Physical AIに向けた空間理解：HULIXが取り組む観測・理解・予測のロードマップ

Physical AIという言葉が注目されていますが、HULIXにとってそれは抽象的な未来像ではありません。空港で人の流れが詰まる。ホテル朝食会場で行列が伸びる。都市広場で警備負荷が偏る。ロボットが人の流れを妨げる。こうした現実空間の課題を、AIが理解し、運用判断に接続できるデータへ変換することが、当社の取り組むPhysical AIの出発点です。

1. 観測：現実空間をAIが扱えるデータにする

最初の課題は、現場を正しく観測することです。以下を組み合わせて、人、車両、ロボット、滞留、行列、危険接近を取得します。

• LiDAR
• カメラ
• SLAM
• 警備ログ
• 施設図面
• 運用情報

ただし、データを取るだけでは不十分です。現場ごとのゾーン、工程、導線、運用ルールに結びつけ、AIが扱える空間状態モデルへ変換する必要があります。

2. 理解：混雑や滞留の原因を推論する

次に必要なのは、なぜその状態になったのかを理解することです。

• 人が多いから混んでいるのか
• 処理能力が不足しているのか
• サインが分かりにくいのか
• 導線が交錯しているのか

HULIXでは、軌跡・速度・ゾーン遷移・滞留・行列・現場ログを組み合わせ、原因候補を出す診断AIの構築を進めています。将来的にはLLMを活用し、現場条件や運用情報も含めた仮説生成・検証に発展させます。

3. 予測：施策を実施する前に比較する

現場改善では、施策を試してから評価するにはコストがかかります。

以下のような施策を、実施前に比較できれば意思決定は大きく変わります。

• レイアウト変更
• 人員配置
• サイネージ
• 交通規制
• 誘導ルート変更

HULIXは、実測データを起点にしたシナリオシミュレーションに取り組み、施策前後の混雑・待ち時間・安全余裕・警備負荷を評価できる基盤を目指しています。

4. 現場AIには「説明可能性」が必要

Physical AIが現場に入るには、単に答えを出すだけでは足りません。以下を説明できる必要があります。

1. なぜその提案なのか
2. どのデータに基づくのか
3. どこまで確からしいのか

空港、公共空間、交通、ホテルのように関係者が多い領域では、説明可能性がないAIは使われません。HULIXは、根拠データ、KPI、地図、レポートを組み合わせ、人が納得できる判断支援を重視します。

5. HULIXのロードマップ

当社のロードマップは、以下の3段階です。

1. Observe（3Dで観測）
2. Understand（原因を理解）
3. Predict（施策効果を予測）

この流れを、Hitonavi OS、Insight、Twin、SimulatorとしてPlatform化していきます。HULIXが目指すPhysical AIは、現実空間をAIが理解し、人と組織がより良い運用判断をできるようにするためのインフラです。

まとめ

• 観測・理解・予測を3段階でつなぐ
• 生データではなく、空間状態モデルに変換する
• 診断AIによる原因候補提示、将来はLLM連携
• 現場AIには説明可能性が不可欠
• Physical AIは未来像ではなく、人がより良い判断をするためのインフラ