2026年9月28日号

【ニュースのまとめ】

2026年9月19日から25日に公表された動きでは、工場のAI活用が、単独設備の認識・判定から、設計、工程計画、搬送、検査、保全を接続する運用へ移っています。Rockwell Automationの自律搬送は、AMRと生産物流の指揮系統を結び、複数工場へ展開しています。Samsungの韓国造船所向け実証は、低遅延ネットワークをロボット制御の前提として扱います。

人型ロボットも、展示中心の段階から、実際の工程に合わせて技能、部品供給、配置を検証する段階へ進みます。Boston DynamicsはHyundai Motor Groupの工場内にAtlasの訓練・検証拠点を開設しました。Siemensは中国国際工業博覧会で、ロボットの設計、仮想調整、組立、現場適用を通した一連の仕組みを示しています。

日本の製造業では、まず人型ロボットの導入可否を議論するより、工程の標準作業、部品・治具の状態、搬送依頼、例外時の判断をデータとしてつなぐことが先決です。AMR、協働ロボット、画像検査を別々に発注すると、運用時の優先順位と異常復旧が人手に戻ります。MES/WMS、設備データ、フリート制御を同じ業務単位で設計する必要があります。

生産技術の仕事は、設備単体の立上げから、仮想モデルと実機データを往復させる工程設計へ広がります。Atlas Copcoのポンプ設計、KUKAの摩擦攪拌接合の事例は、AIやデジタルツインを、設計案を速く試し、実機で確かめるための仕組みとして使っています。モデルの結果を採用する条件、実測との差を戻す担当、変更履歴の残し方を先に決めることが重要です。

品質と半導体の領域では、Cognexがウエハー・パネルの識別を強化し、追跡不能によるライン停止を減らす方向を示しました。AI検査の価値は判定精度だけではありません。ロット、装置、工程条件、不良画像を追跡し、原因を前工程へ返せることが、歩留まりと立上げ時間を左右します。

計画系でも、PlataineとQAD | Redzoneは、現場データを将来の能力計画や実行判断へつなぐAI機能を発表しました。ここではAIが自動で決めることよりも、受注、設備、工具、人員、材料という制約を説明可能な形で比較し、責任者が承認できることが実装の条件になります。

Amazonの新製造拠点計画は、ロボットを使う企業が、自らロボット・物流設備を製造する能力も内製化する流れを示します。工場の競争力は設備台数だけでなく、設計変更、部材供給、ソフト更新、品質記録を一体で回せるかへ移るでしょう。日本企業も、生産設備を資産として固定するだけでなく、データとソフトを更新し続ける製品として管理する視点が必要です。

通信・エッジ基盤は、こうした変化の土台です。造船所での5GとエッジAIの実証は、映像、ロボット、制御をクラウド任せにせず、現場近くで低遅延・高信頼に処理する設計を採っています。日本でも、通信断時の安全側動作、モデル更新、ログ保管、OTセキュリティを、PoC開始時から受入条件に含めるべきです。

今週の結論は、AIを「工場に追加するアプリ」と見なす段階を越え、設計から生産、物流、品質、保全を結ぶ運用基盤として組み替える局面に入ったということです。生産技術者には、設備仕様だけでなく、データの責任範囲、例外処理、現場教育、復旧手順を含む全体設計が求められます。小さな一工程で検証し、測定可能な成果と安全条件を標準化して横展開する進め方が有効です。

1. Rockwell Automation、AMRを含む自律搬送を複数工場へ展開（米国）

【日付】 2026年9月23日

【URL】 https://www.rockwellautomation.com/en-ua/company/news/case-studies/autonomous-material-movement.html

【概要】

Rockwell Automationは、米オハイオ州Twinsburg拠点で、FactoryTalk Orchestrationを使い、生産物流を自律化した事例を公開しました。AMRを含む搬送資源を、生産ラインの要求と連動させ、必要な時刻に必要な材料を供給する仕組みです。同社によると、仕掛品の仮置き面積を50％、ライン停止を20％削減し、空間利用率を70％高めました。投資回収は1年半で、手法は既に別の3工場へ展開されています。単にAMRの走行を自動化するのではなく、搬送依頼、工程の優先度、在庫、例外処理を生産物流として統合した点が特徴です。

【背景や影響】

工場内物流では、AMRの台数を増やしても、設備停止、部品欠品、工程変更に対する優先制御がなければ、滞留を別の場所へ移すだけになります。この事例は、AMRを独立した搬送機器ではなく、MESや生産計画の指示を実行する資源として扱っています。日本の工場では、まず一つの工程間搬送を対象に、要求発生の条件、容器の所在、空容器の返却、手作業へ切り替える条件を定義するとよいでしょう。生産技術者は経路設計に加え、ピーク負荷と異常時の配車ルールを設計する役割を担うことになります。

2. Samsung・KT・SK Telecom、造船・石化向けAI RAN実証を契約（韓国）

【日付】 2026年9月23日

【URL】 https://news.samsung.com/global/samsung-at-the-forefront-of-koreas-ai-ran-projects-with-kt-and-sk-telecom

【概要】

Samsung Electronicsは、韓国科学技術情報通信部の「Hyper AI Network」施策で、KTとSK TelecomのAI RANプロジェクトを担う契約を結んだと発表しました。2026年10月から、造船所や石油化学施設に5G SAの専用ネットワークを導入し、AI RANとフィジカルAIの検証を始めます。HD Hyundai Samhoの霊岩造船所では、溶接・塗装ロボットなどの実証を予定しています。Samsungは、仮想化RAN、AI基盤、AIアプリケーションを組み合わせた現場配置型のNISを使い、四足ロボットが周囲を認識して精密溶接するユースケースを示しました。

【背景や影響】

ロボットの遠隔監視や映像AIは、帯域があればよいわけではありません。遅延のばらつき、通信断、移動体の接続切替、制御と映像の優先順位が、現場の安全性と稼働率を左右します。この実証は、ネットワークをIT部門だけの基盤ではなく、ロボットの認識・判断・制御を支える生産設備の一部として扱う試みです。日本の造船、化学、鉄鋼の現場でも、無線化を進める際は、非常停止や安全PLCを通信に依存させない境界、現場エッジで処理するデータ、クラウドへ送るデータを分ける必要があります。

3. Boston Dynamics、Hyundai工場内にAtlas訓練・検証拠点（米国）

【日付】 2026年9月21日

【URL】 https://www.industrialroboticshub.com/news/boston-dynamics-rmac-atlas-hyundai-metaplant/

【概要】

Boston Dynamicsは、米ジョージア州のHyundai Motor Group Metaplant America内で、Robotics Metaplant Application Center（RMAC）の第一段階を稼働させ、電動人型ロボットAtlasを訓練すると発表しました。部品物流、順序付け、部品配置など、自動車製造に直接結びつく作業を対象に、工場環境で統合方法を検証します。同社の発表では、Hyundai・Kiaのグローバル工場へ今後数年で25,000台のAtlasを展開する計画も示されています。ただし、これは将来計画であり、量産工程での継続稼働実績や経済性はまだ公開されていません。

【背景や影響】

人型ロボットの導入判断では、動画上の器用さより、部品の供給状態、作業時間、失敗時の復旧、保全、作業者との共存を測ることが重要です。RMACは、ロボットを実験室から現場へ移す際の検証拠点として位置付けられます。日本の自動車・部品メーカーは、いきなり人型の採用を決めるより、既存アームやAMRでは対応しにくい工程を選び、治具、人用工具、段差、頻繁な品種変更といった利点を定量化すべきです。具身AI（Embodied AI）の性能評価には、成功率だけでなく、人の介入回数と安全停止からの復旧時間も必要になります。

4. Siemens、中国工博会で人型ロボットの設計から現場適用までを提示（中国／ドイツ）

【日付】 2026年9月21日

【URL】 https://w1.siemens.com.cn/news/news_articles/21990.aspx

【概要】

Siemens Chinaは、中国国際工業博覧会に合わせ、人型ロボットの設計、工程シミュレーション、仮想調整、部品加工、総組立、工業現場での利用をつなぐエンドツーエンドの仕組みを初めて示すと発表しました。実機CNCと車輪型人型ロボットを連携させ、部品の把持、模擬的な機械への投入、返却を統一スケジューリングの下で行う展示です。柔軟な投入・排出、包装、デパレタイズなど6種類の具身AIの「工場進出」シナリオも公開します。設計・シミュレーションにはDesigncenter AI、Simcenter AI、Teamcenter AIなどを用い、制御から運用までを結ぶ構成です。

【背景や影響】

ロボットを量産工程へ入れるには、本体を買うだけでは不十分です。部品の置き方、動作の安全範囲、設備I/O、工程間の優先順位、シミュレーションと実機との差を、一つの変更管理で扱う必要があります。Siemensの発表は、この設計から運用までのつながりを工場導入の条件として示しています。日本の生産技術部門では、ロボットのオフラインティーチング、PLC、MES、品質データを別プロジェクトにせず、工程変更のレビュー単位をそろえることが有効です。多品種少量での柔軟性は、ロボットの知能だけでなく、工程情報の整備度で決まるでしょう。

5. Amazon、AI・ロボットを用いる新製造拠点へ1億ドル超を投資（米国）

【日付】 2026年9月24日

【URL】 https://press.aboutamazon.com/job-creation-and-investment/2026/9/amazon-to-create-300-high-paying-jobs-at-new-advanced-manufacturing-facility-in-greenwood-indiana

【概要】

Amazonは、米インディアナ州Greenwoodに、1億ドル超を投じる延床約58.5万平方フィートの先進製造拠点を新設すると発表しました。2028年の稼働開始を目指し、北米のフルフィルメントとロボティクス網を支える製品を製造します。拠点には、高度な加工、ロボット溶接、自動粉体塗装、組立を一つの建屋に集約し、AWSとAIを活用するスマート製造システム、ロボットを組み込む計画です。製造・技術職300人の雇用創出も見込んでいます。自動化設備の利用企業が、設備自体の供給能力を内製化する投資です。

【背景や影響】

物流ロボットの需要が増えるほど、ロボット本体、治具、制御盤、部材、ソフト更新を安定して供給する製造力が重要になります。この投資は、物流の自動化と、それを支える製造の自動化を一体に扱う点で注目されます。日本企業にとっては、設備投資を単なる能力増強ではなく、設計変更やソフト更新を素早く量産へ反映する仕組みとして考える示唆があります。設備のデジタル台帳、部品来歴、溶接・塗装の品質記録、遠隔保全をつなげれば、立上げ後の改善速度を高められるでしょう。

6. Cognex、半導体向けAI搭載ウエハー・パネル識別機を発売（米国）

【日付】 2026年9月23日

【URL】 https://en.prnasia.com/releases/apac/cognex-launches-new-wafer-reader-to-help-semiconductor-manufacturers-scale-production-549278.shtml

【概要】

Cognexは、半導体メーカー向けの次世代ウエハー・パネル識別システム「In-Sight 1750 Series」を発売しました。AI技術と同社の半導体向け画像処理の知見を組み合わせ、製造中のウエハーやパネルを識別し、追跡性とスループットの維持を支援します。同社は、読み取り失敗が少数でも、工程の遅延、追加作業、装置効率の低下を招くと説明しています。半導体の増産局面では、単なる検査だけでなく、各工程で製品を確実に識別し、履歴を引き渡せることが、品質と設備稼働の前提になります。

【背景や影響】

AI画像技術を品質工程で使う際、最も重要なのは「判定した」事実を後で工程データへ結び直せることです。半導体では、ウエハーの取り違えや読み取り漏れが、再作業だけでなくロット全体の追跡不能につながり得ます。日本の電子部品・精密加工の現場でも、画像判定、ロット、設備設定、搬送履歴を共通IDで追える設計が必要です。生産技術者は、AIモデルの精度評価に加え、読めなかった品物をどこへ分岐させ、誰が再確認し、結果をどの履歴へ戻すかを設計しなければなりません。

7. Plataine、長期生産計画を試算するAIエージェントを発表（米国）

【日付】 2026年9月22日

【URL】 https://www.prnewswire.com/news-releases/plataine-unveils-ai-agents-for-long-term-strategic-planning-helping-manufacturers-scale-for-growth-302884300.html

【概要】

Plataineは、先進製造業向けに、数か月から数年先の生産シナリオを試算する「Long-Term Production Planning」AIエージェントを発表しました。販売・納入の約束や設備投資を決める前に、生産量の増加、設備・工具・人員・シフトの追加が出力へ及ぼす影響を検証する機能です。同社は従来の短期スケジューリングを拡張し、Able-to-Promise、Capable-to-Deliver、設備投資判断を支援するとしています。航空宇宙・複合材など、設備能力や材料制約の調整が難しい産業での利用を想定しています。

【背景や影響】

生産計画のAI化で注意すべきなのは、もっともらしい予測値を出すことではありません。モデルが前提にした設備能力、治具数、技能、人員、材料歩留まりを、計画担当者が確認し修正できることが必要です。長期計画と現場スケジュールが切れていると、受注段階で約束した能力が現場で実現できません。日本の製造業では、まず一つの製品群について、受注・設備・工具・要員・材料の制約を同じデータ定義でそろえ、AIの案と計画者の判断差を記録するとよいでしょう。これにより、将来の投資判断の説明責任も高められます。

8. Atlas Copco、物理AIで産業ポンプの設計反復を高速化（イタリア／スウェーデン）

【日付】 2026年9月23日

【URL】 https://www.simscale.com/press/atlas-copco-cuts-industrial-pump-design-cycles/

【概要】

Atlas CopcoのVarisco部門は、SimScale Physics AIを用いて、産業用液体ポンプの羽根車を設計・最適化する期間を、従来の3〜5週間から数日へ短縮したと発表しました。既存CAD、CFD、AIをつなぎ、設計案の作成、シミュレーション設定、推論、性能レポート作成を自動化します。10種類のポンプ構成で検証し、ベンチマークに対して5％以内の精度を得たとしています。約600件のシミュレーションで学習したモデルは、設計点当たり約5秒で推論し、75回の最適化を3時間未満で完了します。

【背景や影響】

物理AIは、設計者を置き換えるものではなく、試せる設計空間を広げる道具です。高コストなCFD計算を全て省略するのではなく、AIの学習範囲外では従来CFDへ戻す構成が重要です。日本のポンプ、工作機械、金型、熱設計の部門でも、モデルの適用範囲、実測との比較、正式リリース前のレビューを明確にすれば、設計反復を短縮できます。生産技術との連携では、設計上の最適値が実際の加工、材料、組立ばらつきで再現可能かを確認し、実機データを次のモデル更新へ戻すことが求められます。

9. QAD | Redzone、工場データを実行判断へつなぐAI層を発表（米国）

【日付】 2026年9月22日

【URL】 https://www.qad.com/press-release/qad-redzone-unveils-manufacturing-intelligence-and-announces-a-range-of-new-ai-powered-innovation-across-its-platform-outlining-its-vision-for-the-future-of-manufacturing

【概要】

QAD | Redzoneは、製造業の工程、ワークフロー、各種システムを横断するAIレイヤー「Manufacturing Intelligence」を発表しました。ERP、現場作業者、サプライチェーン、品質、計画などの情報を結び、過去に何が起きたかを確認するだけでなく、変化を早期に把握し、影響を理解し、取るべき対応を判断して実行系へつなぐことを狙います。同社はChampions of Manufacturingイベントで、AIビジョン、帳票処理、生産計画・最適化を含む複数の機能を示しました。現時点では製品の構想・機能発表であり、特定顧客での効果は公表されていません。

【背景や影響】

製造現場のデータ基盤は、ダッシュボードを増やすだけでは行動につながりません。アラートを受けた後に、誰が、どの生産計画や品質手順を変更し、何を承認するかまで決めて初めて運用になります。QAD | Redzoneの方向性は、記録系システムを実行支援へ近づけるものです。一方で、AIに設備条件や生産順序を自動変更させる場合は、権限、根拠、ロールバック、監査ログを設ける必要があります。日本企業は、判断の自動化を急ぐ前に、異常の分類と対応手順を標準化することが有効です。

10. KUKAとマクデブルク応用科学大学、摩擦攪拌接合のロボット研究セルを開設（ドイツ）

【日付】 2026年9月24日

【URL】 https://www.kuka.com/en-de/company/press/news/2026/09/fsw-at-fh-magdeburg

【概要】

KUKAとマクデブルク・シュテンダール応用科学大学は、ロボットによる摩擦攪拌接合（FSW）の新しい研究セルを整備したと発表しました。高荷重のFSWと加工向けに開発されたKR FORTEC ultra MTを中心に、実際の生産に近い条件で接合工程を開発・検証します。同セルは摩擦攪拌接合とフライス加工を一つの環境に統合し、工程全体を設計、最適化、評価できます。デジタルツインと連続的な工程データ取得を組み合わせ、実機へ移す前に仮想環境で計画・分析・最適化する構成です。

【背景や影響】

摩擦攪拌接合は、材料、工具、押付力、姿勢、熱履歴の影響を受けるため、量産化には工程知識の蓄積が必要です。研究用であっても生産向けのロボットとデータ構成を使うことで、成果を現場へ移しやすくなります。日本の接合・加工現場でも、新工程を導入する際に、ロボットの動作プログラム、加工条件、品質試験、設備負荷を別々に管理せず、同じ部品・工程IDへ結び付けるべきです。デジタルツインは実機試験を省くためではなく、試験の回数と条件を絞り、再利用可能な工程知識を残すために使うのが現実的です。