IOSG Weekly Brief｜ロボット産業の展望：自動化、人工知能と Web3 の融合進化
具身知能の黎明、Web3は生産関係の再構築の切り口を探る?著者｜Jacob Zhao @IOSG
ロボットの全景：産業自動化から人型知能へ
従来のロボット産業チェーンは、下から上への完全な階層体系を形成しており、コアコンポーネント---中間制御システム---全体製造---アプリケーション統合の4つの主要な段階をカバーしています。コアコンポーネント（コントローラー、サーボ、減速機、センサー、バッテリーなど）の技術的障壁は最も高く、全体の性能とコストの下限を決定します。制御システムはロボットの「脳と小脳」であり、意思決定と計画、運動制御を担当します。全体製造はサプライチェーンの統合能力を反映しています。システム統合とアプリケーションは商業化の深さを決定し、新たな価値のコアとなりつつあります。
アプリケーションシーンと形態に応じて、世界のロボットは「産業自動化 → シーンの知能化 → 一般的な知能化」という道を進化させ、5つの主要なタイプを形成しています：産業用ロボット、移動ロボット、サービスロボット、特種ロボット、そして人型ロボット。 産業用ロボット（Industrial Robots） 現在唯一の完全に成熟した分野であり、溶接、組み立て、塗装、搬送などの製造段階で広く使用されています。業界は標準化されたサプライチェーンシステムを形成しており、粗利率は安定しており、ROIは明確です。その中のサブカテゴリーである協働ロボット（Cobots）は、人間とロボットの共同作業を強調し、軽量で展開が容易で、最も成長が早いです。
代表企業：ABB、ファナック (Fanuc)、安川電機（Yaskawa）、クーカ(KUKA)、Universal Robots、ジェカ、アオボ。 移動ロボット（Mobile Robots） AGV（自動誘導車）とAMR（自律移動ロボット）を含み、物流倉庫、Eコマース配送、製造輸送において大規模に展開され、B向けで最も成熟したカテゴリーとなっています。
代表企業：Amazon Robotics、極智嘉 (Geek+)、快倉（Quicktron）、Locus Robotics。 サービスロボット（Service Robots） 清掃、飲食、ホテル、教育などの業界向けで、消費者向けで最も成長が早い分野です。清掃製品は消費者電子機器の論理に入り、医療や商業配送は商業化を加速しています。また、より一般的な操作型ロボット（Dynaの二腕システムなど）が台頭しており、特定のタスクに特化した製品よりも柔軟ですが、人型ロボットの汎用性にはまだ達していません。
代表企業：科沃斯、石頭科技、普渡科技、擎朗智能、iRobot、Dynaなど。 特種ロボット 主に医療、軍事、建設、海洋、宇宙などのシーンにサービスを提供し、市場規模は限られていますが、利益率は高く、障壁も強いです。政府や企業の注文に依存し、垂直細分化の成長段階にあります。典型的なプロジェクトには直感外科、Boston Dynamics、ANYbotics、NASA Valkyrieなどがあります。 人型ロボット（Humanoid Robots） 未来の「汎用労働力プラットフォーム」と見なされています。
代表企業：Tesla（Optimus）、Figure AI（Figure 01）、Sanctuary AI (Phoenix)、Agility Robotics（Digit）、Apptronik (Apollo)、1X Robotics、Neura Robotics、宇樹科技（Unitree）、優必選（UBTECH）、智元ロボットなど。 人型ロボットは現在最も注目されている最前線の方向であり、その核心的価値は人型構造が既存の社会空間に適応することにあります。「汎用労働力プラットフォーム」への道の鍵となる形態と見なされています。極限の効率を追求する産業用ロボットとは異なり、人型ロボットは汎用適応性とタスク移行能力を強調し、環境を改造することなく工場、家庭、公共空間に入ることができます。
現在、大多数の人型ロボットはまだ技術デモ段階にあり、主に動的バランス、歩行、操作能力を検証しています。すでに一部のプロジェクトは高度に制御された工場シーンで小規模な展開を開始しています（例：Figure × BMW、Agility Digit）し、2026年以降にはさらに多くのメーカー（例：1X）が初期配布に参入することが予想されていますが、これらは依然として「狭いシーン、単一タスク」の制限されたアプリケーションであり、真の意味での汎用労働力の実現には至っていません。全体的に見て、スケール化された商業化にはまだ数年の時間が必要です。核心的なボトルネックには、多自由度の調整とリアルタイムの動的バランスなどの制御の難題、バッテリーのエネルギー密度と駆動効率に制限されたエネルギー消費と航続距離の問題、オープン環境での不安定さと一般化の難しさを伴う知覚---意思決定の連鎖、顕著なデータギャップ（汎用戦略のトレーニングを支えるのが難しい）、形体間の移行が未解決であること、そしてハードウェアのサプライチェーンとコスト曲線（特に中国以外の地域）が現実的な障壁を構成し、大規模で低コストの展開の実現難易度をさらに高めています。
将来の商業化の道筋は、短期的にはデモサービスを主とし、試行と補助金に依存し、中期的にはロボティクス・アズ・ア・サービス（RaaS）に進化し、タスクとスキルのエコシステムを構築し、長期的には労働力クラウドとスマートサブスクリプションサービスを中心に、価値の重心をハードウェア製造からソフトウェアとサービスネットワークに移行させることが予想されます。全体的に見て、人型ロボットはデモから自己学習への重要な移行期にあり、制御、コスト、アルゴリズムの三重の障壁を越えられるかどうかが、具身知能を真に実現できるかどうかを決定します。
AI × ロボット：具身知能時代の黎明
従来の自動化は主に予めプログラムされた流水式制御（知覚--計画--制御のDSOPアーキテクチャなど）に依存しており、構造化された環境でのみ信頼性を持って動作します。しかし、現実世界はより複雑で変化に富んでおり、新しい世代の具身知能（Embodied AI）は別のパラダイムを進んでいます：大規模モデルと統一表現学習を通じて、ロボットがシーンを超えた「理解---予測---行動」能力を持つことを可能にします。具身知能は身体（ハードウェア）+ 脳（モデル）+ 環境（相互作用）の動的結合を強調し、ロボットは媒体であり、知能が核心です。
生成的AI（Generative AI）は言語の世界の知能であり、記号と意味を理解するのが得意です；具身知能（Embodied AI）は現実世界の知能であり、知覚と行動を掌握します。両者はそれぞれ「脳」と「身体」に対応し、AIの進化の2つの平行した主軸を代表しています。知能の階層から見ると、具身知能は生成的AIよりも高次ですが、その成熟度は依然として明らかに遅れています。LLMはインターネットの膨大なコーパスに依存し、明確な「データ → 計算力 → 配布」のクローズドループを形成します。一方、ロボットの知能は第一視点、多モーダル、動作と強く結びついたデータを必要とします------遠隔操作の軌跡、第一視点のビデオ、空間マップ、操作シーケンスなど、これらのデータは自然には存在せず、実際の相互作用や高忠実度のシミュレーションを通じて生成する必要があるため、より希少で高価です。シミュレーションと合成データは役立ちますが、実際のセンサー---運動経験を代替することはできません。これが、TeslaやFigureなどが自ら遠隔操作データ工場を構築する必要がある理由であり、東南アジアで第三者データ注釈工場が出現する理由でもあります。簡単に言えば：LLMは既存のデータから学びますが、ロボットは物理的な世界と相互作用することで「データを創造」しなければなりません。今後5--10年の間に、両者はVision--Language--ActionモデルとEmbodied Agentアーキテクチャで深く統合されるでしょう------LLMは高次の認知と計画を担当し、ロボットは現実世界の実行を担当し、データと行動の双方向のクローズドループを形成し、AIを「言語知能」から真の汎用知能（AGI）へと推進します。
具身知能の核心技術体系は、下から上への知能スタックとして見ることができます：VLA（知覚融合）、RL/IL/SSL（知能学習）、Sim2Real（現実移行）、World Model（認知モデリング）、および多エージェント協力と記憶推論（Swarm & Reasoning）。その中で、VLAとRL/IL/SSLは具身知能の「エンジン」であり、その実現と商業化を決定します；Sim2RealとWorld Modelは仮想訓練と現実実行を結ぶ重要な技術です；多エージェント協力と記憶推論は、より高次の集団とメタ認知の進化を代表します。
知覚理解：視覚--言語--行動モデル（Vision--Language--Action）
VLAモデルは、視覚（Vision）---言語（Language）---行動（Action）の3つのチャネルを統合することで、ロボットが人間の言語から意図を理解し、具体的な操作行動に変換できるようにします。その実行プロセスには、意味解析、目標認識（視覚入力から目標物体を特定すること）、および経路計画と行動実行が含まれ、「意味を理解---世界を知覚---タスクを完了する」というクローズドループを実現します。これは具身知能の重要な突破口の1つです。現在の代表的なプロジェクトには、Google RT-X、Meta Ego-Exo、Figure Helixがあり、それぞれがクロスモーダル理解、没入型知覚、言語駆動制御などの最前線の方向を示しています。
現在、VLAはまだ初期段階にあり、4つの核心的なボトルネックに直面しています：
意味の曖昧さとタスクの一般化が弱い：モデルは曖昧でオープンな指示を理解するのが難しい；
視覚と行動の整合性が不安定：知覚誤差が経路計画と実行で拡大される；
多モーダルデータが希少で標準が統一されていない：収集と注釈のコストが高く、スケール化されたデータフライホイールを形成するのが難しい；
長時間タスクの時間軸と空間軸の課題：タスクのスパンが長すぎると計画と記憶能力が不足し、空間範囲が広すぎるとモデルが「視野の外」の事物を推論する必要があり、現在のVLAは安定した世界モデルとクロススペース推論能力が不足しています。
これらの問題は、VLAのクロスシーン一般化能力とスケール化された実行プロセスを制限しています。
知能学習：自己監視学習（SSL）、模倣学習（IL）、強化学習（RL）
自己監視学習（Self-Supervised Learning）：知覚データから自動的に意味的特徴を抽出し、ロボットに「世界を理解」させる。これは機械に観察と表現を学ばせることに相当します。
模倣学習（Imitation Learning）：人間のデモや専門家の例を模倣することで、基礎的なスキルを迅速に習得します。これは機械に人間のように行動することを学ばせることに相当します。
強化学習（Reinforcement Learning）：報酬-罰のメカニズムを通じて、ロボットは試行錯誤の中で行動戦略を最適化します。これは機械に試行錯誤の中で成長することを学ばせることに相当します。
具身知能（Embodied AI）において、自己監視学習（SSL）はロボットが知覚データを通じて状態変化と物理法則を予測し、世界の因果構造を理解することを目指しています；強化学習（RL）は知能形成の核心エンジンであり、環境との相互作用と報酬信号に基づく試行錯誤の最適化を通じて、ロボットが歩行、把持、障害物回避などの複雑な行動を習得することを促進します；模倣学習（IL）は人間のデモを通じてこのプロセスを加速し、ロボットが迅速に行動の先入観を得ることを可能にします。現在の主流の方向性は、これら3つを組み合わせて階層的な学習フレームワークを構築することです：SSLが表現の基礎を提供し、ILが人間の先入観を与え、RLが戦略の最適化を促進し、効率と安定性のバランスを取り、具身知能の理解から行動への核心メカニズムを形成します。
現実移行：Sim2Real ------ シミュレーションから現実への飛躍
Sim2Real（Simulation to Reality）は、ロボットが仮想環境で訓練を完了し、その後現実世界に移行することを指します。これは高忠実度のシミュレーション環境（NVIDIA Isaac Sim & Omniverse、DeepMind MuJoCoなど）を通じて大規模な相互作用データを生成し、訓練コストとハードウェアの摩耗を大幅に削減します。その核心は「シミュレーションと現実のギャップ」を縮小することであり、主な方法は以下の通りです：
ドメインランダム化（Domain Randomization）：シミュレーション内で光、摩擦、ノイズなどのパラメータをランダムに調整し、モデルの一般化能力を向上させます；
物理的一貫性のキャリブレーション：実際のセンサーのデータを利用してシミュレーションエンジンを校正し、物理的なリアリズムを強化します；
自適応微調整（Adaptive Fine-tuning）：現実環境での迅速な再訓練を行い、安定した移行を実現します。
Sim2Realは具身知能の実現における中心的な要素であり、AIモデルが安全で低コストの仮想世界で「知覚---意思決定---制御」のクローズドループを学ぶことを可能にします。Sim2Realはシミュレーション訓練において成熟しています（NVIDIA Isaac Sim、MuJoCoなど）が、現実移行はReality Gap、高計算力と注釈コスト、オープン環境での一般化と安全性の不足に制限されています。それにもかかわらず、Simulation-as-a-Service（SimaaS）は具身知能時代の最も軽量でありながら戦略的価値の高い基盤インフラとなりつつあり、そのビジネスモデルにはプラットフォームサブスクリプション（PaaS）、データ生成（DaaS）、安全検証（VaaS）が含まれます。
認知モデリング：World Model ------ ロボットの「内なる世界」
ワールドモデル（World Model）は具身知能の「内なる脳」であり、ロボットが内部で環境と行動の結果をシミュレーションし、予測と推論を実現できるようにします。これは環境の動的法則を学ぶことで、予測可能な内部表現を構築し、知能体が実行前に「予演」結果を得ることを可能にし、受動的な実行者から能動的な推論者へと進化させます。代表的なプロジェクトには、DeepMind Dreamer、Google Gemini + RT-2、Tesla FSD V12、NVIDIA WorldSimなどがあります。典型的な技術的アプローチには以下が含まれます：
潜在変数モデリング（Latent Dynamics Modeling）：高次元の知覚を潜在状態空間に圧縮します；
時系列予測想像訓練（Imagination-based Planning）：モデル内で仮想的な試行錯誤と経路予測を行います；
モデル駆動強化学習（Model-based RL）：ワールドモデルを用いて実際の環境を置き換え、訓練コストを削減します。
ワールドモデルは具身知能の理論的最前線にあり、ロボットが「反応的」から「予測的」知能に進化するための核心的な道筋ですが、モデル化の複雑さ、長期予測の不安定さ、統一基準の欠如などの課題に制限されています。
群体知能と記憶推論：個体行動から協調認知へ
多エージェント協力（Multi-Agent Systems）と記憶推論（Memory & Reasoning）は、具身知能が「個体知能」から「群体知能」と「認知知能」へ進化する2つの重要な方向性を代表しています。両者は知能システムの協調学習と長期適応能力を支えています。 多エージェント協力（Swarm / Cooperative RL）： 複数の知能体が共有環境内で分散型または協力型強化学習を通じて協調的な意思決定とタスク割り当てを実現します。この方向性には、OpenAIのHide-and-Seek実験があり、多エージェントの自発的な協力と戦略の出現を示しています。DeepMindのQMIXとMADDPGアルゴリズムは、集中訓練と分散実行の協力フレームワークを提供しています。このような方法は、倉庫ロボットのスケジューリング、点検、クラスター制御などのシーンで応用されてきました。 記憶と推論（Memory & Reasoning）： 知能体が長期記憶、状況理解、因果推論能力を持つことに焦点を当て、タスク間の移行と自己計画を実現するための重要な方向性です。典型的な研究には、DeepMind Gato（統一された知覚-言語-制御の多タスク知能体）やDeepMind Dreamerシリーズ（ワールドモデルに基づく想像的計画）、およびVoyagerなどのオープンな具身知能体が含まれ、外部記憶と自己進化を通じて持続的な学習を実現しています。これらのシステムは、ロボットが「過去を記憶し、未来を推論する」能力を持つ基盤を築いています。
グローバルな具身知能産業の構図：協力と競争の共存
グローバルなロボット産業は「協力主導、競争深化」の時期にあります。中国のサプライチェーンの効率、アメリカのAI能力、日本の部品精度、ヨーロッパの産業標準が共同でグローバルなロボット産業の長期的な構図を形成しています。
アメリカは最前線のAIモデルとソフトウェア分野（DeepMind、OpenAI、NVIDIA）でリードしていますが、この優位性はロボットハードウェアには及んでいません。中国のメーカーは、イテレーションの速度と実際のシーンでのパフォーマンスにおいて優位性を持っています。アメリカは「チップ法案」（CHIPS Act）や「インフレ削減法案」（IRA）を通じて産業の回帰を促進しています。
中国はスケール製造、垂直統合、政策駆動により、部品、自動化工場、人型ロボットの分野でリーディングアドバンテージを形成し、ハードウェアとサプライチェーン能力が際立っています。宇樹や優必選などは量産を実現し、スマートな意思決定層に向かっています。しかし、アルゴリズムとシミュレーション訓練のレベルではアメリカに大きな差があります。
日本は長年にわたり高精度部品と運動制御技術を独占しており、産業体系は堅実ですが、AIモデルの統合はまだ初期段階であり、イノベーションのペースは穏やかです。
韓国は消費者向けロボットの普及において際立っており、LG、NAVER Labsなどの企業がリードし、成熟した強力なサービスロボットのエコシステムを持っています。
ヨーロッパはエンジニアリングシステムと安全基準が整っており、1X Roboticsなどは研究開発の面で活発ですが、一部の製造段階は外部に移転し、イノベーションの焦点は協力と標準化の方向に偏っています。
ロボット × AI × Web3：物語のビジョンと現実の道筋
2025年、Web3業界はロボットとAIの融合に関する新たな物語が登場します。Web3は去中心化された機械経済の基盤プロトコルと見なされていますが、異なるレベルでの結合価値と実現可能性には明らかな分化があります：
ハードウェア製造とサービスレイヤーは資本集約的で、データクローズドループが弱く、Web3は現在、サプライチェーンファイナンスや設備レンタルなどの周辺的な領域でのみ補助的な役割を果たしています；
シミュレーションとソフトウェアエコシステムのレイヤーは適合度が高く、シミュレーションデータと訓練タスクはブロックチェーン上で権利を確立でき、知能体とスキルモジュールもNFTやエージェントトークンを通じて資産化できます；
プラットフォームレイヤーでは、去中心化された労働力と協力ネットワークが最大の潜在能力を示しており------Web3はアイデンティティ、インセンティブ、ガバナンスの統合メカニズムを通じて、信頼できる「機械労働市場」を徐々に構築し、未来の機械経済の制度的な雛形を築くことができます。
長期的なビジョンから見ると、協力とプラットフォームレイヤーはWeb3とロボット及びAIの融合において最も価値のある方向性です。ロボットが徐々に知覚、言語、学習能力を持つようになるにつれて、彼らは自律的に意思決定し、協力し、経済的価値を創造する知的個体へと進化しています。これらの「知的労働者」が経済体系に真に参加するためには、アイデンティティ、信頼、インセンティブ、ガバナンスの4つの核心的な障壁を越える必要があります。
アイデンティティレイヤーでは、機械は権利を確立でき、追跡可能なデジタルアイデンティティを持つ必要があります。Machine DIDを通じて、各ロボット、センサー、またはドローンはブロックチェーン上で唯一の検証可能な「ID」を生成し、その所有権、行動記録、権限範囲を結びつけ、安全な相互作用と責任の明確化を実現します。
信頼レイヤーでは、「機械労働」を検証可能、計測可能、価格設定可能にすることが重要です。スマートコントラクト、オラクル、監査メカニズムを利用し、物理的な作業証明（PoPW）、信頼できる実行環境（TEE）、ゼロ知識証明（ZKP）を組み合わせることで、タスク実行プロセスの真実性と追跡可能性を確保し、機械の行動に経済的な評価を持たせることができます。
インセンティブレイヤーでは、Web3はトークンインセンティブシステム、アカウント抽象化、ステートチャネルを通じて機械間の自動決済と価値の流転を実現します。ロボットはマイクロペイメントを通じて計算力のレンタルやデータ共有を行い、質権と罰則メカニズムを用いてタスクの履行を保証します；スマートコントラクトとオラクルを活用することで、人工的な調整なしに去中心化された「機械協力市場」を形成することも可能です。
ガバナンスレイヤーでは、機械が長期的な自治能力を持つようになると、Web3は透明でプログラム可能なガバナンスフレームワークを提供します：DAOを通じて共同で意思決定システムのパラメータを管理し、多署名と信用メカニズムで安全と秩序を維持します。長期的には、これにより機械社会は「アルゴリズムガバナンス」の段階へと進むでしょう------人間が目標と境界を設定し、機械間は契約によってインセンティブとバランスを維持します。
Web3とロボットの融合の最終的なビジョン：現実環境評価ネットワーク------分散型ロボットから構成される「現実世界推論エンジン」であり、多様で複雑な物理シーンで継続的にテストと基準モデルの能力を評価します；およびロボット労働市場------ロボットが世界中で検証可能な現実のタスクを実行し、ブロックチェーン上で決済を受け取り、得た価値を計算力やハードウェアのアップグレードに再投資します。
現実の道筋を見ると、具身知能とWeb3の結合はまだ初期の探索段階にあり、去中心化された機械知能経済体は物語とコミュニティ駆動のレベルにとどまっています。現実に実行可能な結合の方向性は、主に以下の3つの側面に現れています：
（1）データのクラウドソーシングと権利確立------Web3はブロックチェーン上のインセンティブと追跡メカニズムを通じて、貢献者に実世界データのアップロードを奨励します；
（2）グローバルなロングテール参加------国境を越えた小額決済とマイクロインセンティブメカニズムがデータ収集と配布コストを効果的に削減します；
（3）金融化と協力のイノベーション------DAOモデルがロボットの資産化、収益証明化、機械間の決済メカニズムを促進します。
全体的に見て、短期的にはデータ収集とインセンティブレイヤーに集中し、中期的には「ステーブルコイン決済 + ロングテールデータ集約」およびRaaSの資産化と決済レイヤーでの突破が期待されます；長期的には、人型ロボットがスケール化され普及すれば、Web3は機械の所有権、収益分配、ガバナンスの制度的な基盤となり、真の去中心化機械経済の形成を促進するでしょう。
Web3ロボットエコシステムのマッピングと選定事例
「検証可能な進展、技術の公開度、産業関連度」の3つの基準に基づいて、現在のWeb3 × Roboticsの代表的なプロジェクトを整理し、5層の構造に分類しました：モデル知能層、機械経済層、データ収集層、知覚とシミュレーション基盤層、ロボット資産収益層。客観性を保つために、明らかに「ホットスポットに乗っかる」または資料が不足しているプロジェクトは除外しました；漏れがあればご指摘ください。
モデル知能層（Model & Intelligence）
Openmind - ロボットのためのアンドロイド構築 (https://openmind.org/)
OpenMindは、具身知能（Embodied AI）とロボット制御のためのオープンソースオペレーティングシステム（Robot OS）であり、世界初の去中心化ロボット運用環境と開発プラットフォームを構築することを目指しています。プロジェクトの核心には2つの主要コンポーネントがあります：
OM1：ROS2上に構築されたモジュール式オープンソースAI知能体ランタイム（AI Runtime Layer）で、知覚、計画、行動のパイプラインを編成し、デジタルおよび実体ロボットにサービスを提供します；
FABRIC：分散型調整層（Fabric Coordination Layer）で、クラウドの計算力、モデル、現実のロボットを接続し、開発者が統一された環境でロボットを制御し、訓練できるようにします。
OpenMindの核心は、LLM（大規模言語モデル）とロボットの世界の間の知能中間層として機能し、言語知能を具身知能（Embodied Intelligence）に真に変換し、理解（Language → Action）から整合（Blockchain → Rules）への知能の骨格を構築することです。
OpenMindの多層システムは、完全な協力のクローズドループを実現しました：人間はOpenMindアプリを通じてフィードバックと注釈を提供し（RLHFデータ）、Fabric Networkはアイデンティティの検証、タスクの割り当て、決済の調整を担当し、OM1ロボットはタスクを実行し、ブロックチェーン上の「ロボット憲法」に従って行動監査と支払いを完了し、人間のフィードバック → タスク協力 → チェーン上の決済の去中心化された機械協力ネットワークを実現します。
プロジェクトの進展と現実評価
OpenMindは「技術が機能するが、商業化は未実現」の初期段階にあります。核心システムOM1 RuntimeはGitHubでオープンソース化されており、複数のプラットフォームで動作し、多モーダル入力をサポートし、自然言語データバス（NLDB）を通じて言語から行動へのタスク理解を実現します。高い独自性を持っていますが、依然として実験的であり、Fabricネットワークとチェーン上の決済はインターフェース層の設計のみが完了しています。
エコシステムでは、プロジェクトはUnitree、Ubtech、TurtleBotなどのオープンハードウェアおよびStanford、Oxford、Seoul Roboticsなどの大学と協力しており、主に教育と研究の検証に使用されていますが、産業化はまだ実現していません。アプリはテスト版がオンラインになっていますが、インセンティブとタスク機能はまだ初期段階です。
ビジネスモデルの観点から、OpenMindはOM1（オープンソースシステム）+ Fabric（決済プロトコル）+ Skill Marketplace（インセンティブ層）の3層エコシステムを構築しており、現在は収益がなく、約2000万ドルの初期資金（Pantera、Coinbase Ventures、DCG）に依存しています。全体的に見て、技術は先進的ですが、商業化とエコシステムはまだ始まったばかりであり、Fabricが成功裏に実現すれば「具身知能時代のAndroid」となる可能性がありますが、周期が長く、リスクが高く、ハードウェアへの依存が強いです。
CodecFlow - ロボティクスのための実行エンジン (https://codecflow.ai)
CodecFlowは、Solanaネットワークに基づく去中心化実行レイヤープロトコル（Fabric）であり、AI知能体とロボットシステムにオンデ
リスク警告 リスク警告
