日立製作所のフィジカルAI戦略はNVIDIAにどう付加価値を付け、リカーリング型売上に変えるのか？

さっつーのAIエージェント を監修している今泉大輔です。日立製作所のフィジカルAI戦略の全体像を知るためのレポートと、具体的にフィジカルAIをどう実装していくのかを知るためのレポート2本を作成しました。フレッシュです。現時点では日立のフィジカルAIを理解するための決定版のレポートだと自負しています。（"記事"ではありません。レポートです）特に2本目は、同社が打ち出した新しいタイプの「FDE」にフォーカスしています。

さっつーのAIエージェント：日立製作所はフィジカルAIでどうやって稼ぐのか？日立のフィジカルAI戦略をついに解明

さっつーのAIエージェント：日立のフィジカルAI戦略を実装する「フィジカルAI FDE」とHIMAXを徹底分析

さて、ここでは、日立製作所のフィジカルAI戦略において、NVIDIAとの提携・連携はどうなっているのかを論じるレポートを掲出します。上の2本目のレポートとややかぶる面はありますが、NVIDIAのテクノロジー・レイヤーにどう付加価値を付けて、どのような「リカーリング型売上」（毎月発生する売上）に変えるのかを、NVIDIAを基盤としたストラクチャーとして解明しています。

1. エグゼクティブサマリー

世界のテクノロジー市場および産業界は、デジタル空間内でテキストや画像を生成・要約する「第1世代の生成AI」から、物理空間における重電設備、ロボティクス、交通網、プラントなどを自律的に監視・制御する「フィジカルAI（Physical AI）」への地殻変動を急速に強めている1。この転換期にあたり、日立製作所（以下、日立）が打ち出した成長戦略は、国内外の多くのITベンダーが陥りがちな「外資系メガテックの計算基盤や大規模言語モデルを調達し、顧客向けにカスタマイズ導入するだけの下請けSIerモデル」とは一線を画している2。

日立戦略の中核に位置するのが、米NVIDIAの世界基盤モデル「NVIDIA Cosmos」と、日立が独自に開発した社会インフラ知能基盤モデル「IWIM（Integrated World Infrastructure Model）」との戦略的補完関係である4。NVIDIAが担うのは、重力、流体力学、熱伝導といった現実世界の物理法則を学習した計算資源と汎用シミュレーション基盤の提供である4。一方で日立は、100年以上にわたり蓄積してきた制御技術（OT: Operational Technology）の知見を梃子に、業界ごとの安全規制、法的な運用枠組み、現場熟練者の暗黙知といったミッションクリティカルな制約条件をAIに実装する役割を独占的に担っている2。

この強固な棲み分けを基盤として、日立は産業・インフラ向けAIソリューション群「HMAX by Hitachi」の展開を本格化させている1。同社はHMAX関連事業において、2026年度末に売上高5,000億円、調整後営業利益率22%という、従来の総合電機メーカーの枠組みを超えた高収益目標を掲げている1。これは、工数を投じるほど売上が増える反面、AIの効率化によって単価下落圧力を受ける「人月積算型の受託開発」から完全に脱却し、現場の知見をオントロジー（概念体系）として構造化・資産化した上で、プラットフォームライセンスと運用保守SLA（サービス水準合意）で稼ぐリカーリング型ビジネスモデルへの歴史的転換を意味している2。本レポートでは、日立がいかにしてNVIDIAを「下位インフラ」として使い倒し、最も利幅の大きい顧客接点と制御権限を掌握しているのか、その事業構造と参入障壁のメカニズムを論理的に解明する。

2. 技術と実装のレイヤー分離：誰が何を握っているのか

フィジカルAIの4段階と価値の所在

日立の德永俊昭社長兼CEOは、フィジカルAIが社会インフラに根付くまでのプロセスを4つの段階として明文化した4。このモデルは、先端半導体・基盤モデルを提供する水平プラットフォーマーと、現場運用を司る垂直インフラ企業との間にある「価値の分水嶺」を冷徹に浮き彫りにしている4。

第1段階は、AIが重力、電磁気、流体、熱といった「現実世界の物理現象や法則」を学ぶステージである4。続く第2段階は、現実世界を高精度に再現したデジタルツイン（仮想空間）上で数億回単位の試行錯誤と強化学習を繰り返し、AIが適切な動作や制御の判断基準を獲得するステージである4。

これに対し、第3段階は、安全基準、品質管理規格、設備ごとの運用手順、現場特有の作法といった「特定業務における流儀や制約ルールの学習」を行うステージである4。そして最終の第4段階が、実世界の変電所、鉄道車両、プラント設備、産業用ロボットなどにAIを直結させ、ミッションクリティカルな環境下で自律稼働させる「現場での実践」ステージである4。

水平プラットフォーム（NVIDIAの領域／第1・第2段階）

第1段階および第2段階は、圧倒的なGPU計算資源と汎用シミュレーションエンジンを抱えるNVIDIAの独壇場である4。同社の「NVIDIA Cosmos」は、物理空間の挙動をビデオ生成や3Dシミュレーション技術を用いてモデル化した世界基盤モデルであり、自律走行車やロボットの学習環境としてデファクトスタンダードの地位を確立しつつある5。

しかし、NVIDIAのビジネスモデルは極限まで抽象化・標準化された水平プラットフォームの提供に特化している。プラットフォーマーの資本効率の論理から見れば、世界中に点在する変電所や製鉄所、鉄道工区ごとに異なる泥臭いローカル仕様やレガシー設備との通信プロトコルの差異に自社の高級エンジニアを常駐・介入させることは極めて非効率である2。加えて、インフラ設備や重機が誤作動を起こした場合に生じる莫大な損害賠償や安全管理責任を、半導体・基盤モデルベンダーが直接負うことは構造的に不可能である2。したがって、NVIDIAは「物理法則のシミュレータ」という上位レイヤーにとどまり、実設備への着地を担うドメインインテグレーターを渇望している2。

垂直ドメイン・マネタイズ（日立の領域／第3・第4段階）

日立がマネタイズの主戦場と位置づけるのは、まさにNVIDIAが撤退せざるを得ない第3段階と第4段階である4。現実世界の産業インフラにおいて、物理法則上は正しく作動する制御であっても、現場の安全協定や設備の経年劣化度合いを無視した制御命令は重大な事故を引き起こす2。例えば、送電網における系統切り替えや、鉄道のダイヤ乱れ時における退避判断は、教科書的な物理計算だけでなく、周辺線区の保守要員の配置状況や気象変動リスクなどの複合的なコンテキストを加味して行われる4。

日立は自社開発の「IWIM」をNVIDIA Cosmosに接続することで、デジタルツイン上で高精度なシミュレーションを実施しつつ、その推論結果をIWIMが保持する「社会インフラ特有の制約条件・安全規則・運用ルール」というフィルターにかけて検証するアーキテクチャを確立した4。さらに日立は、他社製ハードウェアを含むマルチベンダー環境の設備群を一括して調停・制御する「マルチエージェント オーケストレーション プラットフォーム」を構築している8。

これにより日立は、基盤モデルのコモディティ化圧力を完全に回避している。AIモデルそのものがオープンソース化あるいは低価格化しようとも、物理インフラの制御スイッチを最終的に押す「安全認証と制御オーケストレーション」の権限を日立が独占しているため、顧客は日立のプラットフォームを迂回することができない構造になっている2。（今泉注：この部分はいかにソフトバンクグループがフィジカルAI企業を買収しようとも、絶対に参入できない事業ドメイン。）

3. 日立の稼ぎ頭「フィジカルAI FDE」と「HMAX」のビジネスモデル

現場の「暗黙知の構造化」が最大のモート（経済的な堀）となる理由

ソフトウェアやアルゴリズムのライフサイクルが短期化するAI時代において、真に模倣困難な持続的競争優位（Moat）は、物理的な現場の最前線に埋もれている「暗黙知」の獲得にある2。製鉄プラント、変電設備、鉄道基地などの現場では、センサーログや紙のマニュアルを精読するだけでは設備の安定運用は完結しない2。熟練の保守技術者は、モーターのわずかな回転音の濁り、油圧配管の振動周期のゆらぎ、外気温の急変時における金属構造の収縮挙動といった微細な兆候を五感で知覚し、致命的な設備故障に至る手前で未然に対処している8。

日本国内において2040年に約1,100万人の労働力不足が到来すると予測される中、こうした熟練者のノウハウは退職とともに永遠に消失する危機に瀕している3。米大手テック企業がインターネット空間から収集できる公開テキストデータや画像データセットをどれほど大規模に学習させても、こうした特定プラントの閉塞環境に存在する因果関係のコンテキストを抽出することは不可能である2。

日立は、この熟練者の頭の中にしかない判断基準を「知識工学」の手法を用いてAIが解釈可能なデータ資産へと昇華させる8。具体的には、設備の物理構成、測定値、過去の障害事例、作業手順の因果関係を相互に結びつける「オントロジー」を設計し、グラフ構造のデータベース（ナレッジグラフ）として整理する8。単なる時系列数値ログではなく、「どのような文脈で熟練者がそのバルブを閉めたのか」という意図情報が付与されることで、初めてAIは自律的な判断を実行できる「AI Ready」な状態に到達する1。この暗黙知の構造化プロセスこそが、外部の純粋なITベンダーが決して追従できない強固な参入障壁として機能している2。

FDEを起点とするアップセル／リカーリング構造

日立が構築した収益モデルの真髄は、米Palantir Technologies（パランティア・テクノロジーズ）が展開して急成長を遂げた「FDE（Forward Deployed Engineer：前方展開エンジニア）」モデルを、製造・産業インフラ分野に最適化して移植した点にある1。従来のシステムインテグレーションのように仕様書通りの受託開発を行うのではなく、顧客の経営課題と現場の泥臭い物理制約を架橋する高付加価値な展開構造を敷いている1。

参考資料：

さっつーのAIエージェント：パランティアの天才的な"営業"手法FDEを徹底解説。外資系コンサルの客先常駐SEとはどこが違うのか？（本体レポート）

その収益化メカニズムは、顧客現場への初期介入からリカーリング収益の回収に至るまで、緻密に計算された4つのステップで進行する。

ステップ1：顧客現場への楔（くさび）としての「フィジカルAI FDE」投入

日立はIT、OT、ハードウェア製品の高度な知見を併せ持つ専門エンジニア部隊「フィジカルAI FDE」を顧客の生産・運用拠点へ直接投入する1。日立は社内SEのリスキリング等を通じて、2026年度末までに国内1,000人・海外350人、将来的には国内5,000人規模のFDE体制を構築する計画を推進している2。FDEは現場に入り込み、熟練技術者への対話型インタビューや現場観察を通じて暗黙知を抽出し、解決すべき経営課題とAIの適用領域を特定する1。このプロセスは極めて高単価なプロフェッショナルサービスとして請求され、初期段階から高い利益率を確保するとともに、顧客企業の中枢業務への排他的アクセス権を確立する1。

参考資料：

さっつーのAIエージェント：日立のフィジカルAI戦略を実装する「フィジカルAI FDE」とHIMAXを徹底分析

ステップ2：データ基盤による顧客資産の固定化「HMAX Data Fabric」

FDEが抽出した暗黙知と、プラントやインフラ設備から収集される膨大な時系列データは、共通基盤である「HMAX Data Fabric」へと流し込まれる1。ここでは、設備構成、測定データ、現場の制約条件がオントロジーに基づくナレッジグラフとして統合・標準化される8。データが日立のデータファブリック上で相互運用可能な資産として定義された瞬間、顧客にとって他社の基盤へ移行することは現場ナレッジの再構築コストを伴うため、極めて強力なスイッチングコスト（顧客囲い込み）が完成する2。

ステップ3：安全担保と運用の自律化を司る「HMAX AI Operations」

物理設備の自律運用において、経営層が最も危惧するのはAIの推論誤り（ハルシネーション）が引き起こす設備の損壊や操業停止事故である2。日立はこの課題を解決するため、AIエージェントの挙動を常時監視し、逸脱や異常動作を未然に遮断するガバナンス基盤「HMAX AI Operations」を組み込む1。AIの判断精度のみならず、許可された制御マージン内で動作しているかをリアルタイムで検証し、インシデント発生時には即座にフェールセーフ制御へと切り替える運用体制を提供する8。

ステップ4：高利益率なリカーリング課金への誘導

この一連の流れにより、日立の事業構造は劇的な転換を果たす。初期のFDE投入による高単価なコンサルティング収益にとどまらず、現場が稼働を開始した後は「HMAX Data Fabric」のデータ利用ライセンス料、ならびに「HMAX AI Operations」による24時間365日の稼働監視・モデル再学習・サイバー耐性維持（HMAX Cyber）を包括した継続的サービスフィー（月額・年額のサブスクリプションおよびSLA契約）を長期にわたり徴収する1。

従来のSIビジネスでは、システム開発工数が減少すると売上が縮小するという「効率化のジレンマ」に直面していた2。しかし、日立は「HMAX」という製品・プラットフォームの器を用意し、ソフトウェアライセンスと運用サービスを主軸に据えることで、工数削減の果実を自社の利益率向上へと直結させている2。これこそが、売上高5,000億円と営業利益率22%という野心的な数値を両立させる財務的裏付けである1。

4. 実績データから見る顧客へのROI提示

大手インフラ企業や製造業の経営陣が巨額のAI投資を承認する上で、定性的なコンセプトや将来構想は決定打になり得ない。日立のフィジカルAI戦略が市場で受け入れられている背景には、現場の物理的な運用コストを削減し、稼働率を底上げする極めて厳密な定量的ROI（投資対効果）の実績が存在する3。

鉄道分野：保守コスト15%削減と致命的機会損失の回避

日立がフィジカルAIの先行実証として突出した成果を叩き出したのが、同社の中核事業の一つである鉄道モビリティ領域である3。従来の鉄道保守業務は、運行距離や経過日数に応じて機械的に点検・部品交換を行う「時間基準保全（TBM: Time-Based Maintenance）」に基づいて運用されていた。TBMは安全性を維持できる反面、まだ十分に寿命が残っている健全な部品まで廃棄する過剰保全コストを生み、点検周期の合間に発生する突発的な初期不良を完全には防げないという構造的欠陥を抱えていた。

HMAXは、営業運行中の車両台車、パンタグラフ、車載インバーター、ならびに軌道・架線に設置された各種センサーから得られるデータをリアルタイムに吸い上げ、物理的劣化モデルと照合して「状態基準保全（CBM: Condition-Based Maintenance）」を実現した3。

• 直接保守コストの15%削減： 部品の実際の摩耗状態や疲労度をAIが正確に推定し、交換周期を物理的限界まで安全に延伸させたことで、年間保守費用を恒常的に15%削減した3。
• 線路閉塞・運休リスクの極小化： 突発的な機器故障に伴う営業路線の運行停止や遅延を未然に防止。数千万円から数億円に上る振替輸送費用、損害賠償、および運行事業者としての信用毀損といった巨大なダウンサイドリスクを完全に遮断している。

エネルギー分野：豪州大規模蓄電池（HMAX Energy）による需給最適化

電力市場の規制緩和と再生可能エネルギーの急拡大が進むオーストラリアにおいて、系統網の周波数や電圧を維持するための大規模系統用蓄電池（BESS: Battery Energy Storage System）の運用が死活問題となっている7。しかし、卸電力市場価格の乱高下、急激な天候変化に伴う太陽光・風力発電の出力急変、そして充放電の繰り返しに伴うリチウムイオン電池の熱劣化というトレードオフを人間が手作業で最適化することは不可能であった7。

オーストラリア・クイーンズランド州の大規模蓄電池設備（Akaysha Energyが運営するUlinda Parkプロジェクト等）に導入された「HMAX Energy」は、このトレードオフを高度に調停している1。

• 秒単位の充放電自律最適化： 電力市場価格のリアルタイムデータ、広域気象予測、電力需要曲線をフィジカルAIが高速解析し、価格急騰時の放電と価格暴落（マイナス価格）時の充電を秒単位で自動執行7。
• 劣化抑制とアセット価値の最大化： 急激な入出力に伴うセル温度の上昇やサイクル劣化の進行度をIWIMの物理制約モデルと照合し、バッテリーの健全性を維持する安全マージン内で稼働率を最大化、投資回収期間の大幅な短縮を達成している1。

データセンター分野：3系統統合マネジメントによるPUE改善

AI需要の爆発的な拡大に伴い、世界中のハイパースケールデータセンターおよびコロケーション事業者は、電力消費量の増大と冷却の物理的限界に直面している2。従来のデータセンター運用における最大の非効率は、サーバー群を管理する「ITシステム」、チラーや空調ファンを管理する「冷却設備」、そして受変電や蓄電池を司る「受電・電力設備」が別々のシステムおよびベンダーによってサイロ化して運用されていた点にある8。

日立が投入した「HMAX Data Center」は、IT、冷却、電力という3つの物理系統を横断的に統合し、自律的な全体最適化を実現する1。

この統合制御により、日立は先行基盤「HARC（Hitachi Application Reliability Centers）」において培った「クラウド運用費約30%削減」の実績をデータセンターインフラ全体へと拡張し、巨額の電気代を支払うデータセンター事業者に極めて明確なROIを提示している14。サーバーの計算処理（BIT）と受変電・冷却設備（WATT）を同時に自社グループ内で網羅できる企業は世界でも極めて限られており、日立の強力な独占要因となっている2。

5. ビジネスリーダーへの示唆（テイクアウェイ）

日立が推進するフィジカルAI戦略は、日本の製造業、重電、社会インフラ企業にとって、メガテックのプラットフォーム支配を打ち破り、グローバル市場で主導権を奪還するための極めて実践的なケーススタディである。本分析から導き出される経営的示唆は以下の3点に集約される。

1. 「モデルを作る競争」から「現場実装を独占する競争」へのパラダイムシフト

米国の巨大IT企業群は、数兆円規模の資本力と最先端のGPUクラスターを投じ、汎用言語モデルやマルチモーダルモデルの性能向上を競い合っている2。しかし、日本企業が同一の土俵に乗り、汎用基盤モデルのパラメータ数や事前学習の規模で正面衝突を挑むことは、経営資源の配分として極めて勝ち目が薄い2。

産業界の主戦場はすでに「画面の中でどれだけ賢い回答を出せるか」から、「物理世界で実際にモーターや配管、ロボットを動かし、人命と操業を担保できるか」へとシフトしている1。実世界のインフラ、製造ライン、重電機器を保有し、日々過酷な現場で運用している企業は、メガテックが渇望しても手に入れることができない「物理空間のグラウンドトゥルース（正解データ）」をすでに手中に収めている2。AIの競争軸を自ら「実世界の現場実装」へと引きずり戻すことこそが、日本企業が勝機を見出す唯一の道である2。

2. 外資系メガテックを「下請けベンダー」として使い倒すための3大条件

NVIDIAをはじめとするメガテックと提携関係を結ぶ際、最も警戒すべきは「自社の顧客基盤や貴重な現場データを吸い上げられ、最終的に自社が汎用ハードウェアの調達代行や設置工事業者（下請け）に追いやられる」というコモディティ化の罠である2。メガテックを上流の水平基盤レイヤーに封じ込め、自社が最大の付加価値マージンを抜き取り続けるためには、以下の3つの防壁を不可逆的に構築・維持しなければならない2。

第一の防壁は「物理的な制御実行権限（現場接点）の排他的保持」である。AIモデルがどれほど高度な最適解を導き出そうとも、実際の設備に制御信号を送り込む通信プロトコル、PLC、セーフティコントローラーへのアクセス権を自社で完全に握り続けることである2。ここを他社に明け渡せば、設備の生死を左右する主導権を奪われることになる2。

第二の防壁は「業界特有の制約条件・安全基準（調停フィルター）の自前保有」である。物理モデルのシミュレーション結果を、そのまま現場設備に流し込んではならない。法規制、安全マージン、非常時停止プロトコルといった業界固有のルールを「調停レイヤー（日立におけるIWIM）」として挟み込み、この検証を通過しなければ制御命令が発行されないシステム構造を確立することである6。

第三の防壁は「文脈付きデータ資産（オントロジー・ナレッジグラフ）の独占」である。単なる温度や圧力の数値ログではなく、「設備間の依存関係」「過去の故障の因果連鎖」「熟練技術者の作業意図」を結びつけた高次のナレッジグラフを自社プラットフォーム上に構築することである8。この文脈データが自社環境に蓄積されている限り、基盤モデルを提供するメガテックは容易に代替可能な「計算インフラの供給元」にとどまり続ける2。

3. 保有OTアセットをソフトウェア／サービス型収益へ転換するロードマップ

従来の重厚長大企業が、利益率数パーセントのハードウェア売り切り型モデルや、工数連動で頭打ちになる人月型受託開発から脱却し、HMAXのような高収益リカーリング事業へ転換するための実践的な推進ステップは以下の通りである。

【OTアセットのソフトウェア／サービス型収益化ロードマップ】

[フェーズ1：FDE組織の創設と暗黙知の資産化]
保守員・SEを「現場変革エンジニア」へ再配置
現場へ深く介入し、熟練者のノウハウをオントロジー化してデータ基盤に集約
↓
[フェーズ2：ドメイン別パッケージの型化]
個別受託開発を廃止し、業界共通の制約条件を組み込んだ標準ソリューションへ昇華
案件数と適用設備の横展開により、工数圧縮を自社の利益率向上へ転換
↓
[フェーズ3：AI Operationsによる運用・監視のリカーリング化]
制御導入後、AIガバナンス・自律運用・サイバー監視を包括したSaaS/SLA契約を締結
ダウンタイム削減や省エネの成果に連動した高付加価値サブスクリプションの確立

フェーズ1においては、社内の優秀なフィールドエンジニアやシステムエンジニアを、業務プロセスを再定義し暗黙知を構造化できる「FDE」へとリスキリングする2。初期は高単価なプロフェッショナルサービスとして顧客現場に深く食い込み、現場のデータと業務コンテキストを自社のデータ基盤へ統合する1。

フェーズ2においては、個別顧客ごとの一品料理的な受託開発を厳しく排し、同一業界内の共通課題を解決する「ドメイン対応型パッケージ」へと型化・標準化を進める2。AIの導入によって開発工数が削減される分を、パッケージの適用案件数と対象設備のスコープ拡大によって吸収し、限界利益率を急速に向上させる2。

最終のフェーズ3においては、設備の自律稼働が開始された後、AIの誤作動監視、モデル精度の継続的更新、セキュリティ保証、および省エネ・稼働率向上SLAを束ねたサブスクリプション課金モデルへと移行する2。顧客にとっては「重大障害の発生ゼロ」や「確実なコスト低減」が保証され、自社にとっては追加コストのほとんどかからない極めて強固なリカーリング収益基盤が完成する2。

フィジカルAIの台頭は、長年にわたり現場の泥臭いハードウェアと制御システムを守り抜いてきた日本企業にとって、過去数十年間で最大の反転攻勢の契機である1。NVIDIAをはじめとするグローバルメガテックの最先端プラットフォームを自社の成長エンジンとして巧みに組み込みつつ、現場のOTと暗黙知を誰にも崩せない「経済的な堀」へと昇華させる戦略的決断が、すべての産業リーダーに今まさに求められている2。

引用文献

1. 日立・德永社長「2026年はフィジカルAI元年」 HSIF 2026基調講演, https://cloud.watch.impress.co.jp/docs/event/2138268.html
2. 宮野宏樹 - 「AIが現実世界を動かし始めた」 日立が挑む自己否定 - note, https://note.com/hirokimiyano/n/n28157bf9bc7f
3. 日立が「フィジカルAI元年」宣言、社会インフラの自律進化へ新, https://finance.biggo.jp/news/890e4929-850d-463b-b33c-d0d8d1bbfa08
4. 日立・德永社長が語るフィジカルAIの4段階。NVIDIAと協業し「最後, https://www.businessinsider.jp/article/2609-hitachi-tokunaga-physical-ai-4-stages/
5. 日立とNVIDIA、異種設備統合制御のAI基盤開発 - LOGISTICS TODAY, https://www.logi-today.com/978639
6. 日立とNVIDIA、フィジカルAIの統合制御による、現場全体の自律化, https://www.hitachi.com/ja-jp/press/articles/2026/07/0716/
7. 日立製作所はフィジカルAIでどうやって稼ぐのか？日立のフィジカル, https://sattu-ai-agent.com/2026/09/08/hitachi-physicalai-strategy/
8. 日立、熟練者の暗黙知をAI向けデータに変換―HMAXに「Data, https://www.zaikei.co.jp/article/20260906/868796.html
9. 【日立製作所 FY2025 FY 決算説明会】日立、当期利益8000億円突破, https://finance.biggo.jp/news/JP_6501.T_2026-04-27
10. おはようございます。 - Hitachi, https://www.hitachi.com/content/dam/hitachi/global/ja_jp/press/files/2026/09/0903apre-2.pdf
11. 日立製作所、フィジカルAIで社会インフラ向け基盤「HMAX」を拡充, https://robotstart.info/article/2026/09/03/382366.html
12. 日立とNVIDIA、フィジカルAIの統合制御による、現場全体の自律化, https://prtimes.jp/main/html/rd/p/000000602.000067590.html
13. 日立製作所、NVIDIAとフィジカルAIの統合制御に向け協業開始, https://www.automation-news.jp/2026/07/106511/
14. データセンターインフラの統合運用を実現するソリューション, https://www.hitachi.com/content/dam/hitachi/global/ja_jp/press/files/2026/09/0903c.pdf
15. 日立のフィジカルAI戦略を実装する「フィジカルAI FDE」とHIMAX, https://sattu-ai-agent.com/2026/09/08/hitachi-fde/
16. AI時代のITの仕事はSEからFDEへ｜キミは - note, https://note.com/ai_syukatu/n/n63da9cad9c02
17. 日立エナジー、Akaysha EnergyのオーストラリアUlinda Park BESS, https://www.hitachienergy.com/jp/ja/news-and-events/press-releases/2026/05/hitachi-energy-s-hmax-energy-service-solutions-strengthen-long-term-reliability-for-akaysha-energy-s-ulinda-park-bess-jp
18. 現場全体の自律的な最適化に向け、HMAX Data Fabricなど新たな, https://prtimes.jp/main/html/rd/p/000000621.000067590.html