PepsiCoのSimReady工場成功事例。スループットを20%向上させたフィジカルAI展開

製造・物流プロセスの自律的最適化を可能にした”フィジカルAI”
1. エグゼクティブサマリー
2. プロジェクトの背景とシステム構成
3. 実証されたビジネス成果（定量評価）
1. 3.1 3ヶ月でのスループット20%向上
2. 3.2 CAPEXの10〜15%削減と投資対効果（ROI）
4. テクニカル分析：なぜ「SimReady」が成果をもたらしたのか
5. 結論および戦略的提言
引用文献

製造・物流プロセスの自律的最適化を可能にした”フィジカルAI”

1. エグゼクティブサマリー

消費財（CPG）製造業界は、世界的な供給網の混乱、急激な需要変動、そして複雑化する現場のオペレーションという多角的な課題に直面している ¹。これに対し、飲料・食品大手であるPepsiCo（ペプシコ）は、従来の静的かつ部分的なシミュレーションの枠組みを超え、物理実体を持つAI（フィジカルAI）を基盤とした「デジタルファースト」の設備設計・運用戦略へと舵を切った ¹。（今泉注：本レポートでは、第一に工場設備全体をデジタルツイン化したこと、第二にデジタルツイン空間内をAIエージェントが自由に動き回ることで最適配置等を自ら発見し、最低限の配置換え等でスループット向上の定量的効果が得られたこと。これらを総合して「物理資産にAIを適用できるようになった」、そのことを以て”フィジカルAI”であると論じている。）

ペプシコは、Siemens（シーメンス）およびNVIDIA（エヌビディア）との複数年にわたる協業体制を構築し、米国の主要な「ゲーターレード（Gatorade）」製造工場や倉庫を対象とした次世代デジタルツイン環境を構築した ¹。この取り組みの中核を成すのが、単なる視覚的な3D CGモデルとは異なり、質量、慣性、摩擦係数などの物理的な挙動属性があらかじめ付与された「NVIDIA SimReady（シミュレーション・レディ）」資産である ⁵。

本プロジェクトの本格導入後、わずか3ヶ月という極めて短期間で実証された定量的なビジネス成果は以下の通りである。

既存工場の生産量（スループット）を20%向上：稼働中の既存プラントの物理的なフットプリントを変更することなく、隠れたキャパシティを発見し、搬送および稼働効率を極大化した ³。
投資資本支出（CAPEX）を10〜15%削減：仮想空間内における高精度な設計検証により、実空間における手戻り工事や物理試作のコストを完全に排除した ³。
設備レイアウトに潜む設計上の不整合を最大90%事前に特定：AIエージェントが仮想空間内で何千通りものシミュレーションを自律実行し、実構築前に構造的ボトルネックを洗い出した ²。

本レポートは、ペプシコにおけるSimReady資産とAIエージェントの導入事例をもとに、デジタルツインのシステム構造、実証された財務および運用的価値、そして成果に直結した技術的メカニズムについて、専門アナリストの視点から論理的かつ詳細に解説する。

2. プロジェクトの背景とシステム構成

ペプシコのサプライチェーンは、農場から店舗の棚に至るまで、その規模と複雑さにおいて膨大なアセット群から構成されている ¹。消費者需要の増大に伴い、生産ラインおよび物流倉庫の容量拡大が急務となっていたが、稼働中の工場においてラインの改修や搬送ルートの変更を行うことは、生産停止に伴う巨額の機会損失や、現地での不整合による工期遅延といった高レベルのリスクを伴っていた ¹。

この課題に対し、ペプシコはCES 2026において、Siemensの Roland Busch（シーメンスAG CEO）およびペプシコの Athina Kanioura（中南米CEO兼グローバル最高戦略・変革責任者）の登壇のもと、工業用AIおよびデジタルツインを用いたサプライチェーン変革の提携を発表した ¹。この「デジタルファースト・プランニング戦略」では、現実世界で物理的な原子（設備や鋼材）を動かす前に、仮想空間上でAIエージェントを「共同デザイナー（Co-designer）」として位置づけ、完全な事前設計検証を可能にするシステムアーキテクチャを確立した ¹。

本プロジェクトのコアとなる統合システム構成は、以下の主要コンポーネントで形成されている。

表1：ペプシコ・デジタルツインプロジェクトのシステム構成要素

技術コンポーネント	供給・提供ベンダー	主な役割と機能詳細
Digital Twin Composer	Siemens ³	Siemens Xceleratorマーケットプレイスを通じて提供される産業用メタバース構築基盤 ³。工場内の2D/3Dの設計データと、MES、PLCコード、QMS、稼働データなどの産業用実データを安全に統合する ⁸。
NVIDIA Omniverse ライブラリ	NVIDIA ³	高度にリアルタイムな物理シミュレーションおよびフォトリアルなレンダリングを実行する基盤API群 ³。OpenUSD（Universal Scene Description）をベースとした空間データの共通規格化を実現する ⁵。
SimReady 資産 (Unified Intelligent Assets)	NVIDIA / 業界パートナー ⁵	質量、密度、材質摩擦、重心位置、セマンティックラベル（物体認識用タグ）を単一コンテナ内に内包するインテリジェントな3Dモデル群 ⁶。
AIエージェント / 強化学習エンジン	Siemens / NVIDIA / 独自開発 ¹	仮想化された工場レイアウト内を自律的に探索し、ボトルネックの検出、パレットルートおよびコンベアフローの最適化オプションを創出する意思決定AI ⁸。
コンピュータビジョン & IoTコネクティビティ	共同開発 ³	現場のカメラ映像やセンサー群から、作業員の稼働ルート、AGV（無人搬送車）の動線、パレットフローの実データを抽出し、デジタルツインへリアルタイムにフィードバックする ³。

このアーキテクチャにより、ペプシコは製造設備、コンベア、パレット搬送経路、およびオペレーターの作業動線に至るすべてを、センチメートル単位かつ物理法則に基づいた精度で仮想環境に再構成できる環境を構築した ⁴。

3. 実証されたビジネス成果（定量評価）

ペプシコがガトーレード製造工場および物流拠点に導入したデジタルツインプロジェクトは、単なるビジュアル構築に留まらず、短期間で極めて顕著な運用的および財務的成果を創出した ³。

3.1 3ヶ月でのスループット20%向上

従来型の工場改修プロセスでは、設備の停止を伴う実地での試行錯誤や、調整不足による生産ラインのジャム（渋滞）、搬送機器のミスマッチが発生し、計画段階から稼働安定化までに数ヶ月から数年の期間を要するのが一般的であった ³。しかし、ペプシコは本システムを活用し、わずか「3ヶ月」という驚異的な短期間でスループット20%向上という成果を達成した ³。

この運用のスピード感は、Siemens Digital Twin Composerが実現した「リアルタイム接続によるパフォーマンス・ベースラインの確立」に起因している ⁸。実機の稼働データ（タイムシリーズ・マシンデータ、PLC情報など）が絶え間なくツインに接続されているため、AIエージェントは現実の工場稼働に即座に適応する最適化構成を「数週間」の単位で自動検証・特定し、実生産へと速やかに反映させることができた ³。結果として、従来は数ヶ月に及んでいた計画・調整サイクルが数日へと大幅に圧縮された ³。

3.2 CAPEXの10〜15%削減と投資対効果（ROI）

プラント改修における最大の資本損失は、不完全な物理的設計、機器干渉、および設置後の能力不足に伴う追加改修（物理的エラーの手戻り）である ²。デジタルツイン内でのほぼ100%に達する設計検証（Virtual Validation）により、現場での試行錯誤的なレイアウト変更や再工事が不要になり、直接的な資本支出（CAPEX）を10〜15%削減することに成功した ⁸。

また、この財務的なメリットは、新規のハードウェア調達を最適化した点にもある。高度な物理シミュレーションにより、コンベアラインのバッファ、パレットルートのタイミング、およびフォークリフトやAGVの速度プロファイルを最適化することで、追加の機器調達を最小限に抑えつつ「既存設備に眠っていた隠れた生産容量（Capacity）」を効率的に顕在化させることができた ³。これは、限られた投資資本で最大の生産能力を創出するという、製造業における極めて高いROIモデルを示している ³。

表2：実証されたビジネス成果の定量・定性サマリー

評価軸	従来プロセスの課題	デジタルツイン・SimReady導入後の成果	財務・運用上の波及効果
スループット（生産量）	複雑な動線干渉や、稼働調整の遅れによるボトルネックの未解消。	20% 向上 ³	既存プラントのフットプリントを変更せず、供給キャパシティを最大化 ³。
CAPEX（資本支出）	現地での予期せぬ設計不整合による再設計、手戻り工事、不要な機器の過剰発注。	10% 〜 15% 削減 ³	物理設備投資リスクの抑制、設計エラーによる工事期間の延長を防止 ³。
設計不整合（エラー）の特定	実際に設置・稼働させるまで潜在的な物理干渉や動線クラッシュの発見が困難。	実稼働前に最大 90% の潜在課題を検知 ⁸	工期遵守率の向上、生産ライン立ち上げ時の初期不良リスクの極小化 ⁸。
設計検証（バリデーション）率	部分的な静的シミュレーションによる、不完全な予測。	ほぼ 100% の設計検証を仮想空間で完了 ⁸	「仮想で2回検証し、実空間で1回で構築する」プロセスの確立 ²。
計画サイクル	部署間の縦割りプロセスにより、要件定義から合意形成までに数ヶ月を要する。	数ヶ月から数日への計画プロセスの圧縮 ³	需要の突発的なシフトや製品の切り替えに対する超敏捷な対応力（アジリティ） ³。

4. テクニカル分析：なぜ「SimReady」が成果をもたらしたのか

ペプシコにおけるプロジェクトの成果を支える本質的な技術ドライバーは、単なる3D CGモデルや従来のCADデータによるシミュレーション手法からの脱却、すなわち「NVIDIA SimReady」技術仕様の採用である ⁵。本セクションでは、SimReady資産の構造と、それがAIエージェントの超並列実行にどのように直結したのか、その技術的メカニズムを解説する。

4.1 従来の3Dアセットとエンジニアリングデータの限界（サイロ化問題）

一般的な3DデータフォーマットやCADデータには、エンジニアリング、マーケティング、シミュレーション、およびAI訓練の各プロセスにおいて情報の互換性がないという「サイロ化問題（フォークリフト重複問題）」が存在していた ⁶。

エンジニアリング用CAD/STEPデータ：極めて精密にボルトや内部構造まで記述されているものの、素材のテクスチャ情報がなく、データ量がギガバイト級に肥大化するため、広大な工場全体のリアルタイムなマルチフィジックス・シミュレーションには適合しない ⁶。
マーケティング・視覚用3Dモデル（FBX/GLB等）：外観は非常に美しいが、物理的な質量情報や衝突境界、摩擦特性を持たない「空洞のシェル」であり、物理演算エンジン上で物体を把持したり移動させたりすることができない ⁶。
従来のシミュレーション用モデル（URDF等）：ロボットの動作検証には耐えうるものの、センサーの透過性、詳細なテクスチャ、標準化されたセマンティックラベルが欠落しており、AI訓練のための自律探索や画像認識モデルの生成には再加工が必要であった ⁶。

このデータ連携の絶望的な断絶により、従来はデジタルツイン構築の初期フェーズにおいて「各システム仕様に合わせた手動でのデータクレンジングと物理パラメータの入力」に膨大な時間（全体の8割以上）を割く必要があった ¹⁵。

4.2 SimReadyが定義する多層仕様アーキテクチャ

NVIDIA SimReadyは、Pixarが開発し、Alliance for OpenUSD（AOUSD）によって推進されているオープン標準「OpenUSD」をベースにした、シミュレーション専用のメタデータ仕様フレームワークである ⁵。SimReady資産は、1つのUSDファイル（または構成ファイル群）の中に、あらゆるシミュレーションエンジンが解釈可能な形で「物理属性」「意味論（セマンティクス）」「視覚表現」のデータを構造化して内包している ⁵。

SimReadyのデータ構造は、buildingSMARTのIFC検証モデルに準拠した4つの厳格な評価レイヤーに基づいて整合性が保証される ⁵。

表3：SimReadyが採用する4層バリデーション検証モデル

レイヤー名	検証内容とシミュレーション適合性	担当する役割とルール例
1. Syntax (構文)	基礎となるOpenUSDファイルの構文解析が正常に行えるか。	基盤USDスペックによる基礎検証 ⁵。
2. Schema (スキーマ)	3D空間内のデータ構造がUSDPhysicsや物理スキーマに正しくマッピングされているか。	基盤USDスペックによる整合性担保 ⁵。
3. Normative Rules (適合規格)	工業・産業用シミュレーションに適合した高品質なモデリング基準を満たしているか。	テッセレーション密度の最適化（VG.013）、マニホールドトポロジー（VG.007）、メッシュの非三角化防止（VG.021）の確認 ⁵。
4. Best Practices (運用基準)	特定のシミュレータに依存せず、AIや物理環境で正しく動作するか。	閉塞した（内部の非可視）余剰ジオメトリの排除（VG.003）、スケール（縮尺）の整合、実世界スケールの適用 ⁵。

4.3 USDPhysicsスキーマと厳密なマルチフィジックス実装

ペプシコの製造ラインに配置されたSimReady規格のコンベア、ボトル、およびパレットには、OpenUSDの標準規格である「USDPhysics」APIスキーマが適用され、以下に示す物理パラメータがデータ内に定義されている ⁸。

剛体力学の定義 (UsdPhysicsRigidBodyAPI)：物体に剛体（Rigid Body）としての動的特性を与え、重力加速度や外力による運動、線形速度および角速度の変化を再現する ¹⁹。運動量や角運動量は、物体の慣性特性と連動して以下のようにエンジン（PhysX等）でリアルタイム計算される ¹⁹。
質量と密度特性 (UsdPhysicsMassAPI)：任意の体積に対して、物体の真の質量 (kg) または密度 () を明示的にバインドする ¹⁹。

また、デフォルトの境界ボックス（AABB）の中心を重心（Center of Mass）とする仕様によるシミュレーションの破綻を防ぐため、物理的に正確な重心位置座標（physics:centerOfMass）を明示的にオーバーライドして定義する ¹⁹。これにより、パレット積載時に荷崩れが発生するモーメントを正確に特定できる ⁷。
表面物理属性 (PhysicsMaterialAPI)：素材（プラスチック製ボトル、段ボール製ケース、スチール製コンベア、ゴム製駆動ベルトなど）に応じた静摩擦係数、動摩擦係数、および反発係数（弾性）を設定する ¹⁹。摩擦力は垂直抗力に対して以下の制約のもとでシミュレーションされる ¹⁹。

摩擦係数の合成アルゴリズム（Friction Combine Modes）は実行される物理エンジンによって異なる（例：PhysXは「平均値」、MuJoCoは「乗算」、Bulletは「最小値」を基準とする）ため、SimReadyはこれら異なる演算モード間でも一貫した挙動を維持するよう、拡張パラメータを含めて厳密に標準化している ¹⁹。
衝突メッシュの自動生成 (UsdPhysicsCollisionAPI)：複雑な凹凸を持つ機械設備部品やパレット搬送機器に対し、凹型形状をそのままシミュレートすると処理負荷が極限まで高まるため、自動的な「凸型分解（Convex Hull Decomposition）」を適用した衝突メッシュ（コライダー）を定義する ¹⁹。これにより、処理負荷を下げつつ、コンベアやロボットの掴み部（グリッパー）が的確にパレットやケースに引っ掛かる実挙動を再現している ⁵。

4.4 AIエージェントが「超並列シミュレーション」を高速に実行できた理由

AIエージェントが仮想空間内で何千通りもの「もし（What-if）」のレイアウト変更や運用変更シナリオを検証する際、ボトルネックとなっていたのは、シミュレーションを実行する前の空間構築作業である ¹⁸。

従来の3Dアセットでは、AIエージェントが任意のオブジェクト（例：パレット搬送用のAGV）を動かそうとしても、そのAGVがどのような衝突判定を持つのか、荷物を載せた際の重心変化がどうなるのかをエージェント自身が理解できず、検証コードを人間が手作業で記述し直す必要があった ⁶。

SimReadyを採用したペプシコのデジタルツイン環境では、AIエージェントによる自動検証プロセスが完全に自律化された。

セマンティック認識（意味論）による自律レイアウト生成：すべてのSimReady資産には標準化されたQコード（Q-code）に基づくセマンティックラベルが付与されているため、AIエージェントは「何がボトルで、何がコンベアで、何がパレットか」を即座に認識する ⁶。そのため、AIエージェント自身が、工場の自動レイアウト空間を自律生成（Co-design）することができる ¹。
パラメータのランダム化（合成データの自動生成）： AIエージェントは、搬送経路におけるパレットの供給速度、コンベアの回転速度、通路幅、フォークリフトの旋回半径、一時バッファの位置をランダムに変動させたシナリオをアルゴリズム的に構築する ⁷。
GPUによる数千シナリオの超並列実行（Massive Parallelism）： NVIDIA Omniverse上で動く「USDPhysics API」スキーマは、GPUの並列計算処理能力（特にNVIDIA RTXプラットフォーム）に直接マッピングされる ³。パラメータが記述されたSimReadyアセットがそのまま並列プロセスとして複数の仮想シミュレータに同時展開され、AIエージェントは強化学習（RL）を用いてこれらを同時に稼働させる ⁸。 AGVの経路探索、障害物回避、およびタスク割当などの動的最適化を解くため、強化学習（例：Q学習）が使用される。Q値は、状態と行動、即時報酬、および割引率に基づき、ベルマン方程式に沿って仮想環境内で高速に更新される ¹⁴。

この並列化プロセスにより、実時間におけるわずか数時間の中で、現実の数ヶ月分に相当するテスト（動線クラッシュ、交差点デッドロック、速度ミスマッチによるコンベアのジャムなど）が完了する ³。
ボトルネックの特定：これら超並列検証の結果から、搬送効率が理論値の限界を超える極値（ボトルネック）を事前に正確にスコア化して判定し、実空間での手戻りを90%削減しつつ、ほぼ100%の精度で「最もスループットが高い設備構成」を絞り込むことが可能となった ⁸。

├── 視覚（フォトリアル MDL / PBR）
├── 物理（USDPhysics / 質量 / 密度 / 摩擦）
└── 意味（セマンティックラベル / Qコード）
│
▼ (データクレンジング作業の排除)

├── 遺伝的アルゴリズムによる自動空間生成
└── 強化学習 (Q-Learning) による自律動線設計
│
▼ (GPUを活用した超並列同時展開)

├── 摩擦 combine、重心移動、干渉、衝撃計算の同時並列実行
│
▼
[最大90%のエラー除去・設計整合性100%の達成・最適なレイアウトの特定]

5. 結論および戦略的提言

ペプシコによるSiemens Digital Twin ComposerおよびNVIDIA Omniverse/SimReady技術の統合アプローチは、複雑極まりないグローバルサプライチェーンと工場オペレーションを「ソフトウェア定義（Software-defined）」の管理下に置くことに成功した、Industrial AI変革における金字塔である ¹。

本プロジェクトの成功に基づき、製造業・DX推進を行うエンタープライズ企業が今後とるべき重要なロードマップを以下に要言する。

「二度エンジニアリングし、一度で構築する」プロセスの恒久化：すべてのプラント変更、ロボットセルの追加、および物流プロセスの拡張にあたっては、実物の構築・調達を開始する前に、必ず「物理的に正確なデジタルツイン」の上で検証する ²。この検証なしに物理工事を強行することは、高額なCAPEX上の手戻りリスクや不完全なスループットを容認することと同義である ³。
3Dアセット管理ポリシーの「SimReady/OpenUSD」への一本化：組織内の各部門（設計CAD、マーケティングCG、AI訓練、シミュレーション評価）が個別に3Dデータを作成・複製する「サイロ化されたアセットモデル」を即座に廃止する ⁶。全社共通の「Unified Intelligent Asset（SimReady/OpenUSD）」を定義・蓄積するデータパイプラインを確立し、いつでもAIエージェントがデータを読み取って自律並列シミュレーションを実行できる基盤を整備すべきである ⁵。
産業用AIとデータ・コネクティビティへの持続的投資：デジタルツインは一度作成して終わりではなく、MESや時間系列マシンデータといった現実世界の産業用IoTデータソース（OTシステム）と持続的に接続されて初めて「学習・予測する生きたモデル（AI Digital Twin）」へと昇華する ³。このリアルタイムループが確立されてこそ、生産ラインは単に需要に対応する（React）だけでなく、自律的に需要を予測して事前に変化を最適化（Anticipate & Adapt）する知的エコシステムへと変貌を遂げる ³。

ペプシコは今後、この米国でのGatorade（ゲーターレード）工場および物流拠点のモデルをデジタル・ブループリントとして位置づけ、グローバル規模でのロールアウト（世界市場へのスケール拡大）を開始している ¹。この取り組みは、今後の製造・プロセス産業における最高峰のデジタル変革ロードマップを指し示す好例であり、これからのスマートファクトリーの「未来の設計図」を決定付ける技術革新である ¹。