シミュレーターいらずのPhysical AI、Smart MPC。Proxima Technologyが提供する製造現場で本当に使える制御AIソリューション。

現代のPhysical AI（強化学習）の潮流

Physical AIという言葉を聞くと、多くの人はまず、ヒューマノイドロボット、自動運転車、倉庫ロボット、スマートファクトリーのようなものを思い浮かべるのではないでしょうか。AIが画面の中だけで文章や画像を生成するのではなく、現実世界を認識し、判断し、物理的に動く。これがPhysical AIの大きなイメージです。近年はこの領域で、世界モデル、合成データ、物理シミュレーション、強化学習、ロボット基盤モデルといったキーワードが急速に注目されています。NVIDIAもPhysical AIを、ロボティクス、自動運転、スマートスペースを支える技術として位置づけ、ニューラルグラフィックス、合成データ生成、物理ベースのシミュレーション、強化学習、AI推論などの組み合わせとして説明しています。

たしかに、これはPhysical AIの王道の一つです。未知の環境でロボットが動く。自動運転車が複雑な道路状況を理解する。倉庫ロボットが人や荷物の動きを予測する。こうした用途では、現実世界のあらゆるパターンを実機だけで学習することは難しく、シミュレーションや合成データが大きな意味を持ちます。NVIDIA Cosmosのような世界基盤モデルも、ロボティクス、自動運転、Vision AIなどのPhysical AI開発を加速するためのものとして展開されています。

しかし、ここで一つ問いを立てたいと思います。
Physical AIは、本当にすべて「巨大なシミュレーター」から始めなければならないのでしょうか。

工場やプラントの現場で求められている課題は、必ずしも「人間のように何でもできるロボットを作ること」ではありません。むしろ、多くの現場で求められているのは、もっと具体的で、もっと測定しやすい改善です。温度を安定させたい。湿度を外したくない。エネルギー消費を下げたい。品質ばらつきを減らしたい。熟練者に頼らず調整したい。設備の経年変化に追従したい。こうした課題も、AIが物理世界に作用するという意味では、まさにPhysical AIの対象です。

Smart MPCとは？

そのもう一つの選択肢として注目したいのが、Smart MPCです。

Smart MPCは、Proxima Technologyが提供する、モデル予測制御、つまりMPCと機械学習を組み合わせたPhysical AI、あるいは最適制御AIです。Smart MPCは、MPCの長所を活かしながら、従来のMPCの大きな課題だったモデリングの難しさを、機械学習によるデータドリブンな方法で解決する技術です。また、最新データに基づいてプラントモデルを更新し続けることで、経年劣化や設備更新に伴う制御性能の低下にも対応しやすいものとなっています。

MPC（モデル予測制御）とは？

では、そもそもMPCとは何でしょうか。

MPC、Model Predictive Control、日本語ではモデル予測制御と呼ばれる手法は、簡単に言えば「少し先の未来を予測しながら、今この瞬間に何を操作すべきかを決める制御」です。たとえば空調設備であれば、ヒーターをどれくらい入れるか、冷却をどれくらい効かせるか、加湿をどれくらい行うかを決めます。ただし、その判断は場当たり的ではありません。装置のモデルを使って、数秒後、数分後に温度や湿度がどう変わるかを予測し、目標値とのズレ、エネルギー消費、操作量の上限や下限などを同時に考慮して、最適な操作量を計算します。MPCの鍵は「予測」と「最適化」であり、各時刻で未来の応答を予測しながら最適化を行う制御であるところです。

MPCの強みは、現実の設備が持つ複雑さを扱いやすいことにあります。現場では、一つの操作が一つの結果だけを生むとは限りません。加熱すれば温度は上がるが、湿度にも影響するかもしれません。冷却すれば品質は安定するが、エネルギー消費は増えるかもしれません。バルブを急に動かせば目標値には早く近づくが、装置に負荷をかけるかもしれません。こうした複数の入力と複数の出力が絡む対象、いわゆる多入力多出力系では、MPCの「予測しながら、制約を守り、最適化する」という考え方が効いてきます。MPCは物理・性能・安全などの制約を考慮でき、多入出力系のような複雑な対象に適用しやすい点が利点です。

MPCの難しさ。抱えているペイン。

一方で、従来型のMPCには大きな壁がありました。
それが、モデルを作ることです。

MPCは、未来を予測するために制御対象のモデルを必要とします。入力を変えると出力がどのくらい遅れて変わるのか。外気温や負荷変動がどのように影響するのか。設備が古くなると反応がどう変わるのか。これらを人間がモデル化するには、制御工学の知識、対象設備への理解、同定実験、チューニングが必要です。特に製造現場では、同じ種類の設備でも、設置環境、配管、センサー、負荷条件、運用方法が違います。いわば、一品一様です。そのため、理論的には強力なMPCでも、導入の手間やコストが普及の壁になってきました。

Smart MPCによって解決されるMPCのペイン

Smart MPCの優位性は、この「モデルを作る」という部分に機械学習を入れている点です。Smart MPCの制御器の中には、プラントのダイナミクスを模倣する機械学習モデルと、MPCに用いる数理最適化ソルバーが存在します。機械学習で得られたモデルはMPCの計算に使われ、毎ステップ、たとえば1秒ごとに最適な制御入力を計算し、プラントに渡します。

ここで重要なのは、AIがいきなり「正解の操作」を丸暗記するわけではない、という点です。Smart MPCでは、まず設備の挙動を予測するモデルを学習し、そのモデルを使って最適化を行います。つまり、「学習」と「制御」を分けて考えています。機械学習は対象のふるまいを理解するために使い、MPCは制約や目的関数を考慮して最適な操作量を計算するために使う。この分業構造が、Smart MPCの実用性を支えているように見えます。

ここが、強化学習ベースのPhysical AIとの大きな違いです。

強化学習は、環境の中で試行錯誤を行い、報酬が大きくなる行動を学習する強力な枠組みです。しかし、製造設備やプラントで大量の試行錯誤を行うのは簡単ではありません。失敗すれば品質不良、設備停止、エネルギーロス、安全リスクが発生します。そのため、強化学習を実機に入れるには、高精度なシミュレーターを作り、そこで大量に学習させるという流れが必要になりがちです。ところが、製造現場の設備は一品一様であることも多く、それぞれに高精度なシミュレーターを作るのは、時間的にもコスト的にも重い作業です。

Smart MPCを用いたPhysical AIソリューションは、従来の強化学習ベースの手法ではシミュレーターが必要不可欠になりやすい一方、Smart MPCは強化学習を「予測」と「最適化」という二つのタスクに分解することで学習回数を短縮し、実機で収集可能なデータ数で運用可能なレベルまで学習できます。これはシミュレーターの作成プロセスを大幅に省略できることを意味します。

Physical AIの未来。MPCと強化学習の使い分け

もちろん、「シミュレーターいらず」という言葉は、すべての用途でシミュレーションが不要になるという意味ではありません。未知環境を動くロボット、自動運転、複雑な安全検証などでは、シミュレーションや合成データは今後も重要です。むしろ、Physical AI全体では、シミュレーションを使う道がますます発展していくでしょう。NVIDIAも、Physical AIの開発において大規模データ処理、合成データ生成、強化学習、評価を支えるデータファクトリー構想を発表しています。

ただし、すべての現場課題がその道を必要とするわけではありません。工場の空調、温調、搬送、圧力、流量、モーター、炉、乾燥、塗装、エネルギーマネジメントのように、「制御対象は目の前にあり、センサーもあり、操作量もあり、KPIも明確」という領域では、巨大な世界モデルよりも、実機データから対象の挙動を学び、予測と最適化で着実に制御するアプローチの方が近道になる可能性があります。

その意味で、Smart MPCはPhysical AIの別ルートです。
大規模シミュレーションで世界を丸ごと再現するのではなく、今ある設備からデータを取り、その設備の挙動を学び、制約を守りながら最適に動かす。これは派手ではありません。しかし、現場にとっては非常に現実的です。

重要なことはPhysical AIの価値は必ずしも「人型ロボットが人間のように動くこと」だけではない、ということです。温度が安定する。湿度が外れにくくなる。エネルギーが減る。熟練者による調整負荷が下がる。品質が安定する。これらは一見地味ですが、製造業にとっては非常に大きな価値です。しかも、効果をKPIとして測りやすい。温度偏差、湿度偏差、エネルギー消費量、歩留まり、停止時間、調整工数。こうした数値に結びつくAIは、現場に導入しやすく、投資対効果も説明しやすいはずです。

PID制御とSmart MPC

また、Smart MPCは、PID制御をすべて置き換えるものではありません。PID制御は長年にわたり産業現場を支えてきた、シンプルで信頼性の高い制御手法です。対象が単純で、すでに安定しており、要求性能を満たしているなら、無理に複雑な仕組みを入れる必要はありません。一方で、複数の操作量が相互に影響し、むだ時間があり、制約を守りながらエネルギーや品質も同時に最適化したい場合、PIDだけで全体最適を狙うのは難しくなります。MPCが制約や多入出力系に向いているという特徴を踏まえると、Smart MPCはPIDの否定ではなく、PIDでは調整しきれない領域を補完する選択肢だと見るのが自然です。

強化学習や世界モデルとSmart MPC

また、Smart MPCは強化学習や世界モデルと対立するものでもありません。むしろ、Physical AIを階層的に考えると役割が違います。上位のAIは、画像やセンサーから状況を理解し、「何をしたいか」を決めるかもしれません。一方で、下位の制御AIは、モーター、バルブ、ヒーター、冷却機、加湿器などを「どの量で、どのタイミングで、どの制約内で動かすか」を決めます。ロボットや自動運転のような領域では、世界モデルやシミュレーションが上位判断や学習に使われ、MPCのような最適制御が連続的な物理制御に使われる、という組み合わせも考えられます。

Smart MPCの3つの魅力

導入の観点で見ると、Smart MPCの魅力は三つあります。

一つ目は、KPIに直結しやすいことです。目標温度との差を小さくする。エネルギー消費を減らす。操作量の急変を抑える。上限や下限を守る。こうした目的は、MPCの枠組みでは目的関数や制約条件として表現しやすいものです。二つ目は、現場データから始めやすいことです。Smart MPCは、機械学習によってプラントモデルを構築し、そのモデルを使ってMPCの最適化を行うと説明されています。 三つ目は、既存設備に組み込みやすい方向へ進んでいることです。Proxima Technologyは、Smart MPCの組み込み版プロダクトであるE-Smart MPCも展開しており、製造現場における生産設備の自律的な最適化を実現するプロダクトもリリースしております。

E-Smart MPCは、制御盤の中に収まるAI制御コントローラーとして発表されており、Smart MPCの組み込み版プロダクトという位置づけです。Proxima Technologyは2025年にE-Smart MPCをリリースいたしましたが、これは、Physical AIがクラウド上の巨大モデルや研究室のロボットだけでなく、制御盤、PLC、センサー、アクチュエーターの近くへ降りてくる流れとして見ることができます。

Smart MPCの抱えている課題と解決策

もちろん、Smart MPCにも注意点はあります。機械学習を使う以上、データの品質は重要です。センサー値がずれている、外乱が記録されていない、学習データの運転範囲が狭すぎる、異常時データが混ざっている、といった状態では、良い予測モデルを作ることは難しくなります。また、オンライン学習や継続的なモデル更新は魅力である一方、品質保証や安全管理の観点では、「いつ、どのデータで、どの範囲までモデルを更新するのか」を管理する必要があります。AIが現場で勝手に変わり続けることは、便利さであると同時に、運用設計の論点でもあります。

そのため、Smart MPCを導入するなら、いきなり全設備をAI化するよりも、まずはKPIが明確で、データが取れて、制御対象が比較的閉じている領域から始めるのがよいはずです。たとえば、温調、空調、乾燥、圧力制御、流量制御、搬送速度、エネルギーマネジメントなどです。そこで、従来制御との比較を行い、温度偏差、エネルギー、品質、調整工数、安全性を評価する。効果が見えたら、対象設備や工程を広げる。Physical AIの社会実装は、こうした段階的な進め方と相性が良いと思います。

Smart MPCの持つ、製造現場に特化したPhysical AIとしての魅力

今のAIブームでは、「AIの価値」はモデルの大きさや汎用性で語られがちです。何兆パラメータか。どれだけ多様なタスクができるか。どれだけ自然に会話できるか。もちろん、それらも重要です。しかし、製造業や社会インフラの現場で問われるAIの価値は、少し違います。どれだけ安定して動くか。どれだけエネルギーを減らせるか。どれだけ品質を守れるか。どれだけ安全制約を外さないか。どれだけ既存設備に入れやすいか。現場では、AIが賢そうに見えることよりも、望ましい物理変化を確実に起こすことの方が重要です。

Smart MPCは、まさにその方向のPhysical AIです。
大規模なシミュレーターを作ってからAIを入れるのではなく、現場の実機データから学び、予測し、最適化し、設備をよりよく動かす。これは、巨大なロボット基盤モデルとは違う道ですが、Physical AIの実装という意味では非常に本質的です。

これからPhysical AIは、二つの方向で発展していくのではないでしょうか。一つは、世界モデル、合成データ、シミュレーション、ロボット基盤モデルを使って、未知環境に対応できる汎用的なAIを作る方向です。もう一つは、Smart MPCのように、特定の物理対象を深く理解し、制約を守りながら最適に動かす方向です。前者は「現実世界を広く理解するAI」であり、後者は「現実世界を確実に制御するAI」です。どちらもPhysical AIであり、どちらも必要です。

日本の製造業にとって、最初に効果を出しやすいのは後者かもしれません。既存設備があり、センサーがあり、制御対象があり、改善したいKPIがある。そうした現場では、巨大なシミュレーターを作る前に、Smart MPCのような最適制御AIを検討する価値があります。

Physical AIの本質は、AIが現実世界に作用することです。
その意味で、問いは「どれだけ大きなAIか」ではありません。
「どれだけ確かに、望ましい物理変化を起こせるか」です。

Smart MPCは、その問いに対するもう一つの答えです。
シミュレーターいらずのPhysical AI。
派手なロボットではなく、制御盤の中で静かに動くAI。
しかし、そのAIが温度を安定させ、エネルギーを減らし、設備を賢く動かすなら、それは間違いなく、現場から始まるPhysical AIです。