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。
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。
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。
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
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。
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。
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DC | Physical 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。
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
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。
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。
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。
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。
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。