【2026年9月最新】AI勢力図｜LLM・ローカルAI・画像・動画・音声を用途別比較

AI市場は頻繁に新しいモデルがリリースされます。また、用途に応じて本当に数百数千種類以上ものモデルが存在し、その派生物を含めるとさらに多く、企業から個人まで日々研究しています。

なので、このサイトでは、「今、何が強いのか」「用途ごとに何を選べばいいのか」を、継続収集しているベンチマーク・価格・モデル仕様からできる限り中立に、整理、説明していきます。

色々なAIの簡単紹介

まず、最近AIを学び始めた人にもわかるように現在のAIについて軽く説明していきます。わかる人は飛ばしてください。→「最新AI勢力図を見る」

現在のAIを理解するうえでは、5つに分けると整理しやすいです。

1. LLM
2. 画像生成モデル
3. 動画生成モデル
4. 音声モデル
5. ロボティクスAI

LLMは、Large Language Modelの略で、文章を理解し、会話・要約・検索・推論・コーディングなどを行うAIモデルです。現在の生成AIの中心的な存在です。

これは、普段多くの人が利用している使い方ですね。プログラミングやより専門的なタスクを行う人は、Claude CodeやCodexと呼ばれるAIエージェントを利用しています。これはLLMが回答するだけでなく、パソコンにあるファイルを直接読み、コードを書き、ツールを使いながら、複数の工程を自律的に進める仕組みです。条件次第では、1日ずっと作業を行わせる事も出来ます。

画像生成モデルは、文章や画像をもとに、新しい画像を生成・編集するAIモデルです。

代表的なものが、生成したい内容を文章で入力して画像を作る「T2I（Text-to-Image）」です。また、既存の画像を入力して編集したり、人物・構図・画風などを参考に新しい画像を生成したりすることもできます。

AIに「何を生成してほしいか」を伝えるために入力する文章を「プロンプト」と呼びます。イラスト、写真、広告、デザイン制作など、幅広い用途で使われています。

かなり適当なプロンプトですが、こういった画像が一瞬で出来るのはなかなかすごい事なのではないでしょうか。ただ、実際やってみると、かなり奥が深いです。思い通りの構図にするための言語化能力が重要です。

なにかとよく世間の話題に上がるのもこの画像生成AIが多いですね。

動画生成AIは、文章や画像をもとに、新しい動画を生成・編集するAIモデルです。文章から動画を生成する方法「T2V（Text-to-Video）」や、1枚の画像を動かして動画にする方法「I2V（Image-to-Video）」、既存動画の動きや構図を活かしつつ、画風・人物・背景などを変える方法「V2V（Video-to-Video）」などがあります。

これはT2Vです。動画生成AIは、基本的に数秒から長くて15秒くらいの動画しか作れません。そのため、AIでドラマや映画のような長い映像を作る場合は、場面を短いショットに分けて生成して後で繋げていく形が主流です。

調べてみると、意外とAI映像作品がYoutubeにあがっています。以下の2つは、個人的に見て面白かったものです。どちらも心を動かされる作品です。

▶YouTubeで動画を表示

▶YouTubeで動画を表示

まだAIっぽさや細部の粗はありますが、普通に映像作品として楽しめるレベルに達していると思います。ここからさらに進化していくと思うと楽しみです。

また、Amazonは、動画生成AIクリエイターを支援するための組織「GenAI Creators’ Fund」を立ち上げています。個人だけでなく、大規模な組織でもAI映像制作の導入は進んでいます。

音声生成AIは、文章や音声をもとに、人の声や音楽、効果音などを生成・編集するAIモデルです。文章から自然な話し声を生成する「TTS（Text-to-Speech）」、音声の特徴を再現する「Voice Cloning」、文章から効果音や環境音を生成する「Text-to-Audio」などがあります。

これによって、会議の文字起こしや動画のナレーション、吹き替え、リアルタイム翻訳、楽曲制作など、これまで録音や演奏、編集が必要だった作業をAIで行えるようになっています。

また、音声対話できるモデルもあります。チャットの代わりとして、友人のように会話や相談をしたりする事が可能です。実際に日本語で利用してみても、かなり自然な形で会話できます。

▶YouTubeで動画を表示

ロボティクスAIは、ヒューマノイド、ロボットアーム、四足歩行ロボット、ドローンなどが含まれます。近年は、こうした現実世界で動くAIを「フィジカルAI」と呼ぶことも増えています。

自動運転AIも広義にはロボティクスの一種ですが、一般には独立した分野として扱われることが多いです。

ロボティクスAIは、カメラやセンサーから周囲の状況を認識し、何をするべきか判断して、ロボットの身体を動かします。人間の指示を理解して行動する「VLA（Vision-Language-Action）」や、シミュレーション上で動作を学習して実世界に応用する技術など、さまざまなアプローチが研究されています。

▶YouTubeで動画を表示

▶YouTubeで動画を表示

一応、どちらも企業の公式動画です。

LLMと比べるとまだ発展途上の分野で、AIモデルの構成や学習方法、センサーの使い方、ロボットの制御方法などは各社で大きく異なっています。

私たち消費者が使えるのは主に最初に挙げた4つ、将来的にロボティクスが使える可能性が高いのでこの5つの分類で理解するといいと思います。

また、LLMが画像を読み込むことが出来たり、ロボットを動かせたりと分野を横断できるモデルも存在します。そういったAIモデルはマルチモーダルモデルと呼ばれています。しかし、最近はLLMが割と何でも出来るようになってきたので、少しこの概念が薄れつつあります。

そろそろ本題の勢力図に入ります。ただ、これを作るにあたって比較方法をかなり悩みました。AIモデルの評価方法の1つとして何十種類のタスクを行った成功率を測るベンチマークがあります。しかし、調べてみると分かるのですが、全てのAIモデルが同じベンチマークをやっているわけではないため、そもそも比較の土台に挙げらない問題があります。さらに、benchmaxxingというスラングもあるように、ベンチマークに最適化されスコアが高いだけで、実用性があまりよくないモデルも多く出てきています。

なので、このサイトでは、LMArenaというサイトを主に利用していきます。

LMArenaは、ユーザーのプロンプトに対し、2つのモデルを同時に出力して、その出力をユーザーが評価する事でランキングを作っているサイトです。ユーザーが実際に使用感を測るので、比較的コミュニティ評価に沿ったランキングとなっています。

本サイトでは、基本的にこのLMArenaと企業がモデル発表時に同時に公開するベンチマーク、価格料金を使い、合成スコアを出し、それを「ちまとめスコア」として、ランキングにしています。

ただ、最初に言及した通り、全てのデータがあるわけではなく、推測値を用いて一部補完しているので、正確性を保証するものではないのはご了承ください。

基本的に、近年でたモデルを全てをまとめて数値化しています。また、モデルの重みが公開されており計算資源さえあればだれでも利用できるオープンウェイトモデルは、別軸でオープンウェイトだけで比較しています。なので、「企業が提供するクラウドAI+オープンウェイトAI」のランキングと、「オープンウェイトのみ」の2つのランキングがある形です。

また、LLMの「クラウドAI+オープンウェイトAI」のランキングに関しては、モデルの数も多いため、利用料金の価格帯で3つの階級に分けています。

1. クラウド +オープンウェイト LLM — 価格帯ごとに見る

クラウドLLMは、現在のAPI価格からHIGH / MID / LOWの3階級に分けています。この3階級間は、同じ計算式なので比較可能です。

ここで使うAPI料金とは、ChatGPTなどの月額料金ではなく、開発者がAIモデルをプログラムから利用するときに、処理した文章の量に応じて支払う料金です。

価格指数
= 入力料金
+ 出力料金 × 0.2

0.75 + 3.75 × 0.2
= 1.50

LOW   ：1以下
MID   ：1超〜5以下
HIGH  ：5超

実際に私たちが利用するのは、特定の企業にサブスクして使う事が多いと思います。通常のAPI料金よりも安く多く使えるサブスクを加味するとおすすめなモデルの評価はまた変わってきまが、それらは考慮できないため、このランキングは、API料金ベースの単純なモデルスペックとしての評価である事に注意してください。

HIGH — 能力を優先する高価格帯

Fable 5.1、Astraの2強です。続いてClaude Opus 5、Claude Fable 5です。Kimi K3もオープンウェイトではありますが、かなり高い位置にいます。

GPT-6 Astraは、まだデータが少なく中央値だと68.80になりますが、ベンチマークやコミュニティ評価的には、流石に80後半から90点あるので暫定1位にしています。Claude Fable5.1よりもベンチマーク自体は高いものが多いですが、実際に利用する人の声を見てみると、同等の評価くらいな印象です。

LLMは、会社によってかなり性格に差が現れます。GPT系列は、かなり過集中しがちで、オーバーエンジニアリングをしやすい傾向にあります。また、出力する日本語もかなり読みずらいです。

Claude系列は、GPTよりも人間の意図とかを的確に拾ってくれるので、意思疎通しやすいです。しかし、GPTと比べると実装の細部に粗が目立つ傾向にあります。

なので、Claudeと話しつつ大枠の設計を決め、その設計をGPTに細部まで詰めてもらい穴を埋めてもらうみたいな使い方がおすすめです。

MID — 現在もっとも競争が激しい価格帯

MIDではQwen3.8 Maxが先頭です。HIGHは、3社しかいなかったですが、MIDはかなり多くの企業が混在しています。かなり中国企業が多いですね。

Qwen3.8 Maxは、Preview→無印→0902というリリース順です。基本的に日にち付きモデルは後からリリースされたものとなります。0902に関してはGPT6 Astraと同様にデータが少ないため低い順位となっていますが、ベンチマークもLMArenaの順位も無印より向上しているので首位になると思います。

あと、面白いのはGemini系です。最近Google Geminiは酷評されがちですが、日本語の文章性能だけはずば抜けて良いとの評価があります。日本語性能に関しては、Claude Fable5.1、GPT6 Astraを超えるので執筆系や文章整理にはお勧めです。ただ、コーディングなどエージェント的な長期作業をさせると微妙なので注意してください。

LOW — 安さと実用性能の勝負

LOWではGLM-5.3 Flashが先頭です。続いてGPT-5.6 Luna、Hy3が有力です。

意外と面白い結果になっているんじゃないでしょうか。この価格帯だと、クラウドモデルよりもオープンウェイトモデルの方が明確に多いです。中には、世代が進んだにもかかわらず評価が悪くなっているものもあります。ベンチでは良くみえていたが、実用性は低下していたという形ですね。

少し余談です。

これは陰謀論なのですが、結構コミュニティでは言われている話で、モデルの推論効率や計算資源節約のために企業はリリース後にかなり最適化をしているのですが、この過程で性能が落ちるという事が噂されています。

実際にRedditでは。2026年3〜4月に「Opus 4.6が急に馬鹿になった」という報告が大量に出ていて、AMDのAI Directorによる約7,000セッションの分析まで話題になりました。コードを読む量の減少、途中放棄、全面書き換え増加などを測ったものです。それを受けて、Anthropic自身が2026年4月23日に、実際に裏側でClaude Codeの性能を落としていた変更を認めています。

また、Anthropicは、Moonshotが約2300万件、DeepSeekが約1210万件のユーザー要求をClaudeへルーティングし、そのデータを集めていたと報告しています。そもそもの使っているモデルが違うというとんでもない仕様です。

こういう風に、内部で何か変更があっても必ずしもユーザーに伝わるわけではないので、継続的に性能を測るベンチマークは重要だと思っています。

2. ローカル / オープンウェイト LLM — 小ささも性能の一部

オープンウェイトモデルでは、単純に「一番賢いモデル」が一番評価できるとは限りません。自分のPCや法人のワークステーションで動かす場合、モデルの大きさそのものが必要なメモリや計算資源に直結するためです。

特に最近は、すべてのパラメータを毎回使うDenseモデルだけでなく、必要な部分だけを呼び出して推論するMoE（Mixture of Experts）モデルも増えています。たとえば総パラメータが100Bでも、1回の推論では20B程度しか使わない、といったモデルがあります。

さらに、実際に必要なメモリ容量はパラメータ数だけでは決まりません。モデルの数値を何bitで保持するかによっても大きく変わります。

Denseモデルの Qwen3.8-27B は約270億パラメータです。weightsだけを単純計算すると、

• 16bit：約54GB
• 8bit：約27GB
• 4bit：約13.5GB
• 2bit：約6.8GB

となります。つまり、同じ27Bモデルでも、4bitまで量子化すれば約13.5GBと必要容量は16bit時の約1/4になります。これなら50GB超だったモデルが、RTX 4090やRTX 3090のような24GB VRAM（GPU搭載のメモリ）のGPU 1枚でも動かせるサイズになります。

このようにより少ないbit数でモデルを表現する技術を「量子化」と呼びます。ただし、bit数を下げると必ず同じ能力を維持できるわけではなく、特に2〜3bit級では推論やコーディング性能が大きく低下することがあります。

ただ最近では、Kimi K3やGPT-OSSのように、最初から4bit量子化を前提として学習されたモデルもあります。この場合、4bit版が単なる軽量版ではなく、開発元が想定する標準モデルとなります。

ローカルAIのコミュニティでは、用途によって使われるサイトやツールにも少し違いがあります。

LLMや動画生成AIでは、Hugging Faceが中心です。 開発元が公式モデルを公開する場所として使われるほか、コミュニティが作った量子化版やFine-tune、LoRAなども多数配布されています。モデルを探すときは、まずHugging Faceを見ることが多いです。

画像生成AIでは、Hugging Faceに加えてCivitaiも非常に大きな存在です。 Civitaiは画像生成モデルに特化したコミュニティサイトで、特定の画風・キャラクター・用途に特化した派生モデルが大量に公開されています。実際の生成例を見ながらモデルを探せるのも特徴です。

GitHubは、モデルそのものよりも実行方法や高速化技術が集まる場所です。 モデルを動かすためのプログラムや、GPUメモリを節約する方法、高速化、対応ツールなどの開発が行われています。

Kimi K3は、クラウドLLMにも競える強いモデルなのですが、現実的に個人が利用するのはほぼ無理です。この2.8兆パラメータにもかかわらず、かなり大差で1位なのは流石の性能だと思います。

一方、GLM-5.3 Flashは、個人でも頑張れば現実的に扱える射程に入ります。標準的な8bit級では300GBを超えるモデルですが、4bit級のNVFP4へ量子化すると約204GBまで小さくできます。

そのため、128GBのDGX Sparkを2台接続すれば、4bit版のGLM-5.3 Flashをモデル全体ごとメモリに載せることが可能です。実際に2台のDGX Sparkで約20〜30 tokens/sで動かした例もあります。

Kimi K3の公式MXFP4が約1.56TB必要なのに対し、GLM-5.3 Flashは4bit量子化による性能低下を比較的小さく抑えながら約200GBまで縮小できるため、個人でも200万円強払えば利用可能です。

本命は、Qwen3.8-27Bです。Denseモデルなので推論時には27Bすべてを使いますが、それでもモデル規模そのものがかなり小さく、4bit量子化なら約13.5GBまで縮小できます。

Kimi K3やGLM-5.3 Flashのように「高性能だが専用の大型ハードウェアが必要」というモデルとは違い、Qwen3.8-27Bは一般向けGPUの価格帯まで降りてきます。

さらに、実際に利用できる人が多いためコミュニティも活発で、さまざまな量子化版や最適化モデルが公開されています。

そのため、単に必要なハードウェアが安いだけでなく、同じGPUでもより速く動かしたり、より少ないVRAMに収めたりするための選択肢が豊富です。

ローカルLLMでは、こうした「利用者の多さ」と「最適化の蓄積」も、実用性にかなり大きく影響します。

3. 画像生成 — クラウド品質はGPT Image 2が明確

次は画像生成AIです。

画像生成は単純に順位を決めるのが難しく、モデルによって写真、アニメ、デザイン、文字生成など得意分野にもかなり差があります。また、最近は画像をゼロから生成するだけでなく、既存画像を自然に編集できる能力も重要になっています。

LLMでは用途や価格帯によっておすすめがかなり分かれましたが、クラウド画像AIについては、純粋な総合品質を優先するならGPT Imageがまず第一候補になります。

現在は、GPT Image 2がかなり明確にトップです。GPT Image 2を先頭に、MAI Image 2.6とGrok Imagine Image 2.0が86前後で続いています。

GPT Image 2.5もリリースされています。順当な進化であれば、1位2位がGPT系で占める形になります。

クラウドの上位モデルは、成人向けコンテンツ以外であれば汎用性が高く色々な画風、構図の画像を生成可能です。

ローカル画像AI — 性能と軽さのバランスで見る

クラウド画像AIと違って、ローカルではモデルの性能だけでなく「自分のPCで現実的に動かせるか」がかなり重要になります。そのため、大型で高品質なモデルがそのまま上位になるわけではありません。

また、モデルパラメータがクラウドより少ないため、モデルごとの得意不得意が大きいです。写真、アニメ、イラスト、デザイン、文字生成など、作りたい画像によって最適なモデルは変わります。ある程度汎用性はあるのですが、それぞれが特化型モデルのようなイメージです。

そのためローカル画像AIでは、ランキング上位をそのまま選ぶというより、自分のGPUで動く範囲から、作りたい画像に合うモデルを選ぶのがおすすめです。

Ideogram 4.0が先頭です。Ideogram 4.0は9.3Bのモデルで、実際にRTX 5060 Ti 16GBで動かした例があり、8bit版では1枚あたり約78〜90秒、さらに軽量な4bit版では約67秒で生成されています。

つまりIdeogram 4.0は、RTX 4090や5090のような最高級GPUが必須というモデルではなく、より多くの人が持っている16GB VRAMのRTX 5060 Tiクラスでも現実的に利用できます。

また、量子化形式や解像度、step数（画像を完成させるまでの処理回数）によって生成時間も大きく変わります。

FLUX.2 Klein 4Bは、名前の通り4Bとかなり小さいモデルです。純粋な画像品質だけを見ると上位ではありませんが、必要な計算資源が少なく、誰でも扱いやすいことから総合では3位まで上がっています。

一番スコア低いGLM-imageですが、そこまで悪いわけではありません。公式サイトで画像を確認できます。

あと、ローカル画像生成をやる大きな理由として、成人向けコンテンツの作成があります。成人向けに特化されたモデルは無数にあり、コミュニティも成熟しているので、気になる人は調べて見てください。

ただ、制作したものにもよりますが、ネットに上げたりすると、捕まるケースもあるのでそこら辺は注意してください。

4. 動画生成 — 品質＋価格で見る

動画生成AIは、モデルによって映像の自然さ、指示への忠実さ、動きの安定性にかなり差があります。

さらに画像生成と違い、数秒の動画を1本作るだけでも比較的コストが高いため、品質だけでなく生成にかかる価格も重要です。

Googleがトップです。

Seedance 2.5は動画品質では高いものの、基準価格が高いため総合スコアでは下がります。

ローカル動画はMiniMax H3が現状の基準点

Local Video Chimatome Scoreは、動画品質にモデル規模のcompactnessを加えます。ここもVRAMや生成秒数の実測ランキングではありません。

かなり少ないですが、今回のランキングに掲載しているのは、比較に必要な公開ベンチマークが揃っているモデルに絞っているためです。

ローカルで利用できる動画生成AIが5種類しかないわけではありません。現在はほかにも、LTX-2.5（22B）、Wan2.2（27B）、SkyReels V3（14B / 19B）、Open-Sora 2.0（11B）、CogVideoX1.5（5B）など、有力なオープンウェイトモデルが公開されています。ローカル動画AIは画像生成やLLMと比べるとまだ市場が若く、新しいモデルの登場も速いため、今後ランキング対象は増えていく予定です。 スコアを見ればわかる通り、今のところローカル動画は、MiniMaxH3一択です。MiniMax H3は33Bと大型ですが、量子化やメモリへのオフロードを使えば一般向けGPUでも動かせます。 実際にRTX 5060 Ti 16GBで動かした例では、1024×576・約5秒の音声付き動画を、軽量なTurbo設定で約3分、通常設定では約6分20秒で生成しています。

動画生成時間は解像度、動画の長さ、step数、量子化方式などで大きく変わります。特にH3は設定による速度差が非常に大きいため、GPUだけを見て単純に比較することはできません。

H3にも成人向けの派生モデルが存在します。

5. 音声AI — 総合Scoreを作らず、用途別に選ぶ

音声AIは、LLMや画像生成のように1つの総合Scoreで順位を決めていません。

一口に音声AIといっても、文章を自然に読み上げるTTS、音声を文字にするSTT、人間とリアルタイムに会話する音声対話、音楽生成では求められる能力が大きく異なるためです。

自然な声で文章を読むのが得意なモデルが、音声認識や会話でも強いとは限りません。そのため、ここでは用途ごとに現在の有力モデルを見ていきます。

特に面白いのが、音声会話では「自然に話せるAI」と「仕事を任せられるAI」でトップが違うことです。

Gemini 3.1 Flash Liveは、人間が実際に会話してどちらを好むかという評価で強く、自然な会話相手として優秀です。

一方、GPT-Realtime-2.1は、予約や問い合わせなどの会話を通して目的を達成する能力が高く、音声Agentとして使う場合はこちらが有力です。

TTSでも同じで、英語を含めた声の自然さではSonic 3.6が強い一方、日本語に限定するとGemini 3.1 Flash TTSがトップになります。

音楽生成ではSuno v5.5が高い評価を得ています。ただし、Lyria 3.5やMiniMax Music 3.0など新しいモデルも登場しており、最新世代をすべて同じ条件で比較できているわけではありません。

ローカルで動かせる音声AIも増えている

音声AIにも、PCにダウンロードして動かせるオープンウェイトモデルがあります。

代表的なのが、AlibabaのQwen3-TTSです。0.6Bと1.7Bという比較的小型のモデルが公開されており、日本語を含む多言語の読み上げに加え、数秒の音声から声を再現するVoice Cloneや、指定した特徴から声を作るVoice Designにも対応しています。

音声を文字にするSTTでは、OpenAIが公開しているWhisper Large v3 Turboが代表的です。多言語の文字起こしに対応し、モデルをローカルに保存して利用できます。

さらに、Qwen3-Omniのように、マイクから入力された音声を理解して、そのまま音声で返答できるオープンウェイトモデルも登場しています。ローカル環境だけでリアルタイム音声アシスタントを構築することも可能です。

音楽生成ではACE-Step 1.5が公開されており、歌詞や曲調を指定して楽曲を生成できます。軽量化や高速化も進んでおり、一般向けGPUで音楽生成を動かせる環境も整いつつあります。

このように音声AIでも、LLMや画像生成と同じように、クラウドサービスを使う方法と、オープンウェイトモデルを自分のPCで動かす方法の両方が選べるようになっています。

あと、成人向けのオープンウェイト音声モデルも色々あります。特にローカルTTSでは、通常モデルを成人向け音声データで追加学習し、通常の読み上げでは扱いにくい声や息遣いまで生成できる派生モデルが公開されているそうです。

6. ロボティクス / Physical AI — 「AIの頭脳」と「身体」を分けて見る

ロボティクスもランキングは作れるほどのデータは無かったです。

ロボットの性能はAIモデルだけで決まるわけではなく、カメラや触覚センサー、モーター、手の構造、移動能力、制御ソフトウェアなど、実際の身体性能にも大きく左右されます。

例えば同じAIモデルを使っていても、搭載するロボットが変われば、歩ける速度や持てる重量、細かな作業の精度まで変わります。

現在特に重要になっているのが、映像や言葉を理解し、そのままロボットの動作につなげるVLA（Vision-Language-Action）モデルです。

表を見ると、現在のロボティクスは単純に「どのロボットが一番強いか」という競争ではなく、各社でアプローチが場所がかなり違います。

Google DeepMindやFigureは、ロボットが初めて見る物体や新しい指示にも対応できる、汎用的なロボットAIの開発を進めています。人間が自然な言葉で指示すると、周囲を見て状況を判断し、そのまま身体を動かして仕事をこなす方向です。

▶YouTubeで動画を表示

一方、NVIDIAは完成したヒューマノイドそのものを作るというより、さまざまなメーカーが使えるロボットAIの共通基盤を狙っています。Isaac GR00Tのようなモデルに加え、シミュレーションや学習環境までまとめて提供し、各社が自分たちのロボットへAIを組み込みやすくしています。

▶YouTubeで動画を表示

中国勢は「AI」だけでなく実機と量産が強い

中国では、AgiBot、Unitree、UBTECHなど多数の企業がヒューマノイドを開発しています。

AgiBotはVLAなどのAIモデルに加えて、大量のロボットデータを収集する仕組みやシミュレーション環境まで構築しており、ロボットの頭脳を大量の実世界データから学習させる方向を強く進めています。

▶YouTubeで動画を表示

Unitreeは、AIモデルそのものだけでなく、走る、跳ぶ、バランスを取るといったロボットの身体性能で存在感があります。比較的安価な実機も販売しているため、研究機関や開発者が実際のロボットを入手してAIを試せる点も特徴です。

公式サイトにUnitree G1のデモ動画が色々あがってます。

UBTECHは、研究デモよりも工場などで実際に働くロボットを重視しています。Walkerシリーズでは、自動車工場を中心に搬送や部品取り扱いなどへの導入が進められており、産業現場でヒューマノイドを実用化する競争を進めています。

▶YouTubeで動画を表示

ロボットAIも「基盤モデル」の時代へ

これまでロボットは、工場の決められた場所で決められた動きを繰り返す使い方が中心でした。しかしVLAの登場によって、現在は「このコップを棚に戻して」のような言葉を理解し、カメラで周囲を確認しながら、自分で必要な動きを組み立てる方向へ進んでいます。

LLMが文章ごとに専用プログラムを書く必要を減らしたように、ロボティクスでも、作業ごとにすべての動きを人間がプログラムする方式から、1つの汎用モデルに多くの仕事を学習させる方式へ移りつつあります。ただし、現実世界では物を落としたり、人にぶつかったりする可能性があります。

そのため、単にAIモデルが賢いだけでは足りず、センサー、制御、安全機構、身体性能まで含めたシステム全体の完成度が重要になります。ロボティクスは、LLMのように「モデル単体の性能」を競う段階から、AIの頭脳と現実の身体をどこまで一体化できるかを競う段階に入り始めています。

7. まとめ — 「一番強いAI」ではなく、用途ごとに選ぶ時代

ここまでLLM、画像、動画、音声、ロボティクスまで見てきましたが、現在のAIには「これを選べば全部一番」というモデルはありません。

コーディングに強いAI、文章に強いAI、画像生成に強いAI、動画生成に強いAI、自然な音声で会話できるAIなど、それぞれ得意な領域が分かれています。同じ分野の中でも、品質を優先するのか、価格を優先するのか、ローカルで動かしたいのかによって最適な選択は変わります。

一方で、大きな流れとしては共通しています。

クラウドAIでは巨大な計算資源を使った高性能モデルが競争を続ける一方、オープンウェイトではモデルの小型化や量子化が進み、これまでデータセンターでしか扱えなかった性能が個人のPCまで降りてきています。

そして次の大きな競争になりつつあるのがPhysical AIです。

AIは文章、画像、動画、音声というデジタル空間だけでなく、ロボットの身体を通して現実世界へ出始めています。

個人的な予想ですが、自動運転の流れを踏襲するなら、ヒューマノイドロボットは閾値を超えてから一気に世の中に浸透する可能性は高いと見ています。

LLMは比較的早い段階から、文章作成や検索、コーディングなど、一般の人でもすぐに価値を実感できる実用域に達しました。そのため、モデルが少し賢くなるだけでも変化が見えやすく、進歩の速さも感じやすい分野です。

一方、ロボティクスは少し事情が違います。

「物をつかめる」「歩ける」「指示を理解できる」といった個別の能力が向上しても、それだけでは人間の仕事を任せられません。長時間安定して動き、失敗が少なく、人の近くでも安全で、さらに人間より低いコストで運用できるところまで到達して初めて、本格的な導入が始まります。

自動運転も、完全無人で走れるようになった瞬間に普及したわけではありません。安全性や運用体制、規制、コストなど複数の条件が揃った地域から、利用回数やサービスエリアが急速に拡大しました。

ヒューマノイドも同じように、外から見ると長い間「研究デモが少しずつ良くなっている」ように見えながら、実用に必要な条件が揃った瞬間に、工場や物流、店舗、家庭へ一気に広がる可能性があります。

ただ、米中を中心に自動運転が交通手段の1つとして普及している中、何故かまだ実証実験を行っている日本では、ヒューマノイドロボットを見る日も遠いのかもしれません。残念です。

この記事では、その時点で公開されているベンチマーク、価格などをもとに、評価してきました。

今後も主要モデルの更新や新モデルの登場に合わせて、比較データを随時更新していきます。