Samsungが募集しているのは「ロボット研究者1人」ではなくData Efficiency組織のリーダーだ

Samsung Research Americaの現在の採用ページでは、Robot Intelligence LabにPrincipal Research Scientist、Research Engineer、Researcherと並んでSenior Manager, Robot Intelligence Data Efficiencyが掲載されています。単にアルゴリズム研究者を追加するのではなく、Data Efficiencyという名前のグループを率いる人材を別枠で採用している点が重要です。

同じ研究所のResearcher求人では、Reasoning、Dexterity、Data Efficiency、Robot Systemsなど複数グループで採用すると説明されています。Data Efficiencyは補助的なデータ業務ではなく、現在の研究組織で独立した軸として見えます。

一社の組織図だけでPhysical AI業界全体を説明することはできません。ただし、大手電子企業がある技術課題を「組織」と「リーダー求人」に変えたことは、どこに複雑さが集まっているかを見る材料になります。

「データをどれだけ持つか」から「どのデータが本当に学習に効くか」へ

ロボット学習では実世界データの収集コストが高いという構造的な問題があります。実機、場所、オペレーター、安全管理が必要で、インターネット上のテキストのようには増やせません。

Data Efficiencyの職務範囲にはsimulation training/evaluation、egocentric video、generative modelを使ったsimulation testing、real2sim2real、teleoperation data augmentationなどが含まれます。単純な収集量ではなく、複数のデータ源からより多くの学習価値を引き出すことがテーマです。

高価な実機データ1時間からsimulationやaugmentationでどこまで学習信号を増やせるか。そして、どのdata mixtureが実機の成功率を本当に上げるか。ここが別の最適化問題になります。

実機・simulation・teleoperationをつなぐ経験が重要になる

Physical AIのデータ源は一つではありません。人間によるteleoperation、ロボットの成功・失敗ログ、simulation rollout、1人称映像、vision・tactile・audioなどのmultimodal sensor dataがあります。

SamsungのRobot Intelligence求人もVLA/VLM、open-world 3D perception、dexterous manipulation、real2sim2real、whole-body control、multimodal data fusionを研究範囲に含めています。Data Efficiencyはこうしたデータ源と学習課題の接点にあります。

そのためroboticsとML infrastructureを完全に分けて考えるのは難しくなります。実機の失敗を理解するrobotics知識と、その経験を再現可能な学習に変えるpipeline・augmentation・deployment能力の両方が必要になります。

人材境界は「AI人材」という一語より細かくなる

こうした組織が増えると、Physical AI採用を「AI researcher」だけで説明できなくなります。simulation engineer、robot learning researcher、data/model pipeline engineer、perceptionやcontrolとlearningをつなぐengineerなど、stackのどこを担当するかが重要になります。

キャリア上は組み合わせが強いシグナルになります。computer vision＋robot behavior、MLOps＋simulation/sensor pipeline、controls＋learning/hardware evaluationなど、二つの領域を実システムで接続したEvidenceです。

もちろん、その経験があればSamsungに採用されるという意味ではありません。現在の求人は高い研究・専門経験を要求しています。ここで確認できるのは、どんな組み合わせが独立した組織責任になり始めているかです。

Robot OperatorとData Efficiency研究者は同じデータループの別階層にいる

Physical AI市場ではrobotをteleoperationしてdemonstration dataを作る仕事も存在します。一方、そのデータをsimulation、augmentation、training pipelineと組み合わせて学習効率を高める高スキルの研究・engineering層もあります。

データを作る仕事と、データの情報価値を最大化する仕事は同じではありません。autonomyの向上で反復的なteleoperationの需要が変化しても、限られた実世界経験からより多くを学ぶ問題は複雑になる可能性があります。

したがって「Physical AIがdata jobを増やす」ではなく、data creation → quality → mixture → training → evaluation → deploymentのどこで仕事が生まれているかを見る必要があります。

見るべきはヒューマノイドの台数ではなくlearning loopだ

ヒューマノイド競争は動画では歩行や物体操作として見えます。しかし採用を見ると、その裏側にある反復システムが見えます。経験を集め、simulationで増やし、modelを学習し、実機にdeployし、失敗を再びデータへ戻すloopです。

SamsungがData Efficiencyを独立グループとして置いていることは、少なくとも現在のSRA研究組織でこのloopの効率を別の課題として管理しているシグナルです。

人材市場でも「robotics経験があるか」だけでは不十分になります。現実の経験を学習可能なdataへ変え、その結果を再びhardware performanceで検証したEvidenceがあるかという、より具体的な問いが必要です。

BANSEOG VIEW

Physical AIで希少になるのはデータそのものより「経験を学習に変える能力」かもしれない

SamsungのData Efficiencyグループは、robot data競争が単なる量の競争ではないことを示す組織シグナルです。実世界・simulation・teleoperation・human videoの経験をどう組み合わせ、実機性能へ戻すかが独立した研究課題になっています。

その変化は職務境界も変えます。roboticsとML、simulationとdeployment、sensor dataとmodel pipelineの二つ以上を実システムでつないだ人に、より明確な役割が生まれる可能性があります。

Physical AIの競争力が一度のロボットdemoではなくlearning loopの反復速度で決まるなら、重要なのは「データを多く持つこと」だけではありません。同じ高価な現実経験からどれだけ速くより良い行動を学べるかです。

Physical AIで希少になるのはデータそのものではなく、現実を再現可能な学習へ変換する能力なのかもしれません。

SOURCES

参照した主な資料

求人と組織構造は随時変更されます。本稿は2026年9月2日に確認したSamsung Research Americaの公開求人を基準にしています。SRAの一組織をSamsung全体のrobotics戦略やPhysical AI業界全体の標準として一般化せず、特定経験が採用成功を保証するとも解釈しません。