日立のフィジカルAI戦略を実装する「フィジカルAI FDE」とHIMAXを徹底分析

今泉追記：
以下は別な視点で、NVIDIAのテクニカルなプラットフォームの上で、日立製作所がどのようにビジネスモデルを構築しているのかを解説しています。

日立製作所のフィジカルAI戦略はNVIDIAにどう付加価値を付け、リカーリング型売上に変えるのか？：経営者が読むNVIDIAのフィジカルAI / ADAS業界日報 by 今泉大輔：オルタナティブ・ブログ

さっつーのAIエージェントを監修している今泉大輔です。日立製作所のフィジカルA...

1. 産業現場が直面する構造的危機とフィジカルAIの要請
2. フィジカルAI実装基盤「HMAX」の技術アーキテクチャ
3. 現場の暗黙知をAIレディ化する「Physical AI FDE」の役割
4. 業界別ユースケースに見る課題解決の実態
5. グローバル競合との戦略比較：日立 vs シーメンス
6. 社会インフラOSへの進化と導入に向けたアーキテクチャ提言
1. 引用文献

1. 産業現場が直面する構造的危機とフィジカルAIの要請

重工業、社会インフラ、高度製造業の最前線は、過去に例を見ない深刻な構造的危機に直面している。戦後から高度経済成長期を経て培われてきた製造・保全の現場力は、現場の第一線を支えてきた熟練技術者の大量退職と、急激な少子高齢化に伴う若手労働力の絶対的不足によって、急速に瓦解の危機を迎えている¹。加えて、稼働から数十年が経過した高経年化インフラや設備の老朽化が同時多発的に進行しており、保全すべき対象の増大とそれを担う現場リソースの減少という需給ギャップは限界点に達している¹。

従来の工場自動化（FA）や産業DXの取り組みは、プログラマブルロジックコントローラ（PLC）やSCADAを用いた設備の稼働監視、時系列データの可視化、あるいは特定パラメータの閾値超過を検知する統計的異常検知が主流であった⁴。しかし、現場が真に必要としているのは「異常を検知した後に、どのような物理的判断を下し、機器の動作をどう是正すべきか」というアクチュエーション（物理制御）の領域である¹。熟練工は、単一のセンシングデータのみならず、異音の周波数、配管のわずかな温度勾配、外気温や湿度の影響、さらには過去の故障履歴を複合的に照らし合わせ、経験的な「暗黙知」に基づいてミリ秒から数秒単位の最適な判断を下してきた⁶。だが、これらの高度な判断ロジックはマニュアルや静的な制御ルールに言語化・形式知化されておらず、個人の退職とともに現場から恒久的に失われつつある⁶。

近年急速な進化を遂げた大規模言語モデル（LLM）などの生成AIは、テキストやソースコードの生成、あるいは画像生成といったサイバー空間内の情報処理においては目覚ましい成果を挙げた¹。しかし、それらをそのまま物理的な産業現場に適用することはできない。画面内で完結するAIとは異なり、重電や製造の現場は摩擦、熱伝導、重力、流体力学などの非線形かつ複雑な物理法則によって厳格に支配されている¹。さらに、AIモデル特有の確率的挙動によるハルシネーション（非現実的な出力）は、プラントの緊急停止や重大事故、鉄道の脱線、送配電網のブラックアウトに直結するため、わずかな誤作動も許されない⁴。

こうした背景から、物理現象を正しく認識・理解し、仮想空間でのシミュレーションを経て、決定論的な安全性を担保しながら現実世界の設備を自律制御する「フィジカルAI（Physical AI）」へのパラダイムシフトが不可欠となった¹。日立製作所はこの社会実装の進展を4つの段階として体系化している³。第1段階はAIが現実世界の物理法則を学ぶフェーズ、第2段階はデジタルツイン上で試行錯誤を繰り返すフェーズ、第3段階は業界や現場固有の運用基準や作法（流儀）をAIが理解するフェーズ、そして第4段階が現場での実運用と自律制御を完遂するフェーズである³。日立は、現場知見の不足により多くの企業が頓挫しがちな第3段階および第4段階の実装を突破する基盤として、次世代ソリューション群「HMAX」を中核に据えた事業戦略を展開している³。

2. フィジカルAI実装基盤「HMAX」の技術アーキテクチャ

「HMAX by Hitachi」は、物理空間のアセット群から得られる膨大なデータと日立が培った運用技術（OT）知見を統合し、社会インフラおよび産業プラント全体を自律的に制御・最適化するサービス基盤である²。その中核的な設計思想は、単一設備の自動化にとどまらず、社会インフラ全体を自律進化させるオペレーティングシステム（OS）の具現化にある³。

ソリューションポートフォリオの構造設計

HMAXは、特定産業ドメインの業務課題を解決する「ドメイン対応型ソリューション」と、それらを全社横断的・業種横断的に支える「共通ファウンドリソリューション」の二層構造で構成されている⁶。

ドメイン対応型としては、鉄道・交通インフラの車両や線路データを統合して状態基準保全（CBM）と自律運行を実現する「HMAX Mobility」、送配電網や系統用蓄電池の運用最適化を担う「HMAX Energy」、工場やビル設備におけるロボット自律化や環境最適化を推進する「HMAX Industry」が展開されている⁸。さらに、AI処理の急増に伴って電力・冷却・IT設備を横断して自律最適化する「HMAX Data Center」や、高信頼な自律金融基盤を目指す「HMAX Finance」がラインアップを補強している²。

これらを支える共通ファウンドリ基盤として機能するのが、現場の分散データと暗黙知を体系化する「HMAX Data Fabric」、ミッションクリティカル環境下で稼働するAIエージェントの挙動監視とガバナンスを司る「HMAX AI Operations」、そしてAIを活用したサイバー攻撃への耐障害性を担保する「HMAX Cyber」である²。

非決定論的AIと決定論的OT制御を分離する3層ハイブリッドアーキテクチャ

フィジカルAIをミッションクリティカルな実現場へ適用する上での最大の技術的障壁は、確率的推論を行う「非決定論的AIモデル」と、1ミリ秒の遅延や誤動作も許容されない「決定論的OT制御」の根本的な不整合にある⁴。HMAXはこの課題を克服するため、処理レイテンシと安全保証レベルに応じた3層のハイブリッドアーキテクチャを採用している⁴。

最上位に位置する「クラウド / AI Factory層」では、日立が開発した社会インフラ知能基盤モデル「IWIM（Integrated World Infrastructure Model）」の大規模事前学習が実行される⁴。IWIMはインフラ設備の物理法則や挙動メカニズムを学習した大規模基盤モデルであり、NVIDIAの世界基盤モデル（NVIDIA Cosmos）とも接続され、広域インフラやフリート全体のマクロな最適化計画や数理シミュレーションを担う³。

中間層の「エッジコンピューティング層」では、現場近接のエッジサーバや日立ハイテクが独自開発したエッジAI半導体が配備される¹。このエッジAI半導体は、画像の微細な局所特徴を捉えるCNNと全体的な文脈を解析するTransformerを融合させた産業特化型軽量モデルを搭載し、従来のGPU構成と比較して10倍以上の電力効率を達成している¹。これにより、専用サーバを置く余力のない現場盤内や移動体内であっても、現場のデジタルツインをミリ秒単位で更新し、リアルタイム推論を実行できる¹。

最下層の「現場制御層（OT / PLC層）」には、物理機器を直結駆動するコントローラ群が位置する。この層では、Time-Sensitive Networking（TSN）およびOPC UA等の産業用通信規格に基づき、ジッターをマイクロ秒単位に抑えた確定論的通信を担保する⁴。最上位や中間層のAIがどれほど動的な最適化パラメータを出力しようとも、最下層のハードウェア回路内に組み込まれた決定論的な「セーフティインターロック（安全遮断回路）」を物理的にバイパスすることはできない設計となっており、10ミリ秒以下の安全遮断を常時保証している⁴。

物理制御への閉ループ（Closed-Loop Control）の動的挙動

HMAXにおけるデータと制御の循環は、一方通行のデータパイプラインではない。まず現場のセンシング機器から振動、温度、電流、画像などの時系列テレメトリデータが収集され、後述するHMAX Data Fabricによって現場の文脈（コンテキスト）が付与される¹。

コンテキスト化されたデータは中間層のエッジデジタルツインおよび上位層のIWIMへとリアルタイムにフィードバックされ、仮想空間上で物理挙動の予測演算と代替制御シナリオの安全評価が並列実行される⁴。安全基準に合致した制御パラメータのみが制御指令ポリシーとしてPLCへ配信され、アクチュエータが物理的に駆動される⁴。アクチュエーションによって変化した実環境の状態は即座にセンサーで再計測され、AIモデルの性能評価および継続学習へと還流される⁴。この閉ループが連続的に回転することで、未知の環境外乱に対しても現場が自律的に適応し続ける仕組みが成立している⁴。

3. 現場の暗黙知をAIレディ化する「Physical AI FDE」の役割

産業現場に存在する最も価値ある知見は、データベースに構造化された数値データではなく、熟練技術者の身体的感覚、現場のメモ、機器同士の非明示的な依存関係といった「暗黙知」である³。これらをAIが推論に利用可能な「AI-Ready」な知識資産へ変換しない限り、基盤モデルをいくら現場に投入しても的確な判断を下すことはできない⁶。この変換を担うのが、日立が組織化した「Physical AI FDE（フォワード・デプロイド・エンジニア）」である⁶。

FDEの組織的出自とミッション

日立は、約1兆円を投じて買収した米GlobalLogicの先進的なアジャイルソフトウェアエンジニアリング力と、自社グループが100年以上にわたり蓄積してきたOT・重電インフラの知見を融合し、社長直轄の専門組織としてFDEチームを編成した⁴。国内5,000人規模への拡大を視野に置くFDEチームは、従来の受動的なシステムインテグレーション（SI）モデルからの完全な決別を意味している⁴。

従来のウォーターフォール開発では、仕様書に定義された要件のみを実装するため、現場自身すら言語化できていない暗黙知を汲み取ることは不可能であった⁵。Physical AI FDEは、データサイエンティスト、OT制御エンジニア、ドメインエキスパートが一体となり、顧客の鉄道基地、変電所、製造プラントの最前線に直接常駐・伴走する⁶。現場の業務課題の特定から、概念実証（PoC）、実環境へのアジャイルデプロイ、そして運用定着までを数週間単位のイテレーションで一気通貫に推進する⁴。

オントロジー設計とナレッジグラフによる意味的構造化

現場のベテラン保全員は、「特定の高負荷運転が3時間以上続いた直後に外気温が急降下した場合、ベアリングの潤滑油粘度が変化して微細な偏摩耗が発生しやすい」といった、機器仕様マニュアルには存在しない物理因果モデルを頭の中に保持している⁶。FDEは、対話型インタビューや作業動線の詳細な観察を通じて、こうした言語化されていない判断基準や現場の経験則を抽出する⁶。

単に「振動値：4.2mm/s」という測定値を時系列データベースに記録しても、AIにはその重要性や背景が理解できない⁶。そこでFDEは、機器の構成要素、前後の製造工程、過去の保全履歴、運転環境、熟練者の対応アクションの意味関係を体系的に定義する「オントロジー」を設計する⁶。このオントロジーに基づき、現場データと熟練者の判断ルールをノードとエッジで網羅的に結合した「ナレッジグラフ」を構築し、HMAX Data Fabricへと格納する⁶。

ナレッジグラフ化によって初めて、AIは単なる数値パターンマッチングを超え、「設備Aの温度異常が、後続ラインBの品質低下に直結する物理的理由」をオントロジーに沿って論理的に探索し、熟練工と同等の文脈理解に基づいた制御指示を出力できるようになる⁶。

AI Operationsによる継続的信頼性とガバナンスの維持

実環境に導入されたAIモデルは、機器の物理的経年劣化や季節変動、設備の改修によって推論精度が低下する「モデルドリフト」に晒され続ける⁶。さらに、自律的に意思決定を行うAIエージェントが、安全範囲を逸脱した行動を起こさないための厳格なガバナンスが要求される³。

HMAXアーキテクチャでは、日立のAI運用サービス「HARC for AI（Hitachi Application Reliability Centers for AI）」および「R2O2.ai（Reliable, Responsible, Observable, Optimal）」フレームワークに準拠した「HMAX AI Operations」がこの役割を果たす⁶。FDEは現場導入後もAI Operationsを活用し、モデルの推論精度、データアクセスの認可制御（Model Context Protocol等のオープン標準に準拠）、クラウドおよびオンプレミスに跨るインフラコスト（FinOps）を常時監視する⁶。モデルの精度劣化を検知した際には、CI/CDパイプラインを経由して最新の現場データを用いた再学習とパラメータ配信を自動的に実行し、システムの長期的な健全性を維持する⁴。

4. 業界別ユースケースに見る課題解決の実態

HMAXとフィジカルAIの組み合わせは、交通、電力、製造の各領域において、従来の自動化手法では到達できなかった高次元の課題解決を実現している。

鉄道・交通：予兆保全と自律運行支援（HMAX Mobility）

英国高速鉄道プロジェクトをはじめとする国内外の鉄道事業において、日立は走行車両や軌道設備を対象とした状態基準保全（CBM）の大規模実装を進めている⁴。従来は一定期間や一定走行距離ごとに設備を解体・検査する時間基準保全（TBM）が主体であり、過剰な部品交換コストや検査間隔の合間に発生する突発故障への対応が課題となっていた²²。

HMAX Mobilityでは、台車や駆動ギヤに配置された加速度・音響センサーから得られる大容量の振動データを、車両に搭載されたエッジAIがミリ秒単位で処理する²²。Perception AIが周波数スペクトルの微細な変調からベアリングの軌道面剥離の初期兆候を検知し、上位のデジタルツイン上で余寿命予測（RUL）をリアルタイムに算出する²²。さらに、気象条件や路面状態、架線電圧の変動を織り込んだ自動列車運転（ATO）の速度制御プロファイルと統合されている²²。これにより、最適な部品交換タイミングの自動計画化を達成し、保守コストの最大15%削減、故障起因の列車遅延の20%削減、ならびに走行エネルギー消費量の15%削減という極めて具体的な物理的価値を創出している³。

電力・エネルギー：系統安定化と需要予測連動EMS（HMAX Energy / EMilia）

再生可能エネルギーの導入比率が急増する中、電力系統では気候変動に伴う発電出力の急激な乱高下と、インバランス（需要計画と実績の乖離）に対する多額のペナルティ支払いが需要家および発電事業者の大きな経営課題となっている²²。

この課題に対し、トヨタ自動車東日本の岩手工場に納入された統合エネルギーマネジメントシステム（EMS）「EMilia」は、フィジカルAIを中核に据えた先進的な実証成果を挙げている²⁴。自動車製造工場では、大型プレス機や塗装ブースの稼働に応じて電力負荷が分単位で激しく乱高下する。EMiliaは、工場の生産計画、気象予測、日射強度に基づく太陽光発電の物理演算モデル、そして過去の受電実績をフィジカルAIに自律学習させ、極めて精緻な需要予測モデルを構築した²⁴。

システムは、工場敷地内のコージェネレーションシステム（CGS）や産業用蓄電池の充放電タイミングをリアルタイムに自律制御する²⁴。その結果、計画値同時同量における計画と実績の誤差率（インバランス率）を1%前後という極小値に抑え込むことに成功した²⁴。加えて、平時の需給バランス最適化にとどまらず、大規模災害による系統停電を想定し、常に一定の蓄電残量を自動保持して周辺地域へ非常用電源を供給するレジリエンス機能も確立している²⁴。

製造・産業：ロボット自律化とAI協調オーケストレーション（HMAX Industry / Naivy）

製造ラインにおける最終組立や検査工程では、製品の個体公差、部品の供給位置ズレ、さらにはワイヤーハーネスやゴムチューブといった「柔軟物（不定形材料）」の取り扱いがロボット自動化の大きな障壁となってきた¹。形状が動的に変化する柔軟物の扱いは、従来のオフラインティーチングによる固定軌道制御では対応不可能であり、熟練作業者の繊細な手技に依存していた。

日立はHMAX Industryにおいて、視覚と力覚をリアルタイムに統合するフィジカルAI制御をロボットへ実装した¹。カメラ映像からケーブルのたわみ挙動を認識しつつ、グリッパー先端の多軸力覚センサーから得られる反力フィードバックを基盤モデルが解釈することで、人間が手探りで作業するように配線をクリップに固定し、コネクタへ正確に挿入するティーチングレス自律化を達成した²⁹。

さらに、現場作業者とロボット群の高度な協調を実現するため、次世代AIエージェント「Naivy（ナイヴィー）」を中核としたオーケストレーションシステムを構築している²⁹。Naivyには、作業終了後の対話を通じて知見を深める「AIデブリーフィング技術」が組み込まれている²⁹。作業者に対してファシリテーターAI、同僚役のピアAI、専門的知見を持つエキスパートAIという3つの異なる役割を持つAIが協調して介入し、「なぜそのタイミングで異常と判断したのか」という因果関係を問いかけることで、作業者自身に判断根拠を言語化させる³¹。空調設備の保守業務を対象とした検証では、従来のチャットボット形式による支援と比較して知識定着テストのスコアが約70%向上し、現場の非熟練者を短期間で自律的な判断ができる人財へと引き上げる技能継承ループが確立されている³¹。

業界分野	主な適用ソリューション	解決した現場ペイン	適用技術要素	定量的・定性的導入効果
鉄道・交通	HMAX Mobility	・熟練保全員の勘と経験に依存した検査・予期せぬ突発故障による重大な列車遅延・運行に伴う膨大なエネルギー消費	・音響・振動Perception AIによる微小傷検知・デジタルツイン連動の余寿命予測（RUL）・線形・勾配・電力統合最適化ATO	・保守コストを最大15%削減・故障起因の列車遅延を20%削減・運行消費電力量を15%削減³
電力・エネルギー	HMAX Energy EMS「EMilia」	・再エネ連動による電力需給の急激な乱高下・計画乖離に伴う高額なインバランス課徴金・広域災害時における電源喪失リスク	・物理演算モデル×気象予測マルチモーダルAI ・分散型エネルギーリソース（DER）自律制御・動的BCPレジリエンスマネジメント	・計画と実績のインバランス率を1%前後に抑制・平時最適化と有事の地域送電電源確保を両立²⁴
製造・産業	HMAX Industry AIエージェント「Naivy」独自エッジAI半導体	・ワイヤー配線等柔軟物の自動化困難・多品種少量生産における莫大なティーチング工数・若手作業者への暗黙知継承の停滞	・視覚×力覚統合フィジカルAIモデル・3役協調型「AIデブリーフィング技術」・CNN×Transformerエッジ半導体推論	・柔軟物配線作業の完全ティーチングレス化・現場作業者の知識定着スコア約70%向上・装置内推論の電力効率を従来比10倍以上へ向上¹

5. グローバル競合との戦略比較：日立 vs シーメンス

産業インフラのデジタル化およびAI実装において、日立製作所の最も直接的な比較対象となるのがドイツのシーメンス（Siemens）である。両社はともに産業向けAIの重要性を標榜し、米NVIDIAとの強固なアライアンスを推進しているが、その立脚点、基盤アーキテクチャ、市場アプローチには鮮明な対比が存在する³⁴。

シーメンスのアプローチは、CAD/CAM/CAEやPLM（Teamcenter）といった「製品設計・デジタルエンジニアリング」を起点とするトップダウン型の展開である³⁴。オープンプラットフォーム「Siemens Xcelerator」を中核に据え、生成AIを活用した「Siemens Industrial Copilot」によってTIA Portal上のPLCプログラミングコード自動生成やシミュレーション環境の高度化を推し進めている³⁵。同社の最大の競争優位性は、仮想空間内における完全な3Dデジタルツインの構築力と、世界市場で圧倒的シェアを誇るFAハードウェア（SIMATICコントローラ等）との垂直統合にある³⁴。すなわち、デジタル空間で完璧に検証された仮想モデルを、現場の産業機械へとダウンロードして標準化された運用を成立させる、ソフトウェア主導の思想である³⁴。

これに対し、日立製作所のHMAXがとるアプローチは、社会インフラ設備の施工、運用、保守という「物理アセットのライフサイクル現場」から立ち上がるボトムアップ型である¹。日立は自らが鉄道車両メーカーであり、送配電網の運用者であり、産業機器のユーザーでもあるという「カスタマーゼロ」としての実践知を強みとしている³。設計通りの挙動を示さない現場の経年劣化、環境外乱、そしてマニュアル化不可能な熟練者の身体知を、Physical AI FDEが現場に直接入り込んでオントロジーとナレッジグラフに昇華させるプロセスは、日立独自の実装アプローチである⁴。

比較項目	日立製作所（Hitachi）	シーメンス（Siemens）
中核プラットフォーム	HMAX by Hitachi（Lumada 3.0）¹	Siemens Xcelerator[cite: 35, 36]
AI戦略の核心概念	Physical AI（物理空間の自律制御・運用最適化）¹	Industrial AI（エンジニアリング・製品ライフサイクル統合）³⁴
AI製品インターフェース	自律協調型「Naivy」、基盤モデル「IWIM」¹	「Siemens Industrial Copilot」（TIA Portal統合）³⁶
現場実装アプローチ	現場密着・ボトムアップ型 Physical AI FDEが顧客現場に伴走し暗黙知を抽出⁶	設計主導・トップダウン型 PLM/CADと直結したコード自動生成と標準化³⁴
デジタルツインの起点	実稼働テレメトリデータ＋熟練工の因果関係オントロジー⁶	3D CAD/CAEデータ＋高精度物理シミュレーション³⁴
ハードウェア基盤	鉄道車両・電力グリッド・独自エッジAI半導体の垂直統合¹	FA機器・PLC（SIMATIC）における世界最高峰の市場シェア³⁴
主たる提供価値	既設インフラの自律化・稼働継続性・現場知の継承³	新製品・新ラインの立ち上げ迅速化（Time to Market短縮）³⁴

新製品の設計から量産ラインの立ち上げに至るリードタイムを極小化し、工場全体のソフトウェアライセンスを集約する観点では、シーメンスのXceleratorエコシステムに強みがある。一方、数十年におよぶ長期運用が前提となる既設の社会インフラや、多種多様なメーカーの機器が混在する複雑な産業現場において、熟練工の暗黙知を保全しつつ自律制御へのクローズドループを確立する領域では、日立のHMAXとFDEによる伴走型アプローチが明確な競争優位性を発揮している⁴。

6. 社会インフラOSへの進化と導入に向けたアーキテクチャ提言

日立製作所がHMAXを通じて見据えている未来像は、個別の設備やプラントの効率化にとどまらない。HMAX Mobility、HMAX Energy、HMAX Industry、そして新設されたHMAX Data Centerが水平方向につながることで、社会インフラ全体を統調する「社会インフラOS」としての進化である²。例えば、急増するデータセンターの電力需要に対し、電力網の空き容量と天候予測を連動させてデータ処理ワークロードを柔軟に分散する「ワット・ビット連携」や、鉄道網の運行ダイヤと地域の電力需給を瞬時に連動させる自律グリッド制御などが現実の視野に入りつつある¹⁹。

このような高度なフィジカルAIアーキテクチャの導入を検討するインフラ・製造現場の責任者およびITアーキテクトは、以下の設計指針を意識して導入計画を推進すべきである。

何よりもまず、時系列センサーデータをただデータレイクに溜め込むだけの「受動的DX」から脱却しなければならない。熟練者がどの設備パラメータの組み合わせを注視し、いかなる運用ルールや環境制約に基づいて判断を下しているのかという「因果関係の文脈」を明示化し、オントロジーおよびナレッジグラフとして初期段階からモデル化することが必須である³。データ基盤に文脈が伴っていなければ、AIは物理的な意味を理解できず、実用的な自律制御には至らない⁶。

次に、非決定論的なAI推論と決定論的な安全制御を物理的・論理的に分離する多層防御アーキテクチャの確立である⁴。HMAXが採用しているように、エッジAIによる動的な最適化パラメータの算出と、ハードウェアPLCによる10ミリ秒以下のセーフティインターロックは明確にレイヤを分離し、モデルの誤出力が物理事故へ波及する経路をハードウェア構造として遮断しなければならない⁴。シミュレーション空間（デジタルツイン）を安全ガードレールとして介在させ、検証済みのパラメータのみを実機に反映させる仕組みをアーキテクチャの要石とすべきである⁴。

そして最後に、外部ベンダー任せにしない「FDEモデルの内製化と技能共進化体制」の構築である。日立のPhysical AI FDEを活用して現場の暗黙知をナレッジグラフへ変換する初期導入を進めると同時に、導入後には自社の現場エンジニアがAI Operationsの運用メトリクスを監視し、NaivyのようなAIエージェントと共にデブリーフィングを通じて現場知を継続更新していく運用サイクルを定着させることが不可欠である⁵。

フィジカルAIは、単なる省人化のためのデジタルツールではない。現場に埋もれた暗黙の英知をデジタルの資産へと昇華させ、過酷な物理環境の中で自律的に稼働し続ける持続可能な社会インフラを再構築するための不可欠な技術的基盤である¹。