受け渡しを管理し、結果を報告します。 NVIDIA Physical AI スタックの統合 ツールチェーンは NVIDIA Physical AI ソフトウェアスタックと緊密に統合し、AWS の基盤上で展開・運用されます。 NVIDIA はドメイン特化型レイヤーを提供します。 Isaac Sim ：シーン構成、物理的に正確なレンダリング、リアルタイムシミュレーション Isaac Lab ：数千の並列環境での大規模強化学習 Isaac GR00T ：デモンストレーションに基づく視覚・言語・行動（VLA）モデルの微調整 Cosmos ：世界生成と合成データセットの規模拡大のための視覚データの拡張 OSMO ：異種コンピューティング環境（クラウド、オンプレミス、エッジ）にわたるワークフローのオーケストレーション Jetson / RTX ：リアルタイム制約下におけるエッジ推論向けのターゲット実行環境ハードウェア AWS は実行環境を提供します。 Amazon EC2 （NVIDIA GPU インスタンス）：シミュレーションおよび合成データ生成 Amazon SageMaker / AWS Batch ：自動プロビジョニング機能を備え、アイドル時コストがゼロのマネージド型トレーニング Amazon EKS ：GPU スケジューリングを活用した、スケーラブルかつ分散型の OSMO およびクラスターワークロード向け Amazon S3、 Amazon Elastic Container Registry (Amazon ECR) 、 Amazon FSx for Lustre ：データセット、コンテナ、高スループットなトレーニングデータの配信 Amazon CloudWatch 、 AWS Secrets Manager 、 AWS Key Management Service (AWS KMS) 、AWS IoT Greengrass ：オブザーバビリティ、セキュリティ、エッジデプロイメント このツールチェーンはこれら 2 つのスタック間の境界における摩擦を軽減します。AWS はインフラストラクチャのプロビジョニング、デプロイの自動化、セキュリティ・プリミティブ、マネージドサービスの統合に対応します。NVIDIA は、フィジカル AI 担当チームがすでに使用しているシミュレーションエンジン、基盤モデル、オーケストレーションレイヤーを扱います。 対象ユーザー このツールチェーンは、スケーラブルなトレーニングやロボットポリシーの展開のためにクラウドベースのインフラストラクチャを必要とするロボティクスエンジニア、ML エンジニア、プラットフォームチーム、ソリューションアーキテクトなどを対象に開発されています。直接的にメリットが得られる業界としては、製造・産業オートメーション、倉庫・物流、エネルギー・公益事業、医療・ライフサイエンス、鉱業・建設、農業、航空宇宙・防衛などが挙げられます。ロボットが適応的行動を学習し、導入前にシミュレーションで検証を行い、エッジ環境のリアルタイム制約下で運用しなければならないあらゆるドメインに対応します。ツールチェーンが提供するのは完成したロボットの動作ではなく、インフラストラクチャのパターンやアーキテクチャに関する指針です。 利用について 利用開始を支援するため、AWS は以下のリポジトリでワークショップを提供しています。ご利用には以下が必要になります。 SageMaker と EC2 の両方で GPU クォータが承認されている AWS アカウント コンテナイメージ取得用 NVIDIA NGC API キー モデルの重みファイルダウンロードのための Hugging Face トークン 費用が発生しないよう、以下のリソース削除手順に従ってください。 ワークショップでは、段階ごとに順を追って、どのようなロボットデータにも対応可能な実例を用いて説明します。設定についての詳細な指示は、リポジトリ内の README ガイドを参照してください。 https://github.com/aws-samples/sample-the-physical-ai-toolchain-on-aws 各段階における実践例 ツールチェーンのあらゆる段階に順を追った指示が付いており、具体的なコマンド、設定、予想されるアウトプットが示されています。各モジュールには、そのまま使える独自の実践例が付属しています。例えば GR00T トレーニングの場合、27 の UR3 ピック・アンド・プレイス遠隔操作シナリオが付属しており、モジュールを実行して正常に動作することを確認してから別のユースケースやデータセットに置き換えることができます。モジュールは単独でデプロイすることも、パイプライン全体をエンドツーエンドで構成することも可能です。チームは検証済みの Terraform Infrastructure as Code を基盤として、数時間で評価段階から移行して独自データ上でツールチェーンを実行できるようになり、カスタム統合に数週間もかかることはありません。AWS についてある程度の知識があることを想定していますが、フィジカル AI の専門知識は必須ではありません。指示書には段階が進むごとに関連用語や概念の解説がついており、参考資料としてフィジカル AI 用語集も添付されています。 まとめ Physical AI Toolchain on AWS は、フィジカル AI を単一のトレーニングジョブとしてではなく、ライフサイクル全体にわたる課題として捉えています。本ツールチェーンは、データの取り込み、模倣学習、強化学習、合成データ生成、シミュレーション、オーケストレーション、そしてエッジへのデプロイに至るまで、AWS におけるリファレンスアーキテクチャのパターンを提供し、NVIDIA のロボティクススタックと初日から統合されています。推奨されるアプローチは、現在のボトルネックを解消する一つのコンポーネントから着手することです。ゼロから始める場合は、まず Foundation と OSMO をデプロイすることで、フライホイール全体を一元管理するコントロールプレーンを構築できます。ぜひツールチェーンをお試しいただき、issue の登録やコメント欄でのフィードバックをお寄せください。本プロジェクトにご貢献いただいたすべてのビルダーの皆さんに感謝いたします。 <!-- '"` --> Abhishek Srivastav Abhishek Srivastav は Amazon Web Services のプリンシパルソリューションアーキテクトで、クラウド導入の加速戦略を通じてお客様の成功を推進しています。AI/ML テクノロジー、ハイパフォーマンスコンピューティング、シミュレーション、フィジカル AI にわたる深い技術的専門知識を持ち、複雑なエンタープライズ課題に対するソリューションの設計を専門としています。現在の役割では、CIO、CTO をはじめとするテクノロジー担当役員と協働し、デジタルトランスフォーメーションおよび生成 AI の取り組みに向けた包括的なロードマップを策定しています。 Adam Weber Adam Weber は AWS のシニアソリューションアーキテクトで、AWS の専門知識と自動車業界に関する深い知見を組み合わせ、お客様の AI トランスフォーメーションの取り組みを支援しています。今日の自動車業界が直面する独自の課題に対応する、革新的でコスト効率が高く、スケーラブルなソリューションの開発に注力しています。 Ali Shahrokni Ali Shahrokni は NVIDIA のシニアデベロッパーリレーションズマネージャーで、Amazon および AWS チームとの戦略的な技術連携をリードし、高度なロボティクス、AI、コンピュータービジョンのソリューションを構築しています。スイスの EPFL でコンピュータービジョンの博士号を取得し、Amazon、eBay、Magic Leap、オックスフォード大学で主要なリーダーシップおよび技術的役割を歴任。AI、3D 再構成、シーン理解、拡張現実（AR）の分野で、最先端の研究をスケーラブルな産業用途へと展開する取り組みを推進してきました。 Steven DeVries Steven は AWS のプリンシパルソリューションアーキテクトで、自動車・製造業のお客様向けにデータおよび AI の取り組みをリードしています。エージェント型ワークフローのデプロイ、ML パイプラインの構築、生成 AI アプリケーションの設計を手がけ、新興テクノロジーをビジネス価値へと変えています。 Ignacio Sánchez Ignacio Sánchez は AWS のフィジカル AI 担当ワールドワイドスペシャリストソリューションアーキテクトで、スペイン・マドリードを拠点としています。世界中のお客様やパートナーと協働し、空間コンピューティング、ロボティクス、AWS 上のエッジ推論ワークロードにわたって、デジタル世界と物理世界をつなぐ AI ソリューションの設計・デプロイを行っています。新興テクノロジーとその実世界への応用に情熱を注いでおり、余暇には読書、ビデオゲーム、スポーツで体を動かすことを楽しんでいます。 Jathavan Sriram Jathavan Sriram は NVIDIA のシニアソリューションアーキテクトで、AI およびロボティクスソリューションを専門としています。クラウドインフラストラクチャ、Kubernetes、AI テクノロジーにわたる専門知識を持ち、World Foundation Model とフィジカル AI アプリケーションに注力しています。クラウドネイティブなプラットフォーム上で生成 AI を大規模にデプロイできるよう、お客様を支援することに情熱を注いでいます。

2026年9月9日、経済産業省と国立研究開発法人新エネルギー・産業技術総合開発機構 (NEDO) が実施する Generative AI Accelerator Challenge (GENIAC) の一環として実施しているロボット基盤モデルの研究開発における採択事業者のキックオフが行われました。今回 AWS はNVIDIA Blackwell Ultra GPUを搭載する Amazon EC2 P6-B300 インスタンス (p6-b300.48xlarge)、NVIDIA B200 Tensor Core GPU を搭載する 、Amazon EC2 P6-B200 インスタンス (p6-b200.48xlarge)、NVIDIA H100 Tensor Core GPU を搭載する Amazon EC2 P5 インスタンス ( p5.48xlarge, p5.4xlarge) 等の学習・推論に必要な仮想サーバーを提供します。採択事業者のニーズに合わせ Amazon SageMaker HyperPod も提供します。 AWS は、GENIAC バーチャルチームを中心に、以下の支援を提供します: 計算資源: Amazon EC2 P6-B300, P6-B200, P5 インスタンスの提供 技術支援: AWS Solutions Architect (SA) を中心としたメンバーにより、コンピュート (EC2)・ネットワーク (Elastic Fabric Adapter (EFA))・ストレージ (Amazon FSx for Lustre および Amazon S3) で構成される分散学習環境の AWS ParallelCluster/AWS Parallel Computing Service/Amazon SageMaker HyperPod 等 を活用した構築・管理の支援 開発者コミュニティ支援: 海外モデルプロバイダーの開発メンバーとの交流イベントによる最先端の開発動向調査や海外視察、国内の機械学習エンジニア同士の交流による知見共有をはじめとした Meetup の実施 事業化支援: GENIAC を通じて開発された基盤モデル・生成 AI アプリケーションの Amazon Bedrock Marketplace、 AWS Marketplace の活用による go-to-market (GTM) 支援、利用企業との AWS 主催イベントを通じたマッチング機会の提供これらは、経済産業省商務情報政策局情報処理基盤産業室、NEDO、ボストン コンサルティング グループ (BCG)と密に連携のうえで提供されます。 採択事業者 採択事業者のうち AWS を利用する事業者は以下です (現時点で承諾が得られたもののみをアルファベット・五十音順で掲載): 株式会社アトム 株式会社Highlanders 株式会社Preferred Networks 株式会社MW Muso Action株式会社 株式会社メルカリ 採択事業者からコメントを頂きました アトムは双腕二足のヒューマノイドロボット・フィジカルAI基盤モデルの開発に取り組む企業としてGENIACに採択いただきました。本プロジェクトを通して、製造・物流現場で多様な作業を自律的に遂行するヒューマノイドロボット・フィジカルAI基盤モデルの研究開発に取り組みます。 AWSさまには大規模計算基盤を活用させていただき、またフィジカルAI実現のための技術支援をしていただいてまいりました。 引き続き、日本が世界に誇るハードウェア開発力を活用し、ヒューマノイドロボット産業を世界へ展開するために、一層努力してまいります。 — 株式会社アトム 代表取締役 青木 俊介 氏 弊社はGENIACロボット基盤モデルの研究開発事業において、製造業の組み立て工程を対象としたヒューマノイド向けの世界行動モデル（World Action Model）「Kepler」の研究開発に取り組みます。Keplerは環境を把握する「計画層」と全身を即応制御する「反射層」を組み合わせた100億パラメータ規模のモデルで、量産するロボットそのものを学習データの収集基盤と位置づけ、実世界データを継続的に取り込みながら自己改善していくことを目指しています。 この大規模なモデル学習と、収集した実世界データの処理、そしてシミュレーションによる大量条件の並列検証を支えるのが、AWS様が提供する最先端のインフラです。Amazon EC2 の GPU インスタンスと AWS ParallelCluster を活用した分散学習環境を、必要なときに必要な規模で確保できることに加え、フィジカルAI領域に精通した Solutions Architect の皆様による構築・運用支援に深く感謝しております。 ロボットのハードウェアからAIまでを一貫して自社で手掛ける強みと、AWS様の計算基盤を掛け合わせ、三菱自動車工業様との協業を通じた国産ヒューマノイドの社会実装と量産を、一気に加速させてまいります。 ― 株式会社Highlanders 代表取締役CEO 増岡 宏哉 氏 弊社はGENIACロボット基盤モデルの研究開発事業において、物流倉庫のピッキングおよびソーター投入を対象に、多品種の商品を扱えるロボット基盤モデル（Vision-Language-Action：VLA）と、現場データを効率よく集めるデータ収集デバイスの開発・実証に取り組みます。物流現場では慢性的な人手不足が続く一方、日々入れ替わる多様な商品を扱う作業は自動化が難しく、人手に頼る工程として残されてきました。この壁を越えるには、現場データの収集から学習、シミュレーション、実機展開までを高速に回す開発基盤が欠かせないと考えています。 本事業では、大手企業の倉庫3拠点で収集した実データによる学習とファインチューニングのパイプライン構築、シミュレーションと合成データ生成による汎化性能の向上、そして現場での実証までを推進します。これらを支える基盤として、Amazon SageMaker AIによる分散学習、Amazon EC2のGPUインスタンス上でのシミュレーション、Amazon S3を中心としたデータ基盤を活用しています。また「フィジカル AI 開発支援プログラム by AWS ジャパン」以来、ソリューションアーキテクトの皆様に伴走いただいていることに深く感謝しております。 本事業で鍛え上げた基盤モデルを当社のロボットサービス「Muso-roid」に組み込み、SIerの皆様とも連携しながら導入しやすいパッケージソリューションとして、国内外の物流現場へより早く、より広く届けてまいります。 ー　Muso Action株式会社 代表取締役CEO 村山 龍太郎 氏 株式会社メルカリは、GENIAC ロボット基盤モデルの研究開発事業において、”AIロボットを活用した出品および検品作業の自動化に関わる研究開発”に取り組みます。越境取引の急成長に伴い、自社倉庫での検品作業の効率化が課題となっています。本プロジェクトでは、既存のVLA（Vision Language Action）モデルの限界である力加減の制御や視点への脆弱性を克服する、力覚・触覚を統合した双腕ロボット向けVLAモデルを開発します。AWSの計算資源と分散学習環境を活用し、自社倉庫を実証フィールドとしてフィジカルAIの社会実装を推進してまいります — 株式会社メルカリ 研究開発組織R4D 所長 小堀 訓成 氏 まとめ AWS では日本のお客様に対し、 2023年の AWS LLM 開発支援プログラム にはじまり、グローバルの Generative AI Accelerator 、AWS ジャパン生成 AI 実用化推進プログラム、 フィジカルAI開発支援プログラム by AWSジャパン といった取り組みを通して生成 AI ワークロードを支援しています。 「フィジカル AI 開発支援プログラム by AWS ジャパン」第2期の応募受付も開始 しました。 GENIAC においても 第2期 、 第3期 、 第4期 に引き続き、ロボット基盤モデルの研究開発でも引き続き採択事業者の皆様と伴走し、これまで蓄積してきた知見を活かして日本の生成 AI 基盤モデル開発力の向上に貢献できれば幸いです。

「フィジカル AI 開発支援プログラム by AWS ジャパン」第 2 期の応募受付を開始 AWS ジャパンは2026年 10 月 より、「フィジカル AI 開発支援プログラム」第2期の応募受付を開始いたします。本プログラムは AWS 上で Vision-Language-Action (VLA) をはじめとしたロボット基盤モデル*1 等を開発する、日本に法人または拠点を持つ企業・団体を支援します。データ収集・前処理からモデルトレーニング、シミュレーション、実環境へのデプロイまでの一連のパイプライン構築を支援し、AI のロボティクスへの活用を推進することを目指します。本プログラム採択者には、フィジカル AI 領域スペシャリストによる技術支援、コスト最適化支援、ロボティクス・⽣成 AI コミュニティ形成、Go-to-Market ⽀援を提供します。 *1: その要素技術として必要なVision Language Model（VLM：視覚言語モデル ) や、世界モデルなど周辺技術の開発もスコープに含みます。 プログラム内容 「フィジカル AI 開発支援プログラム by AWS ジャパン」第2期は、ロボット基盤モデル等を開発する企業・団体の状況に応じて、主に以下のサポートを提供します。 フィジカル AI 領域スペシャリストによる技術支援 ： ロボット基盤モデル開発支援（サンプルコード提供含む）、AWSアーキテクチャガイダンス、計算資源確保サポート コスト最適化支援　アーキテクチャ設計に応じた最適なコストのご提案 ロボティクス・生成AI コミュニティ形成 – 勉強会などによる実践例や知見の共有、参加企業・エンジニア間の交流・情報交換 Go-to-Market (GTM) 支援 – モデル開発企業とロボット導入企業、導入パートナーご紹介も含める、ビジネスマッチング機会提供、登壇機会のご提供 プログラムスケジュール 2026 年 11 月 16 日（月） : 応募締め切り ※ 11月中目処に選考結果を通知します。 2026 年 12 月初旬から 4月まで : 開発支援期間 同期間内で AWS から上記 のサポートを提供致します。 2027 年 4 月中 : 本プログラムの成果発表会を開催 応募概要 プログラム対象者 ロボット基盤モデルの開発を中心に、AI のロボティクスへの活用を推進することを目指す日本に法人または拠点を持つ企業・団体。Vision-Language-Action (VLA) モデル等の開発企業・団体を想定しています。 検証環境を持つ企業 (ロボットを現場で扱っている企業) が望ましいですが必須ではありません。 応募〜選考手続き 2026 年 11月 16 日（月）まで応募を受け付け、選考を行います。 応募いただいた中から、技術的観点、ビジネス的観点、それらの実現性及びインパクト等、総合的に見て選考させていただきます。 11月中を目処に選考結果を通知いたします。 応募方法 本プログラムへの応募を希望される企業・団体様は、 応募フォーム よりご連絡ください。 応募フォームのご提出をもって応募の受付とさせていただきます。 なお、フィジカル AI の社会実装、企業間の連携、フィジカル AI 向けモデルの実証環境の提供など Go-to-Market に関心のある企業の方は、AWS ジャパン生成 AI 実用化推進プログラムのモデル活用コースにご応募ください。 応募にあたりご不明な点がございましたら、事務局メールアドレス：aws-jp-generative-ai-acceleration-program@amazon.co.jp までお問い合わせください。 よくあるご質問（FAQ） 1.フィジカル AI 開発支援プログラムは AWS ジャパン独自のプログラムですか はい、AWS ジャパンが日本に法人または拠点を持ち、ロボット基盤モデル等のフィジカル AI を開発する企業・団体に向けて実施するプログラムです。 2. AWS ジャパン生成AI実用化推進プログラムとは別のプログラムですか？ AWS ジャパン生成 AI 実用化推進プログラムの1コースです。 3. フィジカル AI 開発支援プログラムの参加者は何を得られますか？ 本プログラムでは フィジカル AI 領域スペシャリストによる技術支援、コスト支援、 ロボティクス・生成AI コミュニティ形成、 GTM支援等のサポートを提供します。 4. フィジカルAIでAWSと取り組む利点は何ですか？ 以下の取り組みで用いられたものを含む AWS サービスの利用と、それに基づくお客様のワークロード支援経験です。 1. 日本における生成 AI 基盤モデル開発支援の実績 (2023年の AWS LLM 開発支援プログラム、それに続く経済産業省 GENIAC や、生成 AI 実用化推進プログラムなど)、 2. フィジカル AI の一分野である自動運転開発での AWS 利用実績、 3.Amazon でのロボティクス導入と AI 活用の実績 5. 何社が採択されますか？またどんな基準で選考を行いますか？ 最大で数十社の参加企業・団体を採択いたします。応募いただいた中から、技術的観点、ビジネス的観点、それらの実現性及びインパクト等から総合的にみて選考します。 6. 対象の企業や団体に制限、条件などありますか？ 対象の条件は、日本に法人または拠点を持ち、ロボット基盤モデル等の開発を中心に、AI のロボティクスへの活用を推進することを目指す企業・団体であることです。これには、スタートアップ企業から大企業まで、また大学や研究機関まで、広く含まれます。本プログラムに参加いただくにあたっては、AWS アカウントが必要となります。なお、以下に該当する企業・団体はご応募いただけません。 違法行為、または、AWS Acceptable Use Policy 違反のあった企業・団体 Amazon の関連会社 米国政府、欧州連合、若しくはその加盟国またはその他適用ある政府当局が発動した制裁措置の対象者 7. 既に Vision-Language-Action (VLA) モデル開発を進めている企業・団体も応募できますか？ はい、ご応募いただけます。例えば、現在まさに VLAモデル 開発を行っている最中であったり、既に開発した VLA モデルを所有しているものの、本プログラムを通じてより実践的な VLAモデル を作りたいといった方も歓迎です。 8. 第1期（2026年1月～8月）に申し込んだ企業・団体も応募できますか？ はい、ご応募いただけます。