✅ 本稿は確度の高い『手の内の棚卸し』です。 内容はすべて当社自身の展示資料（《アイヴィス展示物紹介》《同 2（音声認識）》の2本の PDF）に基づくもので、外部調査からの推論ではありません。「どこへ向かうか、稼げるのか」を判断する前に、まず「私たちが手元に本当に持っているものは何か」を明確にする——そうしなければ、他社の機器犬／人型ロボットの流行を追いかけてしまい、自分たちの本当の切り札を手放しかねません。
🌐 一言で言えば：私たちの切り札は「機器犬」ではなく、「リザバー計算」というエッジAIの層
多くの議論は、いきなり「Unitree を買うか、Boston Dynamics の機器犬を買うか」で躓きがちです。しかし展示物を棚卸しすると見えてきます：当社4つの Demo に共通する基盤は、同じ一つのアルゴリズム——リザバー計算（Reservoir Computing、RC；日本語では「リザバー計算」；代表的な実装が Echo State Network / ESN） だということです。機器犬は、その「デモの器（載体）」の一つに過ぎません。
RC というこの層の特性は、ちょうど大規模モデル／重厚な深層学習にはできないことを備えています：
- 学習コストが極めて低い：訓練は線形回帰（最小二乗法／リッジ回帰）を一度行うだけで済み、誤差逆伝播のように数百 epoch を要しません；
- オンラインで追加学習が可能：逐次最小二乗法（RLS）を用いて使いながら学習でき、クラスや人を1つ追加するのにモデル全体を再訓練する必要がありません；
- エッジの小型デバイスに収まる：すでに FPGA（Kria KV260）、Raspberry Pi 5、純 CPU 上で推論＋学習を動作実証済みで、低消費電力です；
- 時系列の動的パターンの予測と異常検知が本来的に得意：これこそが「フィジカルAI／身体性」に最も欠けている安全のための知覚能力です。
この層こそが参入障壁であり、機器犬は展示台の道具に過ぎません。 以下、4つの Demo を一つずつ読み解き、最後に「これが私たちはどこへ向かうべきかを意味するか」へ立ち戻ります。
出典：4つの Demo はいずれも、当社が NexTech Week 2026 春（フィジカルAI 関連の展示エリア） で実物展示したものです1。リザバー計算の「追加学習」成果の一部は、NEDO（国立研究開発法人 新エネルギー・産業技術総合開発機構）の委託業務の成果です（Demo ④ の注を参照）。
🐕 Demo ① 四足歩行ロボットの「接触センサーレス」衝突検知 — RC で異常検知を行う
何を解決するのか。 四足歩行ロボットが実環境を安全に歩き回るには、「壁にぶつかる」「引っかかる」といった、正常な歩行を妨げる接触を検知できなければなりません。しかし、激しく動く各脚・各部位に接触センサーを取り付けるのは コストが高くつきます。この Demo は RC によって「接触センサーを付けずに衝突を検知する」を実現しました。
どう実現したのか（コアとなる考え方）。
- 衝突も接触もない正常な歩行データのみを用いて、「前ステップの各脚の状態量＋制御量（速度）から、現ステップの状態量を予測する」モデルを訓練します；
- 正常歩行時には、予測値 ≈ 実測値；
- ひとたび衝突／接触が発生すると、運動パターンが崩れ、予測値と実測値の偏差が急に大きくなります——この偏差を用いて衝突を検知します。これは典型的な「RC の動的パターン予測能力を使って異常検知を行う」手法です。
エンジニアリング上の詳細。
- モデル構造：入力層 24 次元（4 脚 × 前ステップの関節角の状態量 3 次元＋制御量 3 次元）→ リザバー層（Reservoir）→ 出力層が現ステップの状態を予測；
- 出力形式：各脚の衝突検知値を ROS2 メッセージとして発行し、GUI 上では赤い円の大きさで衝突強度を表示（衝突時は赤い円が一時的に大きくなり、引っかかった時は赤い円が小さく持続します）。
なぜ重要なのか（転用価値）。 展示パネル自身が明記しています：この「RC による異常検知」は、多種多様な時系列データへ転用できます——音声／環境音、映像、アクチュエータの制御量／状態量、温度・振動・電流・圧力などのセンサ時系列、ネットワークトラフィック。言い換えれば、この Demo の本当の資産は「機器犬の衝突検知」ではなく、再利用可能な軽量な時系列異常検知エンジンであり——これこそが、後述する「予知保全／設備異常検知」というビジネスチャンスの技術的プロトタイプなのです。
🔁 Demo ② リザバー計算で高効率な制御則の学習 — 回転型倒立振り子
何を示すのか。 RC を 制御 に応用します：エッジデバイス上で推論を行い、回転型倒立振り子（モータが水平にアームを回転させ、アーム先端の振り子を倒立させる）を、垂れ下がった状態から振り上げて倒立で安定させます。コアとなる訴求点は「リザバーベースの軽量な『世界モデル』を用いた高効率な強化学習」であり——GPU 搭載 PC 上での 約 15 分の訓練 で倒立行動を獲得できます。
システムの組み方（3系統が並行）。
- 実機の試行錯誤（データ採取）：実機を制御しながら世界モデルの訓練データを採取；
- 世界モデルの学習：リザバーの状態で次時刻の角度を予測し、制御対象の「シミュレータ」の役割を担わせる；
- 方策の学習（強化学習）：PPO（近接方策最適化）を用い、世界モデルで制御対象を 並列シミュレーション することで効率的にサンプリングします。
技術的ハイライト。
- これは POMDP タスク です——制御対象からは角度情報しか観測できず（部分観測）、難易度がより高い；
- 世界モデルと強化学習が同一のリザバー（ESN）を共用 し、読み出し層に MLP を用いることで、構造が極めてシンプルで計算が軽い；
- 展望には方向性が明記されています：RC を他の手法に適合させて高速化する、エッジデバイス上で環境に自律適応する、そして ロボットハンド制御、自律移動ロボット へ応用する。
なぜ重要なのか。 これは、RC が「検知／分類」だけでなく、制御ループ の中にまで踏み込めること、しかも「サンプル効率が高く、エッジで自己適応できる」制御であることを実証しています——これは低コストロボットや、ロボットアーム／ロボットハンドの安価な自己適応制御にとって、想像をかき立てる方向性です。
✋ Demo ③ エッジ FPGA 上の RC ジェスチャー認識 — 超高速「追加学習」
何を示すのか。 エッジデバイス上で データ採取＋学習 を行い、動的な映像パターン（ジェスチャー）をリアルタイムに認識します；学習セットを差し替えれば、同一の RC モデルで異なるパターンを認識できます；そして「超高速な追加学習」機能を実装しています。
システム構成（すべてエッジ上）。
- ハードウェア：Kria KV260 FPGA ボード；
- 画像の特徴抽出：事前学習済みの EfficientNet-Lite4 で次元削減；
- RC モデル：ESN、2000 ノード；
- 学習手法：逐次最小二乗法（RLS）——既学習のデータセット N に「新しいデータセット n を1つ追加する」かたちで追加学習でき、誤差逆伝播のようにデータセット全体を1 epoch として何百回も繰り返し与える必要がありません。
- 「画像の特徴抽出＋リザバー＋RLS 学習」を すべて FPGA 上で実装 し、低消費電力を実現しています。
なぜ重要なのか。 これは RC の2つのコアとなる優位性を同時に舞台に乗せています：①真のエッジ（FPGA で低消費電力）②真のオンライン追加学習（RLS）。「現場での迅速な教示、ネット非接続、クラウド非依存、プライバシーに敏感」な場面（生産ライン、入退室管理、設備のそば）にとって、これは主流の「クラウド大規模モデル」とは全く異なる製品の路線です。
🎙️ Demo ④ エッジでの話者識別 — 純 CPU でのオンライン学習（NEDO 成果を含む）
何を示すのか。 エッジデバイス上でデータ採取＋学習を行い、複数人の音声パターンをリアルタイムに識別 し、さらに リアルタイムに逐次（オンライン）学習が可能 です。
システム構成。
- デバイス：Raspberry Pi 5（CPU のみで推論＋学習を完結）；
- 音声特徴：メル周波数ケプストラム係数（MFCC）およびその一次差分・二次加速度（10ms/step）；
- RC モデル：ESN、500 ノード；
- 学習手法：RLS（逐次最小二乗法）；
- 推論時には silero-vad で発話区間を切り出し、有効な音声区間に対してのみ分類出力を行います。
明示された応用方向（非常に重要）。 展示パネル自身が拡張応用を挙げています：①音声に基づく話者の体調異常検知（健康モニタリング）②足音の識別に基づく防犯／セキュリティ技術。この2つはいずれも「音声アシスタント」ではなく、「音の時系列を用いた異常／本人性の検知」であり——Demo ① の発想と一脈相通じています。
📌 重要な裏付け： 展示パネルには明記されています——「リザバー計算モデルの『追加学習』に関する成果の一部は、NEDO（国立研究開発法人 新エネルギー・産業技術総合開発機構）の委託業務の成果である」。これは、チームが すでに NEDO 委託の実績を有する ことを意味し、今後の国費申請や対外的な信頼獲得（とりわけ会長・社長といった投資家側に対して）における確かな資産であり、事業企画書に必ず書き込むべきものです。
🧩 4つの Demo を「一つの能力」に収束させる
| Demo | 器／ハードウェア | RC モデル | 学習方式 | 浮かび上がる再利用可能な能力 |
|---|---|---|---|---|
| ① センサーレス衝突検知 | 四足歩行ロボット + ROS2 | Reservoir（24次元入力） | 正常データで訓練、偏差で検知 | 時系列異常検知エンジン |
| ② 回転型倒立振り子制御 | エッジデバイス + GPU 訓練 | ESN（世界モデル＋RL を共用） | PPO + 世界モデルの並列シミュレーション | サンプル効率の高いエッジ自己適応制御 |
| ③ ジェスチャー認識 | Kria KV260 FPGA | ESN 2000 ノード | RLS 追加学習 | 真のエッジ + オンライン追加学習 |
| ④ 話者識別 | Raspberry Pi 5（純 CPU） | ESN 500 ノード | RLS オンライン学習 | 音の時系列による本人性／異常検知 |
4つの Demo は同じ一文を指し示しています——チームが本当に手中に収めているのは：
「MCU/FPGA/Pi などの小型デバイス上で動作し、訓練コストが極めて低く、オンライン追加学習が可能で、時系列の動的パターンの予測と異常検知が特に得意なエッジAI（Reservoir Computing）であり、しかもロボット（ROS2）や制御ループに接続できる」 という能力です。
🎯 これは「どこで稼ぐか」に何を意味するか（次稿へつなぐ）
- 自らを「機器犬の会社」と定義してはいけません——ハードウェア本体（四足／人型）は資本が重く、粗利が薄く、競争が熾烈で、10名のチームでは完成機メーカーに勝てません；
- 自らを「フィジカルAI の『知覚／異常検知／軽量制御』ソフトウェア＋モジュール層」と定義すべきです——この層はちょうど私たちの RC という参入障壁の上に乗っており、資本が軽く、ライセンス可能で、受託にでき、製品へと育てられます；
- 4つの Demo は、すでに 実際にお金を払う相手がいる いくつかの方向を自然と指し示しています：設備の予知保全／異常検知、ロボットの安全（センサーレス衝突検知をライセンス可能なモジュール化）、音 × 健康／セキュリティのモニタリング。
これらの方向が「やる価値があるか、誰が払うのか、3年で生き残れるか」については、次稿 フィジカルAI 方向性調査 で、外部の市場インテリジェンスを用いて一つずつ検証します。