住友ゴム×富士通のAIサロゲートモデル｜タイヤ解析45分→5分・精度87.7%——製造業の「設計AI」が実用段階に入った

結論：「過去の解析結果」という眠った資産が、設計を9倍速にするAIの学習データになる

住友ゴム工業（DUNLOP）と富士通は2026年6月3日、AIで高精度かつ短時間でタイヤ性能を予測する「AIサロゲートモデル」技術を共同開発した と発表した。約60万要素のFEM（有限要素法）によるタイヤ接地解析で、従来45分かかっていた解析を5分に短縮（約90%短縮）し、接地形状を平均87.7%の精度で予測する。2026年12月までに次世代CPU「FUJITSU-MONAKA」の検証機で実証を始め、2027年4月の実運用開始を目指す という。

この発表の本質は「タイヤの話」ではない。サロゲート（代理）モデルとは、過去に蓄積したシミュレーション結果をAIに学習させ、物理計算そのものを省略して結果を高速予測する 技術だ。つまりCAE解析を回してきた製造業なら、過去の解析結果という「すでに持っている資産」が学習データになる。設計1案あたりの評価が45分から5分になれば、同じ期間に試せる設計案は単純計算で9倍。設計の試行回数こそが製品競争力に直結する 業種ほど効果が大きい。

押さえるべき1点：AIサロゲートは「新たにデータを集めるAI」ではなく「過去の解析資産を学習させるAI」。CAE・シミュレーションの蓄積がある会社ほど、着手の初期コストが低い。

発表の要点：何を、どの技術で、いつまでに

富士通プレスリリース（2026年6月3日）の要点は次のとおりだ。

注目点は3つある。第一に、精度を「平均87.7%」と公表している こと。サロゲートは物理解析の完全な代替ではなく、「どの精度なら設計のどの段階で使えるか」を割り切って運用する技術であり、数値を公表できる段階まで検証が進んでいることを意味する。第二に、GNN（グラフニューラルネットワーク） という、メッシュ構造をそのまま扱えるアルゴリズムを採用していること。第三に、2027年4月という実運用の期日を切っている ことだ。PoC発表ではなく、業務適用のスケジュールが付いた発表である。

なぜ自社事か：GENIACの「国プロ」と違う、個社×ベンダーの実証数値

製造業×AIでは、GENIACのような国家プロジェクト型の取り組みが報じられることが多い（製造業データのAI-Ready化2026参照）。今回の発表が異なるのは、1社の実業務（タイヤ設計）に対して、時短と精度の具体数値が付いた個社実証 である点だ。「自社ならどの業務が45分→5分になるか」という置き換えがしやすい。

サロゲートモデルの構図が当てはまるのは、次の条件を満たす業務だ。

• 物理シミュレーション（CAE・CFD・電磁界・熱解析など）を反復的に回している：構造・金型・樹脂流動・基板熱設計など
• 過去の解析結果がデータとして残っている：入力条件と結果のペアが蓄積されているほど有利
• 解析待ちが設計のボトルネックになっている：1案の評価に数十分〜数日かかり、試行回数を制限している

逆に、解析の蓄積が紙やバラバラのフォルダに散在している場合、まず解析データの整備（条件・結果・バージョンの紐づけ）が先になる。ここでも順序は「AIの前にデータ」であり、外観検査AI（中堅製造業のAI検査導入費参照）やRAGと同じ構造だ。製造業のAI適用領域の全体像は製造業のAI活用ガイド2026で整理している。

自社適用チェック：サロゲートモデル検討の5ステップ

1. 解析業務の棚卸し：CAE・シミュレーションの種類ごとに、年間の実行回数・1回あたりの所要時間・待ち時間が設計に与える影響を洗い出す
2. データ資産の確認：過去の解析について、入力条件と結果がペアで再利用可能な形式で残っているかを確認する（残っていなければ、今日から残す仕組みを先に作る）
3. 精度要件の割り切り：「設計初期のスクリーニングは予測精度85%で足りるか」「最終検証は従来解析を残すか」を設計部門と合意する
4. 小さく実証：解析の種類を1つに絞り、既存データだけでどこまで予測できるかを検証する。新規データ収集を前提にしない
5. 運用設計：予測と実解析の使い分けルール、モデルの再学習タイミング、計算基盤のコストを決めてから本番化する

チェックの勘所：つまずくのはステップ2と3だ。解析結果が個人PCに散在している会社はデータ整備から、精度100%を求める会社は「どの工程なら87%で使えるか」の業務設計から始める必要がある。AIモデルの選定はその後でよい。

製造業AIで「時短率」だけを見ない理由

解析時間の短縮は分かりやすい成果だが、AIサロゲートモデルの価値は時短だけではない。設計探索の回数を増やせること、熟練者の勘に依存していた条件設定を再利用できること、過去の解析資産を次の設計に使えることが本質である。

一方で、精度が100%でないモデルをどの工程で使うかは慎重に決める必要がある。候補探索には使えても、最終判断には従来解析や実験が必要な場合がある。PoC時点で「どの判断までAIに任せるか」を定義しなければ、成果が出ても本番化できない。

よくある質問（FAQ）

Q. サロゲートモデルは大手メーカーでなければ作れないのか？ A. 規模より「過去の解析データの蓄積」が条件である。中堅でも特定製品の解析を数年回していれば学習データは存在する。一方、約60万要素級の大規模解析や専用CPU基盤は大手向けの構成であり、中堅はクラウドGPU＋既存解析データでの小規模実証から入るのが現実的だ。

Q. 精度87.7%では設計に使えないのではないか？ A. 使い方による。最終的な性能保証は従来のFEM解析や実機試験で行い、サロゲートは設計初期の案出し・絞り込みに使うのが定石だ。100案を5分ずつで粗く評価し、有望な数案だけ45分の精密解析に回せば、全体の試行回数と期間は大きく改善する。

Q. 解析ソフトのベンダーが提供するAI機能を待つべきか？ A. 主要CAEベンダーもAI支援機能を拡充しているため、まず自社ライセンスの範囲で使える機能を確認する価値はある。ただし自社製品固有の解析ノウハウ・データ形式に依存する部分は汎用機能でカバーされないことが多く、「既製機能で足りる範囲」と「個別開発が要る範囲」の切り分け自体が検討の第一歩になる。

Q. サロゲートモデルの構築にはどの程度の投資が必要か？ A. 学習データの状態に大きく依存する。過去の解析が条件・結果のペアで整理されていれば、特定解析1種類に絞った実証は比較的小さく始められる。一方、データ整理から始める場合はその工数が先行投資になる。確定的な金額は要件次第だが、いきなり全解析対象の本格開発に進まず、「データ整備→1種類で実証→効果測定→拡張」と投資を段階に割るのが失敗しない型である。

自社現場に置き換える確認観点

業界別DXの記事は、事例の華やかさよりも現場に適用できる粒度が重要である。確認すべきは、対象工程、入力データ、判断者、例外処理、既存設備・既存システムとの連携、現場教育、効果測定である。AIや自動化は、現場の流れを変えるため、導入前に業務手順と責任分界を整理する必要がある。

小さく始める場合でも、PoCで終わらせない設計が必要だ。現場1ライン、1拠点、1業務に絞っても、データ取得、モデル更新、アラート対応、保守担当、利用停止条件まで決めておく。ここまで決めると、本番展開の見積もり精度が上がる。

GXOへ相談する前に整理しておくと早い情報

相談前には、対象現場、現行作業、月間件数、使っている設備・システム、取得できるデータ、困っている例外、期待効果、現場責任者をまとめる。現場ヒアリングから要件化まで支援できる。

90日で現場PoCへ進めるロードマップ

最初の30日は、対象工程を1つに絞る。現場全体を一気に変えようとせず、件数が多い、ミスが多い、熟練者依存が強い、データが取れる工程を選ぶ。現場責任者と一緒に、現行手順と例外処理を書き出す。

31日目から60日目は、データと判定基準を確認する。画像、センサー、帳票、作業ログ、検査結果など、AIやシステムが使うデータの品質を見る。正解データが曖昧な場合は、先に判定基準をそろえる必要がある。

61日目から90日目は、PoCの評価方法を決める。精度だけでなく、作業時間、再作業、見逃し、現場負荷、保守性を測る。現場で使われるDXは、技術よりも運用設計で決まる。

よくある失敗パターン

第一の失敗は、現場の例外処理を無視することだ。標準作業だけを見てAIやシステムを作ると、例外が発生した瞬間に現場が使わなくなる。

第二の失敗は、データ取得の手間を見積もらないことだ。AIや自動化はデータが必要だが、現場でそのデータを取る作業が増えれば定着しない。既存設備や既存システムから無理なく取れるデータを優先する。

第三の失敗は、精度だけで評価することだ。現場DXでは、精度に加えて作業時間、再作業、教育負荷、保守性、安全性を評価する必要がある。

成果物として残すべきもの

PoC前には、対象工程、現行手順、データ項目、判定基準、評価指標、現場責任者、運用後の担当を残す。これらが揃えば、PoCが成功した後に本番展開へ進みやすい。

判断表：読むだけで終わらせないための整理

この表を埋めると、記事の内容を「読んだ情報」から「社内で動かすタスク」に変えられる。特に重要なのはNGサインである。NGサインが1つでも出る場合、問題は個別ニュースではなく、社内の判断プロセスにある。

公開情報は日々更新されるため、記事本文の数値や期限をそのまま固定値として扱うのではなく、一次情報の最新版、社内の対象有無、実施記録をセットで確認する。これにより、速報記事を一過性の話題で終わらせず、監査・稟議・改善計画に使える材料へ変換できる。

いつGXOに相談すべきか

• 解析・設計データは溜まっているが、AIに使える状態か（データ整備の要否）を判定できない
• サロゲートモデルや設計支援AIを検討したいが、既製ツールと個別開発の損益分岐 が分からない
• 設計部門のAI活用を、PoCで終わらせず業務適用まで 進める体制がない

GXOは、AI開発による製造業向けAIの個別開発・実証設計、データ基盤構築による解析・設計データの整備を提供している。サロゲートモデルは「データがあるか」の見極めで成否の大半が決まる。解析資産の棚卸し段階からの相談が有効だ。→ 相談はこちら

関連記事

• 製造業のAI活用ガイド2026｜外観検査・予知保全・需要予測のどこから効くか
• 製造業データのAI-Ready化2026｜GENIAC新採択に学ぶ進め方
• 中堅製造業 AI検査導入費2026｜PoC 500万→本番3,000万の現実解
• デジタルツイン製造業ガイド2026

追加確認：社内展開時の合意形成

社内でこの記事を共有する場合は、単にURLを回覧するだけでは不十分である。関係部門に対して、対象有無、対応期限、必要な判断、次回会議で決めることをセットで伝える。情報共有だけで終わると、誰も担当しないまま時間が過ぎる。

また、対応を急ぐほど、後から見たときの判断根拠が重要になる。なぜ今対応するのか、なぜ今回は見送るのか、どの一次情報を見たのか、誰が承認したのかを簡単に残す。短いメモでも、監査・稟議・次回対応の引き継ぎに使える。

編集部注：公開後の更新方針

本記事は速報性のある公開情報をもとに、GXOの商談領域であるシステム開発、AI導入、セキュリティ、レガシー刷新、データ基盤構築の観点へ翻訳したものである。公開後に一次情報の更新、ベンダー側の追記、制度要件の変更、悪用状況の変化が確認された場合は、本文・参考資料・CTAの導線を更新する。

読者が実務で使う場合は、記事の数値や期限を固定値として扱うのではなく、必ず一次情報と自社環境を突き合わせることが重要である。特に、契約条件、対象バージョン、制度要件、提供リージョン、価格、悪用状況は短期間で変わり得る。この記事の役割は、最新情報を自社の判断項目へ変換することであり、最終判断は一次情報と社内の対象有無確認にもとづいて行う。

参考資料

• 富士通「住友ゴムと富士通、AIで高精度かつ短時間でタイヤ性能を予測する技術を共同開発」（2026年6月3日）

本記事は2026年6月12日時点の公開情報をもとに作成。数値（解析時間・精度・スケジュール）はすべて富士通プレスリリース記載によるもので、実運用開始時期は目標値である。最新状況は一次情報の最新版を必ず確認すること。