Vention、工場用ロボット向けのAIラボを開設
Ventionは、GRIIPと生産データを中核に据え、ロボット操作に関する研究を信頼性の高い工場導入へと結びつけるため、モントリオールに研究所を開設した。

2026年9月9日、ケベック州モントリオール発。Vention社は水曜日、ロボット操作に関する研究を工場での実用化へと進めるため、モントリオールに「Physical AI」研究所を開設した。 8名からなるチームは、生産要件に照らして知覚、制御、シミュレーション、学習手法の検証を行う一方、この産業オートメーション企業は、さらに16名以上の研究・エンジニアリング職の採用を進めている。
Ventionはモントリオールを拠点とするオートメーション企業であり、同社のデジタルプラットフォームは、機械設計ソフトウェア、モジュール式ハードウェア、制御システム、導入サービスを統合している。同社によると、6,000の工場に28,000台以上の機械が導入されており、その顧客にはフォーチュン500企業のうち90社が含まれている。 この新しい研究所は、印象的な操作デモと、実際の生産スケジュールに耐えうるロボットセルとの間にある、コストのかかるギャップの解消を目指している。
ラボは商業的な制約から始まる
産業用ロボットの研究は、多くの場合、「能力」から始まります。つまり、機械が未知の物体を認識し、その姿勢を推定し、衝突のない動作を計画し、それを把持できるかどうかです。一方、工場の購買担当者が重視するのは、それほど華やかではない点です。つまり、「動作成功率はどの程度か」「失敗した後はどうなるか」「段取り替えにはどのくらいの時間がかかるか」「午前2時の復旧作業の責任は誰にあるか」といった点です。
Ventionは、この後者の疑問群を中心に研究所を構築した。同社の研究プログラムは、ロボット制御工学や動作生成を、新旧の視覚認識手法、デモンストレーションベースの学習、強化学習、そして工場データの収集と組み合わせている。これらの分野は、大学の研究助成金申請書ではお馴染みのものだ。 違いは、Ventionが、部品のばらつき、信頼性、コスト、顧客拠点全体への新スキルの導入における実用的な限界など、実際の製造現場における制約条件に基づいてこれらを評価しようとしている点にある。
この研究所は、VentionのフィジカルAI担当ディレクターであるジミー・リーが率い、Cohereの最高AI責任者(CIO)であるジョエル・ピノーが外部技術顧問を務めています。初期チームは8名で構成されており、Ventionは16名以上を募集していると述べています。
ロボット制御、シミュレーション、および物理AI研究にわたるポスト。この人員配置計画により、同施設は単なるデモンストレーションルーム以上の存在となるが、人員数だけでは、その成果が顧客へ還元されるかどうかは決まらない。真に有用な試金石は、この研究所がベンチマークから実用可能な機械への道のりを短縮できるかどうかである。メーカーが購入するのは強化学習そのものではない。彼らが求めているのは、エンジニアリング工数の削減、試運転の迅速化、不良品の低減、そして一般の技術者でも理解できるトラブルシューティング手順なのである。
GRIIP――研究提案の背後にある製品
商用化への架け橋となるのが、2026年2月にVentionが立ち上げたモジュール式のフィジカルAIパイプライン「GRIIP」だ。このシステムは、シーンのデジタル化、オブジェクトのセグメンテーション、姿勢推定、把持方法の選択、衝突回避型運動計画機能を組み合わせたものである。Ventionは、Nvidiaをはじめとするサプライヤーの基盤モデルと自社モデルを併用し、それらのソフトウェア段階をロボットのハードウェアや工場の作業に結びつけている。
平たく言えば、このパイプラインは、乱雑なビンや作業台を、ロボットが実行可能な一連の動作に変換しようとするものだ。カメラがそこに何があるかを識別し、ソフトウェアが各物体を分離し、それぞれの位置を推定し、実行可能な把持方法を選択し、アームが周辺の機器に衝突することなくその物体に到達できるかを確認する。 どの段階でも失敗する可能性があり、実験室での良好な結果は、統合作業の始まりに過ぎません。
Vention社は、エンジニアリングチームが自社のアプリケーションに合わせてこのパイプラインを適応できるよう、GRIIPの一般向けソフトウェア開発キット(SDK)を公開する予定です。 ここで「計画中」という言葉が重要です。パイプライン自体は存在していますが、一般公開用の開発キットはあくまで将来的な提供予定のものです。調達チームは、リリース日、対応ハードウェアリスト、バージョンポリシー、および顧客が変更可能なコードと、Ventionの管理プラットフォームに紐づいた機能との境界について確認すべきです。
この区別は切り替えコストに影響します。オープンな開発キットはパートナーエコシステムを拡大し、単一のインテグレーターへの依存度を低減させることができます。
また、代替が困難な独自サービスに対する薄いインターフェースとなる可能性もあります。購入者は、「SDK」をオープン性の証拠として捉えるのではなく、ライセンス、データの移植性、オフラインでの動作、およびモデル更新の管理について判断すべきです。生産データこそがVentionの持続的な強みとなり得る
Ventionの最大の強みは、モデルアーキテクチャではありません。それは、生産現場の課題へのアクセスです。同社によれば、その導入実績は数千社の製造業者に及び、研究者たちに操作タスク、顧客からのフィードバック、産業データの継続的な流れを提供しています。これにより、純粋な研究機関では再現が難しいフィードバックループが形成される可能性があります。
実験室でのピッキング失敗は単なる実験に過ぎない。しかし、組立ラインでのピッキング失敗は、下流の作業を停止させたり、部品を損傷させたり、あるいは技術者が作業セルに立ち入る必要が生じたりする可能性がある。この違いが、各チームが測定すべき指標を変えるのである。 工場データは、反射する梱包材、破損した段ボール箱、柔軟な素材、摩耗した固定具、照明の変化、向きが間違って搬入された部品など、厳選されたベンチマークでは見落とされがちなエッジケースを捉えることができます。
Vention社によると、「フィジカルAI」は同社で最も急成長している分野であり、関連売上高は過去1年間で400%増加した。この増加率は注目に値するが、同社は初期の売上高ベース、粗利益率、顧客の集中度、あるいはその成長のうちどれだけがパイロット導入によるもので、リピート導入によるものではないかについては明らかにしていない。 小規模な事業部門は4倍に成長しても、依然として小規模なままである可能性がある。この数字は、Physical AIが成熟した工場向けカテゴリーになったという証拠ではなく、Vention社内部の勢いを示すものとして捉えるべきである。
同社が報告している「導入済み機器2万8,000台」および「6,000の工場」についても、同様の解釈が当てはまる。これらの数字は普及範囲を示すものだが、GRIIPを利用している拠点の数、AI対応セルが継続的に稼働している数、あるいは設置された機器のうちモデル学習に適したデータを生成している割合については示していない。 次に有用な開示としては、導入台数と継続的な利用状況を結びつけることが挙げられる。
成功したタスクファミリー、および測定された展開時間。真のベンチマークは切り替えの経済性
同研究所は、構造化されていない最終組立作業について、ある大手自動車OEMメーカー(社名は非公表)を含む、産業機器および電子機器メーカーと共同で研究を進めている。最終組立工程には、多品種生産、部品の配置の変動、厳しいサイクルタイム、頻繁な設計変更といった要素が含まれるため、価値を検証するには最適な環境である。
また、この分野こそ、主張が最も厳しく精査される必要がある場所でもある。自動車工場では、治具、標準化されたコンテナ、綿密に調整された工程を通じて、数十年にわたりばらつきを低減してきた。学習型ロボットは、ばらつきを設計で解消できない場合に価値を発揮するが、その一方で、より優れたフィーダー、改良された治具、専用機、あるいは少量の人的作業といった、より単純な選択肢との競合にさらされている。
したがって、購入者が問うべきは、「フィジカルAIがタスクを実行できるか」ということではない。重要なのは、システム全体のライフサイクルコストが、従来の自動化や再設計されたプロセスよりも低くなるかどうかである。この計算には、カメラ、コンピューティング、ネットワーク、安全性の検証、トレーニングデータ、モデルの監視、統合、メンテナンス、サイバーセキュリティ、そしてモデルが新たな故障モードに遭遇した際に必要となる人件費が含まれる。
この点こそが、新しいラボが信頼性を獲得できる場となる。もしVention社が、異なるロボットブランド、部品ファミリー、工場を横断して再現性のある切り替え結果を公表できれば、購入者にとってAI搭載セルと固定式自動化を比較するための根拠となるだろう。もし洗練された把持動画だけを公開するだけなら、すでに制御されたデモンストレーションが溢れている市場に、このラボはほとんど付加価値をもたらさないだろう。
最近の動向は、この違いをさらに鮮明にしている。サムスンSDSはエンタープライズソフトウェアの側面からロボットオーケストレーション分野に参入しており、一方、
Hai Roboticsは、綿密に設計された倉庫システムによって実現可能な規模を実証しました。Ventionは、それらのモデルの間に位置しています。同社は、物理的な自動化スタックに対する責任を放棄することなく、ソフトウェアの柔軟性を求めています。購入者に必要なのは失敗データであり、単なるデモ映像ではない
気まずい真実だが、工場への導入が阻まれるのは、大々的に謳われる性能ではなく、例外処理の対応に起因することが多い。ロボットが100回のピッキングのうち98回を完了したとしても、残りの2回の失敗ごとに専門家がラインを停止させ、セルを片付け、プロセスを再起動しなければならない場合、その2回の失敗だけで人件費削減効果は帳消しになってしまう。
Ventionは、新ラボでの作業について、介入間隔(MTI)、復旧率、サイクルタイムの分布、あるいは照明や部品のばらつきに起因するパフォーマンスに関するデータを公表していない。開設当初としては妥当な対応だが、これらの指標こそが同社の次のフェーズを定義すべきものである。 調達チームは、運用に直結する単位での成果を求めるべきだ。具体的には、シフトあたりの介入回数、ダウンタイムの分数、コード変更を伴わない切り替えの成功件数、そして新部品1つあたりに必要な技術者の作業時間数などである。
また、顧客データがどのように分離されているかについても確認すべきです。Vention社は、自社のプラットフォームが顧客データや知的財産を保護しつつ、生産実績をより優れたモデルに変換すると述べています。この約束には、運用上の詳細が必要です。 製造業者は、何が工場外へ流出するのか、何が保持されるのか、ある顧客の不具合データを用いて学習させたモデルが別の顧客にも役立つのか、そして契約終了時に工場が自社のデータをどのように削除またはエクスポートできるのかを理解しておく必要があります。
Hanshow社とX-Era社による小売業界での実証実験は、この問題が工場以外の場面でも重要である理由を示している。大規模な導入環境は貴重な例外データを生成する一方で、モデルの更新プロセスが不透明である場合、その影響も倍増させることになる。
商業的に成功するシステムは、単に多くの機械から学ぶだけにとどまりません。その学習プロセスを、監査可能かつ元に戻せるようにし、オペレーターが信頼できるほど安全なものにするでしょう。モントリオールは今、転用可能な成果を生み出さなければならない
Vention社の研究所は、同社がすでに実際の工場向けにハードウェア、ソフトウェア、および自動化サービスを販売しているため、信頼できる投資対象である。同社には顧客へのアクセス、GRIIPにおける既存のパイプライン、名実ともに技術的リーダーシップ、そして採用計画がある。これらの資産により、研究チームは、事後的に応用先を探さなければならない独立した研究所よりも、より良い出発点を得ている。
同社は依然として、このループが双方向に機能することを証明しなければならない。生産上の課題が研究の方向性を決定し、研究結果はインテグレーターやプラント技術者が活用できる信頼性の高いツールとして生産現場に還元されなければならない。その証明は、スタック内のモデル数ではなく、導入されたタスク数、試運転時間、介入率、そして顧客の契約更新率を通じて示されることになる。
オートメーションの購入者にとって、このラボは、今すぐ調達計画を変更する理由としてではなく、サプライヤーの能力を示す指標として捉えるべきである。 可変操作タスクの候補リストにVentionを加え、セルレベルの試運転を依頼し、導入前に受入基準を定義し、類似の部品ファミリーからの実証データを要求すべきだ。そのようなテストを歓迎するベンダーは、導入インフラを構築している。会話をデモンストレーションへと逸らすベンダーは、依然として研究を売り込んでいるに過ぎない。
Ventionは、まさに適切な施設を開設しました。その価値は、このラボが通常の工場業務の中でどれほど早く「目立たなくなる」かによって測られるでしょう。
ヘッダー画像のクレジット:Vention Inc.
本分析は、Ventionが9月9日に発表したプレスリリースおよび、同社のPhysical AI製品、チーム、顧客基盤、導入計画に関する開示情報を基にしています。本情報は一般的な情報提供のみを目的としており、投資、財務、調達、法律、またはエンジニアリングに関する助言を構成するものではありません。












