The $15B Physical AI Company: Simulation, Autonomy OS, Neural Sim, & 1K Engineers—Applied Intuition

近年、AI技術は私たちの生活のあらゆる側面に浸透し、特に大規模言語モデル（LLM）の発展は、画面上のデジタル体験に革命をもたらしてきました。しかし、AIの真のフロンティアは、物理世界に展開され、現実の機械に知能を吹き込む「Physical AI」にあると言えるでしょう。この分野の最前線で、Applied Intuitionは150億ドルの評価額を持つリーディングカンパニーとして、より安全で豊かな世界を実現するための技術を開発しています。本記事では、同社の核となる技術、ビジネス戦略、そして物理AIの未来について深く掘り下げていきます。

物理世界に知能を：Applied Intuitionのミッションと立ち位置

Applied Intuitionのミッションは明確です。「より安全で豊かな世界のために物理AIを構築する」こと。彼らは、自動車、トラック、建設機械、鉱山機械、さらには防衛技術に至るまで、あらゆる種類の移動システムにインテリジェンスを組み込むための技術を開発・販売しています。一般的なAI企業がコード補完やテキスト生成といった「スクリーンに収まる」アプリケーションに注力する中、Applied Intuitionは「スクリーンを持たない」物理機械に知能をデプロイすることに特化しています。

このアプローチの最大の特徴は、「安全性クリティカルな環境」でのAIの展開にあります。たとえば、日本で走行中のレベル4（完全自動運転）トラックを動かす場合、些細なエラーも許されません。これは、単に間違った情報を提供するLLMとは次元の異なる責任を伴います。同社は、YC（Y Combinator）の出身でありながら、当初から「ツールを提供する企業」としての道を歩み、データラベリングに特化したScale AIとは一線を画してきました。Applied Intuitionは、NvidiaやAMDがチップを提供するように、物理AIの基盤となる技術を企業や政府に提供する「真のテクノロジーカンパニー」としての地位を確立しています。

その事業規模は目覚ましく、世界トップ20の中国以外の自動車メーカーの18社が同社の技術を利用し、農業、防衛、建設といった幅広い分野に顧客を持っています。社内には1000人を超えるエンジニアが在籍し、全社員の83%を占めるという技術集団です。彼らの技術スタックは、研究の進展と市場のニーズに応じて約2年ごとに完全に進化を遂げており、常に最先端を走り続けています。

Applied Intuitionの核心技術：物理AIの三本柱

Applied Intuitionの物理AI戦略は、大きく分けて三つの柱に支えられています。それは「オペレーティングシステム」「シミュレーション」「AI技術モデル」です。これらが相互に連携し、複雑な物理AIシステム全体の開発と展開を可能にしています。

1. 物理AIのためのオペレーティングシステム：産業界のAndroidを目指して

物理機械の領域は、まるでAndroidやiOSが登場する以前の携帯電話市場に酷似していると、同社の共同創業者兼CEOであるKassar Ununasは語ります。GoogleがAndroidを開発した背景には、多様な携帯電話にGoogle製品をデプロイする際、50種類もの異なるOSが存在し、それぞれに対応する困難さがありました。物理産業も同様に、各社が独自のファームウェアやOSを持ち、極めて断片化されています。この状況では、現代のAIアプリケーションを効率的かつ安全に展開することは事実上不可能です。

Applied Intuitionが開発するOSは、この断片化を解決し、AIアプリケーションが動作するための統合された基盤を提供します。このOSは、単にユーザーインターフェース（HMI）を管理するだけでなく、そのはるか深層、すなわち安全性クリティカルな領域と組み込みシステム全体に及んでいます。具体的には、以下のような機能が組み込まれています。

リアルタイム制御と組み込みシステム: 電動モーター、エンジン、アクチュエーターなどのリアルタイム制御をサポートし、極めて低いレイテンシー（遅延）を実現します。Microsoft Windowsのような汎用OSでは、センサーデータのストリーミングや車両制御に必要な低遅延は到底不可能です。
システムレベルの最適化: スケジューラ、メモリ管理、ミドルウェア、メッセージパッシング、高信頼性ネットワーク、データリンクなど、システム全体のパフォーマンス特性を細部にわたって最適化します。
フェイルセーフと冗長性: プロセッサのビットフリップといった「宇宙線」のような稀な故障にも対応できるよう、異なる冗長性を確保し、クリティカルなシステム障害時のフェイルセーフとフォールバックメカニズムを組み込みます。
信頼性の高いOTAアップデート: 自動車産業では、特定のモジュール（HMIなど）しかOTAアップデートできず、安全性クリティカルな部分はディーラーでの更新が必要な場合がほとんどです。Applied IntuitionのOSは、車両システム全体の信頼性の高いOTAアップデートを可能にし、これにより車両が「ブリック化（動作不能になる）」するリスクを回避します。これは業界全体にとって極めて大きな進歩であり、同社がもたらした純粋に最も影響力のある成果の一つと言えるでしょう。

このOSは、Androidのように高い再利用性を持って設計されています。異なるチップセット（x86だけでなく、多様なアーキテクチャ）をサポートし、幅広いハードウェア上でAIアプリケーションを信頼性高く実行できるようにします。また、顧客はApplied Intuitionの自動運転技術とOSをセットで導入することも、OSのみを導入し他社の自動運転技術と組み合わせることも可能です。同社の哲学は、あくまで「テクノロジーカンパニー」として、顧客が自社の技術をどのように活用するかを自由に選択できるようにすることです。主にC++を使用し、一部Rustやアセンブリ言語も駆使して、低レベルのリアルタイム制約に対応しています。

2. 高度なシミュレーションと検証：実世界を写し、AIを鍛える

複雑な物理AIシステムを開発する上で、シミュレーションは不可欠な要素です。実際の物理機械を使ったテストには時間、コスト、そしてリスクが伴うため、仮想環境での開発が効率化の鍵となります。しかし、シミュレーションの真価は、仮想環境と現実世界との正確な相関関係、すなわち「シム・トゥ・リアル（Sim-to-Real）マッチング」にあります。

シミュレーションの役割とSim-to-Realの課題: シミュレーションは、現実世界のフィードバックをパラメータに反映させ、何度も検証を繰り返すことで精度を高めていきます。もしシミュレーションが現実を正確に反映していない場合、そこで得られた結果は無意味になってしまいます。同社は、このシム・トゥ・リアルのギャップを最小限に抑えることに多大な投資を行っています。たとえば、人型ロボットのアクチュエーターの過熱問題において、シミュレーションにモーターの温度というパラメータを組み込むことで、ロボットは過熱を考慮した動作を学習できます。このパラメータがなければ、ロボットは現実世界で過熱し、失敗するでしょう。この「パラメータの網羅性」と「展開環境の多様性」（例：冷蔵庫の中で稼働するロボット）に対応することが、シミュレーション開発の最も困難な側面です。
ニューラルシミュレーションとワールドモデル: Applied Intuitionは、特にエンド・ツー・エンドの自動運転モデル（センサーデータ入力から制御信号出力までを一貫して学習するモデル）のトレーニングにおいて、画期的な「ニューラルシミュレーション」を導入しています。これは、Gaussian splattingと拡散モデルを組み合わせたもので、大量のセンサーデータを高速かつ低コストでシミュレートすることが可能です。性能が全てであり、十分な速度とコスト効率がなければ、意味のある結果は得られません。さらに、同社は「ワールドモデル」の開発にも力を入れています。これは単に環境をシミュレートするだけでなく、因果関係を理解し、将来の出来事を予測するモデルです。例えば、建設機械が土を移動させた場合、ワールドモデルは「その場所から土がなくなり、別の場所に土が移動した」という因果関係を理解します。また、ハイドロプレーニングのような複雑な現象も、モデルが視覚的な手がかり（路面の水たまりなど）から「速度を落とすべきだ」と学習することで、その現象の物理法則を明示的に知ることなく安全な運転行動を導き出します。
検証・妥当性確認（V&V）の進化: 従来のシステム開発では、Euro NCAPのような規制プログラムにおいて、特定のテストケース（例：子供の飛び出しに対する自動緊急ブレーキ）をパスするかどうかという「黒か白か」の二元的な検証が主流でした。しかし、最新のAIモデルでは、すべてが統計的な確率に基づいています。もはや「合格か不合格か」ではなく、「システムがどれだけの信頼性（『9』の数、例えば99.999%の信頼性）を持つか」「平均故障間隔はどれくらいか」といった統計的な検証が求められます。モデルが高度化するにつれて、その欠陥を見つける評価自体がより困難になりますが、Applied Intuitionは、この「統計的V&V」に多大な投資を行っています。
安全性へのコミットメントと規制当局との対話: 同社の最初の企業価値は「安全性」であり、開発するシステムが安全であることを自ら検証・妥当性確認することに最も重きを置いています。規制当局は必ずしもAIの専門家ではないため、同社は「どのようにすれば自動運転システムが十分に安全であると判断できるか」という基準やアプローチについて、米国、欧州、日本などの政府機関に積極的に教育を行っています。規制は最低限の基準であるため、同社は常にその期待を大幅に上回る安全性水準を目指しています。

3. 次世代AIモデルの展開：安全性クリティカルな環境での知能

Applied Intuitionは、基盤研究とワールドモデルの開発を通じて、あらゆる物理機械に知能をデプロイするためのAIモデルを構築しています。その応用範囲は広く、陸上（自動車、トラック、鉱山、建設、農業）から航空（ドローンなど）、海上（船舶など）まで、多岐にわたります。

人間と機械のインタラクション（Teaming）: AI技術は、物理機械と人間のインタラクションも変革しています。これまでのボタンやタッチスクリーンによる操作から、音声インターフェースを通じて機械と自然に会話する、あるいは機械がキャビン内の人間の状態（例：疲労）を認識し、安全性に関する警告を出すといったマルチモーダルな体験へと進化しています。これは、人間が「エージェント」として機能する物理機械の群れを管理するような未来を見据えています。たとえば、農家が複数の農業機械を管理する際、機械は通常自動で作業を進めますが、クリティカルな判断が必要な時だけ人間に介入を求めます。これは、自動車の自動運転レベルにおけるL2++（ヒューマン・イン・ザ・ループ）の概念を、他の産業に拡張したものです。
オンボード（Embedded）とオフボードのAI: AIモデルの展開においては、「オンボード」（車両や機械に組み込まれた状態）と「オフボード」（データセンターやクラウドで実行される状態）という重要な区別があります。
- オフボードソフトウェア: 時間的制約が緩く、非常に大規模なモデルを高性能GPUや分散コンピューティング環境で実行できます。数秒の処理遅延も許容されます。
- オンボードソフトウェア: 厳密な時間的制約があり、モデルはミリ秒単位で応答する必要があります。ここでは、モデルの「蒸留」や効率化が極めて重要であり、電力消費も考慮されます。モデルは小さくても高性能である必要があります。 Applied Intuitionのエンジニアリングの多くは、このオンボードシステムにおいて、いかに大規模なAIモデルの能力を維持しつつ、小型で低電力、低遅延の組み込みシステムで実行できるかという課題に注力しています。現在の物理AIの世界では、モデルの「知能」自体よりも、こうした展開上の制約がボトルネックとなることが多いのです。
Transformerの進化と組み込みシステムへの適応: 2017年に発表されたTransformerモデルは、当初は自然言語処理の分野で革命をもたらしましたが、数年後には画像や動画などあらゆるデータに適用されるようになりました。コンピューティング能力の向上に伴い、Transformerモデルは物理AIにおいても広く活用されています。GoogleのGemma 2Bのような比較的小規模なモデルであれば、組み込みシステム上でも実行可能ですが、その用途に合わせてかなりカスタマイズする必要があります。自動運転の核となるAIは自社開発のカスタムモデルを使用し、音声アシスタントのようなより汎用的な機能にはこれらの汎用LLMを活用しています。また、インターネット接続が不安定な環境や存在しない環境での運用も多いため、多くのシステムはローカルで完結する必要があります。これは、RTK GPS（リアルタイムキネマティック、1～2cmの高精度測位）を用いた従来の農業・鉱業用自動運転システムが、高精度な測位は可能でも、ダイナミックな環境での「知能的な」意思決定ができないという課題を解決するものです。

物理AI開発の最前線：挑戦と洞察

Applied Intuitionの創業者が語る言葉からは、物理AI開発の技術的・商業的困難と、それを乗り越えるための深い洞察が垣間見えます。

AIツールの活用とエンジニアリング文化の変化

同社は、社内でコーディングエージェント（Cursor、Claude Codeなど）を積極的に活用し、社内リーダーボードを設けて adoption を促進しています。これは、AIフレンドリーな開発ツールの設計にも影響を与えています。例えば、以前はGUIを多用していたセンサー設計ツール「Sensor Studio」も、今ではAIエージェントを使ってテキストベースでセンサー構成を設計できるようになり、より良い結果を導き出せるようになっています。

この変化は、エンジニアの採用基準にも影響を与えています。Peter Lewigは、「かつては記述された要件を実装する能力を重視したが、今では『AIエンジニア』のスキルセット、すなわち、どのような質問をすべきか、異なるAIツールをどのように連携させるかを知る能力がより重要になっている」と指摘します。AIツールの活用能力によってエンジニアの生産性ギャップは拡大しており、同社はこうした新しいスキルセットを持つ人材を積極的に採用しています。組み込みシステムやOSといった低レベルの領域は、以前はAIの適用が難しいとされていましたが、最新のLLMの進化により、シェーダーの記述のような複雑なタスクでもAIが驚くほどの精度を発揮するようになりました。しかし、特に安全性クリティカルなシステムにおいては、「人間による検証」が100%不可欠であり、AIが生成したコードを盲信することは許されません。

安全性と社会受容の課題

自動運転システムにおける事故、例えばCruiseの事故は、社会に大きな衝撃を与え、規制当局の対応を強化させました。しかし、Kassarは、Cruiseの事例は技術的な失敗だけでなく、企業が規制当局とどのようにコミュニケーションを取り、振る舞ったかという側面がより大きな問題であったと指摘します。

統計的には、人間のドライバーはAIよりもはるかに事故を起こしやすいという事実は明確です。飛行機が最も安全な交通手段であるにもかかわらず、その事故が大きな注目を集めるように、自動運転システムの単一の事故が過剰に反応される傾向があります。社会全体として、AIが引き起こすであろう「人間では決して起こさない」ような種類の事故を、統計的に見て全体的な安全性が向上するという前提で、どのように受容していくかという課題があります。Applied Intuitionは、冗長性とフェイルセーフを何重にも組み込むことで、システム全体の信頼性を高めていますが、最終的な社会受容には、技術的な安全性だけでなく、透明性と信頼関係の構築が不可欠であると考えています。

生産化の難しさ：最後の1%の壁

研究室でのデモは華やかですが、それを実際の製品として量産し、市場に展開する「生産化」は極めて困難な道のりです。同社は、開発プロセスを「研究」「高度エンジニアリング」「生産」の三段階に分けて考えています。Applied Intuitionは、主に「高度エンジニアリング」の段階に位置し、研究成果を量産可能なシステムへと橋渡しする役割を担っています。

人型ロボットのデモは魅力的ですが、これらのシステムはまだ「脆い」という問題があります。中国政府が人型ロボットのマラソン大会を企画しているのは、まさにこの信頼性と耐久性という「生産化」の課題を解決するための一例です。これは、かつてのDARPA Grand Challengeが自律走行車の開発を加速させたように、コンペティションを通じて産業を推進する「賞金政策」の一種と言えるでしょう。

Applied Intuitionの創業者は、この分野で約10年の経験を持つからこそ、「どんな企業がデモを見せても、彼らが次に直面する20の課題を正確に予測できる」と語ります。これは、彼らが数えきれないほどの試行錯誤と失敗（「損失」）を経験し、それが彼らの「メンタルモデル」に深く刻み込まれているからです。しかし、彼らはロボット工学の未来に興奮しており、データセット、シミュレーション技術、そして実際に機能し始めている技術の進歩が、この分野に計り知れない機会をもたらすと信じています。

創業者からの洞察：成功への道筋と未来への提言

インタビューの終盤で、Applied Intuitionの創業者は、物理AIの分野で成功するための深い洞察と、スタートアップへの貴重なアドバイスを提供しています。

複利効果を生む技術投資

Kassar Ununasは、Applied Intuitionが提供する技術が「複利効果」を生む「コンパウンディング・テクノロジー」であると強調します。OS、開発ツール、モデルなど、彼らが構築するすべてのコンポーネントは、使い捨てではなく、継続的に改善され、その価値が積み重なっていきます。Waymoが良い例です。長年にわたる投資と技術の蓄積が、最終的に市場価値の爆発的な増加につながることを示しています。

スタートアップがこの「複利効果」の恩恵を受けるためには、初期の段階で「商業的な制約」を意識することが重要だと指摘します。技術的な問題が難しすぎるため、多くの創業者は商業的側面を軽視しがちですが、限られたリソースとエンジニアをどのように使うかという「お金の使い方の式」をよく考えるべきです。

スタートアップへのアドバイス

深く掘り下げるアプローチ: YCの古い教えにも通じますが、「小さくて深い問題空間」を見つけて、そこに深く集中することが重要です。最初から広範囲に浅く手を出すと、どの問題も中途半端な解決策しか得られず、結局凡庸な製品になってしまいます。
盲信しない第1原理思考: 創業者は、Appleの垂直統合戦略や、他の若手企業の成功事例を盲目的に模倣すべきではありません。Steve JobsがAppleを垂直統合させた2007年と、創業期の1978年では会社の状況が全く異なります。自身のスキル、共同創業者のスキル、初期チームのスキル、そして顧客の声に基づいて、「第1原理思考」で製品空間を定義することが不可欠です。
ステルス戦略の是非: Applied Intuitionは、創業当初、Google出身という強力なネットワークがあったため、ステルスで開発を進めることが可能でした。しかし、一般的な創業者にとっては、積極的に資金調達し、ネットワークを広げることが必要になるため、一概にステルスが良いとは限りません。重要なのは、自身の状況に合わせて最適な戦略を採ることです。

物理AIの未解決課題と求める人材

Peter Lewigは、物理AIの分野において最も意味のある未解決の課題として、以下の二点を挙げます。

モデルの効率化: 「非常に大規模なAIを、非常に小型で非常に効率的なものにする」こと。物理機械上で動作させるためには、モデルの能力を維持しつつ、速度、サイズ、電力効率を最適化する必要があります。これは常に技術の限界に挑戦する領域です。
安全性クリティカルシステムにおけるモデル評価: モデルの検証可能性、すなわち「モデルの評価」は極めて困難なテーマです。モデルが高度化するほど、その潜在的な欠陥を見つけることが難しくなります。安全性クリティカルなシステムでは特に、この評価技術の進歩が不可欠です。

Applied Intuitionが求めるエンジニア像は明確です。

低レベルシステムへの深い理解と情熱: ハードウェアとソフトウェアの境界を深く理解し、低レベルシステムに情熱を持つ人々。現在のAI分野にはハードウェアを全く意識しないエンジニアもいますが、物理AIではそれは贅沢であり、より深く掘り下げて探求する好奇心が必要です。
生産経験: 実際に製品を生産し、展開した経験を持つ人々。この経験は、技術を構築する方法に大きな影響を与えます。
エンジニアリング・マインドセットと極端な好奇心: 根本原理を理解しようとする強い探求心、例えば「光とは何か」「電波とは何か」といった根源的な問いに対する好奇心を持つ人々。

現代の教育システムでは、古典的なコンピューターサイエンスや電気工学から離れる傾向がありますが、Applied Intuitionでは、熱力学や流体力学といった基本的なエンジックの基礎と、それを低レベルで理解しようとするマインドセットが非常に重要視されています。同社は、その規模を活かして、社内でのトレーニングやアップスキリングにも力を入れていますが、エンジニアリングマインドセット自体は、ある種の性向であり、誰もが持っているわけではありません。

結論

Applied Intuitionは、物理AIという、私たちの生活と産業の基盤を根本から変革する可能性を秘めた分野の最前線に立っています。彼らのアプローチは、Androidのような普遍的なオペレーティングシステムの構築から、実世界を忠実に模倣しAIを鍛える高度なシミュレーション、そして安全性クリティカルな環境で知能を展開する次世代AIモデルの開発に至るまで、多岐にわたります。

この領域は、安全性、社会受容、生産化の困難といった、技術的・商業的に多くの未解決の課題を抱えています。しかし、Applied Intuitionは、深い技術的専門知識、革新的なエンジニアリング文化、そして長期的な視点を持つリーダーシップによって、これらの課題に果敢に取り組んでいます。彼らの取り組みは、自動運転車、ロボット、建設機械、防衛システムなど、あらゆる物理機械がより安全に、より効率的に、そしてより知能的に機能する未来を築くための礎となるでしょう。物理AIの可能性は計り知れず、Applied Intuitionがその実現に向けてどのようなさらなる革新をもたらすのか、今後の展開に注目が集まります。