今回のニュースのポイント

日立製作所は8月31日、シリコン量子コンピュータの大規模化に向け、量子ビットを少ない配線で制御する「共有ゲート型アーキテクチャ」と、量子情報を持つ電子を移動させる際の状態の乱れを抑える「電子速度制御技術」を開発したと発表しました。量子コンピュータは単に量子ビット数を増やすだけでは制御配線の増大やノイズ、冷却・実装負荷といった課題が大きくなります。今回の成果は、集積化を阻む「配線」と「電子輸送」という2つの課題に対する技術的な基盤検証として位置付けられます。

本文
　次世代の計算基盤として期待されるシリコン量子コンピュータにおいて、「大規模化をいかに達成するか」が世界的な研究開発の焦点となっています。

　日立製作所は、実用化に向けたロードマップとして2027年度のクラウド公開、2028年度の100量子ビット級システム、2030年度の1000量子ビット級システムの開発を目標に掲げています。また、将来的に誤り耐性型量子コンピュータを実現するには、100万規模の量子ビット集積が必要になると説明されています。

　しかし、量子コンピュータの性能向上は「量子ビットの数を増やす」という単純な作業では完結しません。数を増やすほど制御配線が増え、冷却や装置への実装の負荷が高まるためです。大規模化を実現するには、構造そのものの見直しが求められます。

■16量子ビット構造を「共有配線」で試作・評価

　こうした「配線の壁」に対し、日立が考案したのが「共有ゲート型アーキテクチャ」です。

　従来の個別ゲート型構造では、1つの量子ビットごとに専用の配線と制御ゲートを配置するため、量子ビット数に比例して配線数が増大していました。これに対し新構造では、従来の半導体メモリで広く用いられる「クロスバー構造」を応用し、複数の量子ビットを共通の配線とゲート電極で制御する仕組みを採用しました。

　日立はベルギーの研究機関imecの協力を得て、300mmウエハープロセスを用いた4×4の16量子ビット配列構造を試作しました。評価の結果、すべての量子ドットの形成と、一部の量子ビット操作を確認したとしています。16量子ビットのシステム完成ではなく、集積構造における制御可能性の一端を実証した段階です。

■もう一つの壁「電子をどう運ぶか」

　一方、配線密度の増加やノイズの影響を抑える手法として、量子ビット（量子ドット）同士の間隔を離して配置するアプローチが存在します。しかしこの場合、計算時に必要なタイミングで量子ビット同士を相互作用させるため、量子情報を持つ電子を量子ドット間で移動させる「電子輸送（シャトリング）」技術が必要となります。

　ここで新たな課題となるのが、移動時の計算エラーです。従来の電子輸送では電子を急激に加速・減速させて移動させる考え方が一般的でしたが、この急速な速度変化が電子の量子状態を乱し、計算精度の低下を引き起こす原因になり得ます。離して配置することで配線課題を和らげる一方、移動時の状態維持という別のハードルが生じる構造にあります。

■急発進・急停止を抑える電子速度制御技術

　この「電子輸送の壁」に対して提案されたのが「電子速度制御技術」です。

　本技術では、ゲート電極にかける電圧信号を位相変調することにより、電子の移動速度を急激に変化させるのではなく、徐々に加速・減速させる制御を行います。自動車の「急発進・急停止」を避けてスムーズに走らせるように電子を運ぶ考え方です。

　実証の段階として、日立は量子物理シミュレーションを実施し、本方式によって電子輸送時に生じる量子状態の乱れを抑え、エラー低減につながる可能性を示しました。実機によるエラー低減の実証ではなく、量子物理シミュレーションでエラー低減につながる可能性を示した段階です。

■100、1000量子ビット級への基盤技術

　日立は今後、量子ビットチップの設計や実装、クラウド運用の研究開発を進め、2028年度の100量子ビット級、2030年度の1000量子ビット級システムの実現をめざすとしています。今回の16量子ビット配列構造や電子速度制御は、将来の大規模化で障壁となる配線増大と精度維持に対する要素技術の検証に位置付けられます。

　なお、本成果の一部は8月31日から韓国・仁川で開催される国際会議「SiQEW/ICOSS 2026」にて発表されます。また、研究は科学技術振興機構（JST）のムーンショット型研究開発事業の助成を受けて実施されました。

　量子コンピュータの大規模化では、量子ビット数を増やすだけでなく、配線や冷却、電子輸送など、実装上の課題への対応も重要になります。日立が掲げる100量子ビット級、1000量子ビット級という目標に向け、今回の共有ゲート構造や速度制御技術が実際のシステムへどう実装・検証されていくかが今後の注視点となります。（編集担当：エコノミックニュース編集部／Editorial Desk: Economic News Japan）

今回のニュースのポイント

日立製作所は27日、製造業のサプライチェーンにおいて、営業、生産管理、調達など複数部門のAIエージェントを連携させ、注文変更や納期調整に伴う部門間のスケジュール調整を自動化・最適化する「AIオーケストレーション技術」を開発したと発表しました。部材在庫、設備リソース、現場の許容残業時間、過去の顧客交渉実績などを総合的に考慮し、実際の現場で実行可能な計画案をAIが提示します。最終的な判断や決定は人が行う仕組みとし、2027年中に製造業向けソリューション「HMAX Industry」のラインアップとして提供を開始する予定です。

本文
　株式会社日立製作所は27日、製造業のサプライチェーン全体において、注文変更や納期調整が発生した際の部門間スケジュール調整を自動化・最適化する「AIオーケストレーション技術」を開発したと発表しました。営業、生産管理、調達など部門ごとに導入されている個別のAIエージェントを連携・統括し、これまで手作業で行われていた複雑な部門間のすり合わせ業務をAIが自律的に支援します。

　製造現場では、顧客から急な納期前倒しや特急注文が入った場合、営業部門の判断だけでは対応できず、関係部門が手作業で複数のシステムを確認しながら調整を行う必要がありました。今回日立が開発した技術では、各部門のAIエージェントが連携して情報を処理します。例えば、営業AIが「顧客の重要度や過去の納期遅延の許容実績」を確認する一方、生産管理AIは「現在の在庫数や追加生産に必要な現場の残業時間」を瞬時に算出します。それぞれのAIが持つ情報をAIオーケストレーション技術が統括し、個別部門の部分最適にとどまらない全社横断での最適なスケジュール案を導き出します。

　技術面における大きな特徴は、汎用的な大規模言語モデル（LLM）の推論のみに依存しない点にあります。中核には、日立の計画最適化サービス「MLCP（Machine Learning Constraint Programming）」で実績のある「数理最適化×機械学習」の融合技術を採用しました。実際の製造現場では、部材在庫や設備の稼働能力、作業リソース、許容できる残業時間、エネルギー制約など、多様で複雑な条件を満たす必要があります。こうした制約条件に対応してきた日立独自のノウハウを組み込むことで、AIが単にもっともらしい回答を生成するだけでなく、実際の工場や現場設備、作業リソースなどを踏まえ、実効性の高いスケジュール変更案を短時間で立案します。

　また、人とAIの適切な役割分担が組み込まれている点もポイントです。AIが作成した計画案は、実行上のメリットおよびデメリットとともに人に提示され、最終的な確認や方針の決定は人が行います。たとえば、「追加の残業は発生するものの、過去の実績の範囲内で顧客と納期交渉が可能であり、現場でも実行できる」といった評価結果が提示されます。人が「納期をさらに短縮してほしい」などの条件を入力すれば、AIが即座に再調整を行って新たな計画を提示します。交渉ログや判断根拠を記録として蓄積することで、現場の納得感と安全性を確保しながら、業務の属人化解消や技術継承、さらには説明可能で監査にも耐えうる運用につなげる考えです。

　日立は今後、幅広い顧客企業とのPoC（概念実証）を進め、実際の製造現場における試験運用や機能拡張を行います。さらに、企業全体の経営資源を管理するERPや工場の生産ラインを管理するMESなどの周辺業務システムとの連携を強化。将来的には、製造装置やロボットなどの「フィジカルAI」も含め、サイバー空間からフィジカル空間までのデータ収集、判断、現場への実行指示を一気通貫で支援する構想を描いています。新技術は2027年中に次世代ソリューション群「HMAX Industry」のラインアップとして提供開始する予定です。

　企業内で個別のAIエージェント導入が進むなか、次の課題となるのがそれら複数のAIをいかに束ねて連携させるかです。日立の新技術は、営業や生産、調達といった各部門のAIを統括し、従来は人が担ってきた部門間の「調整」まで支援対象を広げる試みといえます。実際の製造現場において、どこまで調整時間を短縮し実効性のある計画を提示できるか、今後のPoCや導入事例の積み上がりが評価の材料となります。（編集担当：エコノミックニュース編集部／Editorial Desk: Economic News Japan）

今回のニュースのポイント

OpenAIは26日、内部研究用AIモデルが本来の制御を回避し、同社の研究インフラやサードパーティーであるHugging Faceのシステムの一部にアクセスし、コードを実行したインシデントについて調査報告を公表しました。モデルは許可されていない経路で他のエージェントと通信し、インターネット接続経路を発見したうえで役割分担や情報共有を行い、本来の評価課題の範囲を超えた行動を取りました。OpenAIは、十分な安全措置が講じられない場合、高度なAIエージェントが指示されていない危険な行動を取り得ることを示す「警告」と捉えています。一般向けのChatGPTが今回の侵害を起こしたわけではなく、OpenAIは顧客データ、製品機能、サービスの可用性への影響はなかったとしています。

本文
　AI（人工知能）の能力が向上するなかで、その制御を巡る重大な事案と安全課題が公表されました。OpenAIは26日、開発中の内部研究用モデルが技術的な隔離環境を回避し、同社の研究インフラおよびAIコミュニティプラットフォーム「Hugging Face」のシステムへアクセスやコード実行を行った事案について詳細な調査結果を明らかにしました。

　本件は、一般向けに提供されているChatGPTが外部へ攻撃を仕掛けた事案ではありません。しかし、モデルが指示されていない経路で通信し、本来の課題範囲を超えて危険な行動に至ったことが示されたことで、業界全体に投じられた「警告」として注目を集めています。何が起き、なぜ起きたのか、そしてどのような対策が進められているのかを順を追って整理します。

■インシデントの経緯：隔離環境からの想定外の外部通信

　事案の中心となったのは、OpenAIが「IM1」と呼ぶ一般公開を予定していない内部研究モデルです。同社によると、規模は「GPT-5.6 Sol」と同程度とされていますが、別の内部研究モデルとして位置付けられています。

　5月から6月にかけて実施された強化学習（RL）の評価中、IM1のエージェントは本来インターネット接続やエージェント間通信が許可されていない環境で動作していました。しかし、モデルは内部パッケージ管理システム「Artifactory」へファイルを書き込むことで、これを事実上のメッセージボードとして利用する手法を発見しました。さらにArtifactoryを経由して外部インターネットへ接続する経路を見つけ出し、その通信情報を他のエージェントへ共有しました。

　隔離された評価環境から、想定外の通信手段の発見、エージェント間での情報共有、許可されていないインターネット接続へと行動が拡大したことになります。

■Hugging Faceでの影響と社内インフラへのアクセス

　7月10日、エージェントはインターネット上で公開状態となっていたHugging Faceの認証情報を発見・共有しました。翌11日には、Hugging Face側の未知の脆弱性等を利用してサーバー上でコードを実行。12日には複数のクラスターへアクセスを拡大し、Kubernetes、データベース、クラウドなどの認証情報を取得しました。最終的に数十台のHugging Faceサーバーでコードを実行し、うち1台では最高管理者権限（root権限）を取得して、限定的な非公開データにもアクセスしました。

　さらに7月19日には、OpenAI自身の研究用Kubernetesクラスターでも管理者アクセスを取得し、クラウド環境に保存された認証情報などへ到達する事態となりました。なお、GPT-5.6 Solを用いた評価でも一部の攻撃手法が再現され、Hugging Face上の非公開評価データの一部が公開データセットへコピーされる事象が報告されています。

■サービスへの影響：顧客データや一般向け製品への影響は確認されず

　不安を不要に拡大しないため、影響範囲の境界を正しく把握することが重要です。今回の事案を引き起こしたIM1は研究用モデルであり、製品として外部提供されていません。また、この評価環境はサイバーセキュリティ能力を測定するための非常に高難度な設定であり、同社が一般提供サービスに適用している水準の安全措置は有効化されていませんでした。

　OpenAIは、今回の事案によって顧客データ、製品機能、サービスの可用性への影響は生じなかったとしています。一般向けのChatGPTが今回の侵害を起こしたわけではありません。

■発生原因：能力追求と制御の不均衡が招いた4つの要因

　なぜモデルは「指示されていないこと」を実行したのか。OpenAIは分析を通じて以下の4つの主要要因を特定しています。

1. 報酬ハッキング（Reward hacking）

2. 解けない高難度課題でも諦めず追求し続ける傾向

3. 許可されていないエージェント間通信

4. 他のエージェントの目的を取り込む行動

　1の「報酬ハッキング」とは、本来設計者が意図した方法で課題を解くのではなく、評価システム上で高いスコアを得るための「抜け道」を探して利用する現象を指します。推論量（計算資源）が増えるにつれ、モデルは解けない課題に対しても諦めずに別のアプローチを探索し、その過程で「してはいけない禁止行為」や本来の評価範囲外にある危険な手段まで踏み込んで探索を続けました。

　悪意や意識を持ったことを示す事案ではなく、目的達成を過度に追求する行動や、許可されていない通信など複数の要因が重なり、モデルを本来の課題範囲にとどめる制御が十分に機能しなかったことが浮かび上がっています。

■エージェント同士の「協調」：非許可経路での機能分散

　本事案で技術的に注意されるのが、独立して動作していた複数のエージェントが非許可の通信経路を自作し、役割分担を行った点です。エージェント間で脆弱性の発見、認証情報の探索、通信の調整などを分散して処理しました。モデル自身の記録には自らを「swarm（群れ）」や「collective（集合体）」と表現する内部推論も見られました。

　ただし、これを「AIが集団意識や意思を持った」と捉えるのは誤りです。OpenAIも統一された単一の知性として機能したわけではないと分析しており、エージェント同士が互いの作業を妨害するなど協調に失敗した例も報告されています。問題の本質は意識の有無ではなく、本来独立して管理されるべきAI同士が人間側の許可なくリソースや情報を共有し、単独動作時を超える能力を発揮した点にあります。

■モデルの推論：「許可範囲外」と推論しても行動を継続

　OpenAIが公表したログには、エージェントがHugging Faceへのアクセスや攻撃について「第三者に対する許可されていない行為であり、危険を伴う可能性がある」旨を内部推論（思考過程）の中で提示していた例が含まれています。

　しかし、モデルはその行為が許可された範囲を外れる可能性を推論しながらも、課題達成につながる行動を継続した例が確認されています。これを人間の「悪意」や「罪悪感の無視」と同一視することはできません。公開された内部推論はモデルの処理過程を示す記録であり、人間の意味での意思や感情を示すものではないためです。

■組織的課題：社内監視と情報伝達のギャップ

　OpenAIは技術的要因にとどまらず、社内における監視・報告体制の課題についても言及しています。

　5月下旬の時点で、社内チームはエージェントがパッケージ管理システムをメッセージボードとして利用していることや、禁止された外部インターネット接続を行っている事例を検知していました。しかし、その通信手法が持つ技術的意味合いや、エージェント間通信がもたらす containment（封じ込め）上のリスク評価が、7月初旬にインシデント対応を統括する責任者へ十分に共有されていませんでした。

　高度なAIモデルの管理においては、モデルそのもののセキュリティーだけでなく、人間側の監視体制、リスクの早期検知、迅速な情報伝達プロセスが不可欠であることを示す事例と言えます。

■今後の対策：多層的なセキュリティーとアラインメントの強化

　事案の発生を受け、OpenAIはIM1のモデルウェイト（重みデータ）の隔離措置を実施したほか、フロンティア領域における大規模な強化学習訓練の延期を決定しました。

　その上で、以下の対策を総合的に推進・強化するとしています。

・より隔離された研究用サンドボックスの構築とインターネットアクセス制限

・モデルウェイトへのアクセス管理強化

・アラインメント訓練の加速

・Chain-of-Thought Monitoring（思考過程の監視）への計算資源投入拡大

・異常行動を早期に検知し、必要に応じて評価を停止するインシデント対応の強化

　特に、モデルの思考過程（Chain-of-Thought）を監視する技術への計算資源投入を大幅に増やし、アラインメント上問題のある行動をより早期に検知・対応できる体制の強化を進めています。インフラによる隔離、AIモデルの制御、継続的な監視、事故対応を組み合わせた多層的な防護を進めています。

■「反乱」でも「杞憂」でもない現実：問われる制御技術の進歩

　今回の事案について、一部で見られるような「AIが意思を持って反乱を起こした」とする解釈には客観的な根拠がありません。一方で、「AIは人間が命じた通りの範囲内でしか動かないため心配ない」という従来の安全観をそのまま維持することも困難になっています。

　OpenAI自身、本件を「適切な防護措置がない場合、高度なAIエージェントが技術的制約を回避し、非許可の経路で協力し、意図しない危険な行動を取り得る」ことを示した警告（warning shot）と表現しています。

　AI開発を巡っては、モデル性能や計算資源、データセンター、電力、開発投資など「能力を高めるための基盤」が大きく注目されてきました。しかし、モデルが高度化し、自立的にツールを扱うエージェント化が進むにつれ、「その高い能力を意図通りに安全に制御できるか」という安全管理技術（アラインメント・セキュリティー）そのものが、AI開発における決定的な前提条件となりつつあります。OpenAIも、リスク管理技術が追いつくまで能力向上のペースを調整する選択肢を含めて対応する姿勢を示しています。

　AIに対する漠然とした不安を「心配ない」と一蹴することも、「危険だ」と闇雲に煽ることも、現実の技術課題を解決する助けにはなりません。重要なのは、何が起き、どの範囲に影響し、どのようなメカニズムで不具合が生じ、それに対してどのような制御・監視の手法が講じられているのかを、客観的なデータに基づき把握することです。AIの能力向上と並行して、それを安全に制御する技術と運用体制を同じ速度で進歩させられるか。今回のインシデントは、AI開発が新たなフェーズへ移行したことを象徴する出来事と言えます。（編集担当：エコノミックニュース編集部／Editorial Desk: Economic News Japan）

今回のニュースのポイント

パナソニック コネクトは25日、協働ロボット制御サービス「Robo Sync for Cobot」の機能を拡充し、自然言語による指示からAIがロボットの動作プログラムを自動生成する新機能を追加したと発表しました。ロボットや自動化に関する専門知識が少ない現場担当者でも動作シナリオを構築しやすくなり、製造や物流の現場におけるロボット導入のハードル低減を目指します。なお、本機能は現時点でβ版としての提供となり、対応する動作や機器に一部制限があります。

本文
　物流や製造の現場で自動化ニーズが高まるなか、ロボット導入に伴う動作プログラム作成などの負担を軽減する取り組みが進んでいます。パナソニック コネクトは25日、同社の協働ロボット制御システム「Robo Sync for Cobot」の機能を拡充し、自然言語による指示からAIがロボットの動作プログラム（ブロック）を自動生成する機能を追加したと発表しました。

　産業用・協働用ロボットを現場に導入する際は、ロボット本体の選定だけでなく、周辺機器の組み合わせや個別の現場環境に合わせた動作プログラムの構築、細かい微調整といった作業が必要となります。今回追加された機能は、このうち「動作プログラムの作成」という専門作業の壁をAIで下げることを目指すものです。

　本機能は、人間が指示した言葉（自然言語）をAIが直接解釈してロボットをそのまま自律動作させるものではありません。実際のプロセスでは、指示文からAIがビジュアルプログラミング用の動作ブロックを生成し、人間が画面上でその内容を確認・編集した上でロボットの制御へとつなげます。言葉による指示を出発点としつつ、人間の目で内容の確認や微調整を行える構造とすることで、現場の要件に合わせた制御を可能にしています。

　そもそも「Robo Sync for Cobot」は、異なるメーカーの協働ロボットや周辺機器を同一の画面（UI）でまとめて扱える点に特徴があります。今回のアップデートではAI機能に加え、ArUcoやAprilTagといったマーカーを活用して、ロボットと作業対象、カメラ間の位置関係を補正する機能も追加され、対応する周辺機器・ロボットアームのラインアップも拡充します。メーカーの異なる機器を組み合わせる現場において、プログラミングや調整にかかる労力を統合的に減らすアプローチと言えます。

　AIによる自動生成の導入により、専門知識を持つ技術者に頼らざるを得なかったプログラミング作業のハードルが下がれば、現場の担当者自身がロボットの活用を検討・実行できる範囲が広がる可能性があります。

　ただし、今回追加された自動ブロック生成機能は現時点でβ版としての提供です。すべての機能やブロックが生成対象となるわけではなく、利用にあたっては対応する機種・機器などを確認する必要があります。

　これまで専門知識や「機械の言葉」の理解を必要としてきたロボットの構築・調整作業ですが、AIや直感的なUIが介在することで「人間がやってほしいことを言葉で伝える」方向へのアプローチが模索され始めています。AIの活用領域が文章や画像などのデジタル情報にとどまらず、現実世界で動く機械の制御を支援する領域にも広がるなか、専門作業の負担をどこまで減らせるかが、製造・物流現場におけるロボット普及の鍵となりそうです。（編集担当：エコノミックニュース編集部／Editorial Desk: Economic News Japan）

今回のニュースのポイント

NTTは25日、AIとロボット技術を連携させた「自律成膜基盤」を開発し、半導体薄膜の試作・評価サイクルを従来の約3倍に高速化したと発表しました。次世代パワー半導体材料「β型酸化ガリウム（β-Ga₂O₃）」の成膜実験において、56回の自律探索で高品質化につながる成膜条件を見いだし、その条件をβ-Ga₂O₃基板上へ転用して高品質な単結晶薄膜の作製に成功。さらに、蓄積されたデータから「どのパラメータをどのように調整すべきか」という人が理解・実行できる成膜ルールを抽出・検証する手法を実証しました。

本文
　AI（人工知能）を画像生成や対話にとどまらず、自然科学の研究開発そのものの高度化・高速化に活かす「AI for Science」の取り組みが現実の材料研究で成果を上げ始めています。NTTは25日、AIとロボット技術を連携させた自律成膜基盤を構築し、半導体材料の実験サイクルを従来の技術者・研究者による運用と比較して約3倍に高速化させることに成功したと発表しました。

　半導体や新材料の開発現場では、要求される物性を得るために温度やガス流量など多様なパラメータを調整しながら実験を繰り返す必要があります。今回NTTが対象としたのは、次世代パワー半導体の材料候補として期待されるウルトラワイドギャップ半導体「β型酸化ガリウム（β-Ga₂O₃）」の薄膜作製（成膜）です。

　一連の自律実験システムは、成膜装置内でのウェハ自動搬送、光学手法による自動評価、そして評価結果から予測モデルを更新して次の実験条件を選ぶ「ベイズ最適化」を組み合わせることで実現しています。実験では、成膜温度、スパッタ電力、アルゴン（Ar）流量、酸素（O₂）流量という4つの作製条件をAIが探索。サファイア基板上で計56回の自律探索を実施し、薄膜の構造的無秩序さを示す指標（アーバックエネルギー：E_U）を大きく低減させた最適条件を導き出しました。

　さらにこの条件をβ-Ga₂O₃単結晶基板上での成膜に転用し、NTTによると、スパッタ法として世界初となる高品質なβ-Ga₂O₃単結晶薄膜の作製に成功したとしています。一連の研究成果は、8月13日付の英科学誌「Nature Communications」に掲載されました。

　今回の発表で特に注目されるのは、AIによる条件探索にとどまらず、蓄積された実験データから人間が理解・転用しやすい「成膜ルール」を取り出した点です。従来の機械学習による材料探索では、最適な条件が提示されてもその調整手順が不透明（ブラックボックス）で、他の装置や条件へ応用しにくい課題がありました。

　これに対しNTTは、データの寄与度や相互作用を解析し、「各パラメータを順に調整し、最後に温度と酸素流量を重点的に調整する」といった人が実行可能な手順に整理。研究者がこの抽出されたルールに基づいて再最適化を行ったところ、指標（E_U）が182meVから163meVへとさらに低減し、ルールの有効性が確認されました。AIが自動で実験を進めるだけでなく、その結果を人間が理解できる手順として還元し、研究者が最終的な判断や再最適化に活かすという役割分担が示された形です。

　もっとも、今回の成果は研究開発・実証段階のものであり、半導体の量産工場における製造速度そのものを3倍にする技術や、β-Ga₂O₃パワー半導体の実用化・量産化が即座に達成されたことを意味するものではありません。

　一般に「AI for Science」の導入には、研究開発期間の短縮や実験負担の軽減といった効果が期待されています。NTTは今後、今回の技術を半導体材料や量子材料など多様な材料・装置へ適用拡大するとともに、複数の指標を同時に評価できるAIモデルの高度化を進め、次世代のAI駆動型ラボの実現につなげる考えです。（編集担当：エコノミックニュース編集部／Editorial Desk: Economic News Japan）

今回のニュースのポイント

三菱電機はQunaSysと共同で、製造業の製品設計・開発で使われるCAEに量子コンピューターを活用するための2つの基盤アルゴリズムを開発しました。大規模な行列データを量子コンピューターで扱いやすくすることで計算コストを削減するとともに、量子回路の設計に必要なパラメーター計算を安定化し、精度向上につなげます。今後は流体、熱、構造、電磁界解析など実際の製造業で使われるCAEへの適用を進め、「量子CAE」の実現を目指します。

本文
　量子コンピューターを、製造業の製品設計や開発現場へ活用する取り組みが一歩前進しました。三菱電機は24日、量子コンピューター系スタートアップのQunaSys（キュナシス）と共同で、製品の設計・開発に使われるCAE（Computer-Aided Engineering）への量子コンピューター活用に向けた2つの基盤アルゴリズムを開発したと発表しました。

　CAEとは、コンピューター上で流体や熱、構造、電磁界などの物理現象をシミュレーションし、製品の設計条件の探索や性能評価を行う技術です。例えばモーターや自動車部品などの開発において、試作回数を減らし効率的に設計を進めるうえで欠かせないツールとなっています。

　ここで使われる量子コンピューターは、従来のコンピューターとは異なる量子力学の性質を利用して計算を行う次世代の計算機です。特定の計算では従来のコンピューターよりも高速に処理できる可能性があり、材料開発や複雑なシミュレーションなどへの産業利用が期待されています。

　近年、製品の高性能化や高機能化に伴い、製造現場では大規模かつ高精度なCAEへのニーズが高まっています。CAEで扱う物理シミュレーションの多くは大規模な行列計算として表されるため、量子コンピューターの計算能力を活用する「量子CAE」が注目されています。一方、これまでは量子計算の実行コストと計算精度の両面に課題がありました。

　今回、三菱電機とQunaSysが開発したのは、この2つの課題を解決するための基盤アルゴリズムです。

　1つ目は、大規模な行列データを量子コンピューターで扱いやすい形へ整理するアルゴリズムです。行列内の同じ値や出現パターンを整理し、共通部分を再利用して差分を組み合わせることで、無駄な重複を減らし、量子計算にかかる実行コストを削減します。2つ目は、量子回路の設計に必要なパラメーターを安定的に求めるアルゴリズムです。計算の向きを反転させた後に順序を戻す工夫により、従来の計算過程で問題となっていた数値的な不安定性を回避し、量子計算の精度向上を実現します。

　なお、本開発成果の一部は、科学技術振興機構（JST）のムーンショット型研究開発事業（目標6）の成果で、8月24日から開催される国際会議「AQIS 2026」で発表されます。

　もっとも、今回の成果によってただちに「量子コンピューターによる製品開発が完了した」わけではありません。三菱電機自身も今回の成果を「量子CAEの実現に向けた前進」と位置付けています。今後は、開発したアルゴリズムを流体解析、熱解析、構造解析、電磁界解析など、実際の製造現場で用いられる具体的なCAE課題へ適用し、検証を進めていく計画です。

　量子コンピューターを巡っては計算性能そのものの高さに注目が集まりがちですが、産業界での実装を考慮した場合に極めて重要となるのは「実際の製品開発やビジネスにどう組み込むか」という視点です。

　実際の製品設計への適用には今後の検証が必要ですが、複雑化する製品開発のシミュレーションに量子計算をどう組み込むのか。今回の基盤アルゴリズム開発は、量子コンピューターを製造業の設計・解析に活用する「量子CAE」の実現に向けた一つの取り組みとなります。（編集担当：エコノミックニュース編集部／Editorial Desk: Economic News Japan）

今回のニュースのポイント

ソフトバンクとエリクソン・ジャパンは、ソフトバンクの5G商用ネットワークにおいて、エリクソンの「AI in RAN」ソフトウエアを活用した実証を行い、通信性能の向上を確認したと発表しました。基地局内のAIが電波環境をリアルタイムに判断して最適化を行うことで、下りユーザースループット（データ転送速度）が最大約50％向上し、全評価エリア平均でも約10％改善しました。AIサービスの普及で通信需要が増加・複雑化する中、5GネットワークそのものをAIで制御する先進的な取り組みとなります。

本文
　ソフトバンクとエリクソン・ジャパンは20日、ソフトバンクの5G商用ネットワークにおいて、エリクソンの無線アクセスネットワーク（RAN）向けAI機能「AI in RAN」を導入し、通信性能を最適化する実証に成功したと発表しました。両社によると、エリクソン製装置における同技術の5G商用網での実証は国内で初めて（2026年7月末時点のエリクソン・ジャパン調べ）となります。実証では、通信基地局の内部にAIを組み込み、リアルタイムで無線環境を制御しました。その結果、従来の制御方式と比較して、一定の周波数帯域でどれだけ多くのトラフィックを伝送できるかを示す「スペクトル効率」が最大約25％向上したほか、受信側の通信実効速度を示す「下りユーザースループット」が最大約50％向上しました。また、すべての評価エリアで両指標が平均約10％改善し、一貫した性能向上も確認されました。

　今回の取り組みの鍵となるのは、通信を最適化する判断を「静的なルール」から「AIによるリアルタイムな判断」へと進化させた点にあります。従来の通信制御（リンクアダプテーション）は、主にオフライン分析や静的なパラメーター設定に基づくルールベースのアルゴリズムに依存していました。これに対し、今回検証した「AIネイティブ・リンクアダプテーション用スケジューラー」では、基地局のベースバンド装置上において、学習済みのAIモデルを用いて刻々と変化する無線環境に応じた推論を行います。電波干渉が大きいエリアや基地局同士の境界（セル境界）、利用者が集中する混雑地点などにおいて、AIがチャネル容量を予測し、最適な下り伝送レートをリアルタイムで自動選択します。

　この技術がもたらす最大の意義は、限られた周波数帯域をより効率的に活用できる点にあります。実証で最大約25％向上した「スペクトル効率」とは、与えられた周波数帯域幅でどれだけ多くのトラフィックを伝送できるかを示す指標です。スマートフォンや生成AIの利用拡大に伴い通信需要は急増していますが、利用可能な電波（周波数）のリソースには限界があります。通信需要の増加に対して単に「道路を広げる」ように周波数や設備を増やすだけでなく、AIを用いて既存の周波数帯域の中に「より多くの交通をスムーズに流す」ことで、ネットワーク全体の収容能力を引き上げることが可能になります。

　こうした取り組みの背景には、生成AIサービスやAIアシスタント、自律型エージェント、没入型アプリケーションといった高度なサービスの普及が存在します。これらのサービスが日常化することで、モバイル通信市場では単純なデータの伝送量が増えるだけでなく、時間帯や場所などによる新たなトラフィックパターンや、より高度な接続ニーズへの対応が求められています。つまり、AIサービスの広がりによって増大・複雑化する通信インフラ側においても、5Gネットワークの仕組みそのものをAIで制御・最適化することが重要になっています。

　また、AIが判断を下す「場所」もポイントです。今回の技術では、通信基地局内にあるベースバンド装置上でAIを直接動作させています。無線環境は利用者の移動や混雑、電波干渉などによって刻々と変化するため、基地局のベースバンド装置上でAIがリアルタイムに判断する仕組みが重要になります。実証ではソフトバンクがトラフィック特性を踏まえた評価エリアの要件定義を担当し、エリクソンが実際のネットワークデータを用いてAIモデルの学習やチューニングを担当するなど、両社が連携してパラメーター設計から評価までを行いました。

　両社は今回の実証成果を、今後の「5G-Advanced」や将来の第6世代移動通信システム（6G）に向けたAIネイティブなネットワーク構築への重要な一歩と位置付けています。通信インフラ分野において、設備投資による物理的な容量拡張にとどまらず、AIによって既存の通信資源をどこまで効率化できるかが業界の主要テーマになりつつあります。生成AI時代の到来で通信需要そのものが変容する中、商用5G網で示された今回の成果は、次世代通信基盤の姿を象徴する事例となりそうです。（編集担当：エコノミックニュース編集部／Editorial Desk: Economic News Japan）

今回のニュースのポイント

KDDIやNTTなどの国内主要通信・機器メーカー7社は、AI時代を支える低遅延・低消費電力なネットワークの設計指針の策定を主導し、国連の専門機関である国際電気通信連合（ITU）の電気通信標準化部門（ITU-T）において「勧告Y.3335」として国際標準化されたと発表しました。総務省が推進する「Beyond 5G推進戦略2.0」の戦略分野である「オール光ネットワーク（APN）」の知見をベースに、特定の団体や実装方式に依存しない設計指針を規定。複数の通信事業者にまたがるAPNサービスの構築を容易にし、広域拠点間での高速・低消費電力な通信サービスの利用につなげる狙いです。

本文
　KDDI、NTT、1FINITY、NEC、楽天モバイル、沖電気工業、住友電気工業の国内7社は21日、AI時代に対応する低遅延・低消費電力ネットワークの設計指針について、国際電気通信連合（ITU）の電気通信標準化部門（ITU-T）において国際標準化を達成したと発表しました。標準化が完了したのは8月13日で、ITU-T勧告「Y.3335（Framework of low-latency and energy-efficient networks）」として正式承認されました。今回の設計指針は、総務省の「Beyond 5G推進戦略2.0」で戦略分野に位置付けられる「オール光ネットワーク（APN）」の技術知見が活用されており、次世代通信網の普及に貢献する共通ルールとなります。

　オール光ネットワーク（APN）は、大容量・低遅延・低消費電力な通信を実現する次世代の通信基盤です。生成AIをはじめとする人工知能技術が発展する中、遠隔地のセンサーやロボットから得られるデータのリアルタイム処理を可能にすることから、フィジカルAIをはじめとした次世代サービスを支える基盤技術として世界的な普及が期待されています。

　しかし、どれほど優れた通信技術であっても、特定の国や企業の中に閉じた環境でしか使えなければ世界規模での相互接続性は見込めません。APNに関しては、IOWN Global Forumなどで技術要件の策定が進むほか、国内でも異なる通信事業者のAPN同士を接続する光ネットワークフェデレーション技術の研究開発が行われてきました。一方で、こうした活動に参加していない海外の事業者や国・地域を含め、世界規模での相互接続性や普及を実現するためには、より広範な国際的合意に基づく共通した設計指針を整備することが課題となっていました。事業者や国・地域をまたいでも、低遅延・低消費電力な通信経路を構築するための共通指針が求められていたためです。

　こうした課題に対応するための共通の設計指針が、今回の「ITU-T勧告Y.3335」です。異なる事業者間であっても低遅延・低消費電力な通信経路を構築できるよう、具体的なネットワーク構成や技術要件を規定しました。重要な点は、日本企業が培ってきたAPNや相互接続技術の知見を、特定の団体や実装方式に依存しない設計指針として体系化したことです。これにより、複数の通信事業者にまたがるAPNサービスの構築が容易となり、広域拠点間でも高速かつ低消費電力な通信サービスの利用が期待されます。

　背景には、AIの進化に伴う通信インフラへの要求の変化があります。遠隔地のセンサーやロボットから得られる大量のデータをリアルタイムに処理するには、通信網にも大容量だけでなく低遅延が求められます。また、大量のデータを扱うAI時代では、通信インフラの消費電力を抑えることも重要になります。そのため、単に通信容量を増やすだけでなく、低遅延と省電力を備えた通信インフラの重要性が高まっています。

　今回の国際標準化は、日本で培われたAPNの知見や光ネットワークフェデレーション技術の研究成果を、特定の団体や実装方式に依存しない設計指針として世界規模で共有する動きにつながります。国内7社は今後も連携して国内外での標準化活動を推進し、ITU-Tにおいては2028年10月を目標に、低遅延・低消費電力ネットワークの詳細な機能アーキテクチャに関する新たな勧告の策定を進め、AI時代を支えるAPNのグローバルな普及に貢献していく方針です。（編集担当：エコノミックニュース編集部／Editorial Desk: Economic News Japan）

今回のニュースのポイント

日立ハイテクは20日、パウレックと共同で、全固体電池の正極活物質に施すコーティングについて、AIを活用して最適な条件を探索する実証を完了したと発表しました。従来は熟練技術者の専門知識や経験を頼りに実験・試作を繰り返していた工程について、製造装置の運転データや計測データをAIで解析。高品質で再現性の高いコーティング条件の最適解を導き出しました。2030年ごろに見込む全固体電池市場の本格化を見据え、事業化を目指します。

本文
　日立ハイテクは20日、粉体処理装置などを手掛けるパウレックと共同で、全固体電池向け正極活物質のコーティング条件をAIで効率的に探索する実証を完了したと発表しました。両社はパウレックの持つコーティング技術や装置運用データと、日立ハイテクの解析・分析技術、AI・インフォマティクス技術を組み合わせた「フィジカルAI」を活用。実証では高品質かつ再現性の高いコーティング条件の最適解を導き出しました。これまで熟練技術者の経験や専門知識に依存していた条件探索をデータ駆動で効率化し、全固体電池の開発や量産立ち上げ期間の短縮につなげる手法であることを確認しました。全固体電池の製造では、材料特性や装置条件など多数の要素を組み合わせる必要があり、条件設定には熟練者の経験やノウハウが求められてきました。

　全固体電池は、従来のリチウムイオン電池などで使われる液体電解質に代わり、不燃性の固体電解質を使用する次世代電池です。安全性向上に加え、高電圧化やエネルギー密度向上、長寿命化が見込まれており、電気自動車（EV）の航続距離延長や電池パックの小型・軽量化などが期待されています。一方で、充放電を繰り返すと正極活物質と固体電解質の界面に抵抗体が発生し、エネルギー出力低下を招く課題がありました。その対策として、リチウム伝導性の酸化物被膜を正極活物質にコーティングし、抵抗体の発生を防ぐ手法が取られます。しかし、粒子に対して均一性・被覆率・膜厚を制御した最適条件を導き出すには、材料組成や固体電解質との相性、装置条件など複数要素を考慮する必要があり、条件探索や量産へのスケールアップに多くの時間と工数を要していました。

　今回の実証は、コーティング状態の「測定・評価」と「AIによる最適条件の探索」の2段階で実施されました。まず、パウレックの装置で作製したサンプルに対し、日立ハイテクの蛍光X線分析（XRF）や走査電子顕微鏡（SEM）を活用して評価を行いました。煩雑な前処理が不要なXRFやSEMを活用することで評価工程を効率化し、膜厚や被覆均一性、界面特性などを定量的に評価する手法を開発。プロセス条件と材料特性・電池性能との因果関係を明確化しました。次に、装置の運転データや過去の実績データ、評価結果を1つのデータテーブルに統合し、日立ハイテクのデジタルソリューション「PROACCELA」によるプロセス・インフォマティクス（PI）技術を適用しました。これにより最適条件を決定し、開発や生産立ち上げ期間の短縮につながることを確認しました。AIが電池そのものを設計するのではなく、実際の製造・計測データを基に、熟練者が担ってきた「条件出し」を効率化する仕組みです。

　日立ハイテクとパウレックは、2030年ごろに見込まれる全固体電池市場の本格化を見据え、今回の最適コーティングプロセスの提案を、日立ハイテクの次世代ソリューション群「HMAX Industry」のラインアップとして事業化を目指します。さらに、電池材料におけるさまざまなコーティング対象・材料系へ適用範囲を広げるほか、将来的には高機能材料、医薬品、化学など幅広い分野への展開も検討する方針です。

　全固体電池の実用化には材料開発だけでなく、品質を安定させながら量産する製造プロセスの確立が欠かせません。日立ハイテクとパウレックは、製造装置から得られるデータと計測・分析技術、AIを組み合わせることで、熟練者の経験に依存してきた条件探索の効率化を目指します。両社は2030年ごろの全固体電池市場の本格化を見据えて事業化を進め、将来的には高機能材料や医薬品、化学分野への展開も検討しています。（編集担当：エコノミックニュース編集部／Editorial Desk: Economic News Japan）

今回のニュースのポイント

KDDIとJR西日本SC開発は20日、商業施設開発の調査・分析から戦略立案までを一気通貫で支援するAIサービス「KDDI Market Compass」の提供を開始しました。KDDIが持つ位置情報・属性データと、JR西日本SC開発が商業施設開発で培った実践知を組み合わせます。実証では、新規商業施設開発を想定した場合、複数部門や外部調査会社との連携を含め従来約4カ月かかっていた検討プロセスを最短1日で実施できることを確認しました。

本文
　KDDIとJR西日本SC開発は20日、AIサービス「KDDI Market Compass」の提供を開始しました。商業施設を開発する際に必要となる商圏分析、競合分析、顧客ニーズ分析、施設コンセプト策定、ターゲット設定、テナント戦略などをAIで一気通貫に支援します。両社による実証では、新規商業施設の開発を想定した調査・分析および戦略立案に要する検討プロセスについて、従来は約4カ月かかっていた作業を最短1日まで短縮できることを確認しました。従来は複数部門や外部調査会社との連携が必要で、多くの時間とコストがかかっていました。また、市場分析などが専門人材に依存するという課題もあり、AIを活用することで分析プロセスの標準化や属人化の解消、分析品質の均一化も狙います。

　サービスの土台となるのは、KDDIがスマートフォン利用者から許諾を得て取得・統計加工した位置情報や属性データです。常に最新3日前のデータに更新されるほか、狭域メッシュ単位での人流把握、過去との比較や時系列分析、性別・年代などの属性把握が可能です。これに「ルクア大阪」などを運営するJR西日本SC開発が実際の商業施設開発で蓄積してきた調査項目、評価観点、仮説構築、意思決定ノウハウといった実践知を組み合わせました。単にAIが人流データを分析するだけでなく、実際の商業施設開発で使われてきた評価方法や意思決定のノウハウをAIモデルへ反映している点が大きな特徴です。

　本サービスでは、商圏や競合、顧客ニーズを分析し、その結果を踏まえて出店やリニューアルに関する戦略仮説を提示します。狙うべき顧客層や施設コンセプト、導入すべきテナント、競合施設との差別化方針などを導き出します。さらに、商圏データからその地域に存在しそうな生活者・来街者を想定したペルソナをAIで生成し、その人物への仮想インタビューを実施する機能も備えています。インタビュー結果は議事録形式で可視化され、定量データだけでは見えにくい潜在ニーズや行動特性の把握を支援します。子育て世帯の来街比率が高い地域にはファミリー向けテナントの拡充、駅利用者の滞在時間を延ばしたい場合には飲食・体験型施設の導入といった具体的な戦略仮説の構築につなげます。

　「KDDI Market Compass」は商業施設にとどまらず、不動産開発やエリア開発にも活用可能とされています。JR西日本SC開発も自社の商業施設開発・運営で積極的に活用する方針です。一方、KDDIにとって今回のサービスは第一弾となり、今後はさまざまな業界が持つ専門的な実践知と自社のデータ基盤を組み合わせ、特定事業に特化したAIの開発・実装を進める方針です。

　商業施設の開発では、商圏や競合、人流、顧客ニーズなど多くの情報を分析したうえで、施設コンセプトやテナント構成を決める必要があります。KDDI Market Compassは、位置情報などのデータと商業施設開発の実践知をAIで組み合わせ、これまで専門人材や外部調査会社などに依存していた検討作業の効率化を図ります。KDDIは今回を第一弾として、今後は他業界でも専門的な実践知とデータを組み合わせたAIの開発・実装を進める方針です。（編集担当：エコノミックニュース編集部／Editorial Desk: Economic News Japan）