日立とAstemoが「運転支援AI開発基盤」を共同構築｜NVIDIA Cosmos・3DGS・Sim2Realで“現実とのギャップ”に挑む【AI活用事例】

要約

日立製作所と Astemo が、運転支援AIの開発基盤 を共同で構築すると発表しました（Business Insider Japan、2026-05-26）。2026 年度末までに基盤を構築する予定 の、構想段階の取り組みです。

報じられている要点は、

• NVIDIA Cosmos（CG画像を実写に近い画像へ変換）、3D Gaussian Splatting（実写から3D空間を再構成）、Sim2Real（シミュレーション→実車への適用最適化）を組み合わせる
• 実走行データ＋仮想空間データを統合 して学習・検証する基盤
• 日立がデータ・シミュレーション領域、Astemo が実車制御・検証 を担う役割分担
• 将来的には 自動車メーカー向けの共通プラットフォーム 提供も構想

です。本記事は同記事を一次ソースに、製造業がAI開発基盤をどう組むか という観点で、開発課題と基盤づくりの学びを Links-Create の視点で整理したものです。構想段階の発表のため、定量効果や本番実績として断定する表現は用いません。

何が発表されたか（記事情報ベース）

Business Insider Japan の記事（2026-05-26）から、確認できる事実を整理します。

• 取り組み: 運転支援AIの開発基盤 の共同構築
• 段階: 構想段階（2026 年度末までに構築予定）
• 中核技術: NVIDIA Cosmos / 3D Gaussian Splatting / Sim2Real
• 役割分担:
  • 日立 — AI学習・検証基盤、デジタル空間での開発（データ・シミュレーション領域）
  • Astemo — ブレーキ・ステアリング・パワートレイン制御、ハードウェア限界把握、実車検証（物理車両への接続）
• 将来構想: 自動車メーカーへの 共通プラットフォーム 提供

日立・諸橋氏（趣旨）:「仮想環境上であれば、事故になりそうなシーンを意図的に作り出し、大量のデータを創出できます」 Astemo・長塚氏（趣旨）:「ハードウェアのどこに限界があるかを我々は把握しています」 — 出典: Business Insider Japan（2026-05-26）

認識精度の向上率・開発期間の短縮幅などの定量指標は記事内に明示されていません。本記事も、効果を「目指す方向」として扱い、実績として断定しません。

技術構造の整理（Links-Create による解説）

1. 「データが足りない」を仮想で補う

運転支援AIの学習で最大の壁は、危険シーンのデータが現実には集めにくい ことです。事故寸前のシーンを実車で再現するわけにはいきません。そこで本基盤は、仮想環境で危険シーンを意図的に量産 し、学習データを補う発想を採っています。

• NVIDIA Cosmos: CG をリアルな見え方に変換し、合成データの質を上げる
• 3D Gaussian Splatting: 実写から3D空間を再構成し、視点を変えた検証 を可能にする
• 実走行データ × 仮想データの統合学習: 現実とシミュレーションの両方で鍛える

2. Sim2Real ——「仮想で動く」と「実車で動く」の間

仮想環境で高精度なAIが、実世界でそのまま通用するとは限りません。これが Sim2Real ギャップ です。記事では次の課題が挙げられています。

• CG と実カメラ映像の見え方の差 が認識精度に影響する
• 部品の劣化・個体ばらつき など、デジタルでは扱いきれない物理条件がある

領域	担当	主な役割
データ・シミュレーション	日立	AI学習・検証基盤、デジタル空間での開発、危険シーンの仮想生成
実車・ハードウェア	Astemo	ブレーキ／ステアリング／パワートレイン制御、ハードウェア限界把握、実車検証
統合（Sim2Real）	両社	仮想と実走行のデータ統合、ギャップの計測と是正

「シミュレーションの理想」と「実機の制約」を突き合わせられる体制こそが、Sim2Real ギャップを埋める鍵です。

3. 「完成品」ではなく「基盤」を共創する意味

本事例の対象は、特定の運転支援機能そのものではなく 開発基盤 です。基盤として整えることで、

• 多様なシーンを 再現性をもって 検証できる
• 仮想と実機の データを一貫して 扱える
• 将来は 自動車メーカー向けの共通プラットフォーム として横展開できる

という拡張性が生まれます。製造業がAIを内製・共創する際の「データと実機をどうつなぐ基盤を作るか」という普遍的な論点が、ここに表れています。

想定効果と限界

記事で明示されている事実

• 運転支援AIの 開発基盤の共同構築（Business Insider Japan）
• NVIDIA Cosmos / 3DGS / Sim2Real の活用
• 日立＝データ・シミュレーション / Astemo＝実車制御・検証 の役割分担
• 2026 年度末までの構築予定、将来の共通PF構想

記事で開示されていない情報（推論で書かない）

• 認識精度の向上率・開発期間の短縮幅などの定量効果
• 搭載予定車種・量産時期
• 共通プラットフォームの提供条件・対象メーカー
• 投資規模・体制の詳細

これらは情報がないため本記事では記載しません。構想段階の取り組みであることを前提に読み解いてください。

製造業への示唆（Links-Create の視点）

本事例から、製造業がAI開発基盤を組む際の検討軸を 3 つに整理します。

示唆 1: シミュレーション領域と実機検証領域の役割を分け、統合する

日立（仮想）と Astemo（実機）の役割分担は、AI開発を内製・共創する企業の参考になります。どちらか一方に寄せず、両者を統合する基盤 を設計することが、実世界で通用するAIの条件です。

示唆 2: Sim2Real のギャップ対策を最初から組み込む

「仮想で動く」と「実機で動く」の差は、後から埋めようとすると高くつきます。CG と実映像の差、部品ばらつきといった現実条件を、基盤設計の段階から 計測・是正の対象に含めることが重要です。

示唆 3: 危険シーンは「仮想で安全に量産」する

現実では試せない危険シーンを仮想空間で意図的に作り、学習データに使う発想は、自動車に限らず「失敗データが致命的でコストの高い領域」（医療・インフラ・重機など）に広く応用できます。

まとめ

日立と Astemo の運転支援AI開発基盤は、「仮想（日立）× 実機（Astemo）× Sim2Real」 で“現実とのギャップ”に挑む、製造業のAI共創事例です。構想段階で定量効果はこれからですが、

1. シミュレーションと実機の役割分担と統合
2. Sim2Real ギャップ対策の作り込み
3. 危険シーンを仮想で安全に量産する設計

という 3 つの観点は、製造業がAIを内製・共創するうえでの参照モデルになります。

関連事例として、構造設計にAIを活用した 大林組の構造設計AI事例 も、製造・エンジニアリング領域でのAI活用の構造理解に役立ちます。法人での AI 活用・人材育成の進め方は 法人向け AI 研修ガイド や AI 研修（vibe-practice） で整理しています。