AIで微小機械を作るAtomic Machinesの賭けと課題

微小機械づくりにAIが入る必然

Atomic Machinesが発表した「Matter Compiler」は、AIで文章や画像を作る話ではありません。デジタル設計を、実際に動く微小機械へ変換する製造システムを掲げています。同社は6年間のステルス開発を経て、累計2億5000万ドルの資金調達と、初製品「PrimeSwitch」を公表しました。

重要なのは、ここでいう「マイクロロボット」が夢物語として語られていない点です。最初の出口は医療用ロボットではなく、AIデータセンターの電源保護に使う超高速リレーです。微小な構造、材料、動作、量産性をどう同時に成立させるか。この記事では、Atomic Machinesの技術的な狙いと、検証すべき限界を整理します。

Matter Compilerが狙う製造の再設計

コードから動く部品へ向かう閉ループ

Matter Compilerの中核は、設計、製造、測定を同じループに入れるという発想です。会社側の説明では、システムはデジタル設計を受け取り、CADや工程を検証し、装置で実物を作り、計測結果を次の設計に戻します。ソフトウェアのコンパイラがコードを機械語へ変換するように、物理デバイスの設計を製造命令へ変えるという比喩です。

従来の3Dプリンターとの違いは、「形」を作るだけでなく、動く部品、複数材料、密閉、配線、組み立てまで含む微小機械を狙っている点です。同社は、金型、マスク、治具に依存しない全デジタル製造を掲げています。新しいデバイスごとに専用ラインや専用プロセスを作るのではなく、装置が持つ製造操作の組み合わせで未知の部品へ対応する構想です。

この考え方は、AI時代の製造でよく語られる「自己運転ラボ」に近いものです。Google DeepMindのGNoMEは大量の結晶候補を予測し、バークレーのA-Labはロボット実験で新材料の合成を進めました。材料科学では、AIが候補を出し、実験装置が試し、失敗データも含めて次の探索に使う流れが現実になりつつあります。Atomic Machinesは、その閉ループを材料候補ではなく、機能する微小機械そのものへ広げようとしています。

MEMSの弱点を突く多材料・三次元

既存のMEMS産業は、スマートフォンの加速度センサー、ジャイロ、マイク、インクジェットノズル、マイクロミラーなどを実用化してきました。ただし、MEMSは半導体製造技術を応用して発展したため、平面的な加工、シリコン中心の材料、製品ごとに異なる工程開発という制約を受けやすい分野です。SEMIも、MEMSではデバイスの多様性と「一製品一工程」の性格が開発上の大きな課題になると指摘しています。

Atomic Machinesが狙う隙間はここです。微小なポンプ、ギア、バルブ、熱制御部品、光学部品、医療用マイクロロボットには、単なるシリコンパターンではなく、金属、磁性材料、絶縁体、封止構造、三次元の可動部が必要になります。半導体ファブはトランジスタという「情報機械」には極めて強い一方、力を出す、流体を動かす、熱を逃がす、接点を開くといった物理動作には必ずしも最適化されていません。

同社が本当に一般化された製造言語を作れるなら、MEMSの開発期間は大きく短縮されます。設計者は、製造装置に合わせてデバイスを妥協させるのではなく、物理的に必要な材料と構造を先に指定できます。ただし、ここには大きな前提があります。AIが扱う「製造言語」が十分に正確で、材料の変形、熱影響、表面力、接着、摩耗、歩留まりまで予測できなければ、試作はできても量産には届きません。

材料AIと自律実験の先行事例

AIによる材料探索では、すでに大規模な成果が出ています。DeepMindはGNoMEで220万の新しい結晶構造を予測し、そのうち38万を安定候補として公開しました。A-Labは17日間の連続運転で57目標中36材料を合成したと報告しています。これらは、AIが科学者の勘を置き換えるというより、仮説生成と実験選択を高速化する事例です。

一方、動く微小機械は材料単体より複雑です。リレーなら接点抵抗、絶縁、機械寿命、熱、振動、アーク、封止の信頼性が絡みます。医療用マイクロロボットなら、さらに生体適合性、体内での制御、電源、回収、安全性が問題になります。つまりMatter Compilerの成否は、AIモデルの華やかさより、測定データをどれだけ正しく物理へ戻せるかにかかっています。

PrimeSwitchが示すAIデータセンター需要

800V化が生む高速遮断の需要

Atomic Machinesの初製品PrimeSwitch PS-150は、微小機械プラットフォームのデモであると同時に、AIインフラ向け部品です。公表仕様では、150アンペアの連続電流、50マイクロ秒の開放時間、200マイクロオームのオン抵抗、1500ボルトのガルバニック絶縁、9.5ミリ径、厚さ3ミリの表面実装パッケージをうたっています。保持電力はゼロの双安定動作です。

この仕様が狙うのは、AIデータセンターの電源構成の変化です。Open Compute Projectでは、Google、Microsoft、NVIDIAが中心となり、次世代AIデータセンター向けに800VDCの標準化を進めています。NVIDIAも、高密度AIラックでは従来の電力変換や低電圧配線がボトルネックになり、800VDCが有力な経路になると説明しています。

電圧を上げると同じ電力を少ない電流で送れるため、銅配線や変換損失の負担を減らせます。一方で、直流高電圧は故障時の遮断が難しくなります。半導体スイッチは高速ですが導通時の損失と発熱があり、機械式リレーは効率よく電流を流せる反面、開放はミリ秒級になりがちです。PrimeSwitchは、この二者の間にある「速く、低損失で、絶縁できる接点」を狙っています。

PrimeSwitchで測るプラットフォーム性

スタートアップの製造プラットフォームは、概念だけでは評価できません。Atomic Machinesが最初にリレーを選んだのは合理的です。AIデータセンターの電力密度は現実に上がっており、800VDCの標準化も進んでいます。もしPrimeSwitchが公表仕様通りに動き、顧客評価を通過し、量産価格と信頼性を満たせば、Matter Compilerは「作れなかったものを作る装置」として説得力を得ます。

ただし、PrimeSwitchが成功しても、それだけで万能製造機が証明されるわけではありません。リレーは電気機械部品として重要ですが、マイクロポンプ、熱制御デバイス、光学部品、医療用マイクロロボットでは支配的な物理が変わります。流体なら表面張力や詰まり、熱なら界面抵抗、医療なら滅菌や規制が前面に出ます。プラットフォーム性を見るには、異なる物理領域で同じ製造ループが機能するかを確認する必要があります。

投資家向けの説明では、Matter Compilerは各製造ステップが材料をどう変えるかを学習した「世界モデル」を持つとされています。これは魅力的な言葉ですが、製造では外乱が多く、計測できない内部欠陥もあります。AIが生成した設計を装置が作るだけでなく、失敗を検出し、修正し、品質保証へつなげられるかが、商業化の境目です。

マイクロロボット実用化との距離

「マイクロロボット」という言葉は、読者に体内を泳ぐ小型ロボットを想像させます。実際、微小スケールのロボット研究では、薬剤送達、細胞操作、環境センシングなどの応用が議論されています。最近の研究では、センサー、計算、記憶、移動、通信を備えた顕微鏡サイズのロボットや、オンボード制御を持つモジュール型マイクロロボットも報告されています。

しかし、研究室のデモと医療機器の実用化の間には大きな距離があります。1ミリ以下のロボットは、エネルギー供給、通信、位置推定、体内での安全性、回収、量産ばらつきのすべてが難題です。微小化すると慣性より表面力が支配的になり、マクロな機械の設計常識が通用しません。Atomic Machinesの意義は、すぐ体内ロボットを量産することではなく、こうした複雑な小型機械を作る「製造側の不足」に挑んだ点にあります。

量産検証まで残る物理AIの壁

Atomic Machinesの発表は野心的ですが、現時点で公表情報の多くは会社側の主張です。PrimeSwitchは評価用サンプル段階で、価格、量産能力、歩留まり、寿命試験、第三者による性能評価は広く確認されていません。電源保護部品は、単に速く動くだけでは不十分です。高温、高湿、振動、長期通電、故障時の挙動まで含めて、顧客側の認証を通る必要があります。

Matter Compilerにも同じ課題があります。装置が一つの製品を作れることと、多様な製品を安定して作れることは別です。微小加工では、材料の熱膨張差、接合界面、表面汚染、加工残渣が性能を左右します。AIの閉ループは、測定できる失敗には強くなれますが、測定系が見落とす欠陥には弱い可能性があります。

また、製造プラットフォーム企業は事業モデルの選択も難しい立場にあります。PrimeSwitchのような自社製品で売上を作るのか、他社の微小機械を受託製造するのか、設計ツールと製造能力をセットで提供するのか。どの道を選んでも、顧客の設計情報、知的財産、品質責任が絡みます。AIが製造を速くするほど、失敗時に誰が責任を持つかという問題も鮮明になります。

投資家と技術者が追う三つの検証軸

今後見るべき第一の軸は、PrimeSwitchの実地評価です。公表仕様が顧客環境で再現され、800VDCの電源保護で採用されるかが最初の試金石になります。第二の軸は、Matter Compilerがリレー以外の物理領域へ広がるかです。流体、熱、光、医療用途で成果が出れば、単一製品の成功を超えます。

第三の軸は、データの蓄積が本当に製造コストと開発期間を下げるかです。AIが強いのは、失敗も含めて学習できる環境が整ったときです。Atomic Machinesの挑戦は、AIが「考える」だけでなく、物質を測り、作り直し、次の設計へ戻す時代への入り口です。過度な期待ではなく、物理の制約に耐えるデータが積み上がるかを見極める局面です。

参考資料:

• Atomic Machines Emerges from Stealth with $250 Million to Launch the Matter Compiler
• The Matter Compiler — Atomic Machines
• PrimeSwitch — Atomic Machines
• Company — Atomic Machines
• Atomic Machines Origin Story
• The Micro-machine Universe
• Construct Capital: Why We Invested in Atomic Machines
• SEMI: MEMS Fabrication Growth Enabler or Industry Roadblock
• Open Compute Project: Powering the Next Era of AI
• NVIDIA: Why Scaling AI Compute Performance Requires a New Power Architecture
• Open Compute Project: Delivering an Open Data Center Ecosystem for AI
• Google DeepMind: Millions of new materials discovered with deep learning
• Nature: An autonomous laboratory for the accelerated synthesis of inorganic materials
• arXiv: Microscopic Robots That Sense, Think, Act, and Compute
• arXiv: Modular electronic microrobots with on board sensor-program steered locomotion