AWS re:Invent2025のインダストリーブースで見る製造業の未来 #AWSreInvent
「インダストリーブース、去年のre:Inventとは違った点が結構あるな…」
re:Invent2025のExpo，AWSインダストリーブースを訪れて感じた第一印象です。
インダストリーにおける様々な課題へのAWSなりのアプローチが展示されているというコンセプトに大きな違いは無いのですが、中で利用されている技術には結構違った側面があり、最新のコンセプトにより、AWSが製造業にどのようなインパクトを与えようとしているのか、非常に明確に展示されていた内容でした。
非常に楽しかったので、一部ではありますがその展示内容を皆さんにお届けします。
ご説明には、下記お二人を中心に、多数のAWSさんにご協力いただきました。改めて御礼申し上げます。
- AWS 山本 直志
- シニア インダストリー スペシャリスト ソリューション アーキテクト
- AWS 吉川 晃平
- シニア ソリューション アーキテクト
以下、お二人の説明内容を元に、展示内容をご紹介していきます。
ブースツアーの概要
今回のツアーでは、インダストリーエリアの中でも、特に製造業と自動車を中心にご紹介していきますね。ただ、展示はけっこう分散していまして、例えば真ん中のビレッジにはEC2などで使っているサーバーの現物が置いてあったり、別のエリアではフィジカルAIでロボットの歩き方を学習させるデモなんかもあります。
テクノロジー全般に興味がある方は、そちらもぜひ見ていただけるといいかなと思います。
今年の全体的な展示のトレンド
今年の業界展示で一番多いテーマは、やっぱりエージェンティックAIですね。エージェントがいて、そこにツールがあって、いろんなデータソースをつなげちゃえば何でもできますよ、という世界観が徐々にできつつあります。業界軸で見た時に、どういうデータベースやバックエンドシステムとつないでいくと、どんなエージェントができるのか、という観点でご覧いただくのが1つのポイントかなと思います。
製造業の展示としては、やっぱり物理の世界とどうつなぐかが大事になってきます。ITもそうですし、3Dデザインなんかも含めて、それをさらにAIを使って作っていく、という話が二番目のテーマですね。
三番目は、ソフトウェア開発です。Amazon Q Developerの話がいろんなところに入っていまして、特に組み込みや車載ソフトウェア開発の分野で注目されています。
製造業エリアの紹介
製造業エリアは表と裏の構成になっています。表側は3Dプリンターを使った仮想工場、裏側はロボットアームを使った工場というテーマですね。
製造業なので、製品をデザインして最終的に生産するという流れがあるわけですが、それをクラウドでどうやるのかというところを、このエリアで再現しています。
3Dプリンターによるコイン製作デモ
このデモでは、丸いコイン（トークン）を3Dプリンターで印刷しています。まず、どんなデザインにしたいかを選んでいただきます。テンプレートからテーマを選んで、スタイルを指定すると、AIが2種類のデザインを生成してくれるんですね。
1つ目は、最終的にどんな製品になりそうかを示すアーティスティックなデザインです。2つ目は、実際に製造するための3Dモデルですね。製造するには生産可能な図面が必要なので、3Dモデルを同時に作るわけです。
デザインができたら、QRコードをスキャンして画像をダウンロードできます。ただ、3Dプリントはけっこう時間がかかりまして、縦の長さに比例して印刷時間が増えるので、30分から1時間くらいかかっちゃいますね。
アーキテクチャについて
このデモのアーキテクチャとしては、UIからデザインを選択して、Amazon Bedrockの画像生成で2Dイメージを作って、さらに3Dモデル生成を行い、最終的に3Dプリンターで出力する、という流れになっています。
もちろん、本格的な製品デザインは非常にプロフェッショナルな作業なので、簡単にはいかないですよね。今、各社（例えばオートデスクさんとか）がプラグインでCAD操作できるようにしたり、細かい操作やカスタマイズができる機能を提供しています。
フリートマネジメント（装置管理）
今度は、発注された製品を生産する工場側の視点に移りますね。こちらは、リモートの場所に設置された装置を管理する立場だと思ってください。
3Dプリンターが各地（例えばロサンゼルスとか）に分散配置されていて、それらの装置をモニタリングできるようになっています。このデモでは4台の3Dプリンターを管理していますね。
フリートマネジメントの観点から、他の装置も含めていろんなものを管理できる設計になっています。例えば、エンジンの温度や油圧なんかも、全部テレメトリーとしてIoTで取得できて、可視化できるようになっているんですね。
3Dプリンターでいうと、エクストルーダー（フィラメントを送り出す部分）の温度がちょっと高いとか、そういった現在の状態をリアルタイムでモニタリングできます。
装置管理の活用シナリオ
この機能は2つのシナリオで役立ちます。
- 製造業の運用担当者向け：実際に装置を運用している皆さんが状態を監視する
- 装置メーカー向け：自社の装置の状態をモニタリングして、性能が下がってきたら保守の提案をする
いずれにしても、取れるだけのデータをなるべく取ってあげて、ジョブの進捗状況（準備中とか、4%完了とか）も含めて、全体の状況がモニタリングできるようになっています。
メンテナンス管理とチャット機能
メンテナンスが必要な場合、専門の技術者（テクニシャン）が部品交換なんかの作業をしなきゃいけないわけですが、そのための作業依頼票の発行やチケット管理もこのシステムからできるようになっています。
さらに、チャット機能を使って「メンテナンスをしてくれ」と言うと、MCPでツール接続してチケットを発行して、デバイスと紐づけて管理する、なんてこともできちゃいます。AIに直接作業を実行させることも可能ですね。
品質検査デモ
次は、製作したプロダクトの検査フェーズです。
このデモでは、左と右の製品を比較しているんですけど、従来の外観検査って学習に非常に手間がかかるんですよね。でも、このシステムの素晴らしいところは、良品と欠陥品を比較してあげるだけで欠陥が検知できるという点なんです。
例えば、3Dプリンターの熱の問題で製品が溶けて形が異常になった場合でも、事前の学習なしに欠陥を検出できます。
色の検査について（Q&A）
質問：色のマッチングとか、微妙な色の違いを検査する場合にも使えますか？
回答：プロンプトで違いを指示しているので、何らかの外見上の違いがあって、それがプロンプトで記述できるものであれば、検知できる可能性はあると思います。ただ、色の検査は光の反射とかいろんな要素があるので難しい面もありますね。このデモでは傷が見やすいように上から光を当てているんですが、例えば車の塗装を横から見るような検査はちょっと難しいかもしれないです。
ロボットアームを使った工場デモ
昨年のAWSサミットでは、黄色いe-Bikeに塗装を塗る塗装マシンのデモを展示しました。昨年のre:Inventでは、ベルトコンベアに載せられた巨大なe-Bikeの工場をメインテーマにしていたんですね。
今年は、それをキュッと持ち運びできるサイズまで小さくしました。やっていることは同じで、溶接を模した作業をPLCで制御しています。これを用いて、エージェンティックにさまざまな生産工程の問題を解決しようというのが、今年の展示テーマです。
3つのソリューションを用意していますので、順番にご紹介しますね。
ソリューション1：デジタルツインとリモート監視
生成AIを使って製造プロセスをどう改善できるかを紹介するデモです。前提として、データファンデーションが必要なんですね。データをしっかりクラウドに集められるようなデータモデルを持つ必要があります。
デジタルツインを構築していまして、シンガポールのイノベーションラボに常時展示している物理的なデモと連携しています。テレメトリーを表示させたり、今どうなっているかをリモートで確認できますし、カメラをリモート操作することもできます。
1箇所でデータを集約することで、対応やアクションをもっと早期にできるようになる。これがデジタルツインの目的の1つですね。
ソリューション2：在庫管理と生産スケジュール最適化
生成AIを使って、製造スケジュールに合わせた在庫管理をチェックしています。
例えば、必要な在庫が不足する場合、2〜3日は在庫が足りているんだけど、組み立てに必要な部品が足りなくなる、ということがあるわけですよね。その場合、どのサプライヤーに発注すれば間に合うか、いつまでに発注しないと在庫切れになるか、といったところを生成AIのエージェントに確認してもらえます。
さらに、現状確認だけじゃなくて、「この受注量を12月に発送できますか？」といった問い合わせに対しても、シミュレーションを回してくれて、リードタイムが守れるか、どのサプライヤーにどれくらい発注すれば間に合うかなどを回答してくれるんですね。
これで、ファクトリー内での対応時間を削減できますし、営業活動の支援にも使えます。
製造と営業の連携について
お客さんとよく話すんですけど、製造と営業ってあまり話さないですよね。製造の人は、営業の人に情報を知られると無理な注文が来るので、なるべく知ってほしくないという気持ちがある。でも、そのせいで、もっと製造してもっと受注できたはずなのに、という機会損失もあるかもしれないんですよね。
こういうふうに生成AIエージェントを活用することで、直接話さなくても、もうちょっと円滑に情報共有ができるんじゃないかという考え方もあります。
データ準備について（Q&A）
質問：データを準備するのが大変そうですね。
回答：そうなんですよ、そこはあるんですけど、エージェントを使うことで、今まで例えばデータを全部データウェアハウスに集めてアナリティクスして、グラフ作って、クエリ投げて…ということをやっていたのが変わってきます。
エージェントにはデータソースをいくつか渡すことができて、どういうデータがどこにあるかをエージェントに考えさせることができるんですね。例えば、MRPのデータ、在庫データ、受注データが別々の場所にあったとしても、エージェントにどのデータソースにどのデータがあるかを事前に説明するだけで、あとはエージェントが自分でどのデータを見れば回答できるかを考えて、データを取りに行ってくれます。
アプローチがちょっと違うんですよね。エージェントの方にデータ取得を委ねるという考え方です。エージェントはどんどん賢くなってきているので、こういうことができるようになっています。
ソリューション3：品質検査の根本原因分析（RCA）
ちょっと工場のラインをイメージしてください。溶接して、塗装して、そして品質検査をするという流れですね。
品質検査で問題が検出された時、その原因を探すのはけっこう難しいんですけど、このデモでは、すべてのデータをAWS IoT SiteWiseにリアルタイムでアップロードして、そこからエージェントに根本原因の調査をさせています。
「この製品の検査でエラーが出てるんですけど、なぜですか？」と聞くと、エージェントがさかのぼって、他のステーションで製造した時にどういう状況だったか、他の製品と何が違うのか、そういうところを自分で考えて分析してくれます。
データモデリングの重要性
ここで大事なのは、エージェントを正しく機能させるには、適切なデータモデリングが必要だということです。各データポイントにプロダクトIDなどの一意のフレームIDを付与しないと、データがバラバラになってしまうんですね。
エージェントってすごく賢いように見えるんですけど、実は知らないものは知らないのに回答しちゃうんですよ。例えば、ラインでの商品の順番を教えないと、品質検査でエラーが出た4時半のデータを見る時に、同じ4時半の他のステーションのデータを見ちゃうんですね。でも、その商品が他のステーションを通過したのは4時半じゃないかもしれないわけです。
製品がどの順番で各ステーションを通って、各ステーションでプロダクトIDがあった時間帯はいつか、ということをちゃんと教えてあげれば、しっかり正しいデータを引いて、「確かにここはおかしいですね」と正しい回答をしてくれます。
人間にとっては当たり前のこと（ラインの順番とか）でも、エージェントには教えないとわからないんですよね。しっかり教えてあげれば、スマートに回答してくれますし、日本語でも回答できます。
プロンプト設計について（Q&A）
質問：前提やコンテキストを最初に入れておくことはできないんですか？
回答：コンテキストには「あなたは工場のヘルパーボットです」ということしか入れていないんですね。それ以外のこと（例えば株の話とか）には答えてほしくないので、制限をかけているんです。
ラインの構成などの情報は、SiteWiseのアセットのディスクリプション（説明欄）に入れています。エージェントはSiteWiseから取得したデータをもとに、ラインの違いとか、どのラインにどのアセットがあるかとか、全部理解できます。
今回は、あえてヒントを最小限にして、エージェントがどこまで頑張れるかを検証してみました。
開発期間について
このデモは2人で2週間くらいで作りました。
自動車ソフトウェア開発デモ
自動車のソフトウェア開発に関するデモが2つあります。どちらも生成AIを使っていますね。
IVI（車載インフォテインメント）開発
このデモは、車載IVI（In-Vehicle Infotainment）の開発環境です。ディスプレイオーディオとか、iPhoneをつなげて車で操作するシステムのAndroid版を、クラウド環境で全部開発できるようになっています。
Amazon Q Developerを使って、自然言語ベースでアプリの仕様を書いて、デザインを書いて、それをタスクに分割して開発を進めます。例えば「ボタンの色を変える」というタスクを実行すると、画面上のアプリに反映されるわけですね。
パートナーのElektrobit社の環境で、アプリを実際にデプロイして立ち上げられるようになっています。Q Developerがデプロイまでやってくれるので、組み込みや車載アプリの開発がかなり効率化できます。
物理ハードウェアとの連携（AWS Outposts）
このデモは、もうちょっと物理的なものというか、実際のデバイスで確認しないとダメだよね、というケースに対応しています。製造業では、シミュレーションでテストを減らせても、物理ハードウェアのテストは絶対に必要ですからね。
ここにあるのはAWS Outpostsサーバーです。ネットワークでつながっていて、いろんな開発用ボードが刺さっています。開発用ボードには、アプリケーションをデバッグするためのインターフェースがUSBでつながっているんですが、これをUSB over IPで仮想化して、Outposts内のインスタンスにつなげられるようにしています。
Outposts内でWindowsインスタンスが動いていて、このインスタンスはクラウドから管理されているんですけど、ローカルのボードと接続できるようになっているんですね。
MCPサーバーによる自動化
Q Developerに提供されているツール（MCPサーバー経由）で、ボードと通信したり、ソフトウェアをビルドしたりできます。組み込み用の特別なコンパイラなんかも、MCPを挟むことで作業がかなり自動化できるんですよ。
このデモでは、コンパイラのオプティマイゼーション（速度優先にするか、バイナリサイズ優先にするか）とか、自動的にデプロイするとか、組み込み開発で自動化しづらいところもカバーしています。
Outpostsを使用する理由
Outpostsを使う理由としては、まずローカルと通信できるということがありますが、それに加えてマネージドサービスの良さがあります。開発環境を作るのってすごく大変なんですけど、クラウド上で作ってAMI化して、それをOutpostsにデプロイできます。また、パブリックインターネット経由でリモートデスクトップ接続するなど、AWSベースのインフラの一部として活用できるのがポイントですね。
車載エージェントデモ
こちらには車のコックピットがあって、真ん中のナビを大きく映しているスクリーンがあります。ラスベガスの温度とか地図が表示されていますね。
マイクに話した内容が、生成AI（Nova Sonic）に送られて、会話内容に応じて自動車のテレメトリー情報（温度とか）や地図情報と組み合わせて回答してくれます。
エージェントが外部に問い合わせて、「この道は工事中だから次のルートを出しましょう」とか、「お腹空いたなら、この辺に美味しいお店がありますよ」といった提案をどんどんしてくれるんですね。
今はクラウド側でNova Sonicが動いていて、REST通信で実現しています。将来的には、今日のキーノートでも発表がありましたけど、さまざまなモデルがどんどん出てきて、高級車なんかではエッジモデルとして車載で動いて、レスポンスの速い回答はその場で返してくれる。一方で、MCPを使って外部サービスと連携して、より良い回答を提供する、という設計ができるようになります。
フィジカルAI：ロボットデモ（ビレッジエリア）
ビレッジエリアはもうAIが山盛りですね。
物流ロボットのデモ
人間の動作を模倣する物理ロボットがNVIDIA上で動いています。Amazon Bedrockを使って、プランニングと操作の指示を出しているんですね。
ロボットがやることは、商品棚から商品を取り出して、段ボール箱に箱詰めするという作業です。人間がゴーグルとマニピュレーターをつけて作業を行い、その動作をAIに学習させます。その学習結果をもとに、ロボットが自動で動くようになっています。
シミュレーション環境では、1人のオペレーターで32体のロボットを同時に制御することもできるんですよ。
改めての最大限の感謝をAWS様に
こちらが去年のre:Invent2024のインダストリーブースの様子です。今年と比べてみたい方はこちらも見てください。
以上、AWS re:Invent 2025の製造業ブースツアーの内容でした。エージェンティックAI、デジタルツイン、品質検査、車載ソフトウェア開発、フィジカルAIなど、製造業のさまざまな領域でAWSのサービスが活用されている様子をご紹介してます。
今回は紹介しきれませんでしたが、他にも製造業におけるテクノロジー活用の様々な側面が展示されており、個人的にも非常に楽しい時間でした。
今日のこの内容が気になった方は、是非来年のre:Invent2026に参加いただき、その興奮を味わっていただければと思います。来年はどんな技術が展示されているのか楽しみです。もしかしたら、ロボットが当たり前のように動いているかもしれません。
今年は弊社の顧客にも参加いただくかたちでブースツアーとして企画させていただきました。懇切丁寧に説明いただいた、ご協力いただいた山本さん、吉川さん、本当にありがとうございました！この場をお借りして、改めてお礼申し上げます。
それでは今日はこのへんで。濱田孝治（ハマコー）でした。
