シーメンスとNVIDIA、実工場でAIによる生産立ち上げ・計画を検証

ニュースの要点

シーメンスは2026年10月19日、NVIDIAと共同開発する工場向けAIの新たな用途を、ドイツ・エアランゲンの自社工場で発表しました。1月に示した提携方針を受け、実際の生産現場で開発と検証を進めたものです。

デジタルツイン上で生成した画像を使い、基板の実物をつくる前から品質検査のAIを準備するほか、生産計画の候補をAIが作成し、仮想環境で比較する仕組みを紹介しました。同社は生産立ち上げの技術作業を最大85%、生産計画に伴う費用を最大20%削減できると説明しています。両者は別の用途の数値であり、全工場への導入効果を保証するものではありません。

ニュース出典：Siemens partners with NVIDIA to advance AI-driven, autonomous factories（Siemens、2026年10月19日）。ニュース部分は原文の転載ではなく、内容に基づく要約です。

イノベーション総研の考察

不良品の実物が揃うまで、検査の準備を待たない

外観検査のAIをつくる際には、良品や不良品の画像が必要になります。新製品では実物の数が少なく、特に不良の例を十分に集めるのが難しい場合があります。生産を始めてから画像を集めると、検査の準備もその後へずれ込みます。

今回の発想は、実物の試作を待たず、仮想空間でつくった画像から検査の準備を始めることです。

デジタルツインは、設備や製品をコンピューター上で再現する仕組みです。今回、NVIDIAの技術で現実に近い画像を生成し、検査モデルの学習へ利用します。ただし仮想画像が現物を十分に再現できなければ、実機で調整が必要です。画像を増やすことと、現場の見逃しや誤判定を減らすことは別の評価になります。

AIが計画を出しても、現場を動かす前に比べる

もう一つの用途は生産計画です。受注、資材、設備の能力、納期などの条件を踏まえ、AIエージェントが複数の案を作ります。担当者は指標を比較し、デジタルツインで確かめてから現場へ反映する流れです。単にAIが一つの答えを出し、そのまま設備を動かす説明ではありません。

AIの役割を案の作成、人の役割を比較と判断に分け、実行前の確認を残しています。

計画の作成が速くなっても、資材の在庫や設備状態の情報が古ければ、実行できない案が生まれます。どのデータをいつ更新するか、変更を誰が承認するかも必要です。現場で使うAIの事業では、モデルだけでなく、情報を集めて判断へ届ける仕組みまで提供できるかが重要になります。

85%と20%を、一つの導入効果にまとめない

生産立ち上げの技術作業と、生産計画に伴う費用は、対象も比較の単位も異なります。最大値を並べても、工場全体の費用が同じ割合だけ下がるとは読めません。シーメンスによる効果説明であり、他社が同じ条件で検証した結果でもありません。

自社の導入判断には、どの工程の、何と比べた削減なのかを確認してから数値を使います。

1月の提携発表では、エアランゲンを最初のモデル拠点とする方針が示されていました。今回の意味は、方針だけでなく具体的な作業と検証が紹介されたことです。それでも、データ整備、設備との接続、運用人員を含めた導入費用は今回の説明だけでは分かりません。

自社のAI事業では、実物ができる前の待ち時間を探す

この事例は製造業に限らず、試作品や現場のデータが揃うまで準備を進められない業務を見直す参考になります。仮想環境で先に試せる部分と、必ず現物で確かめる部分を分ければ、開発の順番を変えられる可能性があります。

仮想検証へ置き換える範囲と、現物で確かめ直す範囲を先に決めると、効率と品質を両立しやすくなります。

例えば、危険な状況やめったに起きない異常は、現物で大量に再現しにくいものです。仮想データは候補になりますが、現実との差を見つけるための試験は残ります。単に学習用の画像数を目標にするのではなく、初回の現場調整にかかった日数、見逃し、再撮影などを追うと、事業上の価値が見えやすくなります。

次は別の製品や工場でも効果が再現するか、更新や保守にどれだけ作業が必要かが観測点です。一工場での検証を、他社へ販売できる標準的なサービスにできるかが、展開の判断を左右します。

まとめ

シーメンスとNVIDIAは、検査の準備と生産計画を仮想空間で前倒しする用途を実工場で示しました。注目点は削減率の大きさだけでなく、何を試作前に確認できるようになったかです。現物での検証と費用を残して比較することが、自社への応用に必要です。