中国で提言されている「データを出さないAI」
中国では、工場データを外部へ出さずにAIを活用する手段として、連合学習（フェデレーテッドラーニング）とエッジコンピューティングでのモデル微調整が提言されています。経済日报の2026年1月9日の記事（新华网転載）で、中国の有識者がこの方向を示しました。
調査会社の予測もこの流れを裏づけています。IDCの「FutureScape 2025年中国制造业十大预测」（2025年1月16日）は、2028年に中国の先進製造業の20%が連合学習で工業AIを拡張すると予測しました。同じ予測は、AIを組み込んだ工業ソフトの比率が2024年の9%から2028年に22%へ上がるとも見ています。
背景には、2つの事情があると考えられます。1つは、中国企業自身が、自社の工程データを外部のクラウドや平台に預けることに慎重であること。もう1つは、データ安全法や重要データの分類分級など、データを動かすことに伴う規制上の確認が増えていることです（いずれも推測を含む）。
日系工場で取りうる3つの構成
日系工場の立場で「データを中国に置いたまま」AIを使う方法は、大きく3つに分けられます。
| 構成 | 仕組み | 向いている用途 | 課題 |
|---|---|---|---|
| A：エッジ推論 | 日本で開発したモデルを中国工場の設備近くのエッジ機器に配布し、推論だけを現地で行う | 外観検査、設備の異常検知など、学習済みモデルを横展開できる用途 | 現地のデータで再学習しないと、材料や環境の違いで精度が落ちる |
| B：中国側で学習・推論 | 中国拠点にAI基盤を置き、学習も推論も現地で完結。日本には集計結果や指標だけを送る | 工場固有の工程最適化、品質の要因分析 | 現地にAI人材と基盤が必要。拠点間でモデルを共有しにくい |
| C：連合学習 | 各工場で学習したモデルの重み（パラメータ）だけを集めて統合し、共通モデルを更新する | 複数工場で同じ種類の設備・製品を持ち、データを持ち寄れない場合 | 実装と運用が難しい。重みから元データが推定されるリスクの評価も必要 |
連合学習は工場で本当に使えるか
連合学習は、データを持ち寄れない複数の拠点がモデルを共同で育てる技術として、医療や金融で研究・実用化が進んできました。製造業でも、同じ設備を複数工場に持つ企業が、予知保全や外観検査のモデルを拠点横断で改善する用途が考えられます。
ただし、現時点で工場の連合学習を量産で運用している事例は、今回参照した資料の範囲では確認できていません。IDCの20%という数字も2028年の予測です。実務では、まずA（エッジ推論）かB（現地で学習・推論）から始め、拠点数が増えて共通モデルの必要性が高まった段階でCを検討する順序が現実的です（推測）。
3つの構成に共通する前提
どの構成をとる場合も、前提になるのはデータの意味が拠点間で揃っていることです。日本工場と中国工場で、設備のタグ名、不良コード、品番の付け方が違えば、日本で作ったモデルを中国で動かしても正しく推論できず、連合学習で重みを統合しても意味のあるモデルになりません。
中国工业互联网研究院の鲁春丛院長は、多くの智能化改造プロジェクトで投資の50〜60%をデータエンジニアリングが占めると述べています（经济日报、2025年9月18日）。データを外に出さない設計を選んでも、データの整備にかかる手間は減りません。むしろ、データを1か所に集められない分、各拠点で同じ基準に沿ってデータを整える必要があり、命名規則やマスタの統一を先に進めておくことが重要です。
構成を選ぶ判断基準
エッジでの推論そのものの設計は推論はエッジかクラウドかで扱っています。中国のデータ越境規制の整理は中国データ越境規定（16号令）と日系工場、重要データの指定の可能性は工程パラメータは「重要データ」かを参照してください。
よくある質問
連合学習とは何ですか？
複数の拠点がそれぞれ手元のデータでモデルを学習し、学習結果の重み（パラメータ）だけを集めて統合する方法です。生データを1か所に集めずに、拠点をまたいでモデルを改善できます。
中国工場で連合学習を使っている事例はありますか？
今回参照した資料の範囲では、工場での連合学習を量産で運用している具体的な事例は確認できませんでした。IDCは2028年に中国の先進製造業の20%が連合学習で工業AIを拡張すると予測しています。
エッジ推論だけで精度は保てますか？
日本と中国で設備・材料・環境が同じなら保てることもありますが、違いがあると精度が落ちることがあります。現地のデータで再学習する仕組み（中国側での学習）を組み合わせるのが一般的です。
この記事に出てくる用語
AIは「データ基盤」で決まる
PoCは成功したのに本番で止まる。原因の多くはモデルではなく、MESと設備データの側にある 全130本
- MESとAIの関係：ロット・作業指示・品質判定がAIの精度を決める理由
- 製造業AIが本番で止まる7つの理由：PoCは成功したのにラインに載らない構造
- 製造業のAI-OCR：紙の検査記録・点検表・ミルシートをデータ化する手順
- データ基盤の段階的導入ロードマップ：ユースケースから逆算する8ステップ
この記事を書いた人
DELMIA Apriso を中核とした MES / 製造DX の導入・運用・人材育成と、製造業向けAIの調査・開発・教育を手がけるITコンサルティング企業。ISO 9001:2015 / ISO 27001:2022 認証取得。 日本・中国・米国で製造業のMES・データ基盤・AI導入を手がけた実務者が、欧米・中国の一次情報にあたって書いています。
