AI INDUSTRIAL CLUSTER / PHYSICAL AI

瀬戸内AI産業クラスターは、どこに何を置くべきか

学習・シミュレーション → 大規模推論 → 地域推論 → 現場エッジ → Physical AI

AIデータセンターを一種類の施設として扱うと、立地論を誤る。学習、長思考推論、低遅延推論、ロボット制御では、電力・通信・冷却・需要地への近さ・通信断耐性・データ秘匿性の重みが異なる。瀬戸内のAI産業地理は、用途別に計算資源を階層配置して考える必要がある。

01|「学習DC」と「推論DC」は立地原理が違う

学習では、多数のGPUを高速ネットワークで同期させ、長時間にわたり高い稼働率で回す。したがって、大量の電力、受電までの時間、高密度冷却、大規模敷地、クラスタ内部ネットワークが支配的な条件になる。利用者から数十km離れていても、学習処理そのものには大きな問題になりにくい。

一方、推論は一様ではない。生成AIや長思考モデルを大量に処理する推論は、学習と同様に巨大な計算設備を必要とし得る。しかし、工場、港、車両、船、ロボットを制御する推論では、応答遅延、通信断耐性、データ秘匿、現場側の安全が支配的になる。

計算タイプ重視する立地条件瀬戸内での配置イメージ
学習・大規模シミュレーション電力容量、接続時期、液冷、大規模敷地、高帯域GPU間ネットワーク香川・三原等の大規模AIファクトリー/アンカーDC候補
長思考・大規模推論電力、GPU密度、可用性、外部通信、コスト学習拠点と共用または近接する大型推論ファクトリー
地域推論低遅延、通信多重性、企業データ接続、SLA高松・岡山・広島など既存DC・通信ノードを持つ都市
Physical AIエッジミリ秒級応答、通信断耐性、現場データ、機能安全水島・福山・周南・新居浜・造船所・港湾・工場のオンプレ/近接エッジ

※これは用途別の立地仮説であり、各地域の個別プロジェクトを意味しない。特に大規模推論は中央集約と地域分散の両方があり得る。

02|Physical AIは「クラウドだけ」では成立しない

Physical AIは、カメラ、LiDAR、力覚、音、設備ログなどの現場データを認識し、機械の行動へ戻す。ロボット、自動運転、ドローン、自動運航船、建設機械などでは、判断が遅れること自体が品質・安全問題になる。

したがって、Physical AIの計算系は学習・シミュレーションを担う大規模AIファクトリーと、現場でリアルタイム推論するエッジコンピュータに分かれる。両者の間には、モデル更新、実データ回収、評価、フリート学習を担う地域推論・データ基盤が必要になる。

現場データ→データ整備→学習・世界モデル→シミュレーション→地域配信→エッジ推論→ロボット・船・設備

03|瀬戸内はPhysical AIの「現場データ」を持っている

経済産業省は2026年、製造業等の実データのAI-Ready化とロボット基盤モデルの開発を政策支援し、フィジカルAIでは日本の製造現場データを競争力の源泉として位置づけている。瀬戸内には、化学、鉄鋼、自動車、造船、物流、港湾、設備保全など、センサーと技能が蓄積された現場が高密度に存在する。

ここでは、DCの立地だけではなく、「どこにGPUがあるか」×「どこに高品質な現場データがあるか」の接続が重要になる。AI産業クラスターの希少資源は電力だけでなく、現場データと運用知識である。

04|造船は瀬戸内Physical AIの象徴的ユースケースになり得る

国土交通省は2026年から、船舶建造の曲げ加工・溶接等にAIを用いるロボットと、生産工程をバーチャル空間で最適化するAIシミュレーション基盤の開発を進めている。さらに自動運航船は、経産省のロボット基盤モデル開発対象にも含まれる。

造船では、学習・強化学習・シミュレーションは大規模GPU側へ寄せられる一方、溶接・曲げ・搬送・検査・自律航行の推論は造船所や船上のエッジへ置く必要がある。この分業は、瀬戸内のAIインフラ地理を考えるうえで非常に分かりやすい。

造船所の熟練技能・映像・センサ→学習DC→デジタルツイン/強化学習→モデル配信→AI溶接・曲げ・搬送

05|瀬戸内AIクラスターは「一極集中」より階層ネットワークが合う

Tier 1|AIファクトリー

大規模学習、世界モデル、合成データ、強化学習、長思考推論。電力と冷却を優先し、香川・三原のような大型DC形成地域が候補。

Tier 2|地域推論・データハブ

地域企業向け推論、モデル配信、データガバナンス、RAG、企業専用AI。高松・岡山・広島等の通信・既存DC集積と親和性が高い。

Tier 3|産業エッジ

工場・造船所・倉庫・港湾に置き、リアルタイム推論と安全制御を担う。水島・福山・周南・新居浜等の産業ノードが主役になる。

Tier 4|機械内AI

ロボット、AGV、クレーン、船舶、車両に搭載し、通信断時も自律動作する。Physical AIの最終実行点。

この構造なら、全ての計算資源を一か所へ集める必要はない。むしろ、モデルを育てる場所、推論を大量処理する場所、現場を制御する場所を分け、光ネットワークで循環させる方が瀬戸内の多核型産業構造に合う。

06|地域別に見ると、役割が変わる

地域ノード向く役割の仮説Physical AIとの接続
香川AIファクトリー+地域推論GPU基盤、人材育成、AI利用企業を束ね、四国側のモデル供給・推論ハブへ
三原大型学習・大規模推論のアンカー候補大規模計算資源から備後・広島の製造業へモデル供給する構造を検証
岡山・広島地域推論・企業AIハブ既存DC・通信と企業データを接続し、低遅延推論・データガバナンスを担う
水島・福山産業エッジ密集地鉄鋼・化学・物流・製造設備の検査、保全、自律搬送、ロボット制御
周南プロセス産業Physical AI巡回点検、異常検知、設備保全、プロセス最適化をエッジ推論と接続
新居浜・西条製造・設備系Physical AI化学・電機・設備保全・物流の現場データとエッジAIを接続
瀬戸内の造船・港湾ノードロボティクス・自律移動AI溶接・曲げ・搬送・検査、自動運航、港湾物流、デジタルツイン

07|立地KPIも用途別に変える

指標学習DC地域推論DCPhysical AIエッジ
電力接続可能MW、接続年数、電力単価、脱炭素電源電力+冗長性+コスト現場電源、UPS、非常時継続
通信外部回線よりGPU間ネットワークと大容量データ転送低遅延、複数キャリア、主要都市・クラウド接続5G/ローカル5G/Wi-Fi/有線、通信断時の自律性
冷却液冷、高密度ラック、PUE/WUE密度と可用性のバランス粉塵・熱・振動等の現場環境耐性
需要地距離相対的重要度は低い重要最重要。現場内・機械内も含む
データ大量学習データ、合成データ企業データ、RAG、運用ログ映像・センサー・制御データ、技能データ

08|地域経営上の勝ち筋は「GPU誘致」よりループ形成

Physical AIでは、現場で発生したデータが学習側へ戻り、改善されたモデルが再び現場へ配布される。このデータ→学習→シミュレーション→推論→現場→新データの循環を地域内または瀬戸内圏内で回せることが重要である。

工場・港・船→現場データ→地域データハブ→AIファクトリー→モデル→エッジ推論→生産性・安全性

この循環が成立すれば、瀬戸内の既存製造業はAIデータセンターの「需要家」であるだけでなく、Physical AIを学習させるデータ産業にもなる。

09|仮説|瀬戸内は「Physical AIベルト」になり得る

瀬戸内の強みは、巨大AI企業の本社が集まっていることではない。電力・通信・工業インフラの上に、造船、化学、鉄鋼、自動車、物流など、AIが物理世界へ作用するための現場が連続していることである。

仮説:瀬戸内のAI産業競争力は、最大GPU数ではなく、学習計算資源と高密度な産業現場を、地域推論・エッジ推論で短く接続できることから生まれる。

これは、これまでの「港湾地理 → 工業地理 → ワット・ビット地理」の次に、「学習・推論・行動の地理」を加えることを意味する。

出典・確認資料

RESEARCH DESIGN

この研究ノートの設計

詳細に入る前に、何を明らかにするための研究か、何を対象にし、どの方法で読むのかを明示します。

01

目的

学習DC・大規模推論DC・地域推論DC・Physical AIエッジを分け、瀬戸内の電力・通信・製造業・造船・物流との接続からAI産業クラスターを考えることを目的とする。

02

対象

瀬戸内のAIデータセンター、電力・通信・冷却・土地、製造業・物流・港湾などのAI需要側、関連企業・大学・高専・自治体との接続を対象とする。

03

方法論

立地可能性と地域接続性を分け、自然・災害、電力、通信、冷却、土地、需要、地域企業との接続を複数軸で比較する。投資額や雇用人数だけでなく、地域で新たに何が可能になるかを評価する。

04

内容

学習DC・推論DC・Physical AIの立地条件、地域別適地性、既存産業との接続、人材・調達・インフラ外部効果、地域への還流を検討する。