【CES 2026 基調講演】ペプシコが3ヶ月で効率20%増。シーメンス×NVIDIAが起こす「産業AI革命

zenk

2026年1月17日 08:40

「失敗はバーチャルで、成功はリアルで」。AIはもはや未来の技術ではなく、現場のインフラになりつつあります。シーメンスの基調講演から、その全貌を解説します。

出典・引用：The Industrial AI Revolution: Siemens Keynote at CES 2026

サラがスマートグラスで効率を上げたように、私たちのデスクワークも「ウェアラブル」で進化します。

場所を選ばずに複数画面を展開できる XREAL One は、まさに現代のビジネスパーソンにとっての「コパイロット」ツール。物理的なモニターに縛られず、どこでも最強の作業環境（デジタルワークスペース）を構築できます。

1. 電気からAIへ──産業革命の新章が始まる

1.1. 175年の歴史が教えてくれること

Siemens（シーメンス）という会社をご存知でしょうか。ドイツに本社を置く、創業175年の歴史を持つ巨大テクノロジー企業です。このセクションでは、Siemensが歩んできた歴史を振り返りながら、なぜ今「AI」が電気と同じくらい重要な技術になろうとしているのかを解説していきます。

まず、電気が登場する前の世界を想像してみてください。人々の移動手段は馬でした。工場を動かすのは蒸気機関。そして、情報を伝えるには手紙を書くか、直接声を届けるしかありませんでした。世界は「人の歩みの速さ」で動いていたのです。

そこに電気という技術が登場しました。電気は「汎用技術（General Purpose Technology）」と呼ばれる特別な存在です。汎用技術とは、特定の分野だけでなく、社会のあらゆる領域に応用できる基盤的な技術のことを指します。電気はまさにその代表例でした。夜を昼に変え、人間の能力を何倍にも増幅させ、生産性を飛躍的に向上させました。かつては「手の届かない夢」だった進歩が、電気によって現実のものとなったのです。

Siemensはこの電気の時代を切り拓いてきた企業です。通信システムや送電網の開発、大量生産を可能にする機械の発明、電車による人やモノの輸送など、電気の恩恵を世界中に届ける役割を担ってきました。私たちが当たり前のように使っている電気インフラの多くは、こうした先人たちの努力の上に成り立っています。

そして今、1世紀半の時を経て、新たな汎用技術が登場しました。それが人工知能、つまり「AI」です。前回の産業革命がエネルギー（電気）によって引き起こされたのに対し、今回の革命は「知能」によって引き起こされようとしています。

AIは21世紀において、電気が19〜20世紀に果たしたのと同じくらい変革的な役割を担うと予測されています。具体的にはどのような変化が起きるのでしょうか。

第一に、製品の設計と製造の方法が根本から変わります。皆さんの手元にあるスマートフォンから、日常的に乗る自動車まで、あらゆるモノづくりのプロセスにAIが組み込まれていきます。

第二に、インフラの構築と運用が革新されます。ビルや道路、電力網といった社会基盤が、より効率的かつ自律的に管理されるようになります。CESの会場となっているような大型施設も、その対象です。

第三に、システム全体の最適化が可能になります。送電網、都市、さらには経済システムまで、より適応的で効率的な運営が実現します。

Siemensは「1世紀前に電気の光で世界を照らす手助けをした。今度は知能の時代に、もう一度同じことをする」というビジョンを掲げています。これが「Industrial AI Revolution（産業AIの革命）」の始まりです。

ここで重要なのは、AIが単なる「便利なツール」ではなく、電気と同様に社会の基盤となる技術だという点です。電気が登場した当初、人々は「電灯が便利になった」程度にしか考えていなかったかもしれません。しかし実際には、電気は工場、交通、通信、医療など、社会のあらゆる側面を根本から変えました。AIもまた、同じような道筋をたどると予想されているのです。

NVIDIAのCEOであるジェンスン・フアン氏との対談では、この歴史的な視点がさらに深掘りされました。Siemensは「もうすぐ200年」の歴史を持つ企業として、これまでの産業革命を実際に経験してきました。蒸気機関、電気、コンピュータ──それぞれの技術革新の波を乗り越えてきた経験が、今回のAI革命においても活かされています。

フアン氏は、Siemensを「ソフトウェア定義の会社に変革する」というビジョンを高く評価しています。これは、従来のハードウェア中心の製造業から、ソフトウェアとAIを核とする企業への進化を意味します。単に機械を作るだけでなく、その機械を動かすソフトウェア、さらにはそのソフトウェアを賢くするAIまでを一貫して提供できる体制を構築しているのです。

両者のパートナーシップは2022年にミュンヘンで発表されました。わずか3年という短期間で、当時のビジョンが具体的な成果として現れ始めています。HD Hyundai（現代重工業）との協業では、巨大な船舶の完全なデジタルツインを構築することに成功しました。

デジタルツイン（Digital Twin）とは、現実世界の物体やシステムをデジタル空間に再現したものです。単なる3Dモデルではなく、ネジ一本に至るまで完全に再現された「双子」のようなものを指します。船舶のような大型構造物の場合、設計段階でデジタルツインを作成し、仮想空間で徹底的に検証してから実際の建造に移ることで、コストとリスクを大幅に削減できます。

船舶の建造において、デジタルツインが特に重要な理由があります。船は一度水に浮かべてしまうと、設計ミスがあっても簡単には修正できません。「失敗してからやり直す」という選択肢がほぼ存在しない分野なのです。だからこそ、デジタル空間で完璧に仕上げてから現実世界で建造するというアプローチが不可欠となります。

SiemensとNVIDIAの協業では、SiemensのCAD（Computer-Aided Design、コンピュータ支援設計）技術とNVIDIAのOmniverse（オムニバース）というプラットフォームを組み合わせています。

Omniverseは、フォトリアリスティック（写真のように現実的）な3D表現を可能にする技術で、これによりデジタルツインがより精密で現実に近いものになります。

よくある質問

Q1: 汎用技術とは何ですか？普通の技術とどう違うのですか？
A: 汎用技術（General Purpose Technology）とは、特定の産業や用途に限定されず、社会全体に広く応用できる基盤的な技術のことです。電気、蒸気機関、インターネットなどが代表例です。普通の技術が特定の問題を解決するのに対し、汎用技術はそれ自体が新しい産業やイノベーションを生み出す土台となります。AIもこの汎用技術に位置づけられており、製造、医療、交通、エネルギーなど、ほぼすべての分野に影響を与えると考えられています。

Q2: デジタルツインを作るメリットは何ですか？
A: デジタルツインの最大のメリットは「失敗のコストを下げられる」ことです。現実世界で試作や実験を繰り返すには、膨大な時間とコストがかかります。しかしデジタルツインがあれば、仮想空間で何度でもシミュレーションや検証を行えます。船舶や工場のような大規模プロジェクトでは、一度の設計ミスが数億円規模の損失につながることもあるため、事前にデジタルで「練習」できる価値は計り知れません。

Q3: SiemensとNVIDIAはなぜ協力しているのですか？
A: SiemensはCADソフトウェアやシミュレーション技術、産業用オートメーションなど、製造業のソフトウェア・ハードウェアに強みを持っています。一方、NVIDIAはGPU（グラフィック処理ユニット）やAI技術のリーダーです。両社が協力することで、Siemensのシミュレーションや設計ツールをNVIDIAのGPUで高速化したり、NVIDIAのAI技術をSiemensの産業ソフトウェアに組み込んだりできます。お互いの強みを掛け合わせることで、どちらか単独では実現できないソリューションを生み出しているのです。

サラがスマートグラスで効率を上げたように、私たちのデスクワークも「ウェアラブル」で進化します。

1.2. AI普及のスピードはこれまでと何が違う？

新しい技術が社会に浸透するまでには、どのくらいの時間がかかるのでしょうか。このセクションでは、過去の技術革新と比較しながら、AIの普及スピードがいかに異例であるかを解説します。

歴史を振り返ってみましょう。蒸気機関が社会を変革するまでに要した時間は約60年でした。電気はその半分の30年。コンピュータはさらにその半分の15年。では、AIはどうでしょうか。なんと7年以下で、私たちが日常的に依存するシステムに知能が組み込まれると予測されています。

このスピードの違いは、単なる数字以上の意味を持っています。技術の普及速度が速いということは、それだけ社会全体が短期間で大きな変化に直面するということです。過去の産業革命では、人々が新しい技術に適応するための時間的余裕がありました。しかしAIの場合、その猶予期間が極めて短いのです。

さらに重要なのは、AIがフィジカルシステム（物理的なシステム）に入り込むと、単なる「機能」から「力」に変わるという点です。ここで言うフィジカルシステムとは、工場の機械、交通インフラ、電力網など、現実世界で動いているあらゆるシステムを指します。スマートフォンのアプリとして動くAIと、工場のロボットを制御するAIでは、その影響力が根本的に異なります。

フィジカルシステムに組み込まれたAIは、現実世界に直接的なインパクトを与えます。製品の設計方法、工場での生産プロセス、インフラの運用方法、さらには世界のエネルギー供給の仕組みまで、あらゆる領域が変革の対象となります。

では、これをどうやって実現するのでしょうか。課題は大きく分けて二つあります。

一つ目は「スピードとスケール」の問題です。AIの恩恵を受けるためには、技術を素早く、かつ大規模に展開する必要があります。一部の先進企業だけがAIを活用するのではなく、あらゆる産業、あらゆる規模の企業がAIを使えるようにならなければなりません。

二つ目は「信頼性と安全性」の問題です。産業界においてAIを導入する際、ハルシネーション（幻覚、AIが事実と異なる情報を生成すること）は許容されません。チャットボットが多少間違った情報を返すのと、工場の制御システムが誤った指示を出すのとでは、結果の深刻さがまったく異なります。

Siemensのアプローチは、「産業AIを現実世界のシステムに簡単にスケールできるようにする」というものです。

そのために必要な要素を整理すると、以下の三つに分類できます。

第一に、AI活用に必要な技術群です。これにはソフトウェア、ハードウェア、そして高性能なGPUコンピューティングが含まれます。GPU（Graphics Processing Unit）とは、もともとゲームのグラフィックス処理用に開発されたプロセッサですが、AIの学習・推論においても非常に高い性能を発揮します。NVIDIAがこの分野のリーダーであり、SiemensとNVIDIAの協業が重要な理由の一つがここにあります。

第二に、産業分野における専門知識（ドメインノウハウ）です。AIの技術だけあっても、それを製造業や医療、エネルギーといった具体的な領域で活用するには、その分野特有の知識が不可欠です。Siemensは50年以上にわたりAIを産業分野で活用してきた実績があり、1,500人以上のAI専門家を擁しています。

第三に、適切なパートナーシップです。AWS、Microsoft、NVIDIAといった技術パートナーとの連携により、必要な計算資源やプラットフォームを確保しています。

そして、これらすべてをつなぐのが「データ」です。産業分野のデータは、一般的なインターネット上のデータとは性質が異なります。工場の稼働データ、製品の設計データ、インフラの運用データなど、長年にわたって蓄積された貴重な情報がSiemensには存在します。このデータがAIの学習と推論の基盤となります。

Siemens Xcelerator（エクセレレーター）というマーケットプレイス（オンライン上で製品やサービスを提供する場）では、これらの要素を一箇所に集約しています。ユーザーは必要なツールやサービスを選んで組み合わせることで、自社のニーズに合った産業AIソリューションを構築できます。

ここで注意が必要なのは、多くの企業がすでにデジタル化のための基本的な要素を持っているものの、それだけでは「AI対応」にはならないという点です。

たとえば、デジタルツインを持っている企業は増えています。しかし、従来のデジタルツインはシミュレーションや問題解決には使えても、「次に何をすべきか」を提案する能力は持っていません。現状を可視化することと、未来を予測して行動を推奨することは、まったく異なるレベルの機能なのです。

コンピューティング環境についても同様です。多くの企業はCPU（Central Processing Unit、中央処理装置）ベースの計算環境を持っていますが、AIの真価を発揮するにはGPUが必要です。CPUは汎用的な計算に優れていますが、AIの学習や推論に必要な大量の並列計算はGPUの方がはるかに効率的に処理できます。

データの問題も深刻です。多くの企業では、データが分断され、サイロ（孤立した状態）に閉じ込められ、活用されていません。製造部門のデータと営業部門のデータが別々のシステムに保存され、互いに参照できない状態がよく見られます。AIがその力を発揮するためには、これらのデータを統合し、一貫した形式で利用できるようにする必要があります。

だからこそ、エンドツーエンド（端から端まで、一貫した）の産業AIスタックが重要なのです。AIスタックとは、AIを動かすために必要なソフトウェアやハードウェアの層を積み重ねた構造のことです。データの収集から、AIモデルの学習、推論の実行、そして現実世界への適用まで、すべての工程をカバーする一貫したシステムがあって初めて、産業分野でのAI活用が現実のものとなります。

Siemensがこのような包括的なAIスタックを構築できる理由は、50年以上にわたって産業分野でAIを活用してきた経験にあります。今日では1,500人以上のAI専門家が在籍し、すべてのエンジニアがデジタルの世界と現実の世界の両方に精通しています。さらに、25万人以上の従業員が30の産業分野における深い専門知識を持っています。

この専門知識は抽象的なものではありません。数十年にわたり、Siemensはアメリカをはじめ世界中の顧客企業に対して、製造の自動化、鉄道ネットワークの運営、送電網の設計・運用、ビルの効率的な運営などを支援してきました。実際、世界中の製造機械の3台に1台は、Siemensのコントローラー（制御装置）で動いています。

Siemensのソフトウェアを使えば、製品の包括的なデジタルツインはもちろん、製造施設全体のデジタルツインを構築できます。そして今、そこにAIが加わります。

数十年にわたるソフトウェア、ハードウェア、AIの経験は、「どのデータが重要で、どのようにクラスタリング（グループ化）すべきか」「どのAIアプリケーションが有効で、どの判断は人間に委ねるべきか」といった実践的な知見につながっています。これがドメインノウハウ（専門領域の知識）の価値です。AIの技術だけでは分からない、現場ならではの判断基準を提供できるのです。

パートナーシップの重要性についても触れておきましょう。産業AIがすべての設計・製造・運用データを活用するには、膨大な計算能力が必要です。

一つは「AIファクトリー」と呼ばれる巨大な中央集権型のデータセンターです。AWSやMicrosoftといったクラウドパートナーが運営するこれらの施設は、大規模なAIモデルの学習に不可欠です。

もう一つは「エッジ」と呼ばれる、機械やインフラのすぐ近くでの処理です。エッジコンピューティングでは、データが生成される場所の近くでAIの推論を実行することで、リアルタイムの意思決定が可能になります。工場の機械が異常を検知した瞬間に対処するような用途では、クラウドにデータを送って処理を待つ余裕はありません。

GPUによる大規模な計算能力を活用することで、デジタルツインは数千の選択肢ではなく、数十万の選択肢を探索できるようになります。複雑な産業用のファウンデーションモデル（基盤モデル、さまざまなタスクに応用可能な大規模AIモデル）を、前例のない量の産業データで学習させることができます。そしてデジタルツインは、工場全体をリアルタイムで制御することも可能になります。

適切な技術、産業分野のドメインノウハウ、そして適切なパートナー──これらが組み合わさったとき、大きな変化が起きます。問題を報告するだけでなく、問題を予測できるようになります。人間がエラーに対応するのではなく、機械が自律的に調整を行うようになります。企業はアイデアを現実世界のインパクトに、素早く、高品質に、効率的に変換できるようになります。

これが「産業AIの革命」です。単なる技術の進化ではなく、ビジネスのあり方、製造のあり方、社会インフラのあり方を根本から変える変革なのです。

まとめると、AIの普及スピードがこれまでの技術革新と決定的に異なるのは、変化の速さだけでなく、その影響範囲の広さと深さにあります。電気が社会に浸透するまでの30年間、人々には適応の時間がありました。しかしAIの場合、わずか7年以下という短期間で、製造、医療、交通、エネルギーといった社会のあらゆる領域に変革が及びます。この変化に対応できる企業とそうでない企業との間で、大きな差が生まれることになるでしょう。

よくある質問

Q1: なぜAIの普及は過去の技術よりも速いのですか？
A: いくつかの要因があります。第一に、インターネットとクラウドコンピューティングの存在により、新しい技術を世界中に即座に配布できるインフラがすでに整っています。第二に、スマートフォンやコンピュータが広く普及しており、AIを実行するためのデバイスがすでに人々の手元にあります。第三に、既存のデジタルシステムやセンサーからのデータが大量に蓄積されており、AIが学習するための材料が豊富に存在します。これらの条件が揃っていることで、AIは過去の技術よりもはるかに速いスピードで社会に浸透しています。

Q2: ハルシネーションとは何ですか？産業分野でなぜ問題になるのですか？
A: ハルシネーション（幻覚）とは、AIが事実に基づかない情報をあたかも正しいかのように生成する現象です。チャットボットが存在しない本のタイトルを「おすすめ」として紹介するようなケースが典型例です。一般的な会話では多少の誤りは許容されることもありますが、産業分野では深刻な問題になります。たとえば、工場の機械を制御するAIが誤った指示を出せば、製品の不良や機械の故障、最悪の場合は事故につながる可能性があります。だからこそ、産業AIでは信頼性と正確性が特に重視されるのです。

Q3: エンドツーエンドのAIスタックとは具体的にどういうものですか？
A: エンドツーエンドのAIスタックとは、AIを活用するために必要なすべての要素を一貫したシステムとして提供するものです。具体的には、データの収集・保存（データレイヤー）、データの処理・変換（ETLレイヤー）、AIモデルの学習（トレーニングレイヤー）、AIモデルの実行（推論レイヤー）、そして結果の表示・活用（アプリケーションレイヤー）といった層で構成されます。これらが分断されていると、ある層で作った成果物を別の層で使うために変換作業が必要になるなど、非効率が生じます。Siemensのアプローチは、これらすべてを統合し、シームレスに連携できるようにすることで、産業AIの導入を容易にしています。

Q4: CPUとGPUの違いを簡単に教えてください
A: CPUは「万能選手」、GPUは「専門チーム」と考えるとわかりやすいでしょう。CPUは一つずつ複雑な計算を順番にこなすのが得意です。一方、GPUは比較的単純な計算を大量に同時並行で処理するのが得意です。AIの学習や推論では、同じような計算を膨大な回数繰り返す必要があるため、GPUの並列処理能力が非常に有効です。たとえるなら、一人の優秀な料理人（CPU）と、100人の調理補助スタッフ（GPU）のようなものです。複雑なフルコースを作るには優秀な料理人が必要ですが、1000人分の同じ料理を一度に作るなら、100人のチームの方が効率的です。

サラがスマートグラスで効率を上げたように、私たちのデスクワークも「ウェアラブル」で進化します。

2. 産業AIを「本物」にする3つの要素

2.1. ソフトウェア×ハードウェア×データの掛け算

産業分野でAIを「本物」として機能させるためには、いくつかの要素が欠かせません。このセクションでは、AIを産業の現場で実際に役立つものにするための技術的な基盤について詳しく見ていきます。

Siemensが提唱する「産業AI」を実現するための技術群は、大きく三つの柱で構成されています。一つ目はソフトウェア、二つ目はハードウェア、そして三つ目がデータです。これら三つの要素が掛け合わさることで、初めて産業AIは実用的なものになります。

ここで重要なのは、多くの企業がすでにデジタル化の取り組みを進めているものの、それだけでは「AI対応」とは言えないという点です。実は、現状のデジタル環境にはいくつかの大きな課題が存在しています。

まず、前述のデジタルツインについてです。多くの企業がデジタルツインを導入していますが、従来型のデジタルツインには限界があります。シミュレーションを行ったり、問題が発生した際にその原因を特定したりすることはできます。しかし、「次に何をすべきか」を自ら提案する能力は持っていません。つまり、現状を「見える化」することと、未来を予測して行動を推奨することは、まったく別のレベルの機能なのです。

次に、計算環境の問題があります。多くの企業は、前述のCPUベースの計算環境を持っています。CPUは汎用的な処理には優れていますが、AIの真の力を引き出すには不十分です。AIが本領を発揮するためには、前述のGPUが必要になります。GPUは大量の並列計算を効率的に処理できるため、AIの学習や推論において圧倒的な性能を発揮します。

そしてデータの問題も深刻です。多くの企業では、データが分断された状態、いわゆる「サイロ」に閉じ込められています。製造部門のデータは製造システムに、営業部門のデータは営業システムに、それぞれ別々に保存されていることが珍しくありません。これではAIがデータ全体を俯瞰して学習することができません。

だからこそ、前述の「エンドツーエンドのAIスタック」が重要になるのです。データの収集から、AIモデルの学習、推論の実行、そして現実世界への適用まで、すべての工程をカバーする一貫したシステムがあって初めて、産業分野でのAI活用が現実のものとなります。

Siemens Xcelerator（エクセレレーター）というマーケットプレイスでは、これらの要素を一箇所に集約しています。ユーザーは必要なツールやサービスを選んで組み合わせることで、自社のニーズに合った産業AIソリューションを構築できます。いわば、産業AIを構築するための「部品棚」のようなものだと考えるとわかりやすいでしょう。

ソフトウェア、ハードウェア、そしてデータ。この三つの要素を適切に組み合わせることが、産業AIを「本物」にするための第一歩です。単にAIツールを導入するだけでは不十分で、これらの要素が有機的に連携する環境を整えることが求められます。

よくある質問

Q1: なぜ従来のデジタルツインではAI対応とは言えないのですか？
A: 従来のデジタルツインは「現状の可視化」と「過去の分析」に優れています。たとえば、機械の状態をリアルタイムで表示したり、故障が起きた原因を追跡したりすることは得意です。しかし、「この機械は来週故障する可能性が高いので、今のうちにメンテナンスすべき」といった未来予測や行動提案はできません。AI対応のデジタルツインは、蓄積されたデータをもとに予測を行い、最適な行動を推奨する能力を持っています。この「受動的な監視」から「能動的な提案」への進化が、AI対応かどうかの分かれ目となります。

Q2: データがサイロ化していると、なぜAI活用に支障が出るのですか？
A: AIは大量のデータから「パターン」を見つけ出すことで価値を生み出します。しかしデータがサイロ化していると、AIは断片的な情報しか見ることができません。たとえば、製造データだけを見ても、「なぜその時期に不良品が増えたのか」の本当の原因がわからないことがあります。もし販売データや天候データ、原材料の仕入れデータなどを統合して分析できれば、「特定の仕入先からの原材料を使った週に不良率が上がる」といった因果関係を発見できるかもしれません。データの統合は、AIの「視野」を広げることに直結するのです。

サラがスマートグラスで効率を上げたように、私たちのデスクワークも「ウェアラブル」で進化します。

2.2. 50年以上のAI経験とドメイン知識の強み

産業AIを成功させるためには、技術だけでは足りません。このセクションでは、Siemensが持つ「ドメインノウハウ」、つまり産業分野における専門知識がなぜ重要なのかを解説します。

Siemensは50年以上にわたって、産業分野でAIを活用してきた実績があります。「50年前からAI？」と驚かれるかもしれませんが、AI技術の歴史は思いのほか長いのです。機械学習や最適化アルゴリズムといった技術は、数十年前から製造業の現場で活用されてきました。現在のような生成AI（テキストや画像を生成するAI）が注目を集める以前から、産業分野ではAIが静かに活躍していたのです。

現在、Siemensには1,500人以上のAI専門家が在籍しています。そして重要なのは、これらのエンジニアが「デジタルの世界」と「現実の世界」の両方に精通しているという点です。AIのアルゴリズムを理解しているだけでなく、そのAIが実際に工場でどのように動くのか、どのような制約があるのかを熟知しています。

さらに、25万人以上の従業員が、30の産業分野における深い専門知識を持っています。製造業、エネルギー、医療、交通など、それぞれの分野には固有の課題やルール、慣習があります。この「現場を知っている」という強みは、一朝一夕には手に入りません。

具体的にSiemensがどのような形で産業界を支えてきたのか、いくつかの例を挙げてみましょう。

製造の自動化では、数十年にわたって工場の自動化システムを提供してきました。実際、世界中の製造機械の3台に1台は、Siemensのコントローラー（制御装置）で動いています。これは驚くべき数字です。皆さんが日常的に使っている製品の多くが、Siemensの技術によって製造された可能性が高いのです。

鉄道ネットワークの運営では、列車の運行管理システムを世界中で提供しています。電車が時刻通りに運行し、安全に目的地に到着できるのは、こうした制御システムのおかげです。

送電網の設計と運用では、電力がどのように発電所から家庭や工場に届けられるか、その仕組みを支えています。先ほど述べた「175年の歴史」は、まさにこの電力インフラの構築と密接に結びついています。

ビルの効率的な運営では、オフィスビルや商業施設のエネルギー管理、空調制御などを担っています。

こうした長年の経験から生まれるのが「ドメインノウハウ」です。では、このドメインノウハウとは具体的にどのような価値を生むのでしょうか。

一つ目は「どのデータが重要で、どのようにグループ化すべきか」を判断できることです。工場では膨大なデータが生成されますが、すべてのデータが等しく重要なわけではありません。どのセンサーのデータを優先的に監視すべきか、どのデータ同士を関連付けて分析すべきか──こうした判断には、現場経験に基づく知識が不可欠です。

二つ目は「どのAIアプリケーションが有効で、どの判断は人間に委ねるべきか」を見極められることです。AIは万能ではありません。ある種の判断はAIに任せた方が効率的ですが、別の判断は人間が行うべきです。この境界線を適切に引くためには、その分野の業務プロセスを深く理解している必要があります。

たとえば、製品の外観検査はAIが得意とする領域です。人間が目視で確認するよりも、AIの方が一貫性があり、疲れを知りません。一方で、顧客の特別な要望に応じたカスタマイズや、想定外のトラブルへの対応は、人間の柔軟な判断が必要です。どこまでをAIに任せ、どこから人間が介入すべきか──この線引きこそが、ドメインノウハウの真価が発揮される場面なのです。

Siemensのソフトウェアを使えば、前述のデジタルツインを製品単位だけでなく、製造施設全体で構築できます。そして今、そこにAIが加わることで、デジタルツインは「見る」だけでなく「考える」ことができるようになります。過去のデータを分析し、未来を予測し、最適な行動を提案する──これが産業AIの目指す姿です。

よくある質問

Q1: 50年前のAIと今のAIは何が違うのですか？
A: 50年前のAIは、主に「ルールベース」や「専門家システム」と呼ばれるものでした。人間がルールを細かく設定し、そのルールに従ってコンピュータが判断を下す仕組みです。一方、現在のAIは「機械学習」が主流で、大量のデータからコンピュータ自身がパターンを学習します。特に近年の「深層学習（ディープラーニング）」は、人間が明示的にルールを設定しなくても、データから複雑なパターンを見つけ出すことができます。計算能力の飛躍的な向上とデータ量の爆発的な増加が、この進化を可能にしました。

Q2: なぜAI専門家だけでなく、現場を知るエンジニアが必要なのですか？
A: AIの技術だけを知っていても、それを産業の現場で活かすには限界があります。たとえば、工場の機械には「この部品は毎月メンテナンスが必要」「この工程は人間の確認が法律で義務付けられている」といった、技術とは別の制約が存在します。こうした現場の事情を知らないと、技術的には優れていても実際には使えないシステムを作ってしまう危険があります。デジタルと現実の両方を理解するエンジニアがいることで、「技術的に可能」かつ「現場で実用的」なソリューションが生まれるのです。

サラがスマートグラスで効率を上げたように、私たちのデスクワークも「ウェアラブル」で進化します。

2.3. NVIDIA・Microsoft・AWSとの最強タッグ

産業AIを実現するためには、自社の技術だけでは不十分です。このセクションでは、Siemensがなぜ世界最先端のテクノロジー企業と協力しているのか、そしてその協力関係がどのような価値を生み出しているのかを解説します。

産業AIがその力を発揮するためには、膨大な計算能力が必要です。製品の設計データ、製造プロセスのデータ、運用中のセンサーデータ──これらすべてを処理するには、一企業の計算リソースでは到底足りません。そこで重要になるのが、パートナー企業との協力です。

Siemensの主要なパートナーには、NVIDIA、Microsoft、AWSという三つの巨大テクノロジー企業が名を連ねています。それぞれが異なる強みを持っており、Siemensの産業AIを支える重要な役割を担っています。

まず、NVIDIAとの協業について見ていきましょう。NVIDIAは前述のGPUのリーダー企業であり、AIの学習と推論に不可欠な計算能力を提供しています。Siemensの設計ツールや前述のシミュレーションソフトウェアをNVIDIAのGPUで高速化することで、これまで数時間かかっていた計算が数分で完了するようになります。

計算能力が向上すると、何が変わるのでしょうか。従来のデジタルツインでは、数千の選択肢を検討するのが限界でした。しかし、GPUによる大規模な計算能力があれば、数十万の選択肢を探索できるようになります。

たとえば、新製品の設計を考えてみてください。従来は「おそらくこれが最適だろう」と思われる数パターンを検討し、その中から選ぶしかありませんでした。しかし、計算能力が向上すれば、考えられるすべてのパターンを網羅的に検証し、本当に最適な設計を見つけ出すことが可能になります。

AWSやMicrosoftとの協力も欠かせません。これらの企業は「AIファクトリー」と呼ばれる巨大なデータセンターを運営しています。AIファクトリーとは、前述のファウンデーションモデル（大規模な基盤AIモデル）を学習させるための、大規模で集中型の計算施設のことです。

こうした大規模計算は、通常の企業が自前で用意するには莫大なコストがかかります。AWSやMicrosoftのクラウドサービスを利用することで、必要なときに必要なだけの計算能力を「借りる」ことができるのです。

もう一つ重要なのが「エッジ」での処理です。エッジとは、機械やインフラのすぐ近くで行われる計算処理のことを指します。クラウドにデータを送って処理結果を待つのではなく、現場で即座に判断を下す仕組みです。

なぜエッジ処理が重要なのでしょうか。たとえば、工場の機械が異常を検知した場合を考えてみてください。クラウドにデータを送信し、分析結果が戻ってくるまで数秒かかるとしましょう。その数秒の間に、機械が故障したり、不良品が大量に生産されたりする可能性があります。エッジで処理すれば、異常を検知した瞬間に対処できます。

適切な技術、産業分野のドメインノウハウ、そして適切なパートナー──これら三つの要素が組み合わさったとき、大きな変化が生まれます。

具体的にどのような変化でしょうか。まず、問題を「報告する」段階から「予測する」段階へと進化します。機械が故障してから「故障しました」と報告するのではなく、「来週故障する可能性が高い」と事前に予測できるようになります。

次に、人間が「反応する」から機械が「自律的に調整する」へと変わります。エラーが発生してから人間が対処するのではなく、機械自身が状況を判断し、自動的に調整を行います。

そして、企業がアイデアを「現実世界のインパクト」に変換するスピードが格段に向上します。より速く、より高品質に、より効率的に製品やサービスを世に送り出せるようになるのです。

これが「産業AIの革命」の本質です。単にAIという新しい技術を導入するだけでなく、ソフトウェア、ハードウェア、データ、ドメインノウハウ、そしてパートナーシップという五つの要素を有機的に組み合わせることで、初めて産業AIは「本物」になります。どれか一つが欠けても、その効果は大幅に減少してしまうのです。

よくある質問

Q1: なぜSiemensは自社ですべてを開発せず、パートナー企業と協力するのですか？
A: 現代の技術は非常に複雑かつ専門化しており、一社がすべての分野でトップレベルの能力を持つことは現実的ではありません。GPUの設計・製造ではNVIDIA、クラウドインフラではAWSやMicrosoft、産業用ソフトウェアではSiemensというように、各社が最も得意とする分野に集中することで、全体として最高品質のソリューションが生まれます。また、技術の進化スピードが非常に速いため、パートナーシップによって最新技術を迅速に取り入れることができるというメリットもあります。

Q2: AIファクトリーとエッジの違いは何ですか？どう使い分けるのですか？
A: AIファクトリー（クラウド）は膨大な計算能力を持ち、大規模なAIモデルの学習や、複雑な分析に適しています。一方、エッジは計算能力は限られていますが、現場での即時対応が可能です。使い分けとしては、AIモデルの「学習」はクラウドで行い、学習済みモデルを使った「推論（予測や判断）」はエッジで行うというパターンが一般的です。たとえば、工場の異常検知AIは、過去のデータをクラウドで学習させ、その学習済みモデルを工場内のエッジデバイスに配置して、リアルタイムで異常を検知するという形で運用されます。

Q3: 「問題を報告する」から「問題を予測する」への変化は、具体的にどういうことですか？
A: 従来のシステムは「事後報告型」でした。機械が故障したら警告が出る、不良品が発生したらカウントされる、といった具合です。しかしAIを活用すると「予測型」に変わります。センサーデータの微妙な変化パターンから「この機械は72時間以内に故障する可能性が高い」と予測したり、「このままの生産条件だと不良率が上昇する」と事前に警告したりできるようになります。これにより、問題が深刻化する前に対策を講じることが可能になり、ダウンタイム（稼働停止時間）の削減やコスト削減につながります。

サラがスマートグラスで効率を上げたように、私たちのデスクワークも「ウェアラブル」で進化します。

3. NVIDIAとの5つの挑戦

3.1. AIネイティブなチップ設計で100倍速へ

SiemensとNVIDIAのパートナーシップは、前述のとおり2022年にミュンヘンで発表されました。ここからは、両社が協力して取り組む5つの重点分野について、一つずつ詳しく見ていきます。最初の挑戦は「AIネイティブなチップ設計」です。

まず、NVIDIAが直面している課題から理解しましょう。NVIDIAは2026年1月に「Vera Rubin（ベラ・ルービン）」という最新世代のGPUを発表しました。一般的に「GPU」と聞くと1枚のチップを想像するかもしれませんが、最先端のAI処理を担うGPUは、実際にはラック（サーバーを収納する棚のような構造）全体で一つのシステムを構成しています。

Vera Rubinの規模は驚くべきものです。消費電力は240キロワット。これは一般家庭の約80軒分に相当します。トランジスタ（電子回路の基本素子）の数は220兆個。6種類の異なるチップ、つまりCPU、GPU、ネットワーキング用チップ、スケールアップ用スイッチ、スケールアウト用スイッチ、そしてAIメモリ用のデータプロセッサが組み合わさっています。重量は2トン。そして、この一つのシステムを開発するために、延べ15万人年（1人のエンジニアが15万年かけて行う作業量に相当）ものエンジニアリング工数が投入されました。

このような複雑なシステムを設計・製造するには、チップの設計だけでなく、システム全体の統合、熱設計、電気設計など、あらゆる要素を緻密に計画する必要があります。フアン氏はこの状況を、先ほど紹介したHD Hyundaiの船舶建造に例えました。船舶と同様に、一度設計を固めてしまうと後から修正することが非常に困難だからです。

そこでNVIDIAが目指しているのは、Vera Rubinのような次世代システム全体を前述のデジタルツインとして構築することです。チップ単体ではなく、システム全体、冷却機構、熱特性のすべてを仮想空間で再現し、デジタルツイン上で直接熱シミュレーションを実行できるようにする計画です。

この目標を達成するために、両社が取り組む具体的なアクションがあります。まず、SiemensのEDA（Electronic Design Automation、電子設計自動化）ソフトウェアをCUDA（クーダ）で書き直します。CUDAとは、NVIDIAが開発したGPU上でプログラムを実行するための技術基盤です。従来、EDAソフトウェアは前述のCPU上で動作していましたが、これをGPU対応にすることで、処理速度を100倍に高速化できる可能性があります。

さらに野心的な目標として、「100万倍のスケールアップ」も視野に入れています。これは単純な高速化だけでなく、同時に検証できる設計パターンの数を飛躍的に増やすことを意味します。

しかし、両社の挑戦はここで終わりません。現在のEDAソフトウェアは、設計の「検証」、つまり「この設計で問題ないか」を確認することが主な役割です。次のステップとして目指しているのは、AIが新しい設計を「提案」できるようにすることです。

これを実現するため、SiemensのEDA技術を膨大なデータで学習させ、設計の検証だけでなく、新しい設計案を自動生成できるモデルを構築します。フアン氏はこれを「アジェンティック（自律的に行動する）なSiemens EDAデザイナー」と表現しました。人間のエンジニアとAIが協力し、アイデアを探索し、さまざまなイテレーション（繰り返しの試行）を行い、設計の限界を押し広げていく未来像です。

ここで重要な視点があります。エンジニアの本来の仕事は、Verilog（ベリログ、ハードウェア記述言語）のようなコードを書くことではありません。エンジニアの本質的な役割は、問題を解決し、素晴らしいソリューションを想像することです。AIがコーディングや検証の作業を肩代わりすることで、エンジニアはより創造的な仕事に集中できるようになります。これがAIネイティブなチップ設計の真の価値です。

よくある質問

Q1: EDAソフトウェアとは何ですか？
A: EDA（Electronic Design Automation）は、電子回路やチップの設計を支援するソフトウェアの総称です。回路図の作成、論理シミュレーション、配置配線の最適化、タイミング検証など、チップ設計に必要なさまざまな工程を自動化します。現代の複雑なチップは、EDAソフトウェアなしでは設計不可能です。SiemensはMentor Graphics社の買収を通じて、世界有数のEDAソフトウェアベンダーとなっています。

Q2: なぜチップ設計にデジタルツインが必要なのですか？
A: 最先端のチップは、トランジスタ数が数千億から数兆個に達し、熱や電気の挙動が極めて複雑です。物理的なプロトタイプを作成して検証するには莫大なコストと時間がかかります。デジタルツインを使えば、仮想空間でチップの動作、発熱、電力消費などを事前にシミュレーションでき、設計の問題を早期に発見して修正できます。特にVera Rubinのようなシステム全体を対象とする場合、デジタルツインなしでは開発が事実上不可能です。

Q3: 「100倍速」と「100万倍スケールアップ」の違いは何ですか？
A: 「100倍速」は、同じ処理を100分の1の時間で完了できることを意味します。一方、「100万倍スケールアップ」は、同じ時間内に100万倍の数の設計パターンやシナリオを検証できることを意味します。後者は単なる高速化ではなく、これまで検証できなかった膨大な可能性を探索できるようになることを示しています。

サラがスマートグラスで効率を上げたように、私たちのデスクワークも「ウェアラブル」で進化します。

3.2. 物理シミュレーションをAIで10万倍加速

2つ目の挑戦は「AIネイティブなシミュレーション」です。チップ設計と同様に、物理シミュレーションの分野でも革命的な変化が起きようとしています。

物理シミュレーションとは、現実世界の物理現象をコンピュータ上で再現することです。たとえば、自動車の空気抵抗、橋梁の構造強度、流体の動き、熱の伝わり方など、あらゆる物理現象が対象となります。これらのシミュレーションは、製品開発において極めて重要な役割を果たしています。

従来、こうしたシミュレーションの多くは前述のCPU上で実行されてきました。物理シミュレーションは膨大な計算を必要とするため、処理に長い時間がかかることが課題でした。両社が最初に取り組むのは、この「重い計算処理」をGPUに移行することです。

具体例として、BMWとの協業から生まれた自動車の空力シミュレーションが紹介されました。車体周りの空気の流れをシミュレーションし、空気抵抗を最適化する作業です。空気抵抗は燃費や航続距離に直結するため、自動車メーカーにとって極めて重要な要素です。GPUを活用することで、このシミュレーションを100倍から1000倍高速化できます。高速化によって、より多くのデザインバリエーションを検討できるようになります。

しかし、両社の野心はさらに先を見据えています。目標は、シミュレーションを単なる「検証ツール」から「創造ツール」へと進化させることです。

ここで登場するのが「AIフィジックス」という概念です。AIフィジックスとは、AIに物理法則を教え込み、物理現象を「エミュレート（模倣）」できるようにする技術です。従来のシミュレーションは、物理法則を数式として記述し、その数式を一つずつ計算していく「第一原理シミュレーション」と呼ばれる方法を採用しています。これに対してAIフィジックスは、物理法則を直接学習したAIが、「次の瞬間に物理特性がどうなるか」を予測します。

両社はNVIDIAの「Nemo（ニーモ）」というAI技術プラットフォームと、SiemensのSimCenter（シムセンター）というシミュレーションソフトウェアスイートを組み合わせて、このAIフィジックスを実現しようとしています。SimCenterに含まれるすべてのソルバー（物理計算を行うプログラム）をCUDAとCUDAx（CUDAの拡張ライブラリ群）で高速化する計画です。

この取り組みによって実現できる高速化の規模は驚異的です。物理シミュレーションを1万倍から10万倍高速化できる可能性があります。これにより、「デジタルの風洞」を実現できます。風洞とは、実際の風を発生させて車両や航空機の空力特性を測定する大型設備です。デジタルツインの設計をデジタルの風洞に入れ、リアルタイムで空力特性を検証できるようになります。

列車の空力シミュレーションもリアルタイムで実行されている様子が披露されました。フアン氏は「物理は美しい。数字は美しい」と語りました。エンジニアならではの感覚ですが、この「美しい物理」をリアルタイムで操作できるようになることは、製品開発の在り方を根本から変える可能性を秘めています。

よくある質問

Q1: 「第一原理シミュレーション」と「AIエミュレーション」の違いは何ですか？
A: 第一原理シミュレーションは、物理法則を数学的に記述し、その方程式を数値的に解くことで結果を得ます。精度は高いですが、計算量が膨大で時間がかかります。一方、AIエミュレーションは、大量のシミュレーション結果を学習したAIが、入力条件から結果を「予測」します。厳密な計算ではなく予測なので、若干の誤差は生じますが、圧倒的に高速です。多くの用途では、この程度の誤差は許容範囲内です。

Q2: SimCenterとは何ですか？
A: SimCenterは、Siemensが提供する産業用シミュレーションソフトウェアの総合スイートです。構造解析、熱解析、流体解析、音響解析、電磁場解析など、さまざまな物理現象のシミュレーションに対応しています。自動車、航空宇宙、船舶、電子機器など、幅広い産業で利用されています。フアン氏が「世界をリードする産業用シミュレーションスイート」と評したとおり、この分野でのSiemensの強みは際立っています。

サラがスマートグラスで効率を上げたように、私たちのデスクワークも「ウェアラブル」で進化します。

3.3. 工場まるごとロボット化する「適応型製造」

3つ目の挑戦は「AI駆動の適応型製造（Adaptive Manufacturing）」です。これは、工場全体を一つの巨大なロボットとして捉え、AIによって自律的に制御するという壮大なビジョンです。

この考え方を理解するために、フアン氏が提示した視点が参考になります。現代の自動車を考えてみてください。自動車は、センサーがコンピュータに接続され、そのコンピュータ上でソフトウェアが動作し、そのソフトウェアの多くはAIで構成されています。つまり、自動車は「ソフトウェア定義の」「AI駆動の」製品なのです。

では、その自動車を製造する工場はどうでしょうか。工場にもセンサーがあり、コンピュータがあり、Siemensのソフトウェアスタックとオペレーティングシステムが動作し、その上でAIが稼働しています。自動車が「内側から外側を見る」AIだとすれば、工場は「外側から内側を見る」AIです。工場が製造する製品を認識し、それをロボット的に組み立てていきます。

フアン氏の表現を借りれば、「ロボットがロボットを統率し、ロボットを製造する」という未来が見えてきます。工場全体が一つの巨大なロボットとして機能し、その中で個々のロボットが協調して動作し、最終的にソフトウェア定義の製品（自動車や電子機器など）を製造するのです。

このレベルの技術統合は、これまで達成されたことがありません。だからこそ、製造業の基盤を根本から再構築する必要があります。Siemensは既に世界中の製造工場のオペレーティングシステムとして機能しているため、この変革を主導するのに最適な位置にいます。

具体的な取り組みとして、Siemensは2026年にドイツで「完全にAI駆動の適応型製造サイト」を稼働させる計画を発表しました。この工場では、ソフトウェア定義のオートメーション（自動化システム）とオペレーショナルソフトウェア（運用ソフトウェア）の上に「AIブレイン（AI頭脳）」を載せます。このAIブレインは、前述のデジタルツインが生成するデータをリアルタイムで消費し、工場全体を統合的に制御します。

NVIDIAのパートナーであるFoxconn（フォックスコン、世界最大の電子機器受託製造企業）も、この技術を活用してAIスーパーコンピュータの製造工場を運営しています。会場では、Foxconnの工場のデジタルツインが紹介されました。そのリアリティの高さについて、フアン氏は「これがデジタルツインだとは信じられないほどリアルだ」とコメントしています。

デジタルツインの究極の目標は、「AIがデジタルツインの中にいるのか、現実世界にいるのか区別できない」レベルに到達することです。物理的に重要なすべての点、運用上重要なすべての点において、デジタルツインが現実の完璧な表現である必要があります。

よくある質問

Q1: 「適応型製造」とは従来の自動化と何が違うのですか？
A: 従来の自動化は、あらかじめ決められた動作を正確に繰り返すことが主な目的でした。たとえば、「この位置にこの部品を配置する」という固定的な指示に従います。一方、適応型製造では、AIが状況を認識し、最適な行動を自ら判断します。製品の種類が変わったり、予期せぬ事態が発生したりしても、システム全体が自律的に対応できます。「指示を実行する」から「状況を理解して最適解を選ぶ」への進化と言えます。

Q2: Foxconnはどのような会社ですか？
A: Foxconnは台湾に本社を置く世界最大の電子機器受託製造企業です。Apple社のiPhoneをはじめ、多くの著名ブランドの製品を製造しています。近年はAIスーパーコンピュータの製造にも進出しており、NVIDIAの重要なパートナーとなっています。Foxconnのような大規模製造企業がSiemensの技術を採用していることは、産業AIの実用性を示す重要な事例です。

サラがスマートグラスで効率を上げたように、私たちのデスクワークも「ウェアラブル」で進化します。

3.4. 50億ドルのAIファクトリーをデジタルツインで建てる

4つ目の挑戦は「AIファクトリー」の設計と建設です。AIファクトリーとは、前述のとおり大規模なAIモデルを学習させるための巨大データセンターのことです。しかしフアン氏は、これを単なる「データセンター」とは呼びません。データセンターはデータを保管する場所ですが、AIファクトリーはインテリジェンス（知能）を生産する工場だからです。

1ギガワット規模のAIファクトリーの建設費用は、約500億ドル（日本円で約7.5兆円）に達します。これは人類がこれまで建設してきたあらゆる工場の中で、最も高額な投資規模です。内部に組み込まれる技術の複雑さも前例がありません。

このような巨額の投資を行う場合、スケジュールの遅延は一切許容されません。設計変更も許されません。電力と冷却を限界まで効率化する必要があります。そのためには、建設を開始する前に、デジタルツインで工場全体を完璧に計画し、あらゆるシミュレーションを事前に実行する必要があります。デジタルツインなしでは、成功の可能性は極めて低いとフアン氏は断言しています。

AIファクトリーが稼働を開始した後も、運用管理の複雑さは想像を絶します。AIスーパーコンピュータ、ネットワーク、ストレージ、これらすべてを極めて高い精度で制御する必要があります。電力管理、冷却管理、システム管理のすべてが、リアルタイムで最適化され続けなければなりません。

500億ドルの設備投資を行った以上、稼働率は100%を維持する必要があります。予定外のダウンタイム（停止時間）はゼロでなければなりません。これほどの規模と複雑さを持つシステムを、デジタルツインとAIなしに運用することは「完全に考えられない」とフアン氏は述べています。

フアン氏は重要な指摘をしています。今日、ソフトウェアなしでチップを設計することは「完全に非論理的」です。設計ソフトウェアや検証ソフトウェア、シミュレーションなしに電子システムを設計することも「論外」です。同様に、将来においては、デジタルツインなしに工場を建設することは「完全に考えられない」ことになります。自動車工場であれ、半導体工場であれ、AIファクトリーであれ、すべての工場は最初にデジタルツインとして構築されるべきなのです。

Siemensがこの分野で提供できる価値は多岐にわたります。まず、AIファクトリー向けの設計ブループリント（青写真、設計図）をNVIDIAと共同で構築しています。AIファクトリーの電力需要は非常に変動が激しいため、産業用オートメーション技術による高速な制御が必要です。また、AIファクトリーを電力網に接続し、安定的に電力を供給するノウハウも、175年の歴史を通じて蓄積されています。

よくある質問

Q1: なぜAIファクトリーの建設費用はそれほど高額なのですか？
A: AIファクトリーには、数万台規模の高性能GPU、それらを接続する高速ネットワーク、膨大な電力を供給する設備、発生する熱を除去する冷却システムなど、あらゆる要素が最先端の技術で構成されています。また、24時間365日の稼働を前提とした冗長性（バックアップ）も必要です。建物自体も、これらの設備を収容し、最適な環境を維持できるよう特別に設計されます。すべてが「最高性能」を追求した結果、建設費用が桁違いに高くなります。

Q2: AIファクトリーとクラウドデータセンターは何が違うのですか？
A: 一般的なクラウドデータセンターは、さまざまな種類のワークロード（処理タスク）を柔軟に処理できるよう設計されています。ウェブサービス、データベース、ストレージなど、多様な用途に対応します。一方、AIファクトリーはAIモデルの学習と推論に特化しています。GPUを中心としたアーキテクチャ、GPU間の超高速通信、AIワークロードに最適化された冷却システムなど、あらゆる要素がAI処理のために設計されています。

サラがスマートグラスで効率を上げたように、私たちのデスクワークも「ウェアラブル」で進化します。

3.5. お互いの技術で進化し合う好循環

5つ目の挑戦は、両社が互いの技術を活用して共に進化していくという「好循環」の構築です。Siemensは175年以上にわたって自社の技術を自社で活用してきた歴史があり、この「自分たちが作ったものを自分たちで使う」という姿勢は、技術の品質向上に不可欠な要素です。

この好循環は、具体的にどのように機能するのでしょうか。まず、NVIDIAはSiemensのすべてのEDAソフトウェアを高速化します。高速化されたEDAソフトウェアを使って、NVIDIAはより速くチップを設計できるようになります。より高性能なチップが完成すれば、それを使ってSiemensのEDAソフトウェアをさらに高速化できます。

同様の循環がSimCenter（シミュレーションソフトウェア）でも起こります。NVIDIAはSiemensのSimCenterソフトウェアを高速化します。高速化されたSimCenterを使って、NVIDIAはAIファクトリーをより速く設計・シミュレーションできます。より優れたAIファクトリーからは、より強力なAIが生まれます。そのAIを使って、SimCenterをさらに高性能にできます。

製造の分野でも同じことが言えます。Siemensのオートメーション技術を使って、NVIDIAの工場をより効率化します。効率化された工場からは、より優れたスーパーコンピュータが生まれます。そのスーパーコンピュータを使ったAIで、Siemensの製造技術をさらに生産的にします。

フアン氏はこの関係を「二つの会社が一緒になる完璧なパートナーシップ」と表現しました。単に製品やサービスを売り買いする関係ではなく、互いの成長が相手の成長を加速させる、まさに共進化（Co-evolution）の関係です。

印象的なエピソードとして、フアン氏は「ローランド（Siemens CEOのローランド・ブッシュ氏）からバグ修正の依頼があったら、すぐに対応する。なぜなら、彼のバグを直すと、それが直接私の会社に戻ってきて、私のエンジニアがより速く仕事できるようになるからだ」と語りました。ブッシュ氏も「これは双方向で機能する。うちのチームはあなたから電話があると緊張する」と冗談交じりに応じています。

フアン氏は最後に、Siemensを「あらゆる産業革命の中心にいた会社」と評しました。蒸気機関の時代、電気の時代、コンピュータの時代、そして今回のAIの時代。175年以上にわたってすべての産業革命を経験してきたSiemensとパートナーシップを組むことは、NVIDIAにとって大きな特権だと述べています。

両社のビジョンは「産業オペレーティングシステム（Industrial Operating System）」の構築です。これは、すべての産業機器、工場、インフラを統合的に制御するソフトウェア基盤のことです。電気が現代生活の目に見えない基盤となったように、産業AIも将来的には社会インフラの目に見えない基盤となることを目指しています。

よくある質問

Q1: 「好循環」とは具体的にどういう仕組みですか？
A: 好循環（Virtuous Cycle）とは、ある改善が別の改善を引き起こし、その改善がさらに最初の改善を促進するという、自己強化的なループのことです。SiemensとNVIDIAの場合、Siemensのソフトウェアを高速化→NVIDIAの製品開発が加速→より高性能なGPUが完成→Siemensのソフトウェアをさらに高速化、という循環が生まれます。この循環が続く限り、両社の技術は加速度的に進化し続けます。

Q2: なぜ「自社技術を自社で使う」ことが重要なのですか？
A: 自社製品を自社で使用することには複数のメリットがあります。第一に、実際の運用で問題点を早期に発見できます。第二に、ユーザー視点での改善点が明確になります。第三に、製品の品質に対する責任感が高まります。ソフトウェア業界では「ドッグフーディング（自社製品を食べる＝使う）」と呼ばれる慣行で、製品品質向上の重要な手法として広く認識されています。SiemensとNVIDIAが互いの製品を使い合うことで、両社の製品品質が相互に高められています。

Q3: 5つの挑戦の中で、最も短期間で成果が出そうなのはどれですか？
A: 講演の内容から判断すると、「AI駆動の適応型製造」が最も早く具体的な成果として現れそうです。Siemensは2026年にドイツで完全にAI駆動の適応型製造サイトを稼働させる計画を発表しており、すでにFoxconnなどのパートナーと実証を進めています。EDAやシミュレーションの高速化も並行して進められていますが、工場の変革は比較的短期間で目に見える成果が期待できる分野です。

サラがスマートグラスで効率を上げたように、私たちのデスクワークも「ウェアラブル」で進化します。

4. Digital Twin Composerで現実を変える

4.1. バーチャル世界でリアルを動かす新ツール

これまでのセクションでは、前述のデジタルツインの概念や、SiemensとNVIDIAの協業について解説してきました。このセクションでは、そのビジョンを具体的な形にした新しいツール「Digital Twin Composer（デジタルツイン・コンポーザー）」について詳しく見ていきます。

Siemensはかつて「インダストリアル・メタバース」というビジョンを掲げていました。メタバース（Metaverse）とは、仮想空間上に構築されたデジタルの世界のことです。Siemensが提唱するインダストリアル・メタバースは、ゲームやエンターテインメント向けではなく、産業分野に特化した仮想空間を意味します。現実世界をより良くするために、バーチャル世界を活用するという考え方です。

そして今回、このビジョンを実現するための具体的なツールとして「Digital Twin Composer」が発表されました。では、このツールで何ができるのでしょうか。

まず、あらゆる製品、工場、プロセスの仮想3Dモデルを作成できます。単なる静的な3Dモデルではありません。このモデルをフォトリアリスティック（写真のように現実的）なシーンの中で、リアルタイムに動かすことができます。つまり、設計図上の製品が実際に動いている様子を、まるで現実のように視覚化できるのです。

Digital Twin Composerの真の強みは、このデジタルツインを「現実世界」と「リアルタイムデータ」に接続できる点にあります。接続できるデータの種類は多岐にわたります。

エンジニアリングデータは、設計や製造に関する技術的な情報です。製品の寸法、材質、組み立て手順などが含まれます。天候データも接続可能で、気温や湿度、風速などの環境情報をデジタルツインに反映させることができます。そして、機械から送られてくるタイムシリーズデータ（時系列データ）も取り込めます。タイムシリーズデータとは、時間の経過とともに記録されるセンサー情報のことです。温度、圧力、振動などの値が、時間軸に沿って連続的に記録されます。

このリアルタイム接続によって、非常に興味深い機能が実現します。何かがうまくいったとき、あるいは何か問題が発生したとき、

「時間を巻き戻して」その原因を特定できるのです。過去のデータを再生し、「なぜあの瞬間に品質が低下したのか」「なぜあの時点で機械が停止したのか」を詳細に分析できます。

逆に、「未来にジャンプ」することも可能です。新しい設計案や運用パラメータをデジタルツイン上でシミュレーションし、実際に現実世界で実行する前に結果を予測できます。「もしこの設定に変更したら、生産性はどう変わるか」といった仮説を、リスクなく検証できるわけです。

しかし、Digital Twin Composerの可能性はここで終わりません。このツールを前述のSiemensのオペレーションソフトウェアやハードウェアスタックに接続すると、さらに強力な機能が解放されます。仮想環境から直接、現実世界に変更を加えることができるようになるのです。

具体的にどのような変更が可能でしょうか。機械の速度調整、温度設定の変更、圧力パラメータの最適化など、工場の品質や生産量を左右するあらゆる設定を、デジタルツイン上から操作できます。つまり、仮想空間でシミュレーションした結果が良好であれば、そのままボタン一つで現実の機械に反映させることができるのです。

これが「リアル（現実）とデジタルの世界を組み合わせる」という言葉の具体的な意味です。従来は「設計→シミュレーション→承認→実装」という別々のステップを踏む必要がありました。Digital Twin Composerでは、これらのステップがシームレスに統合されます。設計の変更がすぐにシミュレーションに反映され、シミュレーション結果が良ければ即座に現実の機械に適用できます。

このDigital Twin Composerは、前述のSiemens Xceleratorマーケットプレイスで提供される予定です。つまり、Siemensの顧客企業は、必要に応じてこのツールを導入し、自社のデジタル化を加速させることができます。

よくある質問

Q1: Digital Twin Composerと従来のCADソフトウェアは何が違うのですか？
A: 従来のCADソフトウェアは主に「設計」のためのツールです。製品の形状や寸法を定義し、図面を作成することが主な目的でした。一方、Digital Twin Composerは設計だけでなく、その設計が実際に動作している様子をリアルタイムでシミュレーションし、さらに現実世界のデータと接続して双方向のやり取りを可能にします。CADが「静的な設計図」だとすれば、Digital Twin Composerは「動的に現実と連動するデジタルの分身」と言えます。

Q2: 「時間を巻き戻す」機能は具体的にどう役立つのですか？
A: 製造現場では、品質問題や機械の故障が発生したとき、その原因特定に多くの時間を要します。従来は、関係者へのヒアリング、ログデータの手動分析、推測に基づく検証などを繰り返す必要がありました。Digital Twin Composerでは、問題が発生した時点のデータをすべて記録しているため、その瞬間を仮想空間で再現し、あらゆる角度から分析できます。まるでビデオの巻き戻しのように、問題発生の瞬間を何度でも確認できるため、原因特定が格段に効率化されます。

Q3: 仮想環境から現実世界を操作するのは危険ではないですか？
A: 確かに、適切な安全対策なしに仮想環境から現実の機械を操作することにはリスクがあります。そのため、Digital Twin Composerには多層的な安全機構が組み込まれています。まず、シミュレーション結果が安全基準を満たしているかの自動チェックがあります。次に、変更を適用する前に人間の承認を求めるワークフローを設定できます。さらに、変更の適用は段階的に行われ、異常が検知された場合は自動的に停止します。これらの仕組みにより、利便性と安全性のバランスが保たれています。

サラがスマートグラスで効率を上げたように、私たちのデスクワークも「ウェアラブル」で進化します。

4.2. PepsiCoが3ヶ月で効率20%アップできた理由

Digital Twin Composerの実力を示す具体例として、PepsiCo（ペプシコ）の事例が紹介されました。PepsiCoは世界的な食品・飲料メーカーで、ペプシコーラやゲータレードなどのブランドで知られています。このセクションでは、PepsiCoがDigital Twin Composerをどのように活用し、どのような成果を得たのかを詳しく見ていきます。

まず、PepsiCoが直面していた課題を理解しましょう。PepsiCoは「農場から店舗まで（Farm to Shelf）」という非常に複雑なサプライチェーンを運営しています。サプライチェーン（Supply Chain）とは、原材料の調達から製品が消費者の手に届くまでの一連の流れのことです。PepsiCoの場合、世界中に拠点があり、1日に何十億ものタッチポイント（顧客接点）が存在します。消費者は、いつでもどこでも製品が手に入ることを期待しています。

この期待に応えるためには、需要の急激な変動（スパイク）、予期せぬイベント、竜巻などの自然災害にも対応できる柔軟なサプライチェーンが必要です。物理的な制約が「足かせ」にならないよう、デジタルの力で補う必要があったのです。

特に課題となっていたのが倉庫の問題でした。PepsiCoの倉庫の中には、100年近い歴史を持つ古い施設もあります。これらの倉庫は、現在の需要パターンや物流の要件に対応するには限界がありました。しかし、解決策として「単純に新しい倉庫を建てる」ことは、コストと時間の面で現実的ではありません。

そこでPepsiCoが選んだアプローチが「デジタルファースト設計」です。既存の施設の容量を最大限に活用し、運用効率を向上させ、スループット（処理能力）を増加させる方法を、デジタル技術で見つけ出すというアプローチです。具体的には、前述のデジタルツインとAIを大規模に導入し、物理的な建設を始める前にレイアウトを設計・シミュレーション・最適化することを目指しました。

この目標を達成するために選ばれたのがDigital Twin Composerでした。PepsiCoは、このツールの開発段階からSiemensおよびNVIDIAと協力してきたパートナー企業の一つです。CPG（Consumer Packaged Goods、消費財）業界において、AIとデジタルツインをオペレーション全体に組み込むのは、これが初めての試みとなります。

ここで言う「オペレーション」には、製造だけでなく、倉庫管理、配送センター、ミキシングセンター（原材料を混合する施設）、そして物流のあらゆる部分が含まれます。つまり、サプライチェーン全体をデジタルツイン化する壮大なプロジェクトなのです。

Digital Twin Composerを使うことで、PepsiCoは「仮想世界ですべてを実行できる」ようになりました。設計が最終決定するまで、物理的な工場に1ドルも投資する必要がありません。これは従来のアプローチとは根本的に異なります。

従来であれば、設計案を作成し、実際に建設または改修を行い、問題があれば修正するというサイクルを繰り返す必要がありました。このプロセスには多大な時間とコストがかかり、しかも試行錯誤の結果として無駄が発生することも珍しくありませんでした。Digital Twin Composerでは、すべての試行錯誤を仮想空間で完了させてから、実際の建設に着手できます。

具体的に何ができるようになったのでしょうか。まず、膨大なデータを統合し、没入型の環境でシミュレーションできるようになりました。「没入型（Immersive）」とは、まるでその空間の中にいるかのような体験ができることを意味します。前述のフォトリアリスティックな表現技術により、デジタルツイン内を実際に歩き回るような感覚で検証作業を行えます。

さらに、AIを活用したシミュレーションにより、数百、数千のレイアウトパターンを探索し、最も効率的な選択肢を見つけ出すことができます。人間が手作業で検討できるパターン数には限界がありますが、AIならば膨大な組み合わせを短時間で評価できます。

その結果、従来であれば「数ヶ月」かかっていた作業が「数日」で完了するようになりました。これは劇的な時間短縮です。

では、実際にどのような成果が得られたのでしょうか。最初の3ヶ月で、すでに大きなインパクトが出ています。

一つの具体例として、アメリカにあるゲータレード（スポーツ飲料ブランド）の工場が挙げられました。この工場でDigital Twin Composerを活用した結果、わずか3ヶ月で効率が20%向上しました。従来の改善手法では、20%の効率向上を達成するには年単位の時間を要することも珍しくありません。それがたった3ヶ月で実現できたのです。

さらに、今後の展開を見据えた試算も行われています。Digital Twin Composerの機能を全社的に展開した場合、設備投資（CAPEX）を10%から15%削減できると推計されています。PepsiCoのような巨大企業にとって、この削減幅は数十億円から数百億円規模のコスト削減を意味します。

この成功の背景には、いくつかの重要な要素があります。まず、PepsiCoがSiemensやNVIDIAと密接に協力し、製品開発段階からフィードバックを提供してきたことが挙げられます。実際のユーザーの声を反映した製品開発が行われたことで、現場のニーズに合ったツールが完成しました。

もう一つの成功事例として、Kion（キオン）という企業も紹介されました。Kionはサプライチェーンソリューション企業で、倉庫やサプライチェーン全体のオートメーションを手がけています。Kionは「フィジカルAI」と呼ばれる技術を活用し、顧客のサプライチェーンを「四つの壁の内側」（倉庫内）から上流・下流すべてにわたって統合管理しています。

Kionの場合も、新しいサプライチェーンソリューションはまずデジタルツインとして構築されます。これにより、ソリューション設計にかかる時間を「数年から数ヶ月」に短縮できています。

これらの事例が示しているのは、Digital Twin Composerが単なる「便利なツール」ではなく、ビジネスの成果に直結する戦略的な技術だということです。効率の向上、コストの削減、開発期間の短縮──これらはすべて、企業の競争力に直接影響する要素です。

特に注目すべきは、これらの成果が「すぐに」得られている点です。AIやデジタルツインというと、「将来的にはすごいことができそうだ」という漠然とした期待感で語られることも多いですが、PepsiCoの事例は「今すぐ、具体的な成果が出る」ことを証明しています。3ヶ月で20%の効率向上という数字は、投資対効果の観点からも非常に魅力的です。

Digital Twin Composerは、産業AIの「実用化」を象徴するツールと言えるでしょう。理論や構想の段階を超え、実際のビジネス現場で価値を生み出し始めています。

よくある質問

Q1: PepsiCoのような大企業でなくても、Digital Twin Composerは使えますか？
A: Digital Twin Composerは前述のSiemens Xceleratorマーケットプレイスで提供されるため、企業規模に関わらずアクセス可能です。ただし、活用の規模や範囲は企業の状況によって異なります。大企業のようにサプライチェーン全体をデジタルツイン化することも可能ですし、中小企業が特定の生産ラインや設備だけをデジタルツイン化することも可能です。重要なのは、自社の課題に合った範囲から始め、段階的に拡大していくアプローチです。

Q2: 「数ヶ月かかっていた作業が数日で完了する」とは、具体的に何の作業ですか？
A: 主に「レイアウト設計と検証」の作業を指しています。従来、倉庫や工場のレイアウトを変更する際には、現場調査、設計案の作成、関係者との協議、シミュレーション、修正、再シミュレーション…というサイクルを何度も繰り返す必要がありました。各ステップに時間がかかり、全体として数ヶ月を要することも珍しくありませんでした。Digital Twin Composerでは、これらのステップがデジタル空間で統合され、AIによる自動最適化も加わるため、大幅な時間短縮が実現します。

Q3: CPG業界以外でも同様の効果が期待できますか？
A: はい、Digital Twin Composerは特定の業界に限定されたツールではありません。製造業、物流業、エネルギー産業、建設業など、物理的な設備やプロセスを持つあらゆる業界で活用可能です。実際、前述のFoxconnの事例は電子機器製造業、HD Hyundaiの事例は造船業であり、すでに多様な業界で成果が出ています。業界ごとに最適化のポイントは異なりますが、「デジタルで設計・検証してから現実に実装する」という基本的なアプローチは普遍的に有効です。

Q4: 効率20%向上の「効率」とは具体的に何を指しますか？
A: この文脈での「効率」は、主に「スループット（単位時間あたりの処理量）」と「リソース活用率」を指していると考えられます。同じ設備、同じ人員で、より多くの製品を処理できるようになった、あるいは同じ生産量をより少ないリソースで達成できるようになった、ということです。具体的には、倉庫内の動線最適化による移動時間の短縮、機械の稼働スケジュール最適化によるダウンタイムの削減、在庫配置の最適化によるピッキング効率の向上などが含まれます。

サラがスマートグラスで効率を上げたように、私たちのデスクワークも「ウェアラブル」で進化します。

5. 産業AIが広げる可能性

5.1. 自動運転開発を加速するPAVE360

前述のDigital Twin Composerが工場や倉庫のデジタルツインを実現するツールであるのに対し、ここで紹介する「PAVE360」は自動運転システムの開発に特化したデジタルツインソリューションです。正式名称は「PAVE360 Automotive」で、Siemensが自動車業界向けに提供する、すぐに使える（オフ・ザ・シェルフ）製品として位置づけられています。

PAVE360の最大の特徴は、実際の車両ハードウェアをデジタル世界に正確に再現できる点にあります。自動運転システムの開発において、従来は実際の車両を用意し、実際の道路でテストを繰り返す必要がありました。しかし、このアプローチには大きな課題があります。まず、実車でのテストには膨大な時間とコストがかかります。さらに、危険なシナリオ（急な飛び出し、悪天候での走行など）をテストするには、安全面でのリスクが伴います。

PAVE360を使えば、これらの課題を解決できます。開発者は実世界の運転条件をシミュレーションし、車両が物理的に存在しない段階から自動運転システムの検証を行えます。雪道でのスリップ、突然の歩行者の飛び出し、複数車両が交錯する複雑な交差点など、現実では再現が難しい、あるいは危険なシナリオも、デジタル空間で安全に何度でもテストできます。

PAVE360のもう一つの重要な機能は、車載ソフトウェアの動作を再現できることです。現代の自動車は「走るコンピュータ」と呼ばれるほど、多くのソフトウェアで制御されています。エンジン制御、ブレーキ制御、ステアリング制御、そして自動運転を担うAI──これらすべてのソフトウェアがデジタルツイン上で実行され、その挙動を事前に検証できます。

さらに、PAVE360はARM社（半導体設計で世界をリードする企業）の最新の自動車向けIP（知的財産、ここでは半導体の設計情報を指します）と統合されています。これにより、先進運転支援システム（ADAS）、インフォテインメント（車載情報エンターテインメントシステム）、そしてAI駆動のコックピット機能など、最新の自動車技術に対応した開発が可能になります。

PAVE360が自動運転開発にもたらす価値は、開発の「加速」という言葉に集約されます。従来の開発プロセスでは、設計→試作→テスト→修正→再テストというサイクルを何度も繰り返す必要がありました。各サイクルには数週間から数ヶ月を要し、全体の開発期間は年単位に及ぶことも珍しくありません。

PAVE360を活用すれば、このサイクルの大部分をデジタル空間で完結させることができます。物理的な試作を最小限に抑えながら、デジタルツイン上で徹底的な検証を行い、問題点を早期に発見して修正できます。これにより、開発期間の大幅な短縮とコスト削減が実現します。

自動運転技術の社会実装が世界中で進む中、開発スピードの向上は競争力に直結する要素です。PAVE360は、産業AIの力で自動運転開発を加速させ、より安全で効率的な移動手段の実現に貢献するソリューションとして位置づけられています。

よくある質問

Q1: PAVE360と一般的なドライビングシミュレーターの違いは何ですか？
A: 一般的なドライビングシミュレーターは、主に人間のドライバーの訓練や、車両の運動特性の検証を目的としています。一方、PAVE360は自動運転「システム」の開発・検証に特化しています。車載ハードウェアの正確な再現、ソフトウェアの動作シミュレーション、センサー（カメラ、LiDAR、レーダーなど）の挙動再現など、自動運転開発に必要なあらゆる要素を統合的にシミュレーションできる点が大きな違いです。

Q2: 「オフ・ザ・シェルフ」とはどういう意味ですか？
A: 「オフ・ザ・シェルフ（Off the Shelf）」とは、「棚から取り出してすぐ使える」という意味の表現で、カスタマイズなしでそのまま利用できる製品を指します。PAVE360は、自動車メーカーや部品メーカーが自社向けに一から開発環境を構築する必要なく、導入後すぐに自動運転システムの開発・検証を開始できる完成されたソリューションとして提供されています。

サラがスマートグラスで効率を上げたように、私たちのデスクワークも「ウェアラブル」で進化します。

5.2. 新薬開発を50%早くするライフサイエンス活用

産業AIの可能性は、製造業だけにとどまりません。このセクションでは、医薬品開発という、私たちの健康と命に直接関わる分野でのAI活用について解説します。

まず、新薬開発の現状を理解しましょう。新しい医薬品を市場に届けるまでには、膨大な時間とコストがかかります。過去50年間で、これらのコストは劇的に上昇してきました。現在では、一つの新薬を開発するのに10年以上の期間と、最大20億ドル（日本円で約3000億円）もの費用がかかることがあります。患者さんは一日も早く新しい治療法を求めていますし、製薬会社もイノベーションを加速させたいと考えています。

新薬開発のプロセスは、大きく分けていくつかの段階があります。まず「基礎研究」として、病気のメカニズムを解明し、治療の標的となる分子を特定します。次に「創薬」として、標的に作用する候補化合物を探索・設計します。その後「前臨床試験」で動物実験などを行い、安全性と有効性の初期評価を実施します。さらに「臨床試験」で人間を対象とした試験を段階的に実施し、最後に「承認審査」を経て市場に出ます。

Siemensは、これらすべての段階にAIを投入することで、新薬開発の劇的な加速を目指しています。具体例として、がんの新薬開発のケースが紹介されました。

研究段階では、科学者たちは何十億ものデータポイントを生成します。しかし、これらのデータは異なる機器、異なるファイル形式、異なる場所に散在しているのが現状です。Siemensの「Luma（ルーマ）」というプラットフォームは、AIを使ってこれらの散在するデータを統合し、構造化します。

Lumaの特徴的な機能は、自然言語での質問に対応できることです。研究者は専門的なデータベース言語を使う必要なく、日常的な言葉で「この化合物と類似の構造を持つ既知の薬剤は？」「過去の実験で最も効果を示した条件は？」といった質問を投げかけ、必要な情報を素早く取得できます。

次の段階では、科学者たちはがん治療薬として最も有望な分子構造を特定する必要があります。ここでAI駆動のシミュレーションが威力を発揮します。分子の動き方や柔軟性、他の分子との相互作用、時間経過による安定性など、分子の挙動をシミュレーションできます。

驚くべきことに、このAIシミュレーションは従来の方法と比較して「250万倍」も効率的だと述べられています。これは単なる高速化ではありません。従来は検討できなかった膨大な数の候補分子を評価できるようになることを意味します。より多くの可能性を探索できれば、より優れた治療薬候補を発見できる確率が高まります。

しかし、有望な分子が見つかっても、それで終わりではありません。研究室で小さなバッチ（少量）を作ることと、工場で大量生産することは、まったく異なる挑戦です。製法のわずかな違いが、薬の効果や品質に影響を与える可能性があります。「レシピ」を完璧に再現し、まったく同じ結果を得る必要があるのです。

この課題に対して、Siemensはバイオリアクター（生物反応器、微生物や細胞を培養して医薬品を製造する装置）の前述のデジタルツインを提供しています。バイオリアクターのデジタルツインを使えば、製造条件の実験をデジタル空間で先に行えます。温度、pH、酸素濃度、攪拌速度など、さまざまなパラメータを仮想的に調整し、最高の品質と最大の収量が得られる条件を特定します。最適な条件が確定してから、初めて実際の製造を開始するのです。

Siemensの技術を活用することで、創薬から製造までのすべての段階が加速されます。その結果、命を救う治療法が最大で「50%早く」市場に届く可能性があると述べられています。

50%という数字は、患者さんにとって文字通り「命の差」になり得ます。がんのように進行性の疾患では、治療法が数年早く利用可能になることで、多くの命が救われる可能性があります。産業AIが持つ可能性の中でも、最も人間の幸福に直結する応用例の一つと言えるでしょう。

この取り組みには、強力なAIインフラが必要です。前述のNVIDIAとの協業で実現するGPUパワーや、AIファクトリーの計算能力に加え、クラウドインフラも重要な役割を果たします。次のセクションで紹介するMicrosoftとのパートナーシップは、まさにこうした計算基盤を支える重要な協力関係です。

よくある質問

Q1: なぜ新薬開発には10年以上もかかるのですか？
A: 新薬開発が長期化する主な理由は、安全性と有効性の徹底的な検証が必要だからです。人間の体に投与する薬である以上、予期せぬ副作用がないか、本当に効果があるのかを慎重に確認しなければなりません。臨床試験だけでも、少人数での安全性確認（第I相）、効果と用量の確認（第II相）、大規模な有効性確認（第III相）という段階を踏む必要があり、各段階に数年を要します。AI技術は、特に初期段階の候補化合物の探索や、前臨床試験のシミュレーションを加速することで、全体の期間短縮に貢献します。

Q2: 「250万倍効率的」とは具体的にどういうことですか？
A: これは、同じ時間内に評価できる分子の数や、同じ評価を完了するまでの時間の比率を表しています。従来のコンピュータシミュレーションでは、一つの分子の挙動を詳細に計算するのに数日から数週間かかることがありました。AIベースのアプローチでは、物理法則を学習したAIが瞬時に結果を「予測」するため、計算時間が劇的に短縮されます。ただし、これは厳密な計算ではなく予測であるため、最終的な候補は従来の精密なシミュレーションで再検証されます。

Q3: バイオリアクターのデジタルツインは、他の製造業のデジタルツインと何が違いますか？
A: バイオリアクターのデジタルツインには、生物学的プロセスの再現という独自の複雑さがあります。機械部品の動きや物理現象だけでなく、微生物や細胞の代謝、増殖、死滅といった生物学的な挙動もシミュレーションする必要があります。生物は環境の微妙な変化に敏感に反応するため、温度が0.5度変わるだけで結果が大きく異なることもあります。この複雑さを正確に再現できるデジタルツインの構築は、高度な専門知識とAI技術の両方を必要とする挑戦的な課題です。

サラがスマートグラスで効率を上げたように、私たちのデスクワークも「ウェアラブル」で進化します。

5.3. Microsoftと進める次世代コパイロット

前述のNVIDIA、AWSに加え、Siemensのもう一つの重要なパートナーがMicrosoftです。このセクションでは、両社がどのように協力し、産業AIの未来を切り拓こうとしているのかを解説します。

Microsoft CEOのサティア・ナデラ氏からのビデオメッセージでは、産業AIの可能性について語られました。ナデラ氏は「産業分野において、デジタルインテリジェンス（デジタルの知性）と物理的なオペレーション（実際の操業）を結びつけることで、設計、製造、運用のあり方を根本から再発明できる」と述べています。

すでに産業AIは、生産性と安全性の両面で優れた成果を出し始めています。だからこそ、SiemensとMicrosoftのパートナーシップはMicrosoftにとって非常に重要だとナデラ氏は強調しました。Siemensが持つ産業分野の深い専門知識と、Microsoftが持つ信頼性の高いクラウドとAI技術を組み合わせることで、顧客企業が直面する最も困難な課題に取り組めるようになります。

具体的な応用分野として挙げられたのは、持続可能なエネルギー、交通、スマートシティ、そして精密医療（個人の遺伝子や生活習慣に基づいた医療）です。これらはいずれも、社会にとって重要な課題であり、AIによる変革が大きなインパクトをもたらす領域です。

特に注目すべきは、両社のエンジニアリングチームが共同で取り組んでいる「カスタムモデルとエージェント」の開発です。これらは、実世界の産業データで学習されるもので、汎用的なAIモデルとは異なり、産業分野特有の課題に最適化されています。

Microsoftのコア AI チームを率いるジェイ・パリク氏との対談では、AIの進化を「三つの波」として説明されました。

第一の波は、AIをチャットボットとして使う段階です。簡単な質問に答えたり、コードの補完を行ったりする、比較的シンプルな活用法です。

第二の波は、特定のタスクをAIに委任する段階です。「市場戦略の文書を作成して」「この提案書をまとめて」といった、より複雑で時間のかかる作業をAIに任せます。

そして第三の波が、現在登場しつつある「エージェント」の時代です。エージェント（Agent）とは、自律的に行動するAIプログラムのことです。第三の波では、複数のエージェントが協調して動作し、より複雑で長期にわたるタスクを非同期的に（人間が待つことなく、バックグラウンドで）処理します。

この第三の波を実現するには、さまざまな要素が必要です。複数のAIモデルを連携させる仕組み、企業独自のモデルを学習させる能力、企業内のデータを取り込む機能、そしてエージェント同士を調整する能力──これらすべてを、セキュリティ、監視可能性、コンプライアンス（法令遵守）を確保しながら、エンタープライズ（企業）レベルのスケールで提供する必要があります。

パリク氏は、この第三の波こそがSiemensとMicrosoftが共同で取り組むべき領域だと強調しました。産業分野の具体的なユースケース（活用事例）にAI技術を適用するためには、汎用的なAIだけでなく、産業特化型のエージェントが必要だからです。

具体的な成功事例として、Rolls-Royce（ロールス・ロイス）との協業が紹介されました。Rolls-Royceは航空機用のタービンエンジンを製造する企業です。航空機のエンジンは、100%の信頼性と燃料効率が求められる、極めて要求の厳しい製品です。

エンジン内部には多くの精密部品があり、その一つが「油圧ポンプ」です。この油圧ポンプには、部品自体の前述のデジタルツインと、それを製造する工作機械のデジタルツインの両方が構築されています。製造プロセス全体をシミュレーションし、プログラミングを最適化することで、より軽量でありながら高い剛性を持つポンプの製造を実現しています。

この取り組みでは、SiemensとMicrosoftのAI技術が組み合わされています。両社の「ジョイントAIコパイロット（共同開発されたAIアシスタント）」を活用することで、CAM（Computer-Aided Manufacturing、コンピュータ支援製造）のプログラミング時間を80%削減し、工場の生産性を30%向上させることに成功しました。

技術面での協力に加え、パリク氏は「文化的な変革」の重要性についても言及しました。昨年、約200〜300の顧客企業と対話した中で、70〜80%の会話が「変化」「文化」「人」「組織」といったテーマに集中したそうです。AIの導入は技術的な課題だけでなく、組織や人の意識を変える取り組みでもあるのです。

パリク氏が顧客との対話から得た三つの気づきが共有されました。

一つ目は、「私たちは皆、一緒に学んでいる」ということです。スタートアップから多国籍大企業まで、規模を問わずすべての組織がAI導入という未知の領域を探索しています。経験やノウハウをオープンに共有し合うことが重要です。

二つ目は、多くの従業員がすでにプライベートでAI技術を活用しているという事実です。家族のために、自己成長のために、個人的な場面ではAIを使いこなしている人々が、会社では使えていないケースが多々あります。その原因は、コンプライアンス、リスク管理、セキュリティ、財務、あるいは単にインセンティブの不整合といった「組織的な障壁」にあります。

三つ目は、AIの潜在能力は私たちが現在認識しているよりもはるかに大きいということです。パリク氏は自身、チーム、そしてパートナー企業に対して「AIで何ができるかについて、野心のレベルを引き上げよう」と呼びかけています。

MicrosoftとSiemensのパートナーシップは、単なる技術提携を超えた深い協力関係です。クラウドインフラ、AI技術、産業ノウハウを組み合わせ、顧客企業にとって真の価値を生み出すソリューションを共同で開発しています。前述のNVIDIAとの協業がハードウェアとシミュレーションに重点を置いているのに対し、Microsoftとの協業はソフトウェア、クラウド、そしてエージェント技術に焦点を当てている点が特徴的です。

よくある質問

Q1: 「コパイロット」と「エージェント」の違いは何ですか？
A: コパイロット（Copilot）は、人間の作業を「補助」するAIです。人間が主導権を持ち、AIは提案や補完を行います。たとえば、文章を書いている途中で次の文を提案したり、コードを書いているときに補完候補を表示したりします。一方、エージェント（Agent）はより自律的に動作します。人間から大まかな指示を受けると、その達成に必要なステップを自ら判断し、複数のタスクを自動的に実行します。コパイロットが「優秀なアシスタント」だとすれば、エージェントは「任せられるチームメンバー」に近いイメージです。

Q2: なぜMicrosoftはクラウドとAIの両方で強みを持っているのですか？
A: Microsoftは、Azure（アジュール）というクラウドプラットフォームで世界第2位のシェアを持ち、同時にOpenAIへの大規模投資を通じてAI技術でも先端を走っています。クラウドはAIを動かすための「場所」と「計算力」を提供し、AI技術はクラウド上で動く「知性」を提供します。この両方を一社で提供できることは、顧客にとって導入の容易さとシステムの統合性という面で大きなメリットとなります。

Q3: CAMプログラミング時間の80%削減とは、具体的にどういうことですか？
A: CAM（コンピュータ支援製造）プログラミングとは、工作機械（旋盤やフライス盤など）に部品を加工させるための指示を作成する作業です。従来、熟練のプログラマーが図面を見ながら、工具の動き、切削速度、加工順序などを一つずつ設定していました。AIコパイロットを使えば、過去の類似部品のプログラムを参照し、最適なパラメータを自動で提案してくれます。80%削減とは、たとえば従来10時間かかっていた作業が2時間で完了するようになった、という意味です。

サラがスマートグラスで効率を上げたように、私たちのデスクワークも「ウェアラブル」で進化します。

6. 現場を変えるAIアシスタント

6.1. Ray-Banスマートグラスで「誰でもエキスパート」に

前セクションまでで、産業AIの技術基盤やパートナーシップについて解説してきました。ここからは、これらの技術が実際に工場の現場で働く人々の手元に届く形について見ていきます。Siemensが発表した新たな取り組みは、産業用コパイロットをより身近で使いやすいものにするというものです。

まず、Siemensは今回のCESで9つの新しい産業用コパイロットを発表しました。これらのコパイロットは、設計、エンジニアリング、そして運用という産業バリューチェーン（価値連鎖、原材料から最終製品に至るまでの一連の活動）全体に知能をもたらします。製品のアイデアが生まれる瞬間から、それが工場で生産され、顧客のもとに届くまでのすべての工程で、AIがサポートできる体制が整いつつあるのです。

しかし、Siemensの挑戦はここで終わりません。さらに一歩進んで、この技術を現場の作業員の「顔の上」に載せるという大胆な取り組みが発表されました。Meta社と協力して、Ray-Ban（レイバン）のスマートグラスを産業AI向けに活用するプロジェクトです。

Ray-Banスマートグラスとは、一見すると普通のおしゃれなサングラスですが、小型のカメラやスピーカー、マイクが内蔵されており、AI機能と連携できるウェアラブルデバイス（身につけるコンピュータ）です。Siemensは工場での使用を想定し、色付きではない透明なレンズのバージョンも用意しています。もちろん、屋外作業で日差しが強い場合は色付きのものも使えます。

では、このスマートグラスで具体的に何ができるのでしょうか。最大の特徴は「リアルタイム音声ガイダンス」です。作業員がグラスを装着すると、AIが音声で「どのボタンを押すべきか」「どのパラメータを変更すべきか」といった指示をリアルタイムで伝えてくれます。

従来、工場で新しい機械の操作を覚えるには、分厚いマニュアルを読んだり、熟練者に付きっきりで教えてもらったりする必要がありました。しかし、スマートグラスを使えば、AIが「隣にいる専門家」のように常にサポートしてくれます。しかも、両手は作業に集中できる「ハンズフリー」の状態です。

会場では、実際の活用イメージを示すデモ映像が公開されました。登場したのは「サラ」という名前の新入社員です。彼女の言葉を借りれば、「正直なところ、覚えることがたくさんある」という状況でした。

サラが工場に出勤すると、スマートグラスのAIが「おはようございます、サラ。前のシフトでどんなことがあったか、これから何があるか簡単に確認しましょう」と声をかけてくれます。そして、「今日はロボット組み立てラインを担当します。セル4のセンサーに問題が見つかりました。後で組み立て不良につながる可能性があります。今リセットしておけば、それを防げます。手順を案内しましょうか？」と提案してくれるのです。

このAIの素晴らしい点は、サラ自身が語っている通り「ライブの機械データ」「同僚から蓄積された知識」「標準作業手順書」の三つを統合し、「自分にとって分かりやすい形で」「自分のペースで」「自分の言語で」説明してくれることです。

「自分の言語で」という点は、グローバルに展開する製造現場では特に重要です。世界中から集まる作業員が、それぞれの母国語でAIからの指示を受けられれば、言語の壁によるミスやコミュニケーションの遅れを大幅に減らせます。

AIの指示に従って作業を進め、最後に「リスタートを選択してください」という音声ガイドに従ってサラがボタンを押すと、問題は解決されました。サラは「SiemensのAIがあれば、問題を効率的に、素早く、自信を持って解決できます」と語っています。

初期のテスト結果では、このスマートグラスを使った作業員は「仕事に対する自信」が向上し、同時に「生産性」も向上したことが報告されています。これは非常に重要なポイントです。新しいテクノロジーが導入されると、作業員が「自分の仕事が奪われるのではないか」と不安を感じることがあります。しかし、このスマートグラスの場合は逆で、AIが作業員を「エキスパート」に変えてくれるのです。

この取り組みが示しているのは、産業AIの「民主化」とも呼べる方向性です。これまで、高度なAI技術を活用するには専門的な知識が必要でした。しかし、スマートグラスという日常的なアイテムを通じてAIにアクセスできるようになれば、特別なトレーニングを受けていない作業員でも、AIの恩恵を受けられるようになります。

「コネクテッド・エキスパート（つながった専門家）」という表現が使われていましたが、これは言い得て妙です。一人ひとりの作業員が、AIを通じて会社全体の知識やノウハウに「つながる」ことで、誰もが専門家のような判断と行動ができるようになります。これこそが「産業AIを現実世界でスケールさせる」ことの具体的な姿なのです。

よくある質問

Q1: なぜスマートフォンではなくスマートグラスなのですか？
A: 工場の作業現場では「両手を使える」ことが非常に重要です。スマートフォンを見ながら作業すると、片手がふさがってしまいますし、画面を見るために視線を機械から外す必要があります。スマートグラスであれば、作業を続けながら耳で指示を受けられ、必要に応じて視界に情報を表示することもできます。安全面でも、機械から目を離さずに情報を得られることは大きなメリットです。

Q2: プライバシーの問題はありませんか？
A: これは重要な懸念点です。スマートグラスにはカメラが内蔵されているため、作業員の動きや周囲の環境が記録される可能性があります。産業用途では、記録されたデータの取り扱い、誰がアクセスできるか、どのくらいの期間保存されるかなど、明確なルールを設ける必要があります。Siemensは産業分野でのセキュリティとコンプライアンスに長年取り組んできた経験があり、こうした懸念に対応するためのガイドラインも整備されていくと考えられます。

Q3: 熟練作業員の仕事はなくなってしまうのですか？
A: むしろ逆の効果が期待されています。熟練作業員の知識やノウハウは、AIの学習データとして活用されます。つまり、ベテランの経験が「デジタル化」され、組織全体で共有されるようになります。熟練作業員自身は、AIがルーティン作業をサポートしてくれることで、より高度な判断や問題解決、後進の育成といった付加価値の高い仕事に集中できるようになります。

サラがスマートグラスで効率を上げたように、私たちのデスクワークも「ウェアラブル」で進化します。

6.2. 9つの新しい産業用コパイロット

前述のスマートグラスは産業用コパイロットを届けるための「手段」の一つですが、ここではコパイロットそのものについて、もう少し詳しく見ていきましょう。

Siemensが今回のCESで発表した9つの新しい産業用コパイロットは、産業バリューチェーン全体をカバーするよう設計されています。設計段階から、エンジニアリング、そして実際の運用まで、それぞれの工程に特化したAIアシスタントが用意されているのです。

「バリューチェーン全体に知能をもたらす」という表現は、単に便利なツールを増やすということではありません。製品が生まれてから顧客に届くまでのすべてのステップで、AIが意思決定をサポートし、効率を向上させ、品質を高めるという包括的なビジョンを示しています。

これまでのセクションで見てきたように、前述のMicrosoftとの協業で開発された「ジョイントAIコパイロット」は、CAMプログラミング時間を80%削減し、工場の生産性を30%向上させるという成果を上げています。今回発表された9つの新しいコパイロットは、このような成功事例を他の領域にも広げていこうという取り組みの一環です。

これらのコパイロットが対象とする領域は多岐にわたります。製品設計の段階では、エンジニアが新しいアイデアを探索したり、設計の妥当性を検証したりする作業をAIがサポートします。エンジニアリングの段階では、前述のEDAソフトウェアやシミュレーションツールと連携して、より効率的な開発を可能にします。そして運用の段階では、今回紹介したスマートグラスのように、現場の作業員を直接支援します。

重要なのは、これらのコパイロットが「汎用的なAI」ではなく「産業特化型のAI」であるという点です。前述のMicrosoftのパリク氏との対談で語られた「第三の波」、つまり複数のエージェントが協調して動作する時代において、産業分野の具体的なユースケースに最適化されたコパイロットの価値はますます高まっていきます。

前述のドメインノウハウ、つまり50年以上にわたって蓄積された産業分野の専門知識が、これらのコパイロットの設計に活かされています。どのようなデータが重要か、どのような判断をAIに任せるべきか、どのような場面では人間の判断を仰ぐべきか──こうした現場の知恵がコパイロットに組み込まれることで、「使える」AIが実現するのです。

産業用コパイロットの普及は、製造業全体の競争力に大きな影響を与える可能性があります。これまで熟練者の経験と勘に頼っていた作業が、AIのサポートによって標準化され、誰でも高いレベルで実行できるようになります。人材不足に悩む製造業にとって、これは大きな朗報です。

同時に、作業員自身にとっても、AIコパイロットは「脅威」ではなく「味方」として機能します。単調な作業や複雑な手順の記憶から解放され、より創造的で付加価値の高い仕事に集中できるようになるからです。産業AIの真の価値は、人間の能力を「置き換える」ことではなく、「増幅する」ことにあるのです。

よくある質問

Q1: 9つのコパイロットの具体的な内容は公開されていますか？
A: 今回の講演では、9つのコパイロットの詳細な内容までは言及されていませんでした。ただし、「設計」「エンジニアリング」「運用」という三つの領域をカバーすることは明言されています。具体的な機能や対象業界については、前述のSiemens Xceleratorマーケットプレイスで順次公開されていくと考えられます。

Q2: 前述の「第三の波」のエージェントとコパイロットはどう違うのですか？
A: コパイロットは人間の作業を「補助」するAIで、人間が主導権を持ちながらAIのサポートを受けます。エージェントはより自律的に動作し、人間からの大まかな指示に基づいて複数のタスクを自動的に実行します。現在発表されているコパイロットは主に補助的な役割ですが、将来的にはエージェントへと進化し、より複雑なタスクを自律的にこなせるようになることが期待されています。

Q3: 中小企業でもこれらのコパイロットを導入できますか？
A: Siemens Xceleratorマーケットプレイスを通じて、企業規模に関わらずコパイロットにアクセスできるようになる見込みです。クラウドベースで提供されるため、高額な初期投資なしに必要な機能だけを選んで利用することも可能です。ただし、最大限の効果を得るためには、前述のデータの統合やシステムの連携など、一定の準備が必要になる場合があります。

サラがスマートグラスで効率を上げたように、私たちのデスクワークも「ウェアラブル」で進化します。

7. エネルギーの未来を切り拓く

7.1. 核融合発電はいつ現実になる？

ここまでのセクションでは、産業AIがさまざまな分野でどのように活用されているかを見てきました。しかし、AI技術が急速に普及する中で、避けて通れない大きな課題があります。それは「電力」の問題です。前述のAIファクトリーやデータセンターは、ギガワット級の膨大な電力を必要とします。もし、クリーンで安全、かつ事実上無限に近いエネルギー源があったら──その答えの一つが「核融合発電」です。

核融合（Fusion）とは、宇宙のエネルギー源そのものです。太陽をはじめとする恒星は、核融合によって膨大なエネルギーを生み出しています。水素のような軽い原子核同士が融合してヘリウムなどのより重い原子核になる際に、巨大なエネルギーが放出されます。この反応を地球上で人工的に再現し、そのエネルギーを電力として取り出そうというのが核融合発電の基本的な考え方です。

CESのステージには、Commonwealth Fusion Systems（コモンウェルス・フュージョン・システムズ）のボブ・モンガード氏が登壇しました。同社は、世界初の商業的に実用可能な核融合発電装置の開発に取り組んでいる企業です。

核融合発電が実現すれば、エネルギーシステムそのものの概念が変わるとモンガード氏は説明しています。従来のエネルギーシステムは「天然資源の消費」を前提としています。石油、石炭、天然ガスといった化石燃料を掘り出し、燃やすことでエネルギーを得ています。しかし核融合が実現すれば、エネルギーシステムは「技術」に基づくものへと転換します。どれだけ速く装置を作れるか、どれだけ効率よく運用できるかが鍵となり、資源の枯渇を心配する必要がなくなるのです。

Commonwealth Fusion Systemsが開発しているのは「トカマク（Tokamak）」と呼ばれるタイプの装置です。トカマクとは、核融合反応を起こすために超高温のプラズマ（電離したガス）を磁場で閉じ込める容器のことです。モンガード氏はこれを「星を中に閉じ込めておく瓶のようなもの」と表現しました。太陽の中心部では数千万度という超高温で核融合が起きていますが、同様の反応を人工的に起こすには、プラズマを1億度以上に加熱し、それを散逸させないように閉じ込める必要があります。

核融合発電の研究は数十年にわたって続けられてきましたが、なぜ今になって実用化が近づいているのでしょうか。モンガード氏はその理由として、技術スタックの進化を挙げています。シミュレーションツールの発展により、核融合プロセスの物理学を詳細に理解できるようになりました。大規模なコンピュータシミュレーションで基礎物理を把握し、それを複雑な装置の製造に反映させ、さらにエネルギーを生み出すプラント全体の設計に統合するという流れが可能になったのです。

核融合発電には独特の課題があります。それは「まったく新しい産業をゼロから作らなければならない」という点です。核融合発電所や核融合用の部品を購入できる既存の市場は存在しません。磁石がどのように機能するかという基礎原理から始めて、新しい設計を素早く取り入れられる工場を構築し、テスト結果とシミュレーション結果を比較して不一致がないか確認するというプロセスを、すべて自分たちで確立する必要があります。

ここでSiemensの技術が重要な役割を果たしています。部品の設計から、工場の運営、そして超大電流と冷却を制御するプラント全体の管理まで、Siemensの技術が使われています。Commonwealth Fusion Systemsは現在、マサチューセッツ州で「Spark（スパーク）」と呼ばれる実験装置を建設中です。Sparkは、核融合反応から得られるエネルギーが、プラズマを加熱するために投入したエネルギーを上回ることを実証するための装置です。この「エネルギー収支がプラスになる」ことが、核融合発電の商業的実用性を証明する重要なマイルストーンとなります。

Siemensの技術は、Sparkプロジェクトの最初期から関わっています。設計作業はもちろん、工場を自動化するPLC（Programmable Logic Controller、プログラマブル・ロジック・コントローラー）という制御装置もSiemens製です。PLCとは、工場の機械やプロセスを自動制御するための専用コンピュータです。さらに、Spark施設内でさまざまなプロセスを統合的に制御する「頭脳」の部分もSiemensの機械が担っています。

これらの制御システムで動作するソフトウェアは、大規模なコンピュータシミュレーションで事前に検証されています。そしてそのシミュレーションは、前述のNVIDIAの計算能力とAI技術によって高速化されています。アイデアの段階から実際のプラントに至るまで、非常に大きな技術スタックが積み重なっているのです。

では、核融合発電はいつ実用化されるのでしょうか。モンガード氏によると、すでに目に見える進展が始まっています。CESの直前には、Sparkに最初の大型磁石が設置されたことが発表されました。Sparkの次のステップとして計画されているのが「Arc（アーク）」という商業用装置で、バージニア州に建設される予定です。Arcは約400メガワットの核融合電力を生み出す設計で、これはデータセンターを稼働させるのに十分な電力量です。

注目すべきは、GoogleがArcからの電力を購入する契約を結んでいるという点です。これは単なる研究開発プロジェクトではなく、実際のビジネスとして核融合発電が動き始めていることを示しています。科学的な実証から実際のエネルギー供給まで、技術スタックが揃いつつあり、「新しい豊かさの時代」が見え始めているとモンガード氏は語りました。

よくある質問

Q1: 核融合と原子力発電（核分裂）の違いは何ですか？
A: 現在の原子力発電は「核分裂」を利用しています。ウランなどの重い原子核を分裂させてエネルギーを取り出す方式です。一方、核融合は軽い原子核（主に水素の同位体）を融合させてエネルギーを得ます。核融合には核分裂と比べていくつかの利点があります。燃料となる重水素は海水から得られるため事実上無尽蔵です。また、核融合反応は暴走しにくく、反応を維持する条件が崩れると自然に停止するため、核分裂のような連鎖的な事故のリスクが低いとされています。さらに、高レベル放射性廃棄物がほとんど発生しません。

Q2: なぜ核融合発電は「数十年後」と言われ続けてきたのですか？
A: 核融合反応を持続的に維持することの技術的難しさが主な理由です。1億度以上のプラズマを安定して閉じ込め続けることは極めて困難でした。しかし近年、超伝導磁石技術の進歩、コンピュータシミュレーション能力の向上、AIによる最適化技術の発展により、これらの課題を克服できる見通しが立ってきました。Commonwealth Fusion Systemsのようなスタートアップが商業化を目指して具体的なスケジュールを提示できるようになったのは、これらの技術革新のおかげです。

Q3: SiemensはなぜAIファクトリーと核融合の両方に関わっているのですか？
A: AIファクトリーが必要とする膨大な電力と、その電力を供給する手段としての核融合発電は、密接に関連しています。AI技術の発展には計算能力が必要で、計算能力には電力が必要です。Siemensは前述のとおり175年にわたって電力インフラを構築してきた経験があり、電力を「使う」側（AIファクトリー）と「作る」側（核融合発電）の両方で技術を提供できる立場にあります。

サラがスマートグラスで効率を上げたように、私たちのデスクワークも「ウェアラブル」で進化します。

7.2. AIで電力グリッドの容量を20%増やす方法

核融合のような新しいエネルギー源が実用化されたとしても、もう一つの大きなボトルネックが残っています。それは「送電網（グリッド）」の問題です。電力を生み出すことと、それを必要な場所に届けることは、まったく別の課題なのです。

現在、世界中の多くの電力グリッドは崩壊の危機に瀕しています。これは大げさな表現ではありません。太陽光発電や風力発電のような再生可能エネルギー、いわゆる「間欠性電源」の増加が、グリッドへのストレスを高めています。間欠性電源とは、天候や時間帯によって発電量が変動する電源のことです。太陽光パネルは夜間や曇りの日には発電できませんし、風力発電も風が吹かなければ動きません。

従来の電力グリッドは、火力発電所や原子力発電所のような「安定した出力」を前提に設計されていました。需要に応じて発電量を調整し、常に供給と需要のバランスを保つことが基本的な運用方針でした。しかし、再生可能エネルギーの比率が高まると、供給側の変動が大きくなり、バランスを維持することが格段に難しくなります。

さらに、AIファクトリーやデータセンターの急増により、電力需要そのものが急激に増加しています。新しい発電所や送電線を建設するには、何年もの時間と莫大な投資が必要です。需要の増加スピードに、インフラの整備が追いついていないのが現状です。

ここで産業AIの出番です。Siemensが提供するAI対応技術は、巨大な電力グリッドであっても、しかも自律的に、負荷を予測し、グリッドを安定化させることができます。

具体的にどのようなことが可能なのでしょうか。まず、シミュレーション能力です。たとえば、「ある地域に1万台の電気自動車が新たに導入されたら、グリッドにどのような影響があるか」をシミュレーションできます。電気自動車は充電時に大きな電力を消費しますが、その充電タイミングは車の使用パターンによって変わります。仕事から帰宅した夕方に一斉に充電が始まれば、その地域のグリッドに大きな負荷がかかります。こうした影響を事前に予測し、対策を講じることができるのです。

さらに興味深いのは、ビル全体を「協調」させてエネルギー消費を調整するという発想です。都市中のビルが連携し、エネルギー消費を調整することで、グリッドの安定化に貢献できます。たとえば、空調を「たった30秒間」だけ弱めるという小さな調整を、多くのビルで同時に行うことで、グリッド全体の負荷を平準化できます。一つひとつのビルにとっては気づかないほどの小さな変化ですが、それが何千、何万のビルで同時に起これば、大きな効果を生み出します。

そして最も注目すべき成果として紹介されたのが、「新しいインフラを建設することなく、既存のグリッド容量を20%増加させる」という実績です。これは非常に大きな数字です。通常、グリッドの容量を20%増やそうとすれば、新しい送電線を敷設したり、変電所を増設したりする必要があります。そのためには、何年もの計画期間と、莫大な投資が必要になります。しかしAIを活用すれば、既存のインフラをより効率的に運用することで、実質的な容量増加を実現できるのです。

この「20%」という数字の意味を具体的に考えてみましょう。ある地域のグリッドが最大100万キロワットの電力を供給できる設計だとします。従来の運用方法では、安全マージンを取って80万キロワット程度で運用していたかもしれません。AIによる精密な予測と制御があれば、そのマージンを圧縮し、100万キロワットにより近い水準で安全に運用できるようになります。結果として、同じインフラで20%多くの需要に対応できるわけです。

この取り組みは、まさに「産業AIが現実世界でインパクトを生み出している」実例です。理論や構想の段階ではなく、すでに実際の電力グリッドで効果を発揮しています。前述のPepsiCoの事例が製造・物流分野での成功例だったのに対し、この電力グリッドの事例は、社会インフラ分野での成功例と言えるでしょう。

エネルギーの未来は、新しい発電技術（核融合など）の開発と、既存インフラの効率化という二つの軸で進んでいきます。

Siemensは、その両方の軸で中心的な役割を担っています。前者では核融合開発企業への技術提供、後者ではAIによるグリッド最適化という形で、エネルギー分野の変革を支えているのです。

エネルギーは、前述の「汎用技術」としての電気の時代から、産業と社会の基盤であり続けてきました。AIが新たな汎用技術として台頭する今、エネルギーとAIの融合は必然的な流れです。AIファクトリーが膨大な電力を消費する一方で、そのAI技術が電力供給そのものを効率化する──この循環こそが、産業AIの革命がもたらす新しい時代の姿なのです。

よくある質問

Q1: 「間欠性電源」がグリッドにストレスを与えるのはなぜですか？
A: 電力グリッドは常に「供給」と「需要」のバランスを維持する必要があります。このバランスが崩れると、周波数の乱れや電圧の変動が起き、最悪の場合は大規模停電につながります。従来の火力発電所などは、需要に応じて出力を調整できるため、バランスを維持しやすい電源でした。しかし太陽光や風力は、天候次第で出力が大きく変動するため、需要に合わせた調整が困難です。曇りの日に太陽光発電の出力が急落したとき、他の電源でそれを補う必要がありますが、その対応が間に合わないとバランスが崩れてしまいます。

Q2: ビルの空調を30秒止めるだけで効果があるのですか？
A: 一つのビルだけでは効果は限定的ですが、数千、数万のビルが同時に協調して行えば、合計で非常に大きな電力削減になります。たとえば、1ビルあたり100キロワットの空調負荷を30秒間停止すれば、10,000ビルで合計100万キロワット（1ギガワット）の一時的な需要削減になります。この「デマンドレスポンス」と呼ばれる手法は、グリッドの需給バランスを調整する有効な方法として、すでに世界中で活用されています。AIがあれば、最適なタイミングと組み合わせをリアルタイムで計算し、自動的に実行できます。

Q3: 20%の容量増加は、具体的にどうやって実現しているのですか？
A: いくつかの要素が組み合わさっています。第一に、AIによる精密な需要予測です。従来よりも正確に将来の需要を予測できれば、過剰な安全マージンを削減できます。第二に、リアルタイムの状態監視と制御です。送電線や変圧器の温度、電流、電圧などを常時監視し、限界に近づいたら即座に対応できます。第三に、最適な電力の流れの計算です。どの発電所からどの地域にどれだけ送電すれば最も効率的かを、AIが瞬時に計算します。これらを組み合わせることで、同じ物理的なインフラでもより多くの電力を安全に流せるようになります。

Q4: この技術は日本のような電力グリッドでも使えますか？
A: 技術的には適用可能です。ただし、各国・各地域のグリッドには固有の特性や規制があるため、導入にあたっては現地の状況に合わせた調整が必要になります。日本の場合、東西で周波数が異なる（東日本50Hz、西日本60Hz）という特殊事情や、電力自由化後の複雑な事業者構造など、考慮すべき要素があります。Siemensは世界中の電力グリッドで実績を持っているため、こうした地域固有の課題にも対応できるノウハウを蓄積しています。

サラがスマートグラスで効率を上げたように、私たちのデスクワークも「ウェアラブル」で進化します。

8. AIが「当たり前」になる世界へ

ここまでのセクションでは、産業AIを支える技術基盤、パートナーシップ、具体的な応用事例、そしてエネルギー分野での可能性について詳しく見てきました。この最終セクションでは、これらすべてが融合したとき、私たちの日常がどのように変わるのかを展望します。Siemensが描く「産業AIが当たり前になった世界」のビジョンを、一緒に見ていきましょう。

まず、産業AIがもたらす恩恵は、特定の業界や企業に限定されるものではありません。製品を設計する人、エンジニアリングに携わる人、現場で運用を担当する人──あるいはこれらすべてに関わる人──誰もが産業AIの恩恵を受けられます。

作るものが食品であれ、自動車であれ、医薬品であれ、エネルギーであれ、関係ありません。管理するインフラが水道システムであれ、交通システムであれ、前述の電力グリッドであれ、同様です。Siemensは、前述の技術基盤、前述のドメインノウハウ、そして前述のパートナー企業との協力によって、あらゆる分野の顧客を支援できる体制を整えています。

ここで、私たちの日常における「電気」の存在を思い返してみてください。今この瞬間、電気について意識的に考えている人はほとんどいないでしょう。照明は当然のように点灯し、コーヒーメーカーは動き、パソコンは充電されています。電気は「生活の事実」として、私たちの意識から消えているのです。

産業AIも、いずれ同じような存在になります。意識しなくても、そこにある。特別なものとしてではなく、日常の一部として。

では、その「産業AIが当たり前になった世界」とは、具体的にどのような姿でしょうか。

第一に、生産の在り方が根本から変わります。「必要なものを、必要な量だけ、必要な場所で」生産することが当たり前になります。過剰生産による廃棄、在庫の滞留、供給不足による機会損失──こうした問題は大幅に減少するでしょう。前述のデジタルツインと前述のAIファクトリーが連携することで、需要をリアルタイムで予測し、生産を動的に調整することが可能になるからです。

第二に、設備の故障やシステム停止が稀な出来事になります。しかも、予測できない故障はさらに稀になります。前述のAIコパイロットや前述のセンサーデータの分析により、問題が顕在化する前に兆候を検知し、事前に対処できるようになるからです。「壊れてから直す」から「壊れる前に防ぐ」への転換が、あらゆる産業で実現します。

第三に、医療の分野では、個人の生物学的特性に合わせてカスタマイズされた医薬品が「標準的な医療」になります。前述のライフサイエンス分野でのAI活用により、新薬開発のスピードが飛躍的に向上します。患者一人ひとりの遺伝子情報や生活習慣に基づいた精密医療（プレシジョン・メディシン）が、特別なものではなく日常的な選択肢になるのです。

第四に、自動運転車が100%の信頼性とゼロエミッション（排出ガスゼロ）で移動することが当然になります。前述のPAVE360のような技術により、自動運転システムの開発と検証が加速し、安全性が徹底的に検証された車両だけが道路を走るようになります。

第五に、知識の継承が根本的に変わります。熟練者から次世代への技術や経験の伝達が、「電流が電線を流れるように自然に」行われるようになります。前述のRay-Banスマートグラスのような技術により、ベテランの知識がデジタル化され、必要な人に必要なタイミングで届けられるようになるからです。

第六に、エネルギーがクリーンかつ豊富に流れるようになります。前述の核融合発電のような新しいエネルギー源と、前述のAIによるグリッド最適化技術が組み合わさることで、エネルギーの供給は安定し、環境負荷も低減されます。

そして、インフラが自己修復し、自己最適化するようになります。道路、橋、ビル、送電網──これらの社会インフラが、AIによって常に監視され、問題が発生する前に対処されます。インフラの老朽化による事故や、非効率な運用によるエネルギーの無駄は、過去のものになるでしょう。

これらすべてが実現したとき、私たちはAIの存在をほとんど意識しなくなります。「AIが動いている」と感じることなく、AIの恩恵を受け続ける日常が訪れるのです。

ここで、一つの重要な概念について触れておきましょう。「ブレイクスルー・イノベーション（画期的な技術革新）が現実世界の必需品となり、前述の汎用技術が私たちの生活の『見えない基盤』になったとき」──そのとき初めて、産業AIが真にスケールし、その潜在能力を発揮したと言えるのです。

電気がかつてそうであったように、AIも「あって当然のもの」になる。照明のスイッチを入れるとき、私たちは電気の仕組みを考えません。同様に、製品を設計するとき、工場を運営するとき、医療を受けるとき、移動するとき──私たちはAIの存在を意識せずに、その恩恵を受けるようになります。

この未来は、Siemens単独で実現できるものではありません。前述のNVIDIA、前述のMicrosoft、前述のAWSといったパートナー企業との協力、そして何より顧客企業との共創が不可欠です。技術を提供する側と、それを活用する側が一体となって、産業AIの未来を形作っていくのです。

「顧客と共に、パートナーと共に、そしてあなたと共に」──この言葉には、産業AIの本質が凝縮されています。AIは一部の技術者や大企業だけのものではありません。製造業の現場で働く人、サプライチェーンを管理する人、インフラを維持する人、医療に携わる人──すべての人が、産業AIの担い手であり、受益者なのです。

産業AIの革命は、「日常を変革する」ことを目指しています。特別な瞬間だけでなく、毎日の何気ない瞬間に、AIが静かに働いている。そんな世界が、すでに始まりつつあります。

前述の講演の冒頭で語られた「電気の時代」の到来から175年。人類は再び、大きな転換点に立っています。蒸気機関が60年、電気が30年、コンピュータが15年かけて社会を変革したのに対し、AIはわずか7年以下でその役割を果たそうとしています。

この変化のスピードは、準備の重要性を示しています。技術を理解し、導入を検討し、組織を変革していく──これらのステップを、今すぐ始める必要があります。前述のMicrosoftのパリク氏が語ったように、多くの人がすでにプライベートではAIを活用しています。その力を、仕事の場でも、産業の現場でも解き放つときが来ているのです。

産業AIは、もはや「将来の技術」ではありません。前述のPepsiCoの事例が示すように、導入から3ヶ月で20%の効率向上という成果を出せる、「今すぐ活用できる技術」です。前述の電力グリッドの事例が示すように、新しいインフラを建設することなく、既存の設備で20%の容量増加を実現できる、「実証済みの技術」です。

この記事を読んでいるあなたが、製造業に携わる方であれ、IT技術に興味を持ち始めた方であれ、あるいは単純に未来のテクノロジーに関心がある方であれ、産業AIは無関係ではありません。私たちが使う製品、私たちが受ける医療、私たちが利用するインフラ──すべてが、産業AIによって静かに、しかし確実に変わっていくからです。

「電気が生活の事実になったように、産業AIも生活の事実になる」──このビジョンが現実となる日は、思っているよりも近いかもしれません。

よくある質問

Q1: 「AIが当たり前になる」とは、具体的にどういう状態を指しますか？
A: 「当たり前になる」とは、AIの存在を意識せずにその恩恵を受ける状態を指します。たとえば、今私たちは照明のスイッチを入れるとき、電気がどのように発電され、送電され、変換されているかを考えません。同様に、将来は製品を購入するとき、その設計や製造にAIが関わっていることを意識しなくなります。工場で働くとき、AIが支援していることを特別に感じなくなります。AIは「道具」や「技術」としてではなく、「空気のような存在」として社会に溶け込んでいるのです。

Q2: 産業AIの普及で、人間の仕事はなくなってしまうのですか？
A: 講演全体を通じて強調されているのは、AIが人間を「置き換える」のではなく「増幅する」という視点です。前述のスマートグラスの事例では、新入社員がAIのサポートを受けることで、自信を持って仕事ができるようになり、生産性も向上しました。AIがルーティン作業や複雑な計算を担当することで、人間はより創造的で付加価値の高い仕事に集中できるようになります。ただし、仕事の内容や求められるスキルは変化するため、継続的な学習と適応が必要になるでしょう。

Q3: この記事で紹介された技術は、いつ頃から一般の人が恩恵を受けられるようになりますか？
A: 実は、すでに多くの技術が実用化されています。PepsiCoの効率向上、電力グリッドの容量増加、Foxconnの工場でのデジタルツイン活用など、紹介された事例の多くは「現在進行形」です。一般消費者が直接体感できるレベルでは、自動車の安全機能向上、医薬品開発の加速による新薬の早期入手、電力供給の安定化などの形で、今後数年のうちに恩恵が広がっていくと予想されます。特に自動運転や精密医療は、2030年代には大きく普及している可能性があります。

Q4: 産業AIの導入を検討する企業は、何から始めればよいですか？
A: 講演で繰り返し強調されていたのは、「データの統合」「適切なパートナーシップ」「段階的なアプローチ」の三点です。まず、自社内に散在するデータを統合し、活用できる状態にすることが出発点です。次に、前述のSiemens Xceleratorのようなマーケットプレイスを通じて、自社のニーズに合ったソリューションを選択します。そして、一度にすべてを変えようとするのではなく、効果が出やすい領域から段階的に導入を進めることが推奨されています。Microsoftのパリク氏が語ったように、「野心のレベルを引き上げる」ことも重要ですが、現実的なステップで着実に進むことが成功の鍵となります。

サラがスマートグラスで効率を上げたように、私たちのデスクワークも「ウェアラブル」で進化します。

いいなと思ったら応援しよう！

投げ銭をお待ちしております。