三菱電機が「ベテランの勘」をAIに渡した話 — サーボ調整1週間が1時間になる仕組みを社長向けに解説

熟練エンジニアが1週間かけていた装置の調整が、1時間で終わった。

2026年3月24日、三菱電機と産業技術総合研究所(産総研)が発表したニュースだ。「サーボ調整AI」という見慣れない言葉が並ぶプレスリリースの中身は、要するに「ベテランの勘を、AIに渡す技術」である。調整作業の試行回数を従来比で90%減らした、位置決め時間(目標位置にピタッと止まるまでの時間)が平均20%短くなった、という数字が並ぶ。

このニュースは、装置を買う中小工場の社長にも無関係ではない。製品化されるのは2028年予定だが、その前に経営判断として準備しておくべきことが3つある。

本記事では、技術用語を全部噛み砕いて、「自分の工場で何が変わるか」「次の装置更新のときに何を聞けばいいか」を順に説明する。Python を触ったことがなくても読める。最後に、PCに詳しい若手社員向けのおまけコードも置いておく。

---

1. 三菱電機が発表したのは「ベテランの勘をAIに渡す技術」 — 90%削減の正体

まず用語を1つだけ覚えてほしい。サーボモーターだ。

サーボモーターとは、「位置と速さを正確に動かすモーター」のこと。普通のモーターは回せば回るだけだが、サーボモーターは「ここまで動いて、ピタッと止まれ」という命令に正確に従う。工作機械の刃の送り、ロボットアームの関節、半導体製造装置のステージ、自動倉庫の搬送台車。動きの精度が要る場所には、ほぼ全てサーボモーターが入っている。

このサーボモーターは、出荷時にはまだ調整が終わっていない。装置に組み付けてから、その機械固有の重さやガタや摩擦に合わせて、応答の速さや止まり方を1台ずつ詰める作業が必要になる。これを「サーボ調整」と呼ぶ。

何にそんなに時間がかかっていたのか

サーボ調整の難しさは、つまみが多すぎることだ。三菱電機の発表によれば、本格的な装置で調整対象になるのは8系統720個のパラメータ。8つの大きなつまみがあり、それぞれに約90段階の細かい目盛りがある、と思えばいい。

しかも、つまみ同士がお互いに影響し合う。

ひとつのつまみを強めるとピタッと止まる速さは縮むが、別のつまみとの相性が悪いと機械が「ガタガタ」と振動する。共振を抑えるつまみを強くすると、今度は応答が鈍くなる。先回りして力を加えるつまみを強くすると、目標位置を行き過ぎて(オーバーシュートして)から戻ってくる動きが出る。

この組み合わせを、過去の似た装置の経験と、波形を目で見ながら手で詰めていく。熟練エンジニアが1週間張り付くというのは、現場のリアルな数字だ。日当を4万円とすれば、装置1台の立ち上げで約20万円が人件費として消える。装置メーカーにとっても、装置を買う側の工場にとっても、これは無視できない。

AIが何をやったのか

三菱電機×産総研の発表は、この1週間の作業を1時間に短縮した。

ポイントは「AIが過去のデータを学習して答えを出した」ではない。「ベテランが頭の中で持っている『この組み合わせは絶対ダメ』という地図」をAIに先に教え込んで、無駄な試行錯誤を排除したことだ。

調整の試行回数が90%減、つまり10分の1になった。位置決め時間そのものも20%短くなった。これは熟練エンジニアの手調整より、AIの方がうまく仕上げる、ということを意味する。

指標	従来	三菱電機×産総研のAI
熟練者の調整時間	1週間(約40時間)	1時間
試行回数	100%(基準)	10%(90%削減)
位置決め時間	100%(基準)	80%(20%短縮)
調整対象	8系統720個のつまみ	同左を絞り込み後数十個
製品化	—	2028年(ハイエンド向け)

(出典: 三菱電機プレスリリース 2026-03-24 / MONOist 2026-03-25 / automation-news.jp 2026-04)

---

2. 「サーボ調整1週間」の正体 — 8つのつまみ×90段階の組合せ

ここで比喩を1つ入れる。

サーボ調整は、自動車のアクセルとブレーキの効き具合を、車種ごとに細かく調整する作業に似ている。スポーツカーと軽トラと大型トラックでは、同じアクセルの踏み込み量でも望ましい加速の出方が違う。アクセルの効きを強くすれば加速は鋭くなるが、踏み始めがカクついて乗り心地が悪くなる。ブレーキも同じだ。

これを8つの方向で同時にやる。1つを動かすと残り7つに影響が出る。総当たりで試そうとすると、8×90 = 720通りどころか、組み合わせは天文学的な数になる。720個のつまみのうち、どれをどの順番で、どの目盛りに合わせるか。これがベテランの暗黙知だった。

中小工場で装置を導入したとき、「立ち上げに装置メーカーの担当者が1週間来ています」というのは、多くの現場で見覚えのある光景だろう。装置の値段とは別に、調整の人件費が乗ってくる。三菱電機の発表は、この「1週間×日当4万円」の構造を、AI側に肩代わりさせる動きの第一歩である。

---

3. 物理モデル×ベイズ最適化って何? — 板前の試食で例える

ここからが、ニュースの本質だ。

三菱電機×産総研のAIは、2つの仕組みを組み合わせている。

ひとつは「物理モデル」。もうひとつは「ベイズ最適化」。両方とも聞き慣れない言葉だが、料理に例えるとシンプルだ。

物理モデル = レシピの理屈

物理モデルとは、「機械の動きの理屈を式にしたもの」だ。重さ・摩擦・ばねの硬さといった機械の特性を測って、「このつまみをこの目盛りまで動かすと、必ず共振する」「この範囲なら安全」という地図を先に作る。

料理に置き換えるなら、これはレシピの理屈だ。「この比率の塩と砂糖を入れたら、絶対しょっぱくなる」「この温度を超えたら、確実に焦げる」というベテラン板前が頭の中に持っている味の地図。これを式に翻訳したものが物理モデルである。

ベイズ最適化 = 板前の試食

ベイズ最適化は、「賢い試行錯誤」のことだ。ランダムに何でも試すのではなく、過去の結果を見て「次はこっちを試した方が良さそうだ」と方向を絞り込む。

これは板前の試食に似ている。一口味を見て、「もう少し塩を増やそう」「いや、こっちの方向は違うな」と次の一手を決める。何百回も適当に味付けを変えるのではなく、1口で次の方向が決まる。これがベイズ最適化の発想だ。

2つを組み合わせると何が起きるか

ここまでで気付くと思うが、物理モデル(レシピの理屈)とベイズ最適化(板前の試食)は、組み合わせると強い。

レシピの理屈で「明らかに失敗する範囲」を先に除外しておけば、板前が試食する回数が劇的に減る。三菱電機×産総研は、この2段構えの仕組みをサーボ調整に持ち込んだ初めての例だ。FA業界(工場自動化の業界)では、これがプレスリリースで「業界初」と表現されている所以である。

90%削減の数字は、この2段構えから出てくる。レシピで「8つのつまみ×90段階」の組み合わせのうち、明らかにNGな範囲を一発で消す。残った狭い範囲だけを、ベイズ最適化が実機で試す。試行回数は文字通り桁で減る。

ここで一つ、社長向けの実務的な話を挟む。

三菱電機の製品が2028年に降りてくるまでに、社内に1人でいいから「AIで何ができるか分かる人間」を育てておくことを薦めたい。装置メーカー任せで導入すると、トラブル時にブラックボックスとして止まる。社内に話が通じる人間が1人いれば、ベンダーとの会話の質が変わる。

PC好きな若手社員が1人いれば、社長が月2万円程度の学習費用を持ってあげるだけで、半年後には変わる。書籍とYouTubeで断片的に追わせるより、ChatGPT・Claude・Gemini を一通り使えるカリキュラムを月単位で消化させる方が早い。

---

---

4. あなたの工場で何が変わるか — 装置更新サイクルとの関係

三菱電機の発表は2028年の製品化を目標としている。中小工場の現場にこの技術が降りてくるのは、その後だ。

ではこのニュースは、社長にとって今すぐ関係ないのか。違う。装置更新のサイクルと重ね合わせて考えると、今動かないと間に合わない部分がある。

装置の更新サイクルは、加工機なら10〜15年、搬送系なら15〜20年が一般的だ。今2026年。2028年に三菱電機がハイエンドサーボに搭載、そこから2〜3年で中位機種に降りてくると見れば、2030〜2032年頃が中小工場の装置更新タイミングと重なる。社長が今50代後半なら、現役のうちに必ず関わる話だ。

今日からやれる3つの準備

待つだけでなく、今から始めると差がつくことが3つある。

準備① データを取る習慣をつける

サーボ調整AIは、実機の動作データなしには機能しない。位置の指令値と実際の位置、トルクの指令値と実際のトルク。この4つのチャンネルを、装置の立ち上げ時と定期保守時に必ず記録する習慣をつける。

三菱電機の装置なら付属の MR Configurator2、ファナックなら SERVO GUIDE、安川なら SigmaWin+ という無料ソフトでCSVファイルに保存できる。「データを取っていない過去」は遡れない。今から始めて、3年分のCSVが溜まっているかどうかが、AI導入時に大きな差になる。

準備② 「うちの優先順位」を文書化する

「うちの工場で最適なサーボ調整とは何か」を、A4一枚に言語化する。

整定時間(ピタッと止まるまでの時間)を優先するのか、オーバーシュート(目標位置を行き過ぎる量)を絶対許さないのか、機械音の静かさを優先するのか、消費電力か。優先順位は工場ごとに違う。半導体の露光装置と食品の搬送ラインでは、求める動きが全く違う。

この優先順位は、AIに渡す「採点基準」になる。社長が文書化していない優先順位を、装置メーカーが推測で決めることはできない。

準備③ 社内に1人、AIに詳しい人間を育てる

これは準備①と②の前提だ。

社内の若手か中堅社員に、AI関連の学習機会を半年単位で持たせる。費用は月1〜3万円。研修中も給料は出るので、社長から見れば「半年間で見えにくい支出が30〜50万円」になる。これを「将来の装置20万円×複数台分の調整費を内製化する投資」と捉えられるかどうかが、判断の分かれ目になる。

中小工場でAIをどこから始めるかについては、用途別に学ぶ・使う・任せる・繋げるの4目的でAI関連サービス9案件を比較した記事を別途まとめている。今日いきなり何かを契約する必要はないが、選択肢の地図を持っておくと無駄な営業電話に振り回されない。

---

5. AI調整に踏みがちな落とし穴3つ

このまま「AIサーボ調整は素晴らしい」で終わっては片手落ちだ。AIを使う以上、人間が見落とすと事故になる落とし穴がある。社長として最低限知っておくべき3つを挙げる。

落とし穴① シミュレーションで「最適」でも、実機では動かない

AIが画面の中で出した「最適な調整値」を、そのまま実機に流し込むと壊れる場合がある。

理由は、AIが想定している機械の挙動と、実物の機械の挙動が完全には一致しないからだ。実機には温度ドリフト(機械が温まると動きが変わる)、配線の影響、冷却ファンの振動など、計算では捉えきれない要素が乗る。

これは料理で言えば、レシピ通りに作っても、その日の湿度や火加減で味が変わるのと同じだ。AIの出した値は「最終答え」ではなく「ベテランへの叩き台」として扱う。最後の微調整は、必ず実機で人間が見る。

落とし穴② 「速さ」だけ追うと、機械が壊れる

サーボ調整で「ピタッと止まる速さ」だけを最優先するようAIに指示すると、AIは限界までつまみを強くする。結果、整定時間は確かに短くなるが、目標位置を20〜40%行き過ぎてから戻ってくる動きになる。

これを実機でやると、ボールねじ(回転を直線運動に変える部品)が「キン」と鳴いたり、カップリング(モーターと軸を繋ぐ部品)が破損したりする。「速さ」「正確さ」「機械への優しさ」を全てバランスさせる採点基準をAIに渡さないと、AIは盲目的に速さだけを追求する。

これは、整備士に「とにかく速く走れるようにしてくれ」と頼むと、燃費もタイヤの寿命も無視した極端なセッティングが返ってくるのと同じだ。何を犠牲にしていいか、何は絶対守るべきか。これを言語化するのは、AIではなく人間の仕事になる。

落とし穴③ 古い装置や、改造した装置には効きにくい

AIサーボ調整は、機械の挙動が計算で予測できる範囲でしか効果を発揮しない。

20年前の装置を改造して使っている、後付けで部品を継ぎ足している、メーカーが分かっている部品とそうでない部品が混在している、こういった「素性が分からない機械」では、AIは前提となる物理モデル(レシピの理屈)を作れない。結果、絞り込みが効かず、AIなしでやるのとあまり変わらなくなる。

裏返して言えば、新規装置の導入時こそAIサーボ調整の効果が最大化する。装置の更新タイミングを、AI対応の有無で選べる立場に2030年代の社長は立つ。

---

6. 今日の5分 — サーボメーカーへの問い合わせテンプレ

本記事のアクションを1つに絞る。

工場に戻ったら、社内の装置リストを見渡して、サーボモーターのメーカーを書き出す。三菱電機、ファナック、安川電機、オムロン、パナソニックあたりが多いはずだ。

そのメーカーの営業担当者(または装置メーカーの担当者)に、次の3つの質問を送る。

問い合わせテンプレ(コピペ可)

お世話になっております。
弊社の○○ライン(装置型番:XXXX)について、サーボの調整に関して
3点教えてください。

1. 現在のサーボ調整に、AI(ベイズ最適化など)を使った
   自動調整機能は搭載されていますか?搭載予定はありますか?
2. 弊社装置の現在の整定時間とオーバーシュート率の実測値は、
   立ち上げ時のドキュメントに記録が残っていますか?
3. 三菱電機×産総研が2026年3月に発表した
   「物理モデル×ベイズ最適化のサーボ調整AI」(2028年製品化予定)に
   対応した装置を選定したい場合、御社のロードマップで
   どの製品ラインがいつ対応する見込みですか?

質問①で、今あなたの装置がAI対応かが分かる。質問②で、社内に過去データがあるかが分かる(なければ今から取り始める)。質問③で、次の装置更新時にどのメーカーを選ぶべきかの判断材料が手に入る。

この3問に明確に答えられないメーカーの装置を、2030年以降に追加導入するのは避けたほうがいい。

「装置メーカーに何をどう聞けばいいか分からない」「答えが返ってきても専門用語で理解できない」という場合、外部に相談窓口を持つ選択肢がある。中小製造業向けに、AI導入の問い合わせサポートや業務効率化の伴走を提供しているサービスがあり、無料の業務効率化診断から入れる。

---

---

7. (おまけ) コードを動かせる人向け — Optuna 20行で似たことを再現する

ここから先は、社内にPythonを書ける若手社員がいる場合のおまけだ。社長は読み飛ばしても構わない。

三菱電機の本格的なAIは2028年に出てくるが、「物理モデルで範囲を絞ってベイズ最適化する」という考え方自体は、無料の Python ライブラリで今日試せる。Optuna というベイズ最適化ライブラリと、python-control という制御系シミュレーション用ライブラリを組み合わせる。

中核となるコードは、コメント込みで20行だ。

import optuna
import control as ct
import numpy as np

# 機械の物理モデル(重さ・摩擦・ばね剛性で2次系を作る)
J, D, K = 0.01, 0.1, 1.0
plant = ct.tf([1], [J, D, K])

# 物理モデルから「これ以上強くすると振動する」上限を計算
omega_n = np.sqrt(K / J)
Kp_max = 2 * omega_n * np.sqrt(J * K) * 0.8  # 安全率0.8

def objective(trial):
    Kp = trial.suggest_float("Kp", 0.1, Kp_max)  # 物理上限で絞る
    Ki = trial.suggest_float("Ki", 0.0, Kp_max * 2)
    Kd = trial.suggest_float("Kd", 0.0, Kp_max * 0.1)
    pid = ct.tf([Kd, Kp, Ki], [1, 0])
    sys = ct.feedback(pid * plant, 1)
    t, y = ct.step_response(sys, np.linspace(0, 5, 500))
    settling = next((ti for ti, yi in zip(t, y) if abs(yi - 1) < 0.02 and ti > 0.1), 5.0)
    overshoot = max(0, y.max() - 1)
    return settling + (1000 if overshoot > 0.05 else 100 * overshoot)

study = optuna.create_study(direction="minimize")
study.optimize(objective, n_trials=50)
print("Best:", study.best_params, "Score:", study.best_value)

Google Colab に貼り付けて実行ボタンを押すだけで、ノートPCで10〜30秒で50試行が回り、PIDゲイン3つの最適値が出る。「物理モデルで上限を絞る」という1行(Kp_max = ... の部分)を消すと、最適化が混乱して同じ精度に到達するのに数百試行かかることが手元で確認できる。これが「探索設計の巧さ」の本質だ。

依存ライブラリは pip 一発で入る。

pip install optuna control numpy matplotlib

詳しい解説は Qiita の「Pythonによるベイズ最適化を使った効率的な制御系設計」(KariControl) や Optuna 公式ドキュメントを参照されたい。

ノートPCで50試行を回すぐらいなら手元のPCで足りるが、100試行を10並列で同時回したくなる段階に入ると、ノートPCのCPUでは厳しい。検証用のVPS(月額数千円〜時間課金で借りられるサーバー)を立てるのが現実解だ。ライン1台分の調整人件費(20万円)と比べれば、検証コストは桁違いに安く済む。

---

---

8. まとめ — 「ベテランの勘」を社内に残すために

三菱電機×産総研の発表の本質は、「ベテランの勘」を式と仕組みに翻訳したことだ。

90%削減や20%短縮という派手な数字に目が行きがちだが、社長が見るべきはむしろ次の3点になる。

1. 2030年前後の装置更新時に、AI調整対応の有無が選定基準になる
2. データを取り、優先順位を文書化し、社内に1人AI人材を育てる準備に2〜3年は要る
3. 次の装置更新タイミングまでに、今日の3問を装置メーカーに投げて反応を見ておく

ベテラン1人の調整作業を1週間×日当4万円で発注し続けるか、社内データを溜めてAI側に肩代わりさせる仕組みに移行するか。2028年の三菱電機製品を待たずに、今日から動けることがある。

	何もしない場合	今日から準備する場合
2030年装置更新時	ベンダー任せでAI調整も丸投げ	AI対応の有無で装置を選定できる
過去データ	残っていない	3〜4年分のCSVが溜まっている
社内のAI人材	ゼロ	1〜2人が話せる
調整費	装置1台あたり20万円が継続	内製比率を段階的に上げられる

---

9. 参考リンク

• 三菱電機プレスリリース (2026-03-24): https://www.mitsubishielectric.co.jp/ja/pr/2026/pdf/0324.pdf
• 産総研プレスリリース (2026-03-24): https://www.aist.go.jp/aist_j/press_release/pr2026/pr20260324/pr20260324.html
• MONOist 解説記事 (2026-03-25): https://monoist.itmedia.co.jp/mn/articles/2603/25/news056.html
• automation-news.jp (2026-04): https://www.automation-news.jp/2026/04/103092/
• toki@FA Engineer note (2026-04-06): https://note.com/toki_engineer/n/n83273c1e2e03
• Optuna 公式: https://optuna.org/
• python-control 公式: https://python-control.org/
• Qiita「Pythonによるベイズ最適化を使った効率的な制御系設計」(KariControl): https://qiita.com/KariControl/items/669a4cc53fbac296eeca

サーボ調整やAI導入の相談は、製造AIラボでも中小製造業向けに受け付けている。記事中のCTAから無料相談を予約できる。