著者：Sam Padilla
翻訳：Yuliya、PANews
編集者注：本記事は、ロボットデータ業界の現状に関する観察記事を翻訳したものです。著者は過去46日間に180件の会議を開き、投資家、研究者、創業者、そして47社のデータ生産者と意見を交わし、2026年11月時点のロボットデータ市場を描き出し、2027年の方向性を推測しようとしています。以下が翻訳の原文です。
過去46日間に、私は180件の会議に詰め込みで参加した。@Eidon_AIのプロジェクト振り返りを公開して以来、ロボティクス分野の数十人の投資家、研究者、スタートアップ創業者と深く議論を重ねてきた。
同時に、@ByCruxの関心登録フォームを公開してからというもの、私たちは47社のデータ生産者を厳しく審査し、彼らの詳細なデータ仕様基準を収集してきた。こうした一次情報のすべてに加え、私と@_varunnairが膨大な時間を投じて業界全体を体系的に整理したことで、私は現在の市場の実態について非常に明確で透徹した理解を得ている。
市場の需要はまったく衰える気配がない。しかし、人々が渇望するデータの形は劇的に変化しており、しかもその変化の速度は極めて速い。より規模が大きく、地盤の固い既存プレイヤーも加速しながら参入している。この業界は成熟へと向かい、競争はますます激しくなっている。
これは2026年11月時点のロボットデータ業界の全景をスケッチしたものであり、来年の業界全体の方向性を予兆するものでもある。
1時間のデータは一体いくらの価値があるのか？
以下では、1時間あたりのデータ単価に何度も言及する。これらの数字は、業界内での大量の対話と深い調査から導き出した最良の推定値である。周知のとおり、この市場は価格面で極めて不透明であるため、以下の見積もりについては適度な慎重さをもって受け止めてほしい。
1時間のロボットデータの真の価値は、主に5つの中核的次元に依存する。モダリティ、地理的区域、収集シーン、独占性、そしてアノテーションの程度である。
モダリティとセンサー構成
ロボットデータ収集の根本的な目的は、物理世界の運動を記録することにある。しかし、動作のニーズがまったく同じラボは2つとなく、キャプチャ手法がまったく同じ収集チームも2つとない。
このモダリティと技術経路の差異こそが、1時間の学習データの価格を決める最重要要因であり、約5ドルから120ドル前後まで急騰する巨大な価格レンジを直接生み出している。
異なるモダリティを複雑さの順に大まかに並べると、次のようになる。
最も単純な側にあるのが「一人称視点動画」（つまり人間の目から見た視点の映像）だ。これには2種類ある。
- 一つは最も基礎的な「モノキュラー（単眼）」で、単一レンズで撮った普通の動画のことだ。普段スマホを額に固定して録るのはこれに当たる。
- もう一つは「ステレオ（両眼立体）」で、専用の2レンズカメラを使い、2つのカメラを一定の距離だけ離して同時に撮影する。人間に目が2つあるのと同じで、2レンズで撮った映像からは、画面内の物体が自分からどれだけ離れているか（深度情報）を直接計算できる。
最も複雑な側にあるのが「触覚データ」、つまり物に触れたときの手触りだ。現在、触覚を記録する様々なセンサーが市場に登場しているが、誰も確信を持てずにいる。これは耐久性があるのか。使い勝手は良いのか。あるセンサーで収集したデータは、別のロボットに移しても通用するのか。現時点で圧倒的な支配力を持つ製品は誰も作れていない。
しかし業界全体が内々に認めている。触覚データこそ、ロボット学習の次の究極の追い風である、と。
この両極の間に位置するのが、実に多種多様な方式の大乱闘だ。額の視点の動画だけでは足りないと考える人々は、体に様々な装備を足していく。手首にカメラを付ける、専用の手持ちグリッパー端末（UMI）を使う、全身の骨格動作を記録するモーションキャプチャスーツを着る（私たちが以前Eidonでやっていたのはこれだ）、さらには人間が遠隔操作でロボットを動かしてデータを録る、といった具合である。
地域、環境、独占性、データアノテーション
モダリティが価格の基本レンジを決めるとすれば、以下の4つの要素が、そのレンジ内で価格が上振れするのか、それとも下方に割り引かれるのかを決める。
- 地理的由来：米国本土で収集されたデータは、常に各価格帯の頂点に君臨する。最も引く手あまたの地域であり、大多数の米国ロボティクス企業が最初の実装・展開シーンとして狙うのはここだからだ。一方、価格の最下層にあるのはインドと東南アジア由来の一人称視点動画で、現在この供給は深刻な過剰状態にある。買い手の手元在庫は実際の必要量をはるかに超えており、そのためこうしたデータの価格は最も安く、すでに数社の中核バイヤーは調達を完全に停止している。
- 環境とタスク：商業シーンの価値は家庭・住宅シーンよりはるかに高い。大半のパートタイマーは自宅で動画を撮っており、皆とうに飽きている。しかし、実際の工場や作業場に入って撮影するのは許可を得るのが極めて難しい。だからこそ、プロの配管工が配線を繋ぐ様子や、空調（HVAC）技術者がエアコンを修理する実際の映像は極めて希少で、当然ながら高値で取引される。
- 独占性：独占・排他的なデータにはプレミアムが付く。買い手が多く支払うのは、競合が同じデータを入手する可能性を買い取るという側面が大きい。正直に言えば、現在市場で進行している大量の収集プロジェクトの背後には、すべて排他的な独占契約が結ばれている。
- データアノテーション：クレンジングとアノテーションを経たデータは、未処理の生データより明らかに高く売れる。ただし、多くの企業や創業者がこの点に過度に賭けているのを私は見てきた。私の実務経験に照らせば、データアノテーションが1時間あたりの単価を押し上げる効果は、多くの人が想像するほど大きくはない。
これらの核心的変数がどのように相互作用し、時間とともにどう変化するかを理解できれば、第一原理から、来年の業界全体のおおよその方向性、需要がどう転換するのか、どの賭けに盲目的に追随すべきでないか、そして今後の資金をどこに投じるべきかを導き出せる。
モノキュラーは死に、ステレオは売り切れ
2024年に私たちが@Eidon_AIを始めた頃を思い出すと、通行人にお金を渡してスマホを頭に固定させ、自分が作業する様子を撮らせるというのは、周囲から見れば……かなり奇妙で、信じがたいことのように映っていた。
当時、ロボティクス業界には一人称視点動画に対して巨大な供給の空白があり、データがどこから来たのか、どんな機器で収集されたのかを気にする余裕すらなかった。
だからほら、わずか2年で風向きは完全に変わった。いくつかの大手ラボはモノキュラーの一人称視点動画を完全に買わなくなっており、特にインド、中国、東南アジアから送られてくるものはそうだ。ローエンド市場はとうに満たされ、研究者たちの視野も、単一レンズが与えるわずかな情報をとうに超えている。
私たちが受け取ったすべてのサプライヤー申請の中で、「モノキュラー一人称視点動画」は今も在庫数が最も多く、しかも出荷元はインド、フィリピン、パキスタン、東南アジアに一色で集中している。
今では、米国本土で大規模な独占収集を行うごく少数の専門プロジェクトを除き、私たちが話したデータチームのほぼすべてが、ステレオカメラへ全面的に切り替え済みか、必死にステレオ方向へ転換している最中だ。
これは業界全体に新たな合格ラインを引いたことに等しく、しかもこのハードルが多くの人を門前払いしている。ステレオカメラを買うには、たとえ材料コストが最も安い低スペックモデルでも1台200ドルはかかり、まともな高画質の既製商用モデルとなれば一気に1000ドル超に跳ね上がる。
つまり、今100人に動画撮影を頼もうと思えば、その全員にカメラを配るだけで、ハードウェアの調達費が5万ドル吹き飛ぶということだ。もはや「スマホアプリを適当に作ってアプリストアに置き、みんなにダウンロードさせればすぐ始められる」という軽資産・ゼロコストのやり方ではない。このハードウェアの壁があるからこそ、私が現在目にしているステレオデータの生産能力は、ほぼすべて事前に押さえられている。多くの収集チームは、このステレオカメラを買うために、事前に有力者にすり寄り、買い手とレベニューシェアや排他的独占契約を結んで資金を調達せざるを得なくなっている。
私たちが審査したデータ生産者のうち、ステレオデータを提供できるのは約4分の1に過ぎない。しかも、すぐに売れる現物在庫を持っているのは、わずか2社だけで、2社を合わせた在庫も合計で約1750時間に過ぎない。他の大半のチームは、独占案件を受けて門を閉ざして作業を進めているか、手付金を受け取ってから受注生産で動いている。
しかし別の角度から見れば、これ自体が巨大な新たなビジネスチャンスだ。業界は今、ハードウェア製造を理解し、かつデータ収集の採算計算も分かるカメラメーカーの参入を切望しており、皆がサイズの合うステレオカメラを首を長くして待っている。
現状を一言でまとめれば、こうだ。ステレオ立体が新たな最低ラインとなり、市場の現物在庫はほぼゼロ、皆が金を握りしめても信頼できる専用カメラのサプライヤーを見つけられずにいる。
触覚センシング：次の必争の地
触覚は今、すべての研究者が狙う大きな獲物であり、今後数年間のデータ収集の主戦場は間違いなくここだ。今年の初め、私たちのチームが自社のEidon触覚グローブを量産すべきか検討していたとき、外部から提示された買収価格は、なんと1時間120ドルにも達していた。
市場の需要は異常に旺盛だが、見渡す限り、現在の供給側はまったく応えられていない。
現在見つけられる触覚データセットは、規模が悲惨なほど小さいだけでなく、各大学の研究室がそれぞれ勝手に作ったおもちゃのようなもので、まったく異なるセンサー上にばらばらに散らばっている。こうしたデータを既存モデルの微調整に使う（例えば巧緻手把持に関するT-Rexの論文、arXiv:2606.17055を参照）とか、特定の小さな動作を訓練する程度ならまだしも、大規模モデルの土台となる事前学習に使おうとすれば、この程度のデータでは歯の隙間すら埋まらない。
しかし考えてみてほしい。一人称視点動画も2年前は同じ惨状だったのではないか。当時、「数万時間の人眼視点動画を集めて事前学習する」と言い出したら、誰もが夢物語だと思ったものだ。
そして今日、私たちはすでに10万時間を超える規模のオープンソースデータセットを持っている。
触覚データの収集は、カメラを担ぐより数百倍から数千倍も難しい。だが号令はすでに鳴り響いており、誰が最初に、動画の規模にふさわしい、事前学習に十分な巨大な触覚データベースを作り上げるかをめぐって、皆が先を争って白兵戦を繰り広げている。
しかしこの世界はあまりにも新しく、あまりにも荒涼としている。業界はいまだに標準的なセンサーがどんな形なのかさえ決めておらず、しかも機械が感じ取る触覚信号は、それを収集した特定のハードウェアに固く縛られている。グローブAで採取した感覚を、グローブBやロボットアームCに持っていったとき、アルゴリズムはそれを認識できるのか、汎用できるのか。これは学界でもいまだに解かれていない謎だ。
こうした技術開発とエンジニアリング実装の難題に加え、現実の導入障壁も同様に深刻だ。
収集作業者に厚手のセンサーグローブを着けさせると、手のひらも指も不器用になり、もともと手際よくできた作業が今ではまったくこなせない。市販のグローブの大半は耐久性のテストすら受けておらず、すぐに壊れる。1組で4500〜8000ドルもするので、100人の作業者に配れば、グローブ代だけで45万〜80万ドル、実にステレオカメラを買う10倍の出費だ。たとえ1時間100ドルという高値で売れたとしても、45〜80時間分の有効データを売り続けてようやくグローブの元が取れる計算になる。しかもこれには作業員の賃金、撮影失敗による廃棄コスト、後処理の費用、そして設備が壊れた際の修理や減価償却も含まれていない。
今、どの収集チームも「触覚データをやっている」と対外的に宣伝したがるが、これをきちんとやり遂げること、ましてや量産体制を築くことの複雑さと難しさは極めて大きい。
ただ非常に興味深いのは、データ収集専用のハードウェアを作る新たなニッチ分野が形成されつつあることだ。私の見方では、2027年へ向かうこの時点において、これは間違いなくこの領域全体で最も注視すべき方向性の一つである。
今後生産量が上がればハードウェアコストは必ず下がるだろうが、現段階では、下流の買い手が大金を払う気がある限り、収集ハードウェアの採算は信じられないほど美味しい。
この点については実はまだ深掘りすべき細部が多く、後日、触覚領域を徹底的に分解する長文を別途書くつもりだ。
市場は成熟期へと加速している
今年1月、老舗AIデータ企業のDefined.aiはCESで物理AIデータへの参入を発表した。彼らが発表した直後に私たちは提携し、手元の身体動作・姿勢データセットをまとめて彼らに売却した。
3月になると、デリバリー大手のDoorDashは「Tasks」という社内ソフトを直接立ち上げ、配達員が空き時間にスマホで洗濯物を畳むといった家事を撮影し、先端ラボのロボット訓練に使うために報酬を支払った。
それだけでなく、技術スタックの上流から下流まで見渡すと、もともとロボティクスをやっていなかった複数の企業も次々とこの水域に目を向け、大きく舵を切ってこの分野に雪崩れ込んでいる。
中盤以降の資金調達規模はさらにぶっ飛んでいる。XXDOFは6月に7000万ドルを調達し、当時さらに12億ドル評価額での次ラウンドを交渉中と伝えられた。Meckaは10月に6000万ドルのシリーズBを獲得。大規模言語モデルのデータで身を起こした大手Micro1でさえ、ロボット事業だけで年換算売上がすでに1億ドルの大台を突破したと公言している。
私たちの業界マップでは、「データサービス」はすでにバリューチェーン全体で3番目に大きな領域となっており、ロボット本体を作るメーカーと、シーン実装を担うインテグレーターに次ぐ規模だ。しかもほぼ毎週のように新しい顔が参入してくる。
もともとトップAIラボにデータを供給していた老舗データ業者も、今は皆銃口を向け直している。例えばPolysharesは、以前はAI大手に産業オペレーションデータや3Dモデルを売る専門業者だったが、先ごろAmelia Roboticsとの提携を発表し、一瞬にして自社の巨大な仲介販売網をまるごとロボティクス分野に接続した。
この大きな潮流は、私が180件の対話の中で掴んだ最も胸に突き刺さる結論を繰り返し裏付けている。ロボットデータビジネスで最終的に生き残る真の参入障壁は、実は2つしかない——ハードコアな専用ハードウェアと、強力な顧客関係である。
そしてその2つの間に挟まれた雑務——データクレンジング、品質チェック、現場オペレーション、人手によるラベリング、データ可視化、さらにはシミュレーションツールの構築まで——は、どれも有用ではあるが、せいぜい誰もが持っていなければならない最低限の参加資格に過ぎない。新しい年を展望するとき、この中間層の雑務だけをやっていて長期的な防衛線を築けるとは、私には到底思えない。
だからこそ今、トップラボの幹部を数人知っている人なら誰でも、この関係を必死にマネタイズしようとしている。だからこそ、中間で手数料を取るブローカー・アグリゲーターの分野は、恐ろしい速度で急速に人が埋め尽くされつつある。
おわりに、そして考察
現在の業界には、「ロボットのデータボトルネック問題」はまもなく完全に解決されるという声がずっとある。これには実は一理ある。なにしろこのわずか2年の間に、業界全体が力を合わせて数百万時間もの人眼一人称視点動画を作り出したのだから。
今やモノキュラー動画は価値のないコモディティと化し、ステレオ立体動画が最低限の合格ラインとなり、触覚データが直面する極端な不足は、2024年初頭の一人称視点動画よりもさらに深刻だ。もしあらゆるデータモダリティが似たようなS字型の進化曲線を辿る運命にあるなら、私は断言できる。ステレオと触覚の需要は短期間で冷めることは絶対にない。
しかしロボットデータというこのビジネスで、自分の時間と精力、そして懐の金をどこに賭けるべきかは、直感だけで決められるものではない。極めて直感的な計算をしてみよう。100万ドルの純利益を稼ぐには、それぞれの道でどれだけの時間を必死にこなす必要があるのか。
- モノキュラー動画の現在の1時間5ドルという叩き売り価格で計算すると、100万ドル稼ぐには、昼夜を問わずまるまる20万時間を収集しなければならない。これは極めて薄く、ますます薄くなる利益の隙間で、命を削って量を積み上げる過酷な労働でしかない。
- 触覚データの1時間100ドルという高値で計算すると、1万時間集めれば目標達成だ。しかし残念ながら、今は使い物になるハードウェアがそもそも作られておらず、機器は法外に高く、しかも買い手が持ち帰ってどうアルゴリズムに組み込むのかは、科学者自身もまだ解明できていない。
こう計算してみると、むしろ真ん中に位置する方式こそが、今最もコストパフォーマンスが高く、最も商業的に合理的なスイートスポットだ。
ステレオ立体、手首カメラ、手持ちUMIグリッパー、そして全身モーションキャプチャトラッキングで同じ100万ドルを稼ぐには、必要な収集時間はモノキュラー動画を売る場合の4分の1から12分の1で済む。しかも最も重要なのは、こうしたデータ収集に使うハードウェアが今すべて存在し、いつでも現物を買え、コストも比較的抑えられることだ。
市場全体の総需要は決して縮小しない。しかし合格ラインは容赦なく引き上げられ、風向きは激しく変わり、レーンはかつてなく混雑しつつある。
この業界で足場を固め、真の堀を持つデータ企業を作りたいなら、その窓は今確かにまだ開いている。しかし私の見方では、乗り遅れずに飛び乗れる時間は、本当にもう多くない。
