クラウド中心 AI が製造現場で機能しない理由
過去5年、企業 AI の主流はクラウド中心の実装でした。しかし製造現場、物流現場、医療現場 ―― リアルタイム性が要求される領域では、クラウド中心の AI は構造的に機能しません。背景には3つの制約があります。第一に、ネットワーク遅延（数十ms〜数百ms）が現場の制御要件に間に合わない。第二に、帯域コストが大量データの常時送信を非経済的にする。第三に、ネットワーク障害時に AI が機能停止すると、現場全体が停止する。
これらの制約を解く設計が「エッジ AI×IoT」です。現場のデバイスやエッジゲートウェイで AI 推論を行い、クラウドは戦略的判断と長期学習に役割を絞る。この役割分担こそが、製造現場で AI が機能する設計論の輪郭です。
DX Strategy の視点
エッジ AI を「クラウド AI の劣化版」と捉える発想は誤りです。エッジには、クラウドにはない「物理現実への直接介入能力」があります。クラウドが「全社最適」を担うなら、エッジは「現場最適」を担う。この役割分担を最初に設計した企業が、製造現場の AI 化で先行します。
エッジAI×IoT 4 層設計フレーム
エッジAI×IoT の実装は、4 層構造で全体像を捉えるべきです。各層が独立に機能するのではなく、4 層の連動こそがリアルタイム最適化を実現します。
層1：センシング ― IoT デバイスの選定と設置設計
センシング層は、現場の物理現実をデジタル化する出発点です。「どこに、何を、どのように設置するか」の設計が、その後の AI モデルの上限を決めます。
センシング設計の4ポイント
- 計測対象の優先順位付け：全数計測ではなく、ボトルネック工程を優先。
- デバイス選定：精度・耐環境性・コストのバランス。
- 通信規格：産業用 5G、Wi-Fi 6、有線、LoRaWAN 等の使い分け。
- OT セキュリティ：制御系ネットワークと IT 系の分離設計。
層2：エッジ処理 ― 現場推論の実装パターン
エッジ処理層は、エッジ AI×IoT の心臓部です。クラウドに送らず、現場で AI 推論を完結させることで、ms 単位のリアルタイム性を実現します。
物理現実への AI 介入は、ms 単位の応答性で決まる。クラウド往復の数十 ms が、製造現場では致命的な遅延となる。
層3-4：データ連携・統合分析 ― 現場とクラウドの橋渡し
エッジで全てを完結させてはいけません。エッジで処理されたデータを選択的にクラウドに送り、全社レベルでの学習・最適化に繋げる橋渡し設計が必要です。
橋渡し設計の3ポイント
- 差分同期：変化があったデータのみクラウドへ送信。帯域効率を最大化。
- イベント駆動：閾値超過・異常検知時のみリアルタイム送信。
- 定期集約：日次・週次でサマリーをクラウドへ。長期学習の素材に。
