[前回のエグゼクティブサマリー]
調査対象期間：2026年9月16日〜9月29日の14日間。情報基準日：9月29日。
製造業、物流、ロボティクス、産業ITに関わる経営者・経営企画・事業責任者に向けて、フィジカルAIの事業化に影響の大きいニュースを整理します。
前号と同じく、本稿でいうフィジカルAIはヒューマノイドだけではありません。産業用ロボット、双腕モバイルマニピュレータ、現実世界を認識して設備を動かすAI、ロボット基盤モデル、シミュレーション、学習データ、運用基盤までを対象とします。
なお、自動運転については独立したニュースレポートでも継続的に扱っているため、今回は製造・物流・汎用ロボティクスを中心に選定しました。
エグゼクティブサマリー
前号では、フィジカルAIの競争が「ロボットを動かせるか」から、どの現場作業を、どのデータ・運用・保守体制によって、継続的に低い原価で実行できるかへ移っていると整理しました。前号ではMujinの実導入、日立HMAX、Unitreeの基盤モデル、Figureの大規模計算資源確保などを取り上げています。
今回の2週間では、その先が見えてきました。
第一に、フィジカルAIの開発拠点そのものが「工場の中」に入り始めました。
Boston DynamicsはHyundai Motor Groupの米国自動車工場内にAtlasの常設訓練拠点を開設しました。BMWはドイツLeipzig工場でHexagon RoboticsのAEONを高電圧バッテリー組立などへ導入しています。ロボットメーカーが自社研究所で完成品を作って顧客へ持ち込むのではなく、顧客工場そのものを継続的な学習場所にする方式です。
第二に、「現場ごとにロボットを学習させる」という前提が崩れ始めています。
Figureは、人間の行動データで事前学習したHelix 2.5を、事前にデータを収集していない30軒の住宅で評価し、三つの長時間作業について、同社評価で完全成功率56％を報告しました。まだ44％は完全成功しておらず、第三者評価でもありません。しかし、現場ごとに大量のロボットデータを集める方式から、広範な人間の行動を先に学習し、少量の用途別データで適応する方式への移行を示しています。
第三に、ロボットソフトウェアは閉じた専用品だけでなく、ROSを軸とした共通基盤化・オープン化へ進んでいます。
9月22日にはIntrinsicが「Intrinsic Core」をオープンソース化し、同日NVIDIAもIsaac ROS 5.0を発表しました。ハードウェア非依存の制御、知覚、動作計画、シミュレーションなどを共通部品として利用できれば、フィジカルAI開発は「ロボットをゼロから作る」作業から、既存機能を組み合わせて用途を作る作業へ変わります。
第四に、フィジカルAIが半導体大手の大型M&A対象になりました。
AMDは9月28日、Fei-Fei Li氏率いるWorld Labsを約82億ドルで買収すると発表しました。World Labsはテキスト・画像・動画からインタラクティブな3D環境を生成・再構成・シミュレーションするSpatial Intelligenceを開発しています。AMD自身が買収理由としてrobotics、simulation、physical AIを挙げています。
そして第五に、日本では、「国産ヒューマノイドを作る」という議論から、「ロボット→データ→モデル→ロボット」という産業基盤を作る段階へ移りました。
9月16日のフィジカルAI Summitでは国産汎用ロボットの試作機が公開され、ugoは2027年量産予定の「ugo Nova」と、データ収集からモデル開発までをまとめた「ugo Physical AI Fabric」を発表しました。9月29日には日立がドイツAgile RobotsとAIロボティクスの「頭脳」を共同開発すると発表しています。
今回の経営上の結論は、
フィジカルAIの競争軸が「高性能なロボットを作る」から、「実世界データを大量に集め、事前学習し、顧客現場で継続改善しながら、何時間人間の介入なしに仕事を続けられるか」へ移っている
ということです。
1．主要ニュース比較表
| 日付 | 企業・機関 | 今回の進展 | 経営上の意味 |
| 9月16日 | AIRoA・NEDO | 国産汎用ロボット試作機を公開 | 政策支援が研究から改良・量産準備へ |
| 9月16日 | ugo | ugo Nova、Physical AI Fabric発表 | 機体＋データ＋モデルを一体化 |
| 9月16日 | Agile Robots | ドイツのヒューマノイド工場がシリーズ生産段階へ | 「試作機」から製造業へ |
| 9月17日 | Figure | Helix 2.5を未学習30住宅で評価 | 人間データによる事前学習が重要に |
| 9月21日 | Boston Dynamics・Hyundai | Atlas常設訓練拠点を自動車工場内に開設 | 顧客工場が「ロボット学習工場」になる |
| 9月21日 | BMW・Hexagon Robotics | Leipzig工場でAEONを導入 | 自動車工場のヒューマノイド実装が米国から欧州へ |
| 9月22日 | Intrinsic | Intrinsic Coreをオープンソース化 | ロボットソフトウェアの共通部品化 |
| 9月22日 | NVIDIA | Isaac ROS 5.0 | ROS＋GPU＋AI Agentの開発環境強化 |
| 9月28日 | AMD・World Labs | 約82億ドルで買収 | World Model／Spatial Intelligenceが半導体戦略へ |
| 9月29日 | 日立・Agile Robots | AIロボティクスの「頭脳」を共同開発 | 日本企業のOT知識と海外ロボット基盤モデルを融合 |
| 9月29日 | DYNA Robotics | DYNA 2.1発表 | 評価指標が1作業成功率からMTBIへ |
2．国内：国産ロボット政策が「試作機を作る」段階から次へ
〖最重要〗AIRoA・NEDO――国産汎用ロボットが実機評価の段階へ
9月16日、東京で開催されたフィジカルAI Summitで、AIRoAがNEDO委託事業として進める「国産汎用ロボット開発コンペティション」の試作機が公開されました。
出典
NEDO「フィジカルAI Summitにて『国産汎用ロボット開発コンペティション』の開発成果を初公開」
NEDO公式ページ
AIRoA「Domestic General-Purpose Robot Development Competition: Report on Prototype Exhibition / Demonstration and Panel Session」
AIRoA公式レポート
重要なのはロボットの外観ではありません。
このコンペティションで開発されている双腕モバイルマニピュレータは、最終的にはロボット基盤モデルを作るための実世界データ収集機として使われる予定です。
つまり国の狙いは、
国産ロボットを作る → 多数のロボットを使って実世界データを集める → 国産ロボット基盤モデルを学習させる
という循環を構築することにあります。
試作機の評価基準を満たした企業は改良機開発へ進み、その後は量産体制構築、2027年以降の量産機納入へ進む計画です。
日本のフィジカルAI政策を見る際は、今後「ヒューマノイドを何台作ったか」だけを見るべきではありません。
何台のロボットから、何時間、どれだけ多様な実作業データを収集できるか。
これがロボット基盤モデルの競争力になります。
3．ugo――機体販売ではなく「データ生産工場」を作る
同じ9月16日、ugoは国産セミヒューマノイド「ugo Nova」を発表しました。
出典
ugo「フィジカルAI時代に向けた国産セミヒューマノイド『ugo Nova』を発表」
ugo公式発表
ugo「データ収集からロボット基盤モデル開発までを一括提供する『ugo Physical AI Fabric』を発表」
ugo発表資料
ugo Novaは国内設計・国内製造で、2027年の量産開始を予定しています。
しかし経営者が見るべきなのは機体スペックだけではありません。
ugoは同時に、
ugo Nova → データ収集 → Data Factory → Model Lab → 実機評価 → 再び現場データ収集
という循環を「ugo Physical AI Fabric」として事業化しました。
これは、前号で取り上げた「ロボット販売後の継続改善ビジネス」がさらに一段進んだものです。
フィジカルAI企業の価値は、将来的にはロボット本体の出荷台数だけでなく、
顧客現場から毎日どれだけの高品質な学習データが流れ込み、そのデータでモデル性能がどれだけ改善するか
によって決まる可能性があります。
ロボットが製品であると同時に、データ収集端末になります。
4．日立×Agile Robots――日本企業は「機体を全部自社開発」しなくてもよい
〖国内最重要〗9月29日
日立製作所は、ドイツのAgile RobotsとAIロボティクスの「頭脳」を共同開発する協創パートナーシップに基本合意しました。
出典
日立「日立、Agile Robots社とAIロボティクスの頭脳を開発する協創パートナーシップに合意」
日立発表資料
Agile Robots「Agile Robots and Hitachi partner on Physical AI for manufacturing」
Agile Robots公式発表
日立は、熟練作業者の暗黙知や現場固有の作業を短期間で学習するAIモデルを持っています。
Agile Robots側は、産業用ロボット、AMR、ヒューマノイド「Agile ONE」と、それらを制御・シミュレーション・オーケストレーションする「AgileCore」を持ちます。
両社はこれらを組み合わせ、さらに日立のエッジAI半導体もロボットへ組み込む方針です。成果は日立の「HMAX Industry」として展開します。
この提携の意味は大きい。
日本企業が世界のフィジカルAI市場で戦う場合、
ヒューマノイド機体も、基盤モデルも、制御ソフトも、半導体も、システムインテグレーションも全部自社で作る必要はありません。
日立が持つのは、110年以上の製造・OT知識、工場データ、システム構築力、顧客基盤です。
Agile Robotsが持つのは、ロボット機体とロボティクスAIです。
フィジカルAIでは、
「世界最高のロボットを単独で作る会社」が勝つとは限らず、「現場知識とロボットAIを最も速く組み合わせられる会社」が勝つ
という事業構造が見えてきました。
5．海外：Agile Robotsはヒューマノイドを「毎営業日」工場から出荷する段階へ
9月16日
出典
Agile Robots「From lab to line: six months to a humanoid factory」
Agile Robots公式記事
Agile Robotsは、ドイツFürstenfeldbruckに設けた1万平方メートルの生産拠点について、ヒューマノイドが「every working day」に完成して工場から出るシリーズ生産段階へ入ったと説明しました。
同社はロボットアームなどを含め2万件以上のAutomation Solutionが世界で導入されているとしていますが、これは2万台のヒューマノイドが稼働しているという意味ではありません。
ここは数字を混同すべきではありません。
それでも重要なのは、ヒューマノイド産業のボトルネックが研究開発だけではなくなっていることです。
大量生産には、
部品サプライヤーの認定、組立工程、品質検査、修理、交換部品、製造データ管理、製造原価低減
まで必要です。
そしてAgile Robots自身が、生産を外部EMSへ全面委託せず、製造データを得るために内製を戦略的に選択したと説明しています。
つまり、
ロボットを作る工場そのものも、フィジカルAIの学習データ源になる
ということです。
6．Figure Helix 2.5――「顧客現場で毎回ゼロから教える」方式から離れられるか
9月17日
出典
Figure「Helix 2.5: Zero-Shot 30-Home Generalization」
Figure公式技術発表
FigureはHelix 2.5を発表しました。
同社は、人間の行動から構築した大規模データセット「Index」で事前学習したモデルを使い、
- 部屋の片付け
- タオルを畳む
- ベッドを整える
という三つの長時間作業を、学習データを収集していない30軒の住宅で評価しました。
Figureによると、事前学習なしでは完全成功率9％だった条件で、Indexによる事前学習を入れると56％になりました。評価住宅や対象物について追加学習は行っていないとしています。
ただし重要な注意点があります。
これはFigure自身が設計・実施した評価です。
56％ということは、設定された完全成功基準では44％の試行は失敗したことも意味します。
したがって「家庭用ヒューマノイドが完成した」というニュースではありません。
経営上の意味は別にあります。
従来、フィジカルAIでは、
顧客A工場でデータ収集 → A工場用モデル学習 → 顧客B工場へ行けばもう一度データ収集
というコストが大きな問題でした。
Figureの方向性が成立すれば、
人間の広範な作業データで事前学習 → 少量の用途データで仕事を指定 → 多数の現場へ展開
というLLMに近いスケーリングモデルがロボットにも適用できる可能性があります。
フィジカルAI市場の本当の巨大市場化には、この「現場ごとの学習コスト」を下げることが不可欠です。
7．Boston Dynamics×Hyundai――自動車工場の中に「ロボット学校」を常設
9月21日
出典
Boston Dynamics「Boston Dynamics Opens Robotics Metaplant Application Center to Train Humanoid Robots for Manufacturing Tasks」
Boston Dynamics公式発表
Boston Dynamicsは、Hyundai Motor Group Metaplant America内に「Robotics Metaplant Application Center（RMAC）」を開設しました。
Atlasはここで、自動車部品を取り出し、組立順に並べる部品シーケンシングなど、実際の製造業務を学習します。
これは単発のPoCとは違います。
顧客工場の中に、
実部品＋実設備＋ロボット＋操作者＋学習データ
をそろえた常設環境を作っています。
同社は2027年にさらに大規模な施設へ拡張する計画も示しています。
フィジカルAIでは、AIデータセンターのように大量のGPUを持つだけでは競争力になりません。
実際の生産ラインと同じ物、同じ工程、同じ例外処理を経験できる場所
が必要です。
自動車メーカーの工場そのものが、フィジカルAIのデータセンターに相当する役割を持ち始めています。
8．BMW――Figureだけではない。LeipzigでHexagonのAEONを投入
9月21日
出典
BMW Group「Leipzig debut: BMW Group introduces humanoid robots – a first in Germany」
BMW Group公式記事
BMWはドイツLeipzig工場でHexagon RoboticsのAEONを使ったフィジカルAIのパイロットを進めています。
AEONは脚で歩くタイプではなく、車輪で移動する人型上半身型ロボットです。
まず高電圧バッテリー組立と部品製造に投入し、反復作業、精度、エルゴノミクスの改善が期待できる工程を評価します。
ここで重要なのは「BMWがヒューマノイドを導入した」という話だけではありません。
BMWは米国SpartanburgではFigureを使い、ドイツLeipzigではHexagon Roboticsを使っています。
SpartanburgでFigure 02はBMWの公表値で約10カ月間、9万点以上の部品を扱い、1,250時間以上稼働し、3万台以上のBMW X3生産に関わりました。一方でBMWは、その経験から安全柵や5G通信環境を改善する必要があったとも説明しています。
つまりBMWがやっているのは、一社のヒューマノイドへ全面的に賭けることではありません。
複数の機体を使いながら、「どの工程にどの身体形状・どのAIが向くか」を自社で学習している
と見ることができます。
日本の製造業にも参考になります。
最初から「どのヒューマノイドメーカーを標準採用するか」を決めるよりも、まず対象工程と評価基盤を自社側に持つことの方が重要です。
9．IntrinsicとNVIDIA――フィジカルAIのソフトウェア基盤がオープン化
9月22日
この日はフィジカルAIの開発基盤にとって重要な日になりました。
Intrinsicは「Intrinsic Core」をオープンソースで公開しました。
出典
Intrinsic「Introducing Intrinsic Core: An open source approach to Physical AI」
Intrinsic公式発表
Intrinsic Coreには、
リアルタイム制御、知覚、動作・把持計画、デジタルツイン、シミュレーション、ハードウェア非依存制御
などが含まれ、ROS互換になっています。CNCへのワーク投入を想定したMachine Tendingのリファレンス実装も公開しました。
同じ9月22日、NVIDIAはIsaac ROS 5.0を発表しました。
出典
NVIDIA「NVIDIA Isaac ROS 5.0 Advances Agentic, Open Source Robotics Development」
NVIDIA公式記事
Isaac ROS 5.0ではROS開発者向けのAI Agent機能や、NVIDIA Jetson上でのAIロボティクス開発環境が強化されています。
この意味は大きい。
現在の産業ロボットは、メーカーごとに独自の制御環境を持っています。
しかしフィジカルAIでは、
知覚 → 世界理解 → 動作計画 → シミュレーション → 実機制御
を短いサイクルで更新する必要があります。
共通化できる部分をオープンソース化すれば、ロボット開発会社はOSや制御基盤を一から作るのではなく、用途固有のAIや現場知識に開発資源を集中できます。
PCでOSが共通基盤になったように、フィジカルAIでも「下層ソフトウェアの共通化」が進み始めています。
10．AMDがWorld Labsを約82億ドルで買収――Physical AIが半導体戦略の中核へ
〖海外最重要〗9月28日
出典
AMD「AMD to Acquire World Labs to Advance the Future of AI Compute」
AMD公式発表
Reuters「AMD to buy Fei-Fei Li’s World Labs in $8.2 billion bet on ‘physical AI’」
Reuters報道
AMDはWorld Labsを株式交換で買収すると発表しました。
買収額は約82億ドルです。
World Labsを率いるFei-Fei Li氏はコンピュータビジョン分野の研究者で、同社はテキスト、画像、動画などからインタラクティブな3次元世界を生成、再構成、シミュレーションするSpatial Intelligenceを開発しています。
技術はロボット学習、シミュレーション、設計などへの利用を想定しています。
AMD自身も、
reasoning → robotics → simulation → physical AI
へAIワークロードが広がることで、コンピューティング基盤の要求が変わると説明しています。
これはフィジカルAI市場を見る上で非常に重要です。
NVIDIAはOmniverse、Isaac、Cosmosなどを通じ、
GPU＋シミュレーション＋世界モデル＋ロボット開発環境
を垂直統合しています。
AMDも単にGPU性能でNVIDIAを追うのではなく、フィジカルAIで将来どのようなモデルが走るのかを自社内に取り込み、そこから次世代半導体を設計しようとしていると読めます。
これは公開された買収目的を踏まえた事業上の解釈です。
AI半導体企業にとって、ロボティクスAIは「GPUを売る新市場」だけではありません。
次世代GPUやエッジAI半導体をどう設計するかを決める顧客ワークロードそのものになり始めています。
11．DYNA 2.1――「作業成功率」より「人間が何時間呼ばれないか」
9月29日
出典
DYNA Robotics「DYNA Robotics Launches DYNA 2.1 Physical Agent」
DYNA Robotics発表資料
DYNA Roboticsは、車輪型セミヒューマノイド「DYNA 2.1」を発表しました。
同社は、ホテル、ランドリー、レストランなどで導入中としており、業務用ランドリーでは、
洗濯機への投入、乾燥機からの取り出し、タオルを伸ばす、畳む、サイズ別に積む、棚へ戻す
という一連の流れを自律実行すると説明しています。
ここで注目したいのは、同社が重視している評価指標です。
MTBI：Mean Time Between Interventions
つまり、
人間が介入しなければならなくなるまで、何分・何時間仕事を続けられるか
です。
これは非常に重要な考え方です。
ロボットのデモでは、「箱をつかむ成功率95％」といった数字がよく使われます。
しかし100工程を連続して実行すると、1工程95％でも、単純計算上はすべて連続成功する確率は大きく低下します。
実際の工場や物流現場で重要なのは、
1回成功するかではなく、人を呼ばずに1シフトを完走できるか
です。
DYNA 2.1の性能値は同社自身による発表であり、独立した実運用評価ではありません。
それでも、フィジカルAIの評価指標が単一タスクの成功率から人間介入頻度へ移っていることは、経営者にとって重要です。
12．前号から何が変わったのか
| 前号まで | 今回 | 何が変わったか |
| 特定工程をAI化 | 工場内に常設学習拠点 | PoCから継続学習へ |
| 実機データを現場ごとに収集 | 人間行動で大規模事前学習 | 現場導入コスト低減の可能性 |
| ロボット基盤モデルを開発 | モデル＋データ工場＋実機を一体化 | AI開発が産業システム化 |
| ヒューマノイド試作 | シリーズ生産ライン | 量産・品質・サプライチェーン競争へ |
| 各社独自開発環境 | ROSベース基盤のオープン化 | ソフトウェア共通化 |
| AI半導体はロボットを動かす | AMDがWorld Labsを82億ドルで買収 | モデルが半導体ロードマップを決める |
| タスク成功率を見る | MTBIを見る | 「使える」の評価方法が変わる |
この2週間のニュースを一本の流れとして読むと、
フィジカルAIは「AI研究＋ロボット開発」という産業から、「データ生産＋モデル学習＋ロボット量産＋現場運用」という製造業へ移り始めた
と整理できます。
13．東証プライム企業の経営会議で確認したいこと
第一に、PoCを見る際には「ロボットが作業できたか」ではなく、人間介入なしの連続稼働時間を確認すべきです。
成功率、タクトタイム、品質合格率に加え、MTBI、復旧時間、1シフト当たりの人間介入回数を見る必要があります。
第二に、フィジカルAIを導入する場合は、データの所有権と再利用権を契約段階で決める必要があります。
自社工場でロボットを一年稼働させれば、非常に価値の高い実世界データが蓄積します。
そのデータを誰が保有するのか。ロボットメーカーは他社モデルの学習にも使えるのか。改善されたモデルを自社は継続利用できるのか。
機体価格以上に重要になる可能性があります。
第三に、日本企業は「どのヒューマノイドを買うか」から議論を始めない方がよいでしょう。
BMWはFigureとHexagon、日立はAgile Robotsと組んでいます。
先に決めるべきなのは、
どの工程を自律化したいか、どの評価環境と現場データを自社側に持つか
です。
機体は後から変更できます。
第四に、自社がフィジカルAI産業のどのレイヤーで利益を取るのかを決める必要があります。
機体、センサー、減速機、サーボ、ハンド、エッジAI半導体、データ収集、基盤モデル、シミュレーション、SI、運用保守。
フィジカルAI市場は「ヒューマノイド市場」よりはるかに広い産業になります。
14．次の2〜4週間で確認すべきこと
次に見るべき最大の指標は、ロボットの「出荷台数」ではありません。
顧客現場で有償稼働している台数と、人間介入なしの実稼働時間です。
Agile Robotsがシリーズ生産へ入り、Boston Dynamicsが工場内に常設学習拠点を作り、BMWが複数のロボットプラットフォームを使い始めました。
これから重要になるのは、
試作機が何台あるかではなく、
顧客が何台を継続利用しているか。
1台が一日に何時間働くか。
人間が何回助けなければならないか。
1作業当たりの総原価が人間や従来型自動化を下回るか。
です。
2027年に向けて、この数字を公表できる企業と、動画しか公開できない企業の差が大きくなっていく可能性があります。
まとめ――フィジカルAIにも「事前学習→現場適応→継続改善」の産業構造ができ始めた
この2週間で、フィジカルAIの全体像が一段はっきりしました。
Figureは人間の行動データを事前学習し、未学習環境への展開を試しました。
Boston Dynamicsは自動車工場そのものをAtlasの継続学習拠点にしました。
BMWは複数のロボットメーカーを使いながら、自社生産システムの中へフィジカルAIを組み込み始めています。
Agile Robotsはヒューマノイドをシリーズ生産する工場を構築しました。
IntrinsicとNVIDIAは開発基盤をROSエコシステムへ広げています。
AMDはWorld Labsを約82億ドルで買収しました。
日本では国産汎用ロボットの試作・評価が進み、ugoがロボット、データ、モデルを一つの学習循環として事業化し、日立はAgile Robotsのロボティクス基盤と自社のOT・AIを結び始めました。
前号の問いは、
「どの現場作業を、どのデータ・運用・保守体制で継続的に低コスト化するのか」
でした。
今回、もう一つ問いを追加する必要があります。
「その現場で生まれるデータを誰が学習資産として蓄積し、次の工場・次の工程へ再利用するのか」
です。
ロボットそのものは買い替えられます。
AIモデルも更新されます。
しかし、長期間にわたり実際の工場、物流倉庫、店舗、インフラ設備で蓄積された、
「この状況では、熟練者ならこう判断し、こう動く」という実世界データ
は簡単にはコピーできません。
フィジカルAI時代の製造業で、本当に価値を持つ資産は、ロボットそのものよりも、
現場 × データ × 学習ループ
になっていく可能性があります。
期間外速報：翌9月30日に二つの重要ニュース
本稿の調査期間は9月29日までなので本文には算入しませんが、翌9月30日に日本で重要な発表が二つありました。
一つは、日立とファナックの戦略的パートナーシップです。
日立のAIとファナックの産業用ロボットを組み合わせ、日立の茨城地区の工場を「カスタマーゼロ」として、ピッキング、段取り替えなどを実証します。日立のエッジAI半導体もファナックのロボットと組み合わせ、2027年度から両社の顧客基盤へ展開する計画です。これは次号の国内最重要ニュースとして扱うべき案件です。
ファナック公式発表：日立とファナック、フィジカルAI実装の共同事業化へ
もう一つは、AIRoAの国産汎用ロボット開発コンペティションです。
試作機を開発した7社の評価結果から、Enactic、THK、不二越、ugoの4社が次の改良機開発フェーズへ選定されました。評価は実演性能だけでなく、量産計画や保守体制などの「実用化要件」も含んでいます。
この二つは、9月30日〜次回期間のフィジカルAIレポートの出発点になります。
今回のレポートは前号との連続性がかなり強く、**前号＝「導入後に学習を続けられるか」→今回＝「その学習を工場規模・産業規模で回す仕組みができ始めた」**という進展として読めます。特にAMDの82億ドル買収、Hyundaiの常設Atlas訓練拠点、日立×Agile Robotsを三本柱にすると、東証プライム経営者向けのレポートとして芯が通ります。
