日立製作所は2026年8月31日、実世界の物理現象を制御・最適化する「フィジカルAI」を中核に据え、社長直轄の「FDE（Forward Deployed Engineer）チーム」を新設した。約1兆円で買収した米GlobalLogicのソフトウェア基盤と重電・インフラの運用技術（OT）を融合し、縦割り組織を打破して産業機器の自律制御で世界首位を狙う。
1兆円買収の知見を全社へ水平展開するFDE組織の設立背景
日立製作所は、鉄道や電力といった基幹インフラ領域で培ったOT（制御・運用技術）と、2021年7月に約1兆円（約96億ドル）で買収を完了した米GlobalLogicのデジタルエンジニアリング力を一体化させる体制へ移行した。
これまで事業部門ごとに分断されていたOT資産やドメイン知識を横断的に集約するため、徳永俊昭社長兼CEO直轄の専門組織「FDEチーム」を組成した。現場の最前線にソフトウェアエンジニアを送り込み、アジャイルな実装を推進するFDEモデルをグループ全体へ定着させる狙いがある。
フィジカルAI実装に向けた日立の戦略タイムライン
日立は鉄道事業における運行管理や状態基準保全（CBM）で先行開発したAIモデルを足がかりに、エネルギー、産業機器、スマートシティへと適用範囲を拡張している。一連の動きは、単一のITツール導入にとどまらず、全社的な産業インフラ基盤の刷新を目指すものだ。
| 年月 | 主な動向・マイルストーン | 戦略的意義 |
|---|---|---|
| 2021年7月 | 米GlobalLogicの買収完了（約1兆円） | デジタルエンジニアリング基盤とアジャイル開発体制の獲得 |
| 2025年4月 | 新経営計画「Inspire 2027」発表 | Lumada 3.0および「HMAX by Hitachi」の立ち上げ |
| 2025年6月 | NVIDIAのグローバルSIパートナーに参画 | フィジカルAI開発に向けたGPUコンピューティング基盤の強化 |
| 2025年9月 | 集約型「AI Factory」の構築を発表 | NVIDIA RTX PROサーバーを活用したデジタルツイン構築基盤の確立 |
| 2025年11月 | インフラ知能基盤モデル「IWIM」発表 | 物理インフラの挙動を再現する大規模基盤モデルの研究開発を加速 |
| 2026年5月 | 米Anthropic連携およびHitachi Physical AI Day開催 | 2030年度のLumada売上比率80%（Lumada 80-20）目標を提示 |
| 2026年6月 | Google Cloud連携と国内5,000人体制の公表 | 2030年度にDSSセクター等で3〜5兆円の売上目標を策定 |
| 2026年7月 | NVIDIAとマルチエージェント制御技術の共同開発発表 | 異種ロボット・設備群の自律オーケストレーションを推進 |
| 2026年8月 | 社長直轄「FDEチーム」の本格始動（日経報道） | 事業部間のサイロを解消しフィジカルAIで世界首位を目指す |
日立が目指すのは、ソフトウェア開発の機敏性と、重電インフラで要求される高い可用性・安全性を両立させたOT/ITコンバージェンスの具現化である。国内のFDE体制を5,000人規模へと拡充し、現場課題の抽出からモデル設計、現地実装までを数週間単位で反復する開発ループを構築している。
実世界をリアルタイム制御するフィジカルAIの技術構造
フィジカルAIは、画面内のテキストや画像を生成する従来のAIと根本的に異なる。カメラやLiDAR、振動センサーなどの物理計測データから環境を把握し、数ミリ秒から数十ミリ秒のレイテンシでアクチュエータやPLC（プログラマブルロジックコントローラ）へ制御信号をフィードバックする自律システムである。
非決定論的AIと決定論的OT制御を分離する階層型アーキテクチャ
ディープラーニングや基盤モデルによる推論は確率的・非決定論的な挙動を伴う。一方、鉄道のブレーキ制御や送配電網の遮断システムなどでは、1ミリ秒の遅延や誤作動も許されない決定論的な安全性が求められる。日立はこの相反する要件を満たすため、計算負荷と安全基準に応じた3層のハイブリッドアーキテクチャを採用している。
+-------------------------------------------------------------+
| クラウド / AI Factory |
| ・大規模基盤モデル（IWIM）学習 ・フリート全体の最適化計画 |
+-------------------------------------------------------------+
▲ 物理メトリクス / モデル同期
▼ 推論パラメータ / 制御ポリシー
+-------------------------------------------------------------+
| エッジコンピューティング層 |
| ・リアルタイムデジタルツイン ・マルチエージェント調整 |
+-------------------------------------------------------------+
▲ OPC UA / 産業用イーサネット
▼ 決定論的コマンド
+-------------------------------------------------------------+
| 現場制御層（OT / PLC） |
| ・セーフティインターロック ・10ms以下の決定論的アクチュエーション |
+-------------------------------------------------------------+
このシステムでは、上位のクラウド層でインフラ知能基盤モデル「IWIM（Integrated World Infrastructure Model）」の大規模学習を実施する。中間層の工場向けエッジAIサーバーが現場のデジタルツインをミリ秒単位で更新し、最下層のPLCがハードウェアレベルのセーフティインターロックを常時担保する構造をとる。
既存技術とフィジカルAI基盤のアーキテクチャ比較
従来のSCADAや分散制御システム（DCS）は、人間が事前に設計した固定ルールに基づいて動作していた。これに対し、フィジカルAI基盤では物理現象の因果関係をシミュレーション空間で事前学習し、未知の環境変化にも適応的な制御命令を生成する。
| 評価項目 | 従来の産業制御システム（SCADA/DCS） | 日立が推進するフィジカルAI基盤 |
|---|---|---|
| 制御ロジック | 事前定義された静的ルール・PID制御 | 物理基盤モデル＋強化学習による自律最適化 |
| データ処理レイヤ | 各設備ローカルの閉域網内処理 | エッジ推論＋クラウド「AI Factory」の協調 |
| 外部環境への適応力 | ルール外の事象には人間が手動介入 | デジタルツイン上でリアルタイムに代替経路を算出 |
| 応答レイテンシ | サブミリ秒（決定論的ハードウェア処理） | 10ms以下のエッジAI推論＋ハードウェア安全機構 |
| ソフトウェア更新頻度 | 数年に1回（設備更新・定期点検時） | CI/CDパイプラインによる継続的なモデル更新 |
| 通信プロトコル | ベンダー独自プロトコル / Modbus | OPC UA / TSN / MQTT等のオープン規格 |
実用化に向けた技術的必須条件（Prerequisites）
フィジカルAIをインフラ実環境に適用するには、クリアすべき技術的絶対条件が存在する。
1つ目は、産業用通信における確定性（Determinism）の確保である。TSN（Time-Sensitive Networking）および産業通信標準「OPC UA」を用い、ネットワークジッターをマイクロ秒オーダーに抑えつつセンサーデータを同期伝送する技術が不可欠となる。
2つ目は、産業制御システム向け国際セキュリティ規格「IEC 62443」に準拠したゼロトラストOTセキュリティの実装だ。クラウドと現場制御盤を双方向接続する以上、ハードウェアRoT（Root of Trust）による署名検証と、エッジ層での異常通信検知が動作保証の前提条件となる。これらを備えることで、スマートファクトリー導入ロードマップで課題となりやすいセキュリティと応答性の両立が可能になる。
産業構造の転換と主要プレイヤーへの波及効果
フィジカルAIの台頭は、ITプラットフォーマーが支配してきたサイバー空間の力学を、物理資産を握るハードウェア・インフラ製造側へ引き戻す契機となる。現場データ（ドメイン知識）を持つプレイヤーの競争優位性が再評価されている。
+-------------------------------------------------------------------+
| フィジカルAIがもたらす産業エコシステム |
+-------------------------------------------------------------------+
[AIモデル開発企業] ── (基盤モデル/シミュレータ提供) ──┐
│
[重電・インフラ大手] ── (OTドメイン知識/FDE実装) ───┼─▶ [物理空間の自律化]
(日立 / シーメンス) │ ・鉄道/電力網
│ ・スマート工場
[ロボット/機器メーカー] ── (エッジ制御の標準API連携) ───┘ ・社会インフラ
AIモデル開発企業への影響
OpenAIやAnthropic、GoogleなどのAIモデル開発企業は、テキストや二次元画像を処理するマルチモーダルから、物理法則（質量・摩擦・流体力学）を理解する「World Models（世界モデル）」の開発へ舵を切っている。
産業現場の自律化には、シミュレーション空間と現実空間のギャップ（Sim-to-Real Gap）を埋める高精度な物理エンジンが欠かせない。日立のように現場の物理データを大量に保有する企業とのアライアンスが、モデルの精度向上において不可欠な要素となっている。
ロボット・産業機器メーカーへの影響
産業機器の価値基準は、ハードウェア単体の機械精度から「AIエージェント経由でいかに柔軟に制御できるか」へと移行しつつある。フィジカルAIにおける日本の勝ち筋でも論じられている通り、標準化されたAPIやミドルウェアを介して異種ロボットを協調動作させる環境が整いつつある。
インフラ大手が物理制御OSを共通化することで、ロボットメーカー各社は個別インテグレーションの負担を軽減し、特定作業に特化したエンドエフェクターや駆動部の開発にリソースを集中できるようになる。
行政・規制当局への影響
物理空間で自律稼働するAIの安全性評価は、国家レベルのインフラ安全保障に直結する。万が一のアルゴリズム異常やサイバー攻撃による電力網遮断、列車停止事故を防ぐため、規制当局は「説明可能性」と「形式検証（Formal Verification）」を義務付ける認証制度の策定を急いでいる。IEC 62443やISO 26262などの国際標準にAIモデルの挙動保証をどのように組み込むかが、今後の国際標準化争点となる。
TechShiftの視点：現場機器のソフトウェア分離と勝敗を分けるKPI
日立によるGlobalLogic買収とFDEチーム創設の本質は、製造業における「ハードウェアとソフトウェアの完全分離（アンバンドリング）」の加速にある。
自動車業界で起きたSDV（Software Defined Vehicle）化の波が、今や鉄道、送配電設備、産業プラント全体へ波及している。現場の機器は単体で完結する専用機から、クラウドおよびエッジから配信されるAIモデルを実行するための「コンピュート・ノード」へと位置づけが変わりつつある。
日立の戦略が成功するか否かを判断するにあたり、技術責任者や事業責任者は以下の4つの客観的KPIをモニタリングすべきである。
| 評価軸 | 追跡すべき定量的KPI | GOサインとみなす基準値 |
|---|---|---|
| 開発リードタイム | FDEチームによる顧客現場でのPoCから本番環境デプロイまでの期間 | 従来の1/3以下（3か月以内）への短縮達成 |
| ソフトウェア収益力 | Lumada事業の売上高に占めるリカーリング（サブスクリプション）比率 | 全体比率で60%以上の達成 |
| モデル適応性 | 異種設備間での制御モデル再学習・パラメータチューニングにかかる工数 | 新規ライン導入時の適応期間が2週間未満 |
| 制御応答性能 | 異常検知からフェイルセーフ制御トリガーまでのエンドツーエンド遅延 | エッジ側で10ms以内の確定性を維持 |
日立が描く「フィジカルAIで世界首位」の成否は、重電事業特有の保守的な企業風土に、GlobalLogicのアジャイル開発カルチャーをどこまで深く浸透させられるかにかかっている。
単なる技術検証（PoC）で終わらせず、現場の運用コストを削減しながら稼働率向上を契約で保証する「アウトカムギャランティ（成果保証）型」のビジネスモデルを確立できるかが、グローバル競合であるシーメンスやテスラに対する最大の差別化要素となる。
次の事業フェーズへ進むための実務アクション
フィジカルAIの産業適用を検討する事業責任者・エンジニアリングリーダーは、以下の3ステップで現場の基盤整備を進める必要がある。
- 現場制御データの収集・通信プロトコルのオープン化を推進する
既存の閉域PLCや専用SCADAに蓄積されたセンサーデータを、OPC UAやMQTTプロトコル経由で安全にエッジサーバーへ取り出す産業用IoT（IIoT）環境を整備する。データ欠損率を0.01%未満に抑え、タイムスタンプをマイクロ秒単位で同期させることがモデル構築の前提となる。
- 決定論的セーフティとAI推論の分離アーキテクチャを設計する
すべての制御をAIに委ねるのではなく、ハードウェアレベルの安全遮断回路（インターロック）を独立して残した上で、最適化制御のみをエッジAIに担わせる多重防御設計を採用する。これにより、機能安全規格を満たしながら最新モデルの継続的デプロイが可能になる。
- FDE（現場常駐型エンジニアリング）体制をパイロット導入する
自社のソフトウェアエンジニアを製造現場や保守拠点へ直接配置し、現場作業者のドメイン知識を形式知化してコードに落とし込むアジャイル体制を構築する。机上のアルゴリズム開発から脱却し、現場の物理制約を理解したモデル設計を進めることが投資対効果を最大化する鍵となる。
出典: 日経ビジネス
出典: 日立製作所 ニュースリリース（2025年9月）
出典: 日立製作所 ニュースリリース（2026年7月）
出典: Google Cloud 公式ブログ
