木林 威夫（きばやし たけお）
目次
AIと経済学の研究に従事。企業の製造技術・AI・大学研究を接続し、フィジカルAI（Physical AI）の事業化に取り組む。
何に従事しているのか
社会課題から逆算して、企業・大学・AI・データ・制度を一つの事業へ結合することを仕事にしています。
AIと経済学、とりわけ文化資本の視点から研究を行いながら、その知見を実際の産業へ実装する側に立っています。
技術単体を売ることも、研究者を紹介することも、目的にしていません。社会や地域が将来どうあるべきかを先に置き、そこから必要な技術・企業・大学・制度を逆算して接続する。 この順番で仕事をしています。
範囲は文理を横断し、学際的に全分野。国内にとどまらず、海外の研究機関・企業とも接続しています。
現在は特にフィジカルAI（Physical AI）の領域で、製造企業の既存技術をどう次の事業へ転換するか、大学研究をどう結合するか、現場データをどう扱うかという判断に、当事者として関わっています。
これまで関わってきたこと
AI（LLM）の蘇生時期に、京都大学の経済学部の名誉教授にご指導頂き、AIと人類がこの先どの様に関わっていくべきなのかという問いを、クオリアやSDGs、Well-Being、AIアライメント等の可能性を含め早期に学びました。先生からは、各分野の先端が重なる「場作り」の重要性をお教え頂き、文化資本創研に携わらせて頂いております。また、東京科学大学をはじめあらゆる大学や研究機関が集結したデジタル・オープンイノベーション・キャンパス（DOIC）にも、深く関わらせて頂いてきた中で、今の時代の変化に対し、AI、フィジカルAI（Physical AI）、哲学、化学など、自然科学、社会科学、人文科学を超えて、社会に接続させることを、IT文脈と産学連携にて携わってきました。
一般社団法人化した、デジタル・オープンイノベーション・キャンパス（DOIC）をはじめ、私が関わる各法人では、まだ市場が形になっていない段階のテーマを扱ってきました。
知的財産をテーマにしたイベントを開催したのは、生成AIと知財の関係が「まだ誰も答えを持っていない」と言われていた時期です。当日は180人を超える知財の専門家が集まりました。
量子コンピューターについても、量子アニーリングの体験会を文化資本創研とDOICで2025年3月10日に開催しました。
東京科学大学
IPA（独立行政法人 情報処理推進機構）
Q-STAR（一般社団法人量子技術による新産業創出協議会）
Q-Quest
JellyWare
を迎え、企業、研究者、学生を対象に、実際に自分の端末から量子コンピューターへ接続してもらう構成にしました。当時、この領域を扱うイベント自体がまだ少なく、想定を超える方に集まっていただきました。
いずれも、答えが定まる前に場をつくるという点で共通しています。そしてこうした場が成立してきたのは、前に立ってくださった方々がいたからです。私はその設計側にいました。
なぜ今、発信しているのか
フィジカルAI（Physical AI）では点を大きくするのではなく、急速な変化と点と点を結び線になり、線が繋がり面、そして立体、雪だるまのように大きく転がっていくことが求められます。
技術も、政策も、知財も、標準化も、産学連携も、同時に見なければ判断が決まらない。そのすべてを1企業や団体、個人で対応できる方はまだほとんどいません。昨日まで世界最高と称賛されていた企業が1日で評価が変わる時代、役割が定義されるより先に技術と市場が動いているために、先を確定できる人はほぼいないと言っても過言ではありません。
日本がフィジカルAIで勝てるかどうかは、モデルの性能ではなく結合の速度が大きく影響すると考えています。だから今回は必要性を感じ、各専門家やチームへのハブ役として、自身でも発信をする選択を取っております。
出発点は、技術ではありません
起点に置いているのは、次の問いです。
人がより多くの能力と選択肢を持ち、安全に、豊かに生きられる社会を、どうつくるか。
人間開発の達成を最終的な評価軸に置いて、そこから逆算する。すると、次に必要なものはかなりはっきりします。
日本では人口が長期的に減少する一方、維持しなければならない物理資産は減らず、むしろ老朽化します。災害のリスクもなくなりません。それでも安全性も、医療も、物流も、地方での生活も、産業競争力も落としたくない。
だとすれば答えは「人がもっと頑張る」ではありません。一人の人間が使える知能と機械能力を、桁違いに増やすしかない。
スマートシティ、スマートローカルが「先進的な取り組み」ではなく当たり前の前提になった社会では、フィジカルAIは都市と産業の労働力の一部になります。その時代から逆算して、いま実装すべき技術に取り組んでいます。
バックキャスティングの射程は、5年後や10年後にとどまりません。地球規模の資源と環境、その先の宇宙利用までを視野に入れたうえで、では今年何を実装するかを決めています。 遠くを見ることと、手前を具体的に決めることは、同じ作業の両端です。
提唱している枠組み
実務で使っている整理を、記事として公開しています。抽象的な概念ではなく、実際に企業との議論で使っている道具です。
Physical AI Reverse-Design Model（Physical AI逆算モデル）
社会課題 → 人間が担っている物理タスク → 必要な身体能力 → 必要なAI能力 → 必要な技術・データ → 企業・大学 → PoC → 事業
ロボットから用途を探さない。 人が現在どこで危険を冒し、何を繰り返しているかを分解して、そこから身体を決めるという設計順序です。
Physical AI Data Refinement Model（Physical AIデータ精製モデル：3層 × 解像度）
Secret（出さない）／ Refined（技術指紋と企業固有性を削り、物理現象として利用可能にする）／ Learning（状態・行動・結果・失敗・復旧をAIが学習できる形にする）
核心は、どの層になるかはデータ項目名では決まらないという点にあります。同じトルク、同じ映像でも、時間解像度・同期性・組み合わせ・メタデータ・設備識別性によって秘密度が変わります。
データの種類 × 解像度 × 同期性 → 技術指紋リスク → 精製方法
Data → Benchmark → Interface → Physical Design（規格化の連鎖）
データを出すことは収益化ではなく規格化である、という整理です。そして鎖の後ろへ行くほど、競合は剥がせなくなります。 データ形式は剥がされ、ベンチマークは剥がせず、身体設計まで到達すれば、標準の変更が製品の再設計と同義になります。
Demand-driven Data Standardisation（需要起点データ規格化）
作れるものから標準を決めにいく順序を技術起点規格化の罠と呼び、その対として需要起点データ規格化を置いています。判定は4つの関門で行います。
世界需要 ／ 現場優位 ／ 合成耐性 ／ 採用ロック
専門領域
- AI・経済学（文化資本経済学）
- フィジカルAI（Physical AI）の事業化設計
- 産業用ドローン・空中ロボティクスの事業構想
- 現場データの戦略設計（保護・活用・標準化）
- 学際的・国際的な産学連携
- 製造業の新規事業設計
- スマートシティ／スマートローカル
- 日本伝統文化のプロデュース
三つの体制
一つの法人ですべてを対応しないのは、この領域の判断が技術・研究・事業の三つを高い専門性を持ちながらも同時に見ないと成立しないからです。
株式会社文化資本創研
文理という境界を越え、企業・大学・行政・地域・技術・伝統を横断しながら、様々な業界におけるイノベーションの企画と社会実装を担当。フィジカルAI、ドローン、新産業、地域・都市の設計を扱います。
一般社団法人 デジタル・オープンイノベーション・キャンパス（DOIC）
学際的・国際的な産学連携コンサルティングに従事。研究者の紹介にとどまらず、企業課題の翻訳 → 研究者・研究機関・共用研究設備の探索 → チーム組成 → PoC → 社会実装までを対象とします。
WITHPROJECTS株式会社
AIと経済学の研究、および学会運営に従事。AI実装、FDE（Forward Deployed Engineering）、事業ロジックのAI化、伝統文化プロデュースの設計を担当します。
もう一つの軸：伝統文化と、千年の叡智
フィジカルAIと並行して、日本の伝統文化に深く関わる方々とのプロジェクトにも取り組んでいます。
一見、遠い領域に見えるかもしれません。しかし私にとっては、同じ問いの裏表です。
文化資本という視点から見れば、千年を超えて受け継がれてきた風習や技法は、「人が能力を獲得し、発揮し、次の世代へ渡す」という営みが、実際に千年成立した証拠です。それがどういう条件で成立してきたのかは、これから社会に技術を実装するうえで、無視できない知見を含んでいます。
保存が目的ではありません。受け継がれてきたものを、次の時代に成立する形へ進化させる。 そのための企画と実装に取り組んでいます。
執筆記事
フィジカルAI（Physical AI）×ドローンとは ── 点検から「触って働く」空中ロボットへ 政府AIロボティクス戦略、全駆動、空中マニピュレーション、データ、部品戦略まで。
フィジカルAI（Physical AI）時代、日本の工場データを「守るだけ」では負ける 技術指紋を残さず現場データを活かす「Physical AIデータ精製」と、規格化の連鎖。
【NVIDIA×日本政府、官民10.5兆円】次の巨大市場（フィジカルAI）は、「未だ見えていない技術」から生まれる
フィジカルAI（Physical AI）事業化・FDE支援（サービス）
▶ フィジカルAI（Physical AI）関連記事をすべて見る
ご依頼・お問い合わせ
企業のフィジカルAI事業化、産学連携、新規事業設計に関するご相談を受けています。
- 自社技術がフィジカルAIのどこで効くのか分からない
- ドローン・ロボットを開発しているが、次のゴールを決められない
- 現場データをどこまで活用・外部提供できるか設計したい
- 大学と組みたいが、誰とどう組めばいいか分からない
- 国の支援制度に自社がどう乗れるか整理したい
構想段階からで構いません。 講演・寄稿・取材のご依頼も承っています。
▶ お問い合わせはこちら
https://www.withprojects.co.jp/contacts/
Takeo Kibayashi
Connecting Japanese manufacturing, university research, and AI — to make Physical AI a business.
What I do
I design the connection layer between three things that rarely meet in Japan: manufacturers who can build hardware, university laboratories with world-class research, and AI capability.
Japan does not have a technology shortage. It has a coupling shortage. Research exists. Manufacturing capability exists. Field data exists. Policy is moving. What is scarce is the person who can look at a societal problem and say: this company’s process technology, plus this laboratory’s control research, plus this AI, plus this public programme, becomes a business.
That is the work.
I currently do this in the Physical AI domain — redefining what an existing industrial machine should become, deciding which parts of a design can still be changed and which cannot, and determining how field data can leave a factory without leaking the technology that made it valuable.
Where I start
My background is in AI and economics, with a focus on cultural capital. That means I do not start from technology. I start from a question:
How do we build a society in which more people can develop and exercise their capabilities, safely and well?
Working backwards from human development makes the near future unusually clear.
Japan’s population is in long-term decline. The physical assets that must be maintained — bridges, transmission towers, water systems, plants — do not decline. They age. Disaster risk does not go away. And yet we do not want to lower safety, healthcare, logistics, regional living standards, or industrial competitiveness.
The answer is not “people should work harder.” It is to increase, by an order of magnitude, the intelligence and mechanical capability available to one person.
Generative AI began this on the screen. Physical AI begins it in the physical world. In a society where smart cities and smart local regions are no longer pilot projects but the default, Physical AI becomes part of the labour force of a city.
I work backwards from that society to decide what must be implemented now.
Frameworks I use
These are not conceptual models. They are the tools I use in actual client decisions. I publish them because a framework that cannot survive being read by a competitor is not a framework.
Physical AI Reverse-Design Model
Societal problem → physical tasks humans currently perform → required embodiment → required AI capability → required technology and data → companies and universities → PoC → business
Do not search for applications starting from the robot. Decompose where humans currently take risk and repeat effort, and let that determine the body.
Physical AI Data Refinement Model — Three Layers × Resolution
Secret (never released) / Refined (company- and equipment-specific identity removed; physical value retained) / Learning (state → action → outcome, including failure and recovery)
The critical point is that the layer is not determined by the data type.
The same torque signal, the same video, the same motor current can belong to different layers depending on temporal resolution, synchronisation, combination, metadata, and equipment identifiability.
At high temporal resolution, synchronised with command values and joint states, a torque trace can allow the dynamics, the control design, and the process itself to be inferred. A mechanism can be reconstructed from behaviour, without ever seeing a drawing. I call this a technical fingerprint.
data type × resolution × synchronisation → technical fingerprint risk → refinement method
Refinement is therefore not the act of deleting fields. It is the act of designing resolution and synchronisation.
And refinement is not a technique for selling data. It is a technique for releasing it safely — because data that is never released is never learned from, and a factory that is never learned from eventually looks, to the world’s robot foundation models, like an unsupported edge case.
The Standardisation Chain: Data → Benchmark → Interface → Physical Design
Releasing data is not monetisation. It is standardisation. And the chain has a gradient:
Data format can be stripped. A buyer normalises it into their own schema and the leverage is gone.
A benchmark cannot be stripped. As long as it is the evaluation standard, results must be reported against it.
An interface becomes an ecosystem. Leaving it means losing connectivity.
Physical design cannot be reversed without redesigning the product.
“Owning a standard” is not about publishing a format. It is about how far down this chain you reached.
Publishing a schema and stopping there is not owning a standard. It is selling raw material cheaply.
A second line runs orthogonally: safety, evaluation, and assurance. Where the method of demonstrating “safe to deploy” attaches to the benchmark or the interface, adoption lock becomes considerably stronger.
Demand-driven Data Standardisation — and the Technology-first Trap
There is a failure pattern with a recognisable shape:
We are good at X → we build the world’s best X → we propose it as a standard → please, someone use it.
I call this the technology-first standardisation trap. The technology can be genuine and the standard can still fail, because the world did not require a solution at that level.
The correct order is inverted. Demand-driven data standardisation begins with an unsolved global problem, asks whether Physical AI is required to solve it, asks whether Japan holds a comparative advantage there, and only then asks what data can be refined and released.
Four gates before investing:
Global demand — will money continue to be paid for this problem?
Field advantage — can this data only be obtained here?
Synthesis resistance — can simulation generate it? (technically the hardest gate)
Adoption lock — can the buyer strip the format and absorb it into their own? (in practice, the gate that eliminates the most candidates)
Gate 4 reduces to one question:
If the buyer discarded your representation, your evaluation method, and your interface — would they still obtain the same value? Yes → this is data sales. The closer to no → the closer to a de facto standard.
Note the order: de facto first, formal standardisation later. Reversing it produces an impeccable standard that nobody uses.
Areas
AI and economics (cultural capital economics)
Physical AI business design
Industrial drones and aerial robotics
Field data strategy — protection, utilisation, standardisation
Interdisciplinary and international industry–academia collaboration
New business design for manufacturers
Smart cities and smart local regions
Affiliations
Bunka Shihon Souken Inc. (株式会社文化資本創研) Innovation design across disciplines — connecting companies, universities, government, and regions. Physical AI, drones, new industries, and regional/urban design.
Digital Open Innovation Campus (DOIC) — 一般社団法人デジタル・オープンイノベーション・キャンパス Interdisciplinary and international industry–academia collaboration. Not researcher introductions: translation of a corporate problem into a research question, identification of laboratories and shared research facilities, team formation, PoC, and social implementation.
WITHPROJECTS Inc. (WITHPROJECTS株式会社) Research in AI and economics, and academic society operations. AI implementation, Forward Deployed Engineering (FDE), and business logic design.
Selected writing
Published in Japanese. English summaries available on request.
Physical AI × Drones — from inspection to physical work Why the next competitive frontier for industrial drones is not autonomous flight but the ability to make contact and perform work. Covers Japan’s AI Robotics Strategy, fully-actuated rotor configurations, aerial manipulation, data, and component strategy.
Why Japan Loses if It Only Protects Its Factory Data The Physical AI Data Refinement Model, and why releasing refined data is a path to owning a standard rather than merely selling an asset.
→ /service-detail-tax/ai-dx-support/physical-ai/
Enquiries
I work with manufacturers, research institutions, and public bodies on Physical AI business design, industry–academia collaboration, and field data strategy.
International research collaboration, speaking, and writing enquiries are welcome.
