AIが設計し、機械を動かす時代——日本企業に必要な「監督仕様」の作り方

半導体の設計条件をAIが探索し、実験室の顕微鏡やロボットアームをAIエージェントがまとめて動かし、人型ロボットがベルトコンベヤーの荷物を仕分けます。2026年8月末に重なった三つのニュースは、AIが文章を作る道具から、設計と物理作業の流れを担う実行基盤へ移っていることを示しています。

EE Times Japanが報じたキーサイト・テクノロジーの構想では、半導体設計は人が画面上で一つずつ操作する形から、AIが設計や開発を進め、人が監督する形へ向かいます。Anthropicが研究プレビューを始めた「Model Hardware Standard（MHS）」は、メーカーの異なる実験・製造機器を共通の命令で接続し、AIエージェントが一連の作業を調整できるようにします。国内ではアトムの国産ヒューマノイドが、停止や人の補助を挟みながらも、荷物の向きをそろえる作業を長時間続ける様子を公開しました。

ここで「人は監督へ移る」とだけ言うと、仕事が簡単になるように聞こえます。しかし、AIが提案する文章を確認する場合と、AIがレーザー、分注装置、ロボットアームを動かす場合では、見逃しの重さが違います。完成後の検品だけでは遅く、設計前に目的を限定し、実行中に安全制限を強制し、異常時に確実に止め、後から判断を再現できる仕組みが必要です。

日本企業が次に作るべきものは、万能なAI利用規程ではありません。**AIへ任せる仕事ごとに、目的、変更可能な範囲、停止条件、人へ戻す条件、保存する証跡を記した「監督仕様」**です。監督は、AIの横で画面を見続ける役割ではなく、人の判断を機械が守れる条件へ変換する設計業務になります。

半導体設計では「答え」より探索範囲の管理が重要です

キーサイトは、EDAプラットフォーム「Advanced Design System」に、対話で操作方法を案内する機能と、電磁界シミュレーション内でコマンド実行や反復作業を自動化する機能を用意しています。背景には、電子設計で扱う変数の急増があります。信号、電源、熱、機械的な強度が相互に影響し、一つの部品の変更が別の条件を崩すため、人が候補を一つずつ試す方法だけでは追い付きません。

AIは、大量の候補を作り、シミュレーションを回し、条件を満たしそうな案へ探索を絞る作業に向きます。自然言語から自動化用のスクリプトを作り、代理モデルや強化学習を使って試行を速められます。人が毎回同じボタンを押す代わりに、目的と制約を与え、結果を比較する形です。

一方、探索が速いことと、設計が正しいことは同じではありません。記事では、携帯電話のパワーアンプ用モジュールで扱う仕様が、2011年ごろの約百項目から2026年には数千項目へ増えた例が紹介されています。全項目の組み合わせを完全に試すことは難しく、AIも与えられていない制約を守ることはできません。

例えば、消費電力と性能だけを目的関数へ入れれば、落下時の強度、製造ばらつき、修理性、部材の調達可能性が後回しになるかもしれません。学習データや過去設計に少なかった新材料では、代理モデルの予測が外れる可能性もあります。AIが高速に最適化するほど、目的関数の抜けが高速に増幅されます。

キーサイトが電気、光、熱、機械などをまたぐマルチフィジックスのシミュレーションを設計工程へ統合し、落下試験の仮想化を進めている点は重要です。人の監督とは、完成した候補を眺めて承認することではありません。どの物理領域を同時に計算し、どの条件を超えた案は自動で捨て、どの不確実性は実物試験へ回すかを先に決めることです。

半導体や電子機器の設計で使う監督仕様には、少なくとも次の五項目が必要です。

項目	監督仕様に書く内容	AIだけに任せない理由
目的	性能、消費電力、面積、原価の優先順位	一つの数値だけを最大化するのを防ぎます
必須制約	温度、電圧、強度、規格、製造条件	条件外の案を探索段階で除外します
不確実性	学習範囲外、代理モデルの誤差、未計測領域	自信のある表示と正しさを分けます
実物試験	落下、耐久、熱、電磁両立性を試す節目	仮想評価だけで出荷判断を完結させません
承認者	回路、熱、製造、品質の責任者	複数領域の見落としを一人へ集中させません

以前の記事では、モデルより運用を包むハーネスが品質を左右する変化を取り上げました。半導体設計でも同じです。高性能なモデルだけを導入しても、目的関数、制約、シミュレーター、試験、承認を接続するハーネスがなければ、本番設計にはなりません。

MHSは機器の接続時間を縮め、責任の境界を前へ移します

AnthropicのMHSは、顕微鏡、分注ロボット、ロボットアームなど、異なる機器をAIエージェントから扱うための共通仕様です。従来はメーカーごとに異なるインターフェースを個別に接続し、数週間から数カ月かかることがありました。MHSは「温度を読む」「温度を設定する」といった基本命令を持つ標準ドライバーを使い、統合作業を数時間または数分へ短縮する方向を示しています。

接続の共通化は、産業機器にとって大きな前進です。作業手順が変わるたびに専用コードを作らず、AIが各機器の状態を読み、順序を組み、結果に応じてパラメーターを変えられます。MCP、コマンドライン、コードファイルを通じて操作でき、特定モデルに限定しない設計も示されています。

ただし、共通インターフェースは安全を自動的に保証しません。接続が簡単になるほど、誤った命令が複数機器へ広がる速度も上がります。MHSが、機器の重量、測定できる値、変更できる値、安全上の制限を参照ファイルへ含めるのは、この問題へ対処するためです。機器の説明書や熟練者の頭にあった条件を、エージェントが読める形へ移します。

Anthropicの発表に含まれるGenentechの実験は、監督仕様の必要性を具体的に示しています。Claudeはタンパク質定量で、粘度の異なる液体へ同じ送液条件を使い、泡を生じさせました。泡に起因するエラーへ別の条件で再試行しても、液体をさらにかき混ぜて問題を悪化させます。研究者が、これはソフトウェアの不具合ではなく物理的な失敗であり、別の場所へ移して混合回数を減らす必要があると教えました。

この事例で重要なのは、AIが失敗したという一点ではありません。エラーコードだけでは、泡、粘度、液面、光学読み取りという現実の因果関係が見えなかったことです。再試行回数を増やすほど改善するソフトウェアの問題と、再試行するほど試料を壊す物理作業を分けなければなりません。

物理機器の監督仕様では、エラーを次の三種類へ分けます。

1. 安全に再試行できるエラー：通信の一時切断や読み取り待ちなど、対象を変化させない失敗です。
2. 状態を確認してから再試行するエラー：位置ずれ、把持失敗、液面検出など、機器や試料の状態が変わった可能性があります。
3. 自動再試行を禁止するエラー：衝突、過熱、漏れ、破損、異常な圧力など、人が現場を確認するまで動かしてはいけません。

「最大三回まで再試行」のような一律ルールでは足りません。どの状態変化が起き得るか、再実行で危険が増えるか、試料や製品を廃棄する条件は何かを機器ごとに定義します。安全上限はプロンプトへ書くだけでなく、ドライバーや制御装置の側で強制します。AIが上限を超える命令を出しても、物理層で拒否される構造が必要です。

自律化の価値は「AIを常駐させること」だけではありません

MHSの事例では、AIが常に機器を直接動かす構成だけでなく、探索で得た知見を決定論的なスクリプトへ変える方法も示されています。QuEra Computingの量子コンピューター用レーザーでは、AIエージェントが多数の試行から復旧手順を改善し、最終的にAIを実行時の制御ループから外しても動く検査可能なスクリプトへまとめました。

発表によると、従来の専用スクリプトは復旧成功率が58％で、一回約150秒かかっていました。AIによる反復で作られた手順は、七百回の試験で695回成功し、99.3％の復旧率に達したとされています。単純な直線手順ではなく、機器の状態に応じて経路を変える決定木へなったことが改善につながりました。

この数字はAnthropicと参加企業が公開した実験結果であり、他の設備へそのまま当てはめるものではありません。それでも、導入方法として参考になります。探索段階ではAIに候補を広く試させ、本番段階では合格した手順を固定し、読めるコードと試験結果を残します。常に最先端モデルへ物理機器の直接操作権限を与え続ける必要はありません。

日本の製造現場では、次の三段階へ分けると安全と改善速度を両立しやすくなります。

段階	AIの権限	人と制御装置の役割
観察	状態を読み、異常候補を提示します	人が判断し、既存手順で操作します
実験	隔離環境で条件を変更し、結果を比較します	上限を固定し、専門家が試験計画を承認します
本番	合格済み手順を限定範囲で実行します	制御装置が上限を強制し、例外は人へ戻します

この分離があれば、AIの柔軟さを探索へ使い、本番では再現性を優先できます。モデル更新後も、以前の手順と同じ試験を通るまで本番権限を与えません。モデル名ではなく、対象設備、許可された命令、入力範囲、合格した試験の組み合わせを版として管理します。

AIモデルの取得元、正確な版、代替先を台帳化する方法を、物理機器にも拡張する必要があります。モデル、ドライバー、機器のファームウェア、安全制限、作業手順のどれか一つが変われば、同じシステムではありません。変更点に応じて再試験する範囲を決めます。

国産ヒューマノイドの配信が見せた「止まる場面」の価値

アトムの人型ロボットは、ベルトコンベヤーを流れる荷物を取り、ラベル面を上へ向ける作業を公開しました。ITmedia AI＋の記事では、長時間おおむね自律的に作業する一方、動作が止まり、従業員と見られる人が補助する場面もあったと伝えています。

デモでは、止まらず動く瞬間だけが注目されがちです。しかし、本番導入を考える企業にとって価値があるのは、止まった理由、止まり方、人がどこへ介入し、何秒または何分で復帰したかです。平均成功率だけでは、危険側へ動き続ける一回と、安全に停止する一回を区別できません。

物流や製造でヒューマノイドを評価するなら、処理個数に加えて次を記録します。

• 荷物の形、重さ、向きごとの成功率
• 把持に失敗しても荷物を落とさず止まれた割合
• 人が近づいたときの減速と停止距離
• 同じ失敗を繰り返す前に人へ通知できた割合
• 一時間当たりの介入回数と介入時間
• 復帰後に作業位置と対象を取り違えなかった割合
• カメラ、通信、電源の異常時に安全姿勢へ移れた割合

これは、ロボットの弱点を隠すための評価ではありません。どの条件なら今日から使え、どの条件には設備側の改善が必要かを切り分ける評価です。ベルトコンベヤーも含めて設計する発想は重要です。人型ロボットだけを既存現場へ置くより、荷物の向き、流速、照明、床、停止線を機械が理解しやすい環境へ整える方が、全体の安定性を上げられます。

人間の作業者も、暗い場所、滑る床、不規則な荷物では失敗しやすくなります。ロボット導入をきっかけに現場条件を測定可能にすれば、人の安全改善にもつながります。フィジカルAIの競争は、ロボット単体の器用さだけでなく、現場、設備、データ、保守を一つの系として設計できるかで決まります。

権利と来歴も、実行前の監督仕様へ入ります

物理安全だけを監督すれば十分ではありません。The Vergeは8月29日、Sony Music PublishingとWarner Chappell MusicがAnthropicを米連邦地裁へ提訴したと報じました。訴状では、多数の著作物の取得や歌詞サイトからの収集、著作権管理情報の除去などが主張されています。これは原告側の主張であり、裁判所の判断はこれからです。

それでも、企業がAIへ設計や制御を任せる際の教訓は明確です。性能の高い出力だけを見ても、そのモデル、学習資産、参照文書、部品データ、制御コードがどこから来たかは分かりません。AIが作ったスクリプトを設備へ入れるなら、ライセンス、社内機密、外部コードの混入、生成過程の記録を確認する必要があります。

監督仕様には、安全と同じ強さで来歴を入れます。

対象	残す来歴	公開・本番前の確認
モデル	提供者、版、利用条件、更新日	用途制限とデータ送信条件を確認します
設計資料	所有者、契約、機密区分、有効期限	AIへ入力できる範囲を確認します
生成コード	指示、参照元、差分、レビュー者	ライセンス、脆弱性、危険命令を確認します
実行ログ	機器、命令、時刻、結果、停止理由	事故時に同じ流れを再現できるようにします
成果物	採用案、却下理由、承認者	誰が最終責任を持ったかを残します

権利確認を最後の法務レビューへ押し込むと、問題が見つかった時に設計全体を戻すことになります。利用可能な資料と禁止資料を最初に分け、生成コードの参照元を保存し、出所不明の部品を本番へ入れないようにします。安全も権利も、完成後の検査ではなく、入力と実行経路の制約です。

日本企業が90日で作る監督仕様

30日：一つの作業を「判断点」へ分解します

対象を半導体設計全体、工場全体、研究所全体に広げません。回路候補の比較、分注装置の条件調整、荷物の向き変更など、一つの作業を選びます。

開始条件、正常終了、異常、再試行、人へ戻す場面を時系列で書きます。熟練者へ「普段どう操作しますか」だけでなく、「何を見たらやめますか」「同じエラーでも再試行しないのはどんな時ですか」「数値が正常でも不安を感じる兆候は何ですか」と尋ねます。成功手順より、停止と例外の知識を先に集めます。

その上で、AIが読める情報、変更できる値、変更できない値を分けます。観察権限と操作権限を同じにしません。最初の一カ月は、AIに提案させても実行は人が行い、提案と実際の判断の差を記録します。

60日：制約をプロンプトの外へ実装します

温度、速度、荷重、移動範囲、レーザー出力などの上限を、制御装置やドライバーで強制します。自然言語の注意書きだけに依存しません。通信断、センサー欠損、古い手順、誤った単位、対象の取り違えを意図的に起こし、安全に停止するか試します。

再試行できるエラー、状態確認が必要なエラー、自動再試行を禁止するエラーを分類します。人へ通知するだけでなく、誰が何分以内に確認し、確認できない場合に設備をどの状態へ置くかまで決めます。

モデルやドライバーが更新された時の再試験も用意します。全項目を毎回やり直すのではなく、変更した層に応じて、読み取り、書き込み、安全上限、復帰手順、ログの試験を選びます。

90日：監督者の仕事を指標へ変えます

監督者を、AIが動く間ずっと画面を見る人にしません。日常は例外だけを受け取り、定期的に停止理由、誤検知、見逃し、介入時間を振り返ります。監督者が一時間に処理できる警告数を超えるなら、AIの自動化率ではなく警告設計を見直します。

評価指標は処理速度だけではありません。安全停止率、不要な停止、同じ異常の再発、人へ戻るまでの時間、復帰後の取り違え、設計差し戻し、出所不明データの混入を並べます。AIが速くなっても、人が毎回長いログを読み直すなら、監督の負担は減っていません。

最後に、監督仕様の所有者を決めます。設備担当だけでも、AI担当だけでも不十分です。業務責任者が目的、専門家が物理制約、情報システム担当が権限とログ、品質・法務担当が試験と来歴を持ちます。変更を一人の善意へ依存させず、版と承認日を残します。

参考・出典

• EE Times Japan「『半導体はAIが設計、人間は監督に』 次世代EDAへの取り組み」（2026年8月28日）
• Anthropic「Introducing the Model Hardware Standard」（2026年8月27日）
• ITmedia NEWS「Anthropic、AIで物理機器を制御する共通規格『MHS』発表」（2026年8月28日）
• ITmedia AI＋「『国産ヒューマノイド』の作業風景を生配信中」（2026年8月28日）
• The Verge「Sony Music and Warner Chappell are suing Anthropic」（2026年8月29日）

結論——監督とは、見張ることではなく「止まれる形」を作ることです

半導体設計のAI化、MHSによる実験機器の共通制御、国産ヒューマノイドの連続作業は、AIが提案から実行へ進んだことを示しています。設計候補を作る速度も、異なる機器をつなぐ速度も上がります。その一方、抜けた制約、物理現象の誤解、権利や来歴の不明点も、同じ速度で現場へ届きます。

人間が監督へ移るとは、最後に承認ボタンを押すことではありません。何を最適化し、何を変えてはならず、どの異常で止まり、どの証拠を残すかを、AIと機械が守れる形へ翻訳することです。探索では柔軟なAIを使い、本番では合格済み手順と物理的な安全上限を使い分けます。失敗を隠さず、止まった場面から次の制約を学びます。

次のAI導入会議では、「人が確認します」で終えず、その人が何を見て、何秒以内に、どの条件なら止めるのかを一行だけでも書いてみませんか。その一行をコード、制御装置、試験、ログへつなげられる組織ほど、AIを速い実験から、長く信頼できる設計・製造基盤へ育てられるはずです。