マルチモーダルAI

定義

テキストだけでなく、音声・画像・動画・触覚・ロボティクスまでを扱うAIを指す。音声が新たなインターフェースとして台頭し（ElevenLabs）、音楽生成はSunoによって誰もが使えるものへと民主化された。そしてロボティクスを中核とする「フィジカルAI（物理世界のAI）」が、Jim FanやDemis Hassabisらの主導で、AGI（汎用人工知能）へ向かう次の里程標として注目を集めている。

音声

• ElevenLabs（Mati Staniszewski）：音声がいかにAIのインターフェースになっていくかを牽引する存在。
• Otter.ai（Sam Liang）：ユーザー数3,500万人、年間経常収益（ARR）1億ドル規模。
• OpenAI Voice / Whisper：音声認識・音声処理の基盤技術。

音楽

• Suno（Mikey Shulman）：「いまや誰もが音楽を作れる」を掲げ、音楽生成を一般に開放した。

ロボティクス

• NVIDIA / Jim Fan：ロボティクスが目指す最終到達点を提示。
• Y Combinator：「ロボティクスにとってのGPTの瞬間が到来した」（2026年4月16日）。
• 物流分野：物流センター向けヒューマノイドロボットの実証が進む。
• 製造分野：溶接モニタリングなど、現場作業の自動化・監視への応用が広がる。

合成生物学

• AI×合成生物学（Ben Lamm）：Colossalによるマンモス復活プロジェクトなど、AIを活用した生物学領域の取り組み。

ビジョン（視覚）

• Apple Intelligence（Vision Pro）
• Meta Reality Labs / Ray-Ban Meta
• Computer Use（Anthropic）：AIが画面操作を行う技術。

フィジカルAI / 製造業

製造業の現場では、現場データを活用したフィジカルAIの優位性が指摘されており、日本の製造現場が持つデータ蓄積が強みになると見られている。

主要領域の整理

関連人物

• Jensen Huang
• Demis Hassabis

参考・出典

• ElevenLabs（公式サイト）：https://elevenlabs.io
• Otter.ai（公式サイト）：https://otter.ai
• OpenAI（公式サイト）：https://openai.com
• Suno（公式サイト）：https://suno.com
• NVIDIA（公式サイト）：https://www.nvidia.com
• Y Combinator（公式サイト）：https://www.ycombinator.com
• Anthropic（公式サイト）：https://www.anthropic.com
• Apple（公式サイト）：https://www.apple.com
• Meta（公式サイト）：https://www.meta.com
• Colossal Biosciences（公式サイト）：https://colossal.com