日本の社長が知らない世界のAI常識トップ10。日経ばかり読んでいると世界から取り残されます...

» 2026/09/16

さっつーのAIエージェントで毎日のように世界最先端動向のレポートをリリースしている今泉大輔です。

最近人気を集めているのが、経産省が選定した9地域10地点のAIデータセンタープロジェクトの現在状況をまとめたレポートです。現在がスタートライン。これから各地域で1兆円単位のAIデータセンターを採算に乗せるレースが始まります。小職も逐次、参考にしていただけるレポート等を投入して参ります。セミナーも複数回実施します。

石狩・苫小牧、南砺市など経産省GX戦略地域制度が選定したデータセンター集積型 9地域10地点の現況：自治体首長向けディープリサーチ・レポート

朝、ウォーキングをしていて、世界のAIビジネスの経営者には常識であるけれども、日本の経営者がほとんど知らないトレンドが明確にあるな...ということに気づきました。日本の日経等の経済メディアだけを読んでいると、世界のAI動向から取り残された離れ小島のような市場認識が形成されます。というのも日本の経済メディアは「日本の企業を取材することで紙面を埋める」からです。世界の企業に直接足を運んで取材することがありません。記事は常に日本企業の名前が見出しになるものばかりです（実は日本の読者がそれを期待しているから...という卵と鶏の関係があります...）。かくして日本の経済人が世界のAI動向をほとんど知らないという現実が出来上がっています。

AIデータセンターなどのテーマでこの1年間に15本程度のセミナーをやってきました。そこでの受講者の反応から日本の標準的な経済人のAIに関する認識を推し量ることができます。

以下はそのような経験を踏まえて、日本の東証プライム経営者がほとんど知らない、世界のAI常識を10本、AIと議論の上で選定して、わかりやすく書かせた原稿です。

1．世界のAIサーバーを誰がつくっているのか――NVIDIAの背後にいる台湾企業の実力

「当社もNVIDIAのAIサーバーを導入します」。そんな報告を受けたとき、そのサーバーを実際に設計し、組み立て、動作を確認して出荷する企業はどこなのか、と尋ねたことはあるでしょうか。AIの事業機会を考えるには、半導体の名前だけでなく、それを実際に使える設備に仕上げる企業まで知る必要があります。

そこで登場するのが、Foxconn（（鴻海精密工業））、Quanta Cloud Technology（QCT）、Wistron（ウィストロン／緯創）、Wiwynn（ウィウィン／緯穎）といった台湾企業です。NVIDIAが2026年5月に発表した次世代AI基盤「Vera Rubin」の量産体制にも、これらの名前が並んでいます。DellやHPEなどのブランド企業とともに、台湾企業群が世界のAIインフラを製造する重要な担い手になっているのです。

「組み立てるだけ」の会社ではありません

台湾の電子機器メーカーを、安い人件費で製品を組み立てる会社だと考えていると、この産業構造を見誤ります。例えば、Quanta Computerを親会社とするQCTは、設計・製造を受託するODM事業の蓄積を背景に、クラウド事業者などへ製品を直接提供するために設立されました。親会社の設計技術、製造、部品供給網、ラック組み立て能力を活用していると説明しています。ODMとは、顧客向け製品の設計と製造を担う事業形態です。

実際の製品を見ると、その仕事の大きさがわかります。QCTが製造するNVIDIA GB300 NVL72は、72基のGPUと36基のCPUを一つのラック規模にまとめた液冷システムです。GPUという計算用半導体を購入して、金属の箱に取り付ければ完成するものではありません。多数の半導体を接続し、電力を供給し、発生する熱を排出して、全体を一つの計算設備として動かす必要があります。

QCTは、そのラックに対応する液冷設備も製品化しています。またWistronは、AIシステムの組み立てと試験に加え、製造からアフターサービスまでをつなぐ供給体制を米国で整備しています。つまり、この企業群の仕事は、部品を取り付ける作業にとどまりません。半導体の性能を、顧客が実際に使える計算能力へ変換し、安定した品質で大量供給する仕事なのです。

どれほど優れた半導体があっても、必要な数量のシステムとして納入されなければ、データセンターは稼働できません。その意味で、設計、調達、冷却、検証、量産をつなげる能力は、AI産業の拡大を左右する競争力といえます。

「米国製」と「台湾企業製」は両立します

もう一つ押さえたいのは、台湾企業が製造することと、台湾国内で製造することは同じではない、という点です。

Wiwynnが2026年9月10日付で公表した発表では、Amazonとともに米国テキサス州の製造拠点を拡張し、2027年末までに約1,000人の新規雇用を生み出す計画を示しています。Wiwynnが担うのは、Amazonのデータセンター向けサーバーシステムとラックの製造・統合です。米国のクラウドインフラを、台湾企業が米国内の工場で支える構図が、ここにはあります。

この事例から読み取れるのは、生産地が米国へ移っても、製造を担う企業の技術や供給網まで米国企業に置き換わるわけではない、ということです。「どこの国でつくるか」と「誰がつくる能力を持っているか」を分けて見る必要があります。

この構造は、日本企業の営業戦略にも直結します。仮に自社が、高性能な電源、接続部品、基板、冷却部品を持っているとします。その技術をAI向けに売り込む際、最終利用者であるクラウド企業だけを調べていては不十分です。製品の設計に関わる企業、部品を評価する企業、量産時に調達する企業がどこなのかまで、商流をたどる必要があります。

もちろん、台湾メーカーに接触すれば必ず採用されるわけではありません。しかし、供給網のどこで自社技術が評価されるのかを知らなければ、提案の入口さえ見つかりません。

「AI市場が伸びている」と知ることと、「その市場で誰に何を売るか」を理解することは別です。 世界のAIサーバーを支える台湾企業の名前を知ることは、海外事情の勉強ではありません。自社の技術を世界のAI需要につなげるための、営業と事業開発の出発点なのです。

2．TSMCは単なる「半導体の下請け工場」ではありません――世界のAIを量産可能にする製造基盤

NVIDIAのAI半導体は、誰が製造しているのでしょうか。例えば「Blackwell Ultra」の製造には、TSMCの「4NP」という製造技術が使われています。NVIDIAが設計した半導体を、TSMCが製造するという分業です。(NVIDIA Developer)

ただし、この関係を「設計する会社が主役で、製造する会社は指示どおりにつくる下請け」と理解すると、TSMCの競争力を見誤ります。重要なのは、工場を持っていることではなく、顧客の設計を、高性能かつ量産可能な製品に変える仕組みを持っていることです。

設計段階から、顧客の事業を支えています

TSMCの2025年年次報告書によると、同社は534社の顧客に向け、1万2,682種類の製品を製造しました。これはAI向けだけの数字ではありません。スマートフォン、自動車、高性能コンピューティングなど、多様な市場の設計を製品にする製造基盤なのです。(台湾半導体製造公司)

その仕事は、完成した設計図どおりに製造することだけではありません。TSMCは「Open Innovation Platform（OIP）」という仕組みを通じ、設計ソフトの企業や、再利用可能な回路設計を提供する企業などと連携しています。顧客がTSMCの製造技術を使い、設計から量産へ進めるよう、設計段階から支援しているのです。(TSMC)

どれほど独創的な設計でも、製造条件に適合せず、何度も作り直すことになれば、販売開始が遅れます。設計と製造の間の手戻りを減らし、製品が売上を生むまでの時間を縮める。OIPは、この目的のために用意された仕組みです。(TSMC)

この分業を支えるのが、「顧客と競争しない」という経営方針です。TSMCは、自社ブランドの半導体製品で顧客と競うのではなく、製造受託に専念しています。顧客の成功を支えることが、自社の成長につながる事業モデルなのです。(TSMC)

微細化だけでは、AI半導体は完成しません

もちろん、製造技術そのものも重要です。TSMCは、2025年第4四半期に「2ナノメートル（N2）」技術の量産を開始したと報告しています。ただし、先端技術の価値は、試作品をつくれたことだけでは決まりません。良品の比率である「歩留まり」を高め、必要な数量を安定供給できてこそ、顧客の事業を支えられます。(台湾半導体製造公司)

さらに、AI向けの高性能半導体では、細かい回路をつくる技術と並んで、複数の半導体を高密度に接続する「先端パッケージング」が重要です。TSMCの「CoWoS」は、計算を担うチップと、高速にデータを供給するメモリ「HBM」などを、一つのパッケージにまとめる技術です。ここでいうパッケージは包装箱ではなく、複数の半導体を接続し、動作させるための構造を指します。(3DFabric)

計算するチップだけを高性能にしても、必要なデータが十分な速さで届かなければ、その能力を生かし切れません。だからこそ、「回路を微細につくる」と「チップ同士を高速につなぐ」を一体で考える必要があります。TSMCは、設計支援から製造、先端実装までを組み合わせて提供しています。(TSMC)

日本企業が見るべきは、投資額の先です

この構造から、日本企業が学べることは何でしょうか。まず、半導体工場を評価する際に、「何兆円を投資したか」「何ナノメートルか」だけでは不十分だということです。どの顧客の設計を、どのような品質と数量で、いつから製品として供給できるのか。そこまで見て、初めて事業としての実力を判断できます。

装置や材料を販売する企業にとっても、問いは変わります。「当社の製品は高性能です」という説明だけでなく、それによって顧客の不良をどれだけ減らせるのか、量産立ち上げをどれだけ早められるのか、製造コストをどれだけ下げられるのか。顧客の事業成果につながる提案が必要になります。

TSMCの本当の強さは、巨大な工場を持つことではなく、世界の設計企業が新製品を量産するための基盤になっていることです。「製造受託」という言葉の背後にある、この技術と事業の仕組みを理解して初めて、世界のAI産業で自社が担える仕事も見えてくるのです。

3．最先端半導体工場は、すでに「巨大なロボットシステム」です――AIをつくる工場で進む自動化

「工場のロボット化」と聞くと、人間の代わりにロボットアームが作業する光景を思い浮かべるかもしれません。しかし、最先端半導体工場で注目すべきなのは、一台の機械の動きではありません。製造装置、自動搬送、生産管理をつなぎ、工場全体を動かす仕組みです。TSMCは、装置・工程の制御から品質管理、ロボット制御まで、幅広く高度な製造技術を適用しています。(TSMC)

天井を走る搬送車が、製造装置をつないでいます

半導体の材料となる円盤状の「ウエハー」は、製造装置の間をどのように移動するのでしょうか。ダイフクの自動搬送システムでは、ウエハーを「FOUP（フープ）」という密閉容器に入れ、天井のレールを走る搬送車で運びます。床面を搬送路に使わないため、製造装置を置く空間も確保できます。(Daifuku)

その規模は、小さな工場内鉄道という表現では足りません。ダイフクによると、大規模化した半導体工場では、搬送レールの総延長が200キロメートル超、搬送車が1万台超に達する場合があります。そこでは、AIを使って混雑を避け、単に距離が短い経路ではなく、早く到着できる経路を選ぶ制御も取り入れています。(Daifuku)

なぜ、運び方にそこまで手をかけるのでしょうか。高性能な製造装置を導入しても、加工するウエハーが届かなければ、装置は待つしかありません。搬送を改善することは、単なる人件費削減ではなく、すでに投資した設備を有効に使うことにつながります。

また、半導体の搬送では、速さだけでなく、清浄度と低振動が求められます。ダイフクも、発塵と振動を抑え、安定稼働を支える技術を製品の中核に据えています。ここには、機械、材料、制御、保守を組み合わせる仕事があります。(大福)

「自動で動く」に、AIによる判断が重なります

搬送車が動くだけで、生産全体が最適になるわけではありません。どの製品を、どの装置で、どの順番に加工するかも重要です。TSMCは、この作業割り当てを担うシステムにAIを組み込み、設備の生産効率を高めています。さらに、自動搬送システムを複数の大規模工場につなぎ、工場間でも生産を連携させています。(TSMC)

つまり、機械を一台ずつ自動化する段階から、機械同士の仕事の受け渡しを最適化する段階へ、見るべき範囲が広がっています。個々の装置が速くても、受け渡しで滞れば、工場全体の生産量は増えません。

AIは検査にも入り込んでいます。NVIDIAの2026年5月31日の発表によると、TSMCは画像認識AIを活用し、ナノメートル規模の欠陥の検出・分類を改善しています。AI用半導体をつくる工場が、製造品質を高めるためにAIを使う。この循環が、すでに始まっているのです。(NVIDIA Newsroom)

ただし、長年の自動化と、近年のAI活用は分けて理解する必要があります。ダイフクが半導体ウエハー用の自動搬送システムを開発したのは1984年です。生成AIの登場で突然できた工場ではなく、蓄積してきた自動化技術の上に、新しい判断・最適化技術が重なっています。(大福)

日本企業の商機は、「工場全体を止めない」ことにあります

ここから経営者が考えるべきなのは、「ヒト型ロボットを開発できるか」だけではありません。自社の技術で、搬送の待ち時間を減らせないか。検査の見逃しを減らせないか。装置と生産管理をつなぎ、稼働率を高められないか。そうした問いです。

高度な自動化は、人間が不要になることとも同義ではありません。TSMCが募集する製造技術者の職務にも、工場自動化、生産計画、意思決定を支えるシステムの設計・開発が挙げられています。人が製品を運ぶ仕事と、生産の仕組みをつくり、改善する仕事は別なのです。(TSMC Careers)

「巨大なロボットシステム」とは、工場内の機械がすべてロボットだという意味ではありません。装置、搬送、検査、情報が連動して、生産を成立させる姿を表しています。

AI産業への参入機会は、AIそのものを開発する会社だけのものではありません。AI半導体を、止まらず、無駄なく、良品としてつくる。その仕組みを支える技術も、世界のAI需要につながっているのです。

4．NVIDIAは「GPUを売る会社」という理解だけでは足りません――競争単位は、半導体からAI工場全体へ

「NVIDIAのGPUを何千基導入する」。そんな発表を読んだとき、台数が多いほど競争力のあるAIデータセンターになる、と考えていないでしょうか。しかし、NVIDIA自身が提供範囲を広げているのは、半導体だけではありません。計算機、通信、ソフトウェア、電力、冷却を組み合わせ、AIを効率よく動かす仕組み全体です。(NVIDIA Blog)

GPUを集めるのではなく、一つの計算設備にします

その変化を理解する入口が「GB200 NVL72」です。これは72基のBlackwell GPUと36基のGrace CPUを、一つのラック規模にまとめた液冷システムです。ラックとは、サーバーなどを収める大型の棚です。GPU同士は「NVLink」という高速通信技術で接続され、大きなAIモデルの計算を協調して処理します。(NVIDIA)

重要なのは、72基を同じ場所に置いたことではありません。多数のGPUに仕事を分担させても、計算途中のデータを交換する通信が遅ければ、相手の処理を待つ時間が生まれます。そこで、GPUの性能と、それをつなぐ通信を一緒に設計します。さらに複数のラックを結ぶネットワークまで含めて、大規模な計算設備にしていくのです。(NVIDIA)

工場に例えるなら、高性能な工作機械を大量に買うだけでなく、工程間の搬送や生産管理も整える発想です。機械の能力を足し算した数字と、工場から実際に出荷できる製品の量は同じではありません。

電力・冷却・運用も、計算能力の一部です

NVIDIAは、AIの開発・実行を支えるソフトウェアに加え、設備運用を担う「Mission Control」も提供しています。計算の仕事を各設備に割り当て、状態を監視し、障害時の復旧を自動化するものです。施設の管理システムとも連携し、電力や冷却、液漏れの検知まで扱います。(nvidia.com)

電源や冷却設備の企業との協業も進んでいます。Vertivは2026年3月、NVIDIAのAI工場向け設計に対応し、電源、冷却、制御などを統合する取り組みを発表しました。個別の機器を納入して終わるのではなく、施設全体として整合する設計や、導入前に検証するためのモデルを提供する方向です。(Vertiv)

これは、NVIDIAがすべての設備を自社製造し、データセンターの建設まで単独で行うという意味ではありません。サーバーメーカーや設備企業と分担しながら、全体を動かす共通の設計基盤を広げています。半導体の性能競争に、システム全体の効率と運用の競争が重なっているのです。(NVIDIA Blog)

経営者が問うべきは「何基あるか」ではありません

NVIDIAが2026年9月15日に公表した解説でも、焦点は、確保できた電力の範囲でAIの処理量をどう増やすかに置かれています。電力を必要な計算設備へ適切に配分し、処理の待ち時間や障害からの再開時間を減らす。半導体を増設することだけが、能力を高める方法ではないのです。(NVIDIA Blog)

この考え方を経営の言葉に置き換えると、AIデータセンターは「コンピューターの置き場」ではなく、**「AIによる成果を生み出す生産設備」**になります。評価すべきなのは、購入したGPUの数だけでなく、必要な品質と応答速度を満たす処理を、どれだけの費用で提供できるかです。

もちろん、処理量が増えれば、そのまま売上や利益が増えるわけではありません。外販するなら顧客需要と販売価格が、自社で使うなら業務改善の効果が必要です。設備費、電気代、保守費を含め、成果に見合う費用かどうかを判断しなければなりません。

日本企業の商機も、この視点から考えられます。自社の電源や冷却技術によって計算に使える電力を増やせないか。運用サービスによって停止時間を減らせないか。部品単体の性能ではなく、顧客のAI工場の生産性をどう改善するかを提案するのです。

NVIDIAの競争単位は、GPU一個からAI工場全体へ広がっています。「どの半導体を買うか」だけでなく、「その設備で何を、いくらで生み出すか」。経営者に必要なのは、この問いへの転換です。

5．AIで売れるのは半導体だけではありません――液冷は巨大な「精密配管・熱管理産業」です

AIデータセンターというと、どうしてもNVIDIAのGPUやサーバーに目が向きます。しかし、GPUの性能が上がれば上がるほど、別の問題が大きくなります。熱です。

AI用の高性能GPUは、大量の電力を消費し、その電力の多くが最終的に熱になります。従来のデータセンターでは、サーバーに大量の空気を流して冷却する方式が一般的でした。しかし、AI向けの高密度ラックでは、100kWを超える構成も現れており、空気だけで熱を運び出すことが難しくなっています。Schneider Electricも、AIクラスターでは100kWを超えるラックが登場し、液冷が重要な冷却手段になっていると説明しています。(Schneider Electric Blog)

そこで登場するのが「液冷」です。

液冷とは、GPUに水をかけることではありません

液冷という言葉から、サーバー全体を液体に沈める「液浸冷却」を想像する人もいるかもしれません。しかし、現在の高性能AIサーバーで重要になっている方式の一つが、「Direct-to-Chip」と呼ばれる方式です。

GPUやCPUなど、特に熱を発生する半導体の上に「コールドプレート」と呼ばれる金属製の冷却部品を取り付け、その内部に冷却液を流します。半導体から発生した熱を液体が直接受け取り、サーバーの外へ運び出します。

ただし、コールドプレートだけでは冷却は成立しません。

冷却液を複数のサーバーへ分配するマニホールド、流量を調整するバルブ、漏れなく着脱するためのクイックコネクター、冷却液を循環させるポンプ、異物を除去するフィルター、温度や圧力を測定するセンサーなどが必要になります。そして、これらをまとめる重要な装置が「CDU（Coolant Distribution Unit）」です。

CDUは、サーバー側の冷却液と建物側の冷却設備との間で熱を受け渡す、液冷システムの中核設備です。Vertivは2026年5月、2.3MWの冷却能力を持つ「CoolChip CDU 2300」を発表しました。同社は、CDU、マニホールド、Direct-to-Chip冷却、液浸冷却、熱交換器、制御システムまでを、一つの「サーマルチェーン」として提供しています。(Vertiv)

つまり、AIサーバーの裏側では、精密な流体システムが動いているのです。

液冷は、サーバー部品だけの市場ではありません

さらに重要なのは、その先です。

GPUから取り出した熱は、どこかへ捨てなければなりません。CDUから施設側の冷却水系統へ熱を移し、ポンプで運び、屋外の冷却塔やドライクーラーなどで大気へ放熱します。

つまり、AIデータセンターの液冷は、

半導体 → コールドプレート → 配管 → マニホールド → CDU → 建物側配管 → ポンプ → 熱交換器 → 屋外放熱設備

という長い熱の輸送経路で成立しています。

どこか一か所でも流量が不足したり、温度制御に失敗したりすれば、GPUは温度上昇を避けるため性能を落とす可能性があります。Schneider Electricは、液冷を単なる施設設備ではなく、計算性能そのものに関わる要素として捉える必要があると指摘しています。(Schneider Electric)

Vertivも、AIサーバーでは電力負荷の変化が数秒単位で冷却側へ波及するため、電力と冷却を一体で設計・制御する必要があると説明しています。(Vertiv)

ここまで来ると、液冷は「エアコンの代替品」ではありません。AIの計算能力を維持するための生産設備と考えた方が実態に近いでしょう。

ここには、日本の製造業が得意としてきた技術が並んでいます

この産業構造を見ると、AI市場への参入方法が変わって見えてきます。

AIモデルを開発できなくても、GPUを設計できなくても構いません。液冷には、ポンプ、熱交換器、配管、継手、バルブ、シール材、金属加工、表面処理、フィルター、流量計、温度センサー、圧力センサー、漏液検知、制御ソフトなど、多数の技術が必要だからです。

しかも、要求されるのは単なる「水道配管」ではありません。高価なAIサーバーの内部や周辺で使われるため、漏れ、腐食、異物、材料の劣化などを抑えながら、長期間安定して運転する必要があります。

Schneider Electricが示す液冷設備でも、CDU、コールドプレート、ラック内マニホールド、リアドア熱交換器など、多数の専用設備が必要になります。(Schneider Electric Blog)

ここには、日本企業が長年培ってきた精密加工、流体制御、熱交換、ポンプ、材料、センサー、品質管理といった技術との接点があります。

「当社はAI企業ではない」は、必ずしも正しくありません

AI市場について議論すると、「当社にはAI技術者がいないので関係ない」という声が出ることがあります。

しかし、それはAIをソフトウェア産業としてしか見ていないからです。

巨大なAIモデルを動かすには、半導体だけでなく、電力を供給し、熱を取り出し、その熱を建物の外へ運ぶ巨大な物理インフラが必要です。AIの計算密度が高くなるほど、その重要性は増していきます。

Vertivが2026年に投入したモジュール型AIデータセンター設備では、50kWから100kW超のラック密度を想定し、Direct-to-Chip液冷と空冷を組み合わせています。(Vertiv)

つまり、AIの進化とは、半導体の進化だけではありません。

GPUが高性能になるほど、冷却設備も高度になります。そして、その設備を構成する精密機械・材料・部品の市場も大きくなります。

日本企業が考えるべきなのは、「当社はAIを開発できるか」だけではありません。

「当社の技術は、AIを冷やせるか。AIを止めないために使えるか」

この問いに置き換えると、日本の製造業と世界のAI市場との接点は、一気に広がって見えてくるのです。

6．AIデータセンターは「現地で建てる」ものから「工場でつくって運ぶ」ものへ――Vertivが進める建設の工業製品化

AIデータセンターのニュースというと、巨大な建物やGPUの台数に目が向きがちです。しかし現在、米国を中心に起きているもう一つの重要な変化があります。

データセンターそのものの建て方が、従来の建設工事から、工場生産に近い方式へ変わり始めていることです。

その代表例が、電源・冷却設備大手のVertivです。同社は2026年、AI向けデータセンターについて、電源、液冷、配管、放熱設備などを標準化されたモジュールとして工場側で組み立て、試験したうえで、建設現場へ運び込む方式を強く打ち出しています。

なぜ「現場で一から建てる」だけでは間に合わないのでしょうか

従来型のデータセンターでは、建物を建設し、現場で電源設備や冷却設備、配管、配線などを順番に据え付けていきます。

もちろん、この方法がなくなるわけではありません。

しかしAIデータセンターでは、GPUの需要増加が非常に速いうえ、一つのラックが50kW、100kWを超えるような高密度設備になっています。必要になる電源設備も冷却設備も大型化し、しかも相互に密接に連携させなければなりません。

現場で一品ずつ組み合わせていると、工事量が増えます。人手も必要です。施工ミスや設計変更による手戻りも発生します。

そして何より、AI設備では完成が半年遅れることが、そのまま計算能力を売れない半年になる可能性があります。

そこで発想を変えます。

「現場でつくる部分を減らし、工場でできるだけ完成させてしまえばよい」という考え方です。

電源も冷却も、工場で組み立てて試験してから運びます

Vertivの「MegaMod HDX」は、この考え方を具体化した製品です。

高密度AI向けに、電源設備と液冷設備をあらかじめ統合したモジュールを工場で製造します。Direct-to-Chip液冷と空冷を組み合わせる構成で、1ラック当たり50kWから100kW超の高密度設備に対応します。

小型構成では最大13ラック、1.25MWまで、大型構成では最大144ラック、10MWまで拡張できます。

重要なのは、単に「部品を箱に詰めて運ぶ」わけではないことです。

電源、冷却、配管などを工場で統合し、事前に試験してから現地へ送ります。現場では、それらを組み合わせて設備を完成させます。Vertivは、こうした工場統合方式によって、施工の再現性を高め、現場で発生する不確実性を減らせると説明しています。

さらに2026年1月には、電力を送るバスバー、液冷配管、ネットワーク設備、通路構造などを頭上にまとめて配置する「SmartRun」も発表しました。こちらもプレハブ化することで、現場作業を簡素化する設計です。

Vertivは「完成まで最大50％短縮できる」としています

さらにVertivは2026年、Hut 8との協業で「OneCore」という統合型モジュール方式を打ち出しています。

OneCoreでは、電源、冷却、放熱設備、サービスなどを反復可能な標準ユニットとして設計し、工場で統合・試験します。そして、デジタルツインを利用して、建設前から設備の状態を仮想空間で検証します。

Vertivによれば、この方式によって従来型の建設方式と比較し、現場作業、試運転、AI処理を開始できるまでの期間を最大50％短縮できるとしています。また、使用面積を最大30％削減し、総保有コストを最大25％削減できる可能性も示しています。

もちろん、これはVertivが自社方式について示している比較値です。すべてのデータセンター建設期間が半分になるという意味ではありません。

それでも、方向性は明確です。

データセンター建設を、一度きりの建設プロジェクトから、繰り返し製造できる工業製品へ近づけようとしているのです。

これは「プレハブ小屋」の話ではありません

モジュール型と聞くと、小型コンテナの中にサーバーを詰め込んだ設備を想像する人もいるでしょう。

しかし現在のモジュール型AIデータセンターは、それだけではありません。

数MW、場合によっては数十MW以上の設備を、標準化された構成単位に分割して建設する考え方です。

建物そのもの、電源設備、冷却設備、配管、ネットワーク設備をモジュール化し、工場生産できる部分を増やします。そして現地では、それらを接続していきます。

これは、住宅でいえば現場で木材を一本ずつ加工して建てる方式から、工場で壁や設備をつくり込んだユニットを現地で組み立てる方式への変化に近いものです。

AIデータセンターは、「巨大建築物」であると同時に、巨大な工業製品になり始めています。

日本の建設・設備・製造企業にも関係する話です

ここで日本企業にとって重要なのは、この変化によって競争のポイントが変わることです。

従来であれば、データセンター建設の強みは、現場施工の能力に大きく依存していました。

しかしモジュール化が進むと、標準設計、工場生産、品質管理、物流、現地据え付け、試運転までを一体化する能力が重要になります。

これは、建設会社だけの話ではありません。

住宅メーカー、プラントメーカー、電機メーカー、配電盤メーカー、冷却設備メーカー、配管メーカー、物流会社などにも関係します。

自社の技術を「建築現場向け製品」として売るのではなく、世界共通仕様のAIデータセンターモジュールに組み込まれる部品・設備として売るという発想も可能になります。

そして経営者にとって、もう一つ重要な変化があります。

AIデータセンターでは、「安く建てる」だけでは競争力にならないということです。

GPUは非常に高価です。設備が完成しなければ、そのGPUは収益を生みません。

だからこそ価値を持つのが、

「何円安く建てられるか」ではなく、「何か月早く稼働できるか」

という指標です。

AI時代のデータセンター建設では、工期そのものが収益力に直結します。

世界ではすでに、データセンターを建築物としてだけでなく、標準化し、工場で製造し、短期間で展開できる工業製品として扱う競争が始まっています。

日本企業が見るべきなのは、巨大データセンターの完成写真だけではありません。

その建物が、どのような部品に分割され、どこで製造され、どのように現場へ運ばれ、どれだけ早くAIを稼働させるのか。

そこに、AIデータセンター市場の新しい商機が生まれているのです。

7．AIデータセンターの競争力は「電気が来る日」にも左右される――GPUがあっても、通電できなければAIは動きません

AIデータセンターのニュースを見ると、NVIDIAのGPUを何基導入するのか、総投資額はいくらか、建物の規模はどれくらいか、といった数字に目が向きます。

しかし、実際にAIデータセンターを稼働させるためには、もっと基本的な条件があります。

必要な電力を、必要な時期に確保できるかどうかです。

土地を取得し、建物を建て、GPUを調達しても、送電網から十分な電力を引けなければ、AIデータセンターは稼働できません。言い換えれば、AIインフラの競争では、「GPUをいつ買えるか」と同じくらい、「電気がいつ来るか」が重要になりつつあります。

世界では、送電網そのものがボトルネックになっています

国際エネルギー機関（IEA）は2026年の分析で、世界各地で送電網への接続待ちが記録的な水準に達しており、電力需要や新しい発電設備を接続するうえで、系統容量の不足が重要な制約になっていると指摘しています。

AIデータセンターでは、この問題が特に大きくなります。

一般的なオフィスビルであれば、数MW級の電力を一気に追加するケースは多くありません。しかし、大規模なAIデータセンターでは、数十MW、100MW、さらにそれを超える規模の電力需要が発生します。

しかも、その負荷は継続的です。

一度稼働すると24時間、膨大な計算処理を続けます。そのため、発電所が近くにあるだけでは足りません。送電線、変電所、変圧器、開閉装置などを通じて、必要な電力を施設まで届ける能力が必要です。

IEAは2026年4月、データセンター向け投資が急増する一方で、電力系統への接続や変圧器などの供給制約が、AIインフラ拡大のボトルネックになっていると報告しています。

ここで経営者が理解すべきなのは、発電能力があることと、データセンターが使える電力があることは同じではないという点です。

AIデータセンターでは、変圧器や配電設備まで重要になります

発電所から届いた電気を、そのままGPUへ流せるわけではありません。

送電網から高い電圧で届いた電力を、変電設備で変換し、データセンター内部へ分配します。さらにUPS、配電盤、バスウェイ、電源変換装置などを経て、最終的にサーバーラックへ届けます。

つまりAIデータセンターの電力供給は、

発電 → 送電 → 変電 → 配電 → 電力変換 → サーバーラック

という長い設備の連鎖で成立しています。

この途中にある設備が一つ不足しても、GPUは動きません。

そのため、AIデータセンター需要の拡大は、半導体だけでなく、変圧器、スイッチギア、UPS、バスバー、パワー半導体など、電力インフラ全体の需要を押し上げています。

これは日本企業にとって非常に重要です。

AI市場というと、どうしてもGPUやサーバーの話になりがちですが、実際には、AIを動かすための電力機器もまた、AI産業の構成要素だからです。

さらに、電気の「送り方」そのものも変わり始めています

AIサーバーの消費電力が大きくなるにつれ、データセンター内部の配電方式も変わり始めています。

NVIDIAは次世代AIデータセンター向けに「800V DC」、つまり800ボルト直流での電力供給アーキテクチャを推進しています。

現在のデータセンターでは、送電網から交流電力を受け取り、複数回の変換を経て、最終的にGPUが使う直流電力に変えています。

しかし、電力変換を繰り返すたびに、エネルギー損失と設備スペースが発生します。

そこでNVIDIAは、より高い直流電圧で電力を運び、変換回数を減らす設計を進めています。

同社によると、800V DCでは、従来方式より電流を減らすことができ、銅の使用量やケーブルの太さを抑えながら、より大きな電力をラックへ届けられます。

NVIDIAは2027年以降、1MW級ラックへの対応も視野に入れています。従来のサーバーラックとは桁の違う電力密度です。

ここまで来ると、電力供給は建物の付帯設備ではありません。

GPUの性能を引き出すための計算インフラそのものです。

800V DCは「すでに全部のデータセンターで使われている」わけではありません

ここは注意が必要です。

800V DCは、現在すべてのAIデータセンターで使われている標準方式ではありません。NVIDIA自身も、現在の交流中心のインフラから、段階的に800V DCへ移行するロードマップを示しています。

既存施設を全面的に作り直すのではなく、まずラック列単位で800V DCを導入し、将来的に施設全体へ広げていく考え方です。

つまり、これは完成した世界標準というより、次世代AIデータセンターの電力密度に対応するために進み始めた重要な技術転換と見るべきです。

この違いを理解しておかないと、「800V DCが世界中ですでに普及している」といった誤解につながります。

経営者が見るべき数字は「GPU数」だけではありません

AIデータセンター計画を見る際には、「GPUを何基置くのか」だけでなく、少なくとも次の三つを見る必要があります。

第一に、必要な電力容量は何MWなのか。

第二に、その電力はいつ系統接続できるのか。

第三に、施設内部で、その電力をどれだけ効率よくGPUまで届けられるのか。

この三つです。

GPUの調達契約を結んでも、送電網への接続が数年後であれば、設備投資の回収もそれだけ遅れます。

逆に、電力を早く確保できる土地は、それ自体が競争力になります。

AIデータセンター事業では、「不動産価値」の意味さえ変わります。

都心に近いかどうかだけではなく、

大容量電力を、何年何月から使えるのか。

この条件が、土地の価値を左右するようになります。

日本企業にとっては、巨大な電力機器市場でもあります

この変化は、日本の製造業にとっても重要です。

変圧器、配電盤、遮断器、電源変換装置、パワー半導体、バスバー、蓄電池、制御機器など、日本企業が得意としてきた分野が多く含まれています。

実際、NVIDIAの800V DCエコシステムには、三菱電機、ルネサスエレクトロニクス、ロームなど、日本企業の名前も入っています。

つまり、日本企業がAI市場に参加する方法は、「GPUをつくれるか」だけではありません。

AIデータセンターへ安全に、効率よく、大量の電力を届けることも、AI産業そのものです。

そして世界のAI投資を読むうえで最も重要なのは、土地やGPUの発表だけを見ないことです。

AIデータセンターの本当の稼働日は、建物が完成した日ではありません。必要な電力が届き、GPUへ通電できた日です。

「何台のGPUを持っているか」から、「何MWを、いつ使えるのか」へ。

この視点を持つと、世界のAIデータセンター競争の見え方は、大きく変わるのです。

8．GPUを増やしてもAIは速くなりません――HBMと通信が次のボトルネックになる

AIの性能競争というと、GPUの演算性能ばかりが注目されます。しかし、実際のAIシステムでは、GPUがいくら高速でも、必要なデータが十分な速さで届かなければ、その能力を使い切れません。

AIサーバーの性能を決めるのは、「どれだけ速く計算できるか」だけではなく、どれだけ速くデータを読み出し、別のGPUへ渡せるかです。

このため、現在のAIインフラでは、GPUと並んで二つの技術が極めて重要になっています。

一つがHBMと呼ばれる高速メモリです。もう一つが、GPU同士をつなぐ高速ネットワークです。

GPUは計算機ですが、データがなければ仕事ができません

工場に例えてみましょう。

非常に高速な工作機械を100台導入したとしても、加工する材料が届かなければ、機械は停止したままです。

AIでも同じことが起きます。

GPUは巨大な行列演算を高速に処理できます。しかし、その計算に必要なAIモデルのパラメータや中間データをメモリから読み出す必要があります。

そこで使われるのが「HBM（High Bandwidth Memory）」です。

HBMは、一般的なメモリよりも大量のデータを高速にGPUへ送り込むためのメモリです。複数のDRAMチップを垂直方向に積み重ね、非常に広い通信経路でGPUと接続します。

例えばNVIDIAのGB200 NVL72では、72基のBlackwell GPU全体で13.4TBのHBM3Eを搭載し、メモリ帯域幅は合計576TB／秒に達します。GPU同士を結ぶNVLinkの帯域幅も130TB／秒です。

数字が大きすぎて実感しにくいのですが、重要なのは、NVIDIAがGPUの演算性能だけでなく、メモリと通信の帯域幅も巨大化させているということです。

生成AIでは「メモリ」がますます重要になります

特に生成AIの利用が、学習から推論へ広がるにつれ、メモリの重要性はさらに大きくなっています。

SK hynixは2026年9月の技術解説で、AIシステムのボトルネックが単純な演算能力だけではなく、「データがどこにあり、どのように移動するか」に移りつつあると説明しています。特にAIエージェントや長い文脈を扱う推論では、メモリの容量、帯域幅、遅延が性能に大きく影響します。

生成AIでは、会話や文章を生成する過程で、それまでの計算結果を保持する「KVキャッシュ」と呼ばれるデータが大量に発生します。

利用者が増えれば、それだけ保持しなければならないデータも増えます。

その結果、「GPUの計算能力は余っているのに、メモリからデータが届くのを待っている」という状況が起こり得ます。

SK hynixも、LLMの大規模推論ではメモリの帯域幅と容量が主要な制約になると説明し、HBM4など次世代メモリの重要性を強調しています。

つまり、AI半導体市場を見る際に、GPUだけを見ていては半分しか見えていません。

GPUが何万基も並ぶと、今度は通信が問題になります

さらにAIモデルが巨大になると、一つのGPUだけでは処理できません。

何千基、何万基というGPUを接続し、一つの巨大な計算機のように協調させます。

すると今度は、GPU同士の通信がボトルネックになります。

あるGPUが計算を終えても、次のGPUから必要なデータが届かなければ待たなければなりません。

AIデータセンターでは、この待ち時間をいかに減らすかが重要です。

ここで、NVIDIAのNVLink、InfiniBand、Spectrum-X Ethernetなどの高速ネットワーク技術が登場します。

2026年の次世代プラットフォーム「Vera Rubin」では、NVIDIAはGPU、CPU、NVLinkスイッチ、ネットワークスイッチなどを個別に開発するのではなく、一つのシステムとして共同設計しています。

これは第4項で説明した「GPUメーカーからAI工場メーカーへ」という変化ともつながります。

GPU一個の性能ではなく、何万基ものGPUを一つの計算機のように動かせるかが競争力になるからです。

そして通信は、電気から「光」へ向かっています

さらに興味深い変化があります。

AIデータセンター内部の通信に、光通信がより深く入り始めています。

従来、光ファイバーから届いた光信号は、スイッチの外側に取り付けたトランシーバーで電気信号に変換し、スイッチ内部へ送り込んでいました。

しかし通信量が増えると、この電気配線部分の消費電力や信号損失が問題になります。

そこで登場するのが「CPO（Co-Packaged Optics）」です。

CPOでは、光通信機能をネットワークスイッチの半導体の近くに組み込みます。光信号のまま、より近いところまでデータを運ぶことで、電力消費と信号損失を減らします。

NVIDIAは2026年5月、Vera Rubin向けの「Spectrum-X Ethernet Photonics」を量産段階に移したと発表しました。これはCPOを採用したネットワークスイッチで、将来の100万GPU規模のAIファクトリーを想定しています。

NVIDIAによれば、従来の着脱式光トランシーバーを使う方式と比較して、光通信部分の電力効率を最大5倍改善できるとしています。

100万GPUという規模は、一般的な企業が今すぐ構築するAIシステムではありません。しかし、ここで重要なのは、AIの進化によって、データセンター内部の通信技術まで変わり始めているということです。

CPOの供給網にも、半導体産業が広がっています

さらに面白いのは、CPOが単なるネットワーク機器ではないことです。

NVIDIAが2026年に示したSpectrum-X Ethernet Photonicsの量産体制では、TSMCがシリコンフォトニクスの製造を担当し、SPILがパッケージングと組み立て、TFCがレーザー部品、Foxconn（鴻海精密工業）がスイッチシステムの最終組み立てを担っています。

ここでも、第1項、第2項で見た構造が再び現れます。

AIの競争力は、NVIDIAだけで完結しているわけではありません。

半導体製造、メモリ、光通信、レーザー、先端パッケージング、基板、コネクター、サーバー製造まで、巨大な製造業の供給網によって支えられています。

日本企業が見るべきなのは「GPUの周辺」です

この構造を理解すると、日本企業にとってのAI市場も違って見えてきます。

AI半導体を自社で設計できなくても、

HBM周辺の材料、先端パッケージング、光部品、レーザー、光ファイバー、コネクター、基板、電源、熱対策など、数多くの事業機会があります。

特にAIシステムが大規模になるほど重要なのは、

「GPUをさらに速くする技術」だけでなく、「高価なGPUを待たせない技術」です。

工場で考えれば分かりやすいでしょう。

100億円の工作機械を導入しても、材料搬送が遅く、半分の時間しか加工できなければ、100億円の設備能力を十分に使えていません。

AIデータセンターも同じです。

GPUそのものが高速でも、メモリが遅い。ネットワークが混雑する。データの移動に電力を使いすぎる。

そうなれば、GPUという巨額設備投資を十分に活用できません。

だから世界のAI競争では、GPUの性能向上と同時に、HBM、NVLink、高速Ethernet、InfiniBand、シリコンフォトニクス、CPOといった技術が急速に重要になっています。

「NVIDIAのGPUがすごい」で理解を止めてはいけません。

次に問うべきなのは、

「そのGPUへ、誰がデータを届けているのか。そして何万基ものGPUを、誰が一つの巨大な計算機としてつないでいるのか」

ということです。

世界のAIインフラを見るとき、この視点を持つだけで、半導体産業の地図は一気に広がって見えてくるのです。

9．フィジカルAIは、ヒト型ロボットの完成を待つ話ではありません――Amazonはすでに100万台超のロボットを運用しています

「フィジカルAI」と聞くと、人間そっくりのヒト型ロボットが工場や家庭で働く未来を思い浮かべる人が多いかもしれません。

もちろん、ヒト型ロボットは重要なテーマです。しかし、フィジカルAIを「ヒト型ロボットが普及してから始まる市場」と考えると、すでに起きている大きな変化を見落とします。

その代表例がAmazonです。

Amazonは2025年6月、物流ネットワークで稼働するロボットが100万台に到達したと発表しました。導入先は世界300以上の施設に広がっています。しかも、記念すべき100万台目のロボットが導入されたのは、日本のフルフィルメントセンターでした。

つまり、「大量のロボットが実際の事業現場で働く」という世界は、未来予測ではありません。すでに日本を含む現実の物流インフラで始まっています。

重要なのは、1台のロボットの賢さだけではありません

Amazonの物流拠点では、商品棚を運ぶロボット、荷物を仕分けるロボット、持ち上げるロボットなど、役割の異なるさまざまな機械が使われています。

2024年に稼働を始めた米ルイジアナ州シュリーブポートの次世代フルフィルメントセンターでは、8種類のロボットシステムが協調して物流業務を支えています。

ここで重要なのは、「ロボットを何台持っているか」ではありません。

工場や倉庫の中で大量のロボットを動かすと、別の問題が発生します。

数千台のロボットが、それぞれ最短経路だけを選んで走れば、同じ通路に集中して渋滞する可能性があります。あるロボットが速く動けても、その先が詰まれば、倉庫全体としては速くなりません。

そこで必要になるのが、群れ全体を最適化するAIです。

Amazonは「ロボットの交通管制」に生成AIを使い始めました

Amazonが100万台目のロボットと同時に発表したのが、「DeepFleet」というAI基盤モデルです。

DeepFleetは、個々のロボットを賢くするだけではなく、物流施設の中を移動する多数のロボットを協調させます。

Amazonは、この仕組みを都市の交通管制に例えています。

自動車がそれぞれ自分だけにとって最短の道を走るのではなく、街全体の交通量を見ながら経路を調整する。そのロボット版です。

Amazonによると、DeepFleetによってロボット群の移動効率を10％改善できるとしています。

ここで注意したいのは、「Amazonの物流コストが10％下がった」という意味ではないことです。改善するのはロボットの移動効率です。

しかし、100万台を超える規模で考えると、この差は小さくありません。

一台のロボットを10％速くするよりも、100万台規模のロボット群全体から無駄な移動や渋滞を減らす方が、事業全体に与える効果は大きくなる可能性があります。

フィジカルAIの競争は「ロボット単体」から「オーケストレーション」へ進みます

ここに、フィジカルAIを見るうえで重要なポイントがあります。

従来の産業用ロボットの競争では、

「どれだけ速く動くか」

「どれだけ正確に位置決めできるか」

「何kgまで持ち上げられるか」

といった、1台の機械としての性能が重要でした。

もちろん、これらは今後も重要です。

しかし大量の自律ロボットを導入する現場では、それに加えて、

「数百台、数千台を、どう協調させるか」

という能力が必要になります。

つまり競争の単位が、

ロボット1台 → ロボット群 → 倉庫・工場全体

へ広がっていきます。

これは、第4項で説明したNVIDIAのAIデータセンターとよく似ています。

GPU一個の性能だけでなく、大量のGPUを一つのシステムとして動かす能力が重要になったように、フィジカルAIでも、ロボット一台の性能だけでなく、大量のロボットを一つの生産システムとして動かす能力が重要になるのです。

「人間を全部置き換える」という話でもありません

フィジカルAIを議論すると、すぐに「人間の仕事が全部なくなるのか」という話になりがちです。

しかし、現在のAmazonの実装を見ると、もう少し複雑です。

Amazonは、ロボットに重量物の運搬や反復作業を任せることで、従業員の身体的負担を減らす方向を説明しています。一方で、ロボットシステムが増えれば、保守、信頼性管理、メカトロニクス、エンジニアリングといった仕事も必要になります。

Amazonによれば、シュリーブポートの次世代物流拠点では、高度なロボット導入に伴い、信頼性、保守、エンジニアリング関連の職種が従来より30％多く必要になっています。

また同社は、70万人以上の従業員が技能向上プログラムに参加したとしています。

つまり、「人かロボットか」という単純な二者択一ではありません。

人が行う仕事の内容そのものが変わると見る方が実態に近いでしょう。

日本企業が見るべきフィジカルAIは、ヒト型だけではありません

ここから、日本の製造業にとって重要な示唆が出てきます。

フィジカルAI市場に参入するために、必ずしもヒト型ロボットそのものを開発する必要はありません。

必要になるのは、

ロボットを動かすモーターや減速機、センサー、カメラ、制御装置、電池、充電設備だけではありません。

大量のロボットを管理するソフトウェア、経路最適化、設備監視、予知保全、安全制御、デジタルツイン、倉庫管理システムとの連携なども重要になります。

つまり商機は、

「ロボットをつくる」だけでなく、「ロボット群を運営する」領域にも広がっています。

これは、日本企業にとって非常に重要な視点です。

日本は長年、産業用ロボットやFA機器の強い国でした。しかしフィジカルAI時代には、それらの機械をネットワーク化し、データを集め、AIで判断し、工場や倉庫全体を最適化する能力まで含めて競争する必要があります。

フィジカルAIは、すでに「投資回収を計算できる技術」になっています

Amazonの事例が示しているもう一つの重要な点があります。

フィジカルAIは、単なる技術デモではありません。

移動距離を短くする。商品の処理速度を高める。重労働を減らす。エネルギー消費を減らす。

こうした改善を、実際の事業KPIへ結び付けています。

経営者が見るべきなのは、ロボットがどれほど人間らしく歩くかではありません。

1個の商品を処理する時間を何秒短縮できるか。設備の稼働率を何％高められるか。事故や故障をどれだけ減らせるか。

そこまで数字に落とせたとき、フィジカルAIは研究開発テーマではなく、設備投資になります。

そしてAmazonの100万台超という数字が示しているのは、その段階がすでに始まっているということです。

フィジカルAIの未来を知りたければ、ヒト型ロボットがいつ家庭に来るかだけを見ていてはいけません。

すでに世界の物流センターや工場では、大量のロボットをAIで協調させ、一つの巨大な生産システムとして動かす競争が始まっています。

次に経営者が問うべきなのは、

「わが社はロボットを導入しているか」ではなく、「そのロボット群から、どれだけ生産性を引き出せているか」

なのです。

10．工場もロボットも「現物を動かす前に、仮想空間で動かす」時代へ――デジタルツインがフィジカルAIの競争力になる

製造業では長い間、「実物をつくって、実物を動かし、問題があれば直す」という開発が当たり前でした。

しかし、工場やロボットが複雑になるほど、この方法には限界があります。実機での試験には時間がかかります。ラインを止める必要もあります。大型設備では、試験そのものに巨額の費用がかかる場合もあります。

そこで世界の製造業で重要になっているのが、現実の工場やロボットを仮想空間に再現し、実物を動かす前に設計、検証、訓練する方法です。

いわゆるデジタルツインです。

BMWは、4週間かかっていた検証を3日に短縮しました

BMWは「Virtual Factory」と呼ぶ仮想工場を構築し、世界30以上の生産拠点をデジタル空間で扱っています。

その具体例の一つが、新型車を生産ラインに流した際、設備や周囲の構造物に接触しないかを確認する作業です。

従来は、実際の車体を工場へ持ち込み、生産ラインの中を動かしながら確認していました。塗装工程では、試験のために設備を空にしたり、清掃したりする必要さえありました。

BMWによると、この検証には従来ほぼ4週間かかっていました。

現在は、工場の3Dスキャンデータと設計データを使って、車体の移動や回転を仮想空間でシミュレーションします。その結果、同じ種類の検証を約3日で行えるようになったとしています。

もちろん、「BMWの工場建設期間が4週間から3日に縮まった」という意味ではありません。

特定の衝突確認作業を、実機試験から仮想検証へ移した結果です。

しかし、ここに非常に重要な意味があります。

製品をつくってから工場に合わせるのではなく、製品と工場を同時に仮想空間で検証できるようになるからです。

ロボットも、現場に置く前に仮想空間で訓練します

この考え方は、フィジカルAIになるとさらに重要になります。

生成AIは、インターネット上にある大量の文章や画像を使って学習できます。

しかしロボットの場合、

「この部品をつかむ」

「この角度で差し込む」

「人が近づいたら避ける」

「床が滑りやすい場合にも転ばない」

といった、物理世界のデータが必要です。

このデータをすべて実世界で集めようとすると、大変な時間と費用がかかります。

そこでNVIDIAは「Isaac Sim」というロボットシミュレーション基盤を提供しています。仮想空間の中でロボット、センサー、物体、重力、衝突などを再現し、ロボットの訓練やテスト、合成データの生成を行います。

例えば、照明の明るさ、物体の位置、色、反射などを大量に変化させれば、現実世界で一つずつ撮影しなくても、多様な学習データを生成できます。

つまり、デジタルツインは「工場を見るための3D模型」ではありません。

AIを訓練する場所にもなっているのです。

Foxconn（鴻海精密工業）では、実際の電子機器組立で試験が始まっています

この考え方は、研究段階だけの話でもありません。

ABB Roboticsは2026年3月、同社のロボットシミュレーションソフト「RobotStudio」にNVIDIA Omniverseの技術を統合した「RobotStudio HyperReality」を発表しました。

そして最初の実証ユーザーの一つが、世界最大級の電子機器受託製造企業Foxconnです。

Foxconnでは、小型電子機器の組立工程を対象に、ロボットを仮想空間で訓練しています。

小さな金属部品を正確につかみ、位置を合わせ、組み付ける作業は簡単ではありません。製品の種類が変われば、部品の形状や作業手順も変わります。

そこで実物のラインで何度も調整するのではなく、仮想空間でさまざまな条件を再現し、合成データを使ってロボットを学習させます。

ABBによると、この仕組みでは、実環境へ移す際に最大99％の精度を実現できるとしています。また同社は、将来的にセットアップコストを最大40％削減し、市場投入期間を最大50％短縮できる可能性を示しています。これはABBが自社ソリューションについて示している値であり、すべての工場で同じ効果が出るという意味ではありません。

それでも重要なのは、「ロボットを現場で覚えさせる」という考え方が変わり始めていることです。

「実物を何台持っているか」だけでは競争力を測れなくなります

この変化が進むと、製造業の競争力の見方も変わります。

従来なら、

「ロボットを何台導入したか」

「自動化率は何％か」

「工場の生産能力はいくらか」

といった数字が重要でした。

しかしフィジカルAI時代には、

「そのロボットを、どれだけ速く新しい作業へ適応させられるか」

も重要になります。

新製品が出るたびに数週間ラインを止めてティーチングする企業と、仮想空間で事前に訓練し、短期間で量産へ移れる企業では、製品ライフサイクルが短くなるほど差が広がります。

これはロボットメーカーだけの競争ではありません。

工場の3Dデータ、設備仕様、作業工程、センサーデータ、過去のトラブル情報などを蓄積し、それをシミュレーションへ反映できる企業ほど有利になります。

つまり、現場データそのものが製造資産になります。

日本企業が持つ「現場力」を、デジタル資産へ変えられるか

日本の製造業には、長年の改善活動で蓄積された膨大な現場ノウハウがあります。

熟練者なら、機械の音を聞いただけで異常に気づく。部品を見れば、次の工程で問題が起こりそうだと分かる。製品変更時には、設備のどこを調整すればよいかを経験的に知っています。

問題は、その知識が人の頭の中や紙の作業標準だけに残っている場合です。

フィジカルAI時代には、これらをセンサーデータ、3Dモデル、工程データ、シミュレーションモデルとしてデジタル化し、AIが利用できる形に変換する必要があります。

そうすれば、現場で一度しか経験できない異常を、仮想空間では何百回も再現できます。

危険な状況も、実際に事故を起こさずに試せます。

新しいロボットも、生産ラインへ入れる前に訓練できます。

フィジカルAIの強さは「ロボット本体」だけでは決まりません

ここが、今回の10項目の最後に最も伝えたいことです。

フィジカルAIというと、Tesla Optimusなどのヒト型ロボットや、最新のロボットアームそのものに注目が集まりがちです。

しかし、そのロボットを継続的に賢くするには、

実世界のデータ、デジタルツイン、物理シミュレーション、合成データ、AIモデル、そして実機から戻ってくるデータ

を循環させる必要があります。

NVIDIAのIsaac Simも、シミュレーション、合成データ生成、学習、検証、実機展開を一続きのワークフローとして設計しています。

つまり、将来の競争は、

「誰が一番優れたロボットをつくるか」だけではありません。

「誰が一番速くロボットへ仕事を教え、その知識を次の工場、次の製品、次のロボットへコピーできるか」

という競争でもあります。

BMWは、実物を動かす前に工場を仮想空間で検証しています。

Foxconn（鴻海精密工業）は、ロボットを生産ラインへ置く前に仮想空間で訓練し始めています。

世界の製造業はすでに、**「まず現物をつくって試す」から「まずデジタルでつくり、試し、学習してから現物へ移す」**方向へ進んでいます。

日本企業にとって重要なのは、ロボットを何台所有しているかだけではありません。

自社の工場そのものを、AIが学習できるデジタル資産に変えられているか。

そこが、フィジカルAI時代の製造競争力を左右する新しい分岐点になるのです。

今泉大輔 2026/09/16 11:26:06 Comment(0)

SpecialPR

日	月	火	水	木	金	土
		1	2	3	4	5
6	7	8	9	10	11	12
13	14	15	16	17	18	19
20	21	22	23	24	25	26
27	28	29	30