90分で1台。その数字がすべてを物語っている。
ヒューマノイドロボットベンチャーのFigure AIが、2026年4月時点で「90分に1台」というペースで量産体制を確立したと報告された。評価額は390億ドル（約5.7兆円）。BMW工場での商用稼働はすでに実績数字が出ており、「物理AIエージェント」という概念が実験室を飛び出し、産業の現場に根を張り始めている。
この記事では、Figure AIの直近の動向を整理しながら、AIエージェント開発者が知っておくべき「物理AIが変えるソフトウェアの役割」を考える。
何が起きているのか
Figure AIは2026年春時点で以下の状況にある。
- 生産ペース: 製造ラインが稼働中、90分に1台のヒューマノイドを組み上げる
- 評価額: 2025年9月のシリーズCで10億ドル超を調達、時価評価390億ドル（約5.7兆円）
- 商用顧客: BMW（自動車製造）、Brookfield（物流・不動産）との契約済み。「60日以内にさらに2社を発表」と予告
- 生産目標: BotQ工場で年間1万2,000台→10年以内に年100万台
- 主力モデル: Figure 03（身長約167cm・体重約61kg・Helix VLAモデルで制御）
特筆すべきはBMWスパルタンバーグ工場でのFigure 02実績だ。11ヶ月間、10時間シフトでシャーシへの板金部品挿入を担当し、3万台のBMW X3に9万点超の部品を組み込んだ。これは「実験」ではなく本番稼働の記録である。
| 項目 | 数値・詳細 |
|---|---|
| 評価額（2025年9月） | 390億ドル（約5.7兆円） |
| シリーズC調達額 | 10億ドル超 |
| 現行生産ペース | 90分に1台 |
| BotQ工場年産目標 | 1万2,000台 |
| 長期目標 | 年100万台（10年以内） |
| BMW工場実績 | 9万点超の部品組み込み・3万台対応 |
| 稼働時間 | 1充電で4〜5時間 |
物理AIエージェントとソフトウェアの境界線
AIエージェントの文脈で「Figure AI」を語るとき、重要なのは「どんなソフトウェアが動いているか」だ。
Figure 03はプログラムされたルールで動くのではない。Helix（VLA: Vision-Language-Action モデル）と呼ばれるニューラルネットワークが、カメラ映像と言語指示を受け取り、関節の動きをリアルタイムで生成する。構造的にはLLMのトークン予測に近い——入力（視覚＋言語）を受け取り、次のアクション（関節角度）を予測する。
これはソフトウェアエージェントの設計思想と地続きだ。ツール呼び出し（Tool Use）の「ツール」が物理的なアクチュエータに変わっただけ、とも言える。
# 物理AIエージェントとソフトウェアエージェントの対応関係（概念図）
# 注意: 本番環境で使用する前に、必ずテスト環境で動作確認してください。
# ソフトウェアエージェントの場合:
# perceive(text/image) → think(LLM) → act(API call / code exec)
# 物理AIエージェント（Figure Helix）の場合:
# perceive(camera + lidar) → think(VLA model) → act(motor torque)
# 設計原則は同じ: 観測 → 推論 → 行動 のループ
class AgentLoop:
def step(self, observation):
action = self.model.predict(observation) # VLAでもLLMでも同じ構造
return self.execute(action)
AIエージェント開発者への実務的な示唆
「ロボット会社の話でしょ」で終わらせてはいけない理由がある。
Figure AIの商用化が進むほど、物理環境を制御するソフトウェアレイヤーの需要が急増する。具体的には以下のような領域だ。
- タスクオーケストレーション: 複数台のロボットにどう指示を配分するか（マルチエージェント設計の問題）
- ヒューマンインザループ: 異常検知時の人間へのエスカレーション設計
- ログ・監視基盤: 何千台ものロボットからの行動ログをリアルタイムで解析する仕組み
- シミュレーション環境: デプロイ前の仮想環境テスト（ソフトウェアの単体テストに相当）
ソフトウェアエージェント設計の知見は、物理AIエージェントの運用にそのまま転用できる領域が多い。
# ロボット群のタスク割り当て（概念コード）
# 動作環境: Python 3.11+
# 実際の物理AI APIは各ベンダーのSDKに依存
from typing import List
import asyncio
async def orchestrate_fleet(
task_queue: List[dict],
available_robots: List[str]
) -> dict:
"""
複数ロボットへのタスク分配（マルチエージェントオーケストレーション）
物理AIもソフトウェアエージェントも同じ設計パターンが使える。
"""
results = {}
semaphore = asyncio.Semaphore(len(available_robots))
async def assign_task(task, robot_id):
async with semaphore:
# 実際の実装ではロボットSDKのAPIを呼ぶ
print(f"Robot {robot_id}: executing {task['name']}")
results[robot_id] = {"task": task["name"], "status": "assigned"}
await asyncio.gather(*[
assign_task(task, robot_id)
for task, robot_id in zip(task_queue, available_robots)
])
return results
懸念点と正直な評価
熱狂的な報道の一方、冷静に見るべき点もある。
まず稼働時間の制約。1充電で4〜5時間というのは工場の1シフト（8〜12時間）を賄えない。充電インフラと運用ローテーションの設計が現場の課題になる。
次にコスト。現時点での量産ペースはまだ限定的で、1台あたりのコストは開示されていない。「20〜30%のコスト削減」（シリーズC資料より）が実現したとしても、大規模展開には相当の投資が必要だ。
そしてVLAモデルの信頼性。BMW工場の実績は印象的だが、工場の環境は比較的構造化されている。非構造化環境（一般倉庫、路上など）での安定稼働はまだ実証段階だ。
正直に言うと、「ヒューマノイドロボットが2026年中に世界を変える」という言説は過剰だと思っている。ただ、「商用化の入口に立った」という事実は過小評価すべきでない。
今後の注目点
Figure AIが「60日以内にさらに2社の顧客発表」と予告している。この発表が何業界の企業なのか——自動車以外の産業（半導体製造、食品加工、EC物流など）に広がるかどうかが、物理AI商用化の速度を測るバロメーターになる。
また、NVIDIAやOpenAIがシリーズCに参加していることも重要だ。NVIDIA Isaac（ロボット用シミュレーション基盤）との統合が進めば、ソフトウェアエージェント開発者が物理AIに参入する際のツールチェーンが整備される可能性がある。
まとめ
90分に1台という生産ペースと、BMW工場での11ヶ月本番稼働は、物理AIエージェントが「実験」フェーズを抜け出した証拠だ。ソフトウェアエージェント設計者にとっては、「物理アクチュエータというツール」を持つエージェントの設計問題が、急速に現実の課題になりつつある。
AIエージェントの基本概念と設計パターンについては、AIエージェント構築完全ガイドでまとめている。また、マルチエージェントの設計パターンに興味があればAIエージェントのワークフロー設計パターン5選も参考にしてほしい。
参考・出典
- Figure Exceeds $1B in Series C Funding at $39B Post-Money Valuation — figure.ai（参照日: 2026-04-11）
- Figure AI Now Builds a Humanoid Robot Every 90 Minutes — RoboHorizon（参照日: 2026-04-11）
- Figure AI’s 100K Robot Plan Backed by Nvidia, OpenAI — Benzinga（参照日: 2026-04-11）
- Humanoid robots in 2026: Types, prices, and what’s next — Standard Bots（参照日: 2026-04-11）
- Figure AI — Wikipedia（参照日: 2026-04-11）
この記事はAIgent Lab編集部がお届けしました。
