1．はじめに
AIの進化は、私たちの想像をはるかに超える速度で進んでいます。
文章生成やプログラミングの自動化といったソフトウェア領域だけでなく、半導体の設計支援、新素材の探索、巨大データセンターの運用など、これまで専門家だけが扱ってきたリアルな世界の領域にまで踏み込むようになりました。
こうしたAIブームでは、NVIDIAのGPUに象徴される「計算力」や、モデルの巨大化が注目されがちです。
しかし、2035年という少し先の未来を見据えると、AI社会の持続性を左右する本当の鍵は、意外にもその“周辺領域”にあります。
それが 計測技術（Metrology） です。
AIはどれほど賢くなっても、熱、圧力、流体の動き、材料のわずかな歪み、ガスの組成といった物理現象を直接感じ取ることはできません。
これらのアナログな物理量をデジタルデータへ変換するセンサーや計測器こそが、AIにとっての 「目」や「耳」 にあたります。
もし計測が曖昧であれば、AIの判断も曖昧になります。
その結果、データセンターの冷却効率が低下したり、半導体製造の歩留まりが悪化したりと、社会インフラ全体に影響が及びます。
AI社会は、サイバー空間（AI）とフィジカル空間（物理インフラ）が密接に結びつく「サイバー・フィジカル・ループ」で成り立っており、その基盤となるのが計測技術だからです。
AIが高度化するほど、正確に“測る力”の価値は飛躍的に高まっていきます。
本稿前編では、AI社会の裏側で静かに重要度を増している計測技術の役割を、データセンターの冷却、半導体製造、そしてAIによる仮想計測などの具体例を通じて解説していきます。
【３部作】
・2035年、AIによって価値が10倍になる計測技術（前編）― AI社会はなぜ「測定力（Metrology）」で決まるのか（本稿）
・2035年、AIによって価値が10倍になる計測技術（中編）― 世界が奪い合う「測る技術（センシング・トポロジー）」TOP10
・2035年、AIによって価値が10倍になる計測技術（後編）― 日本企業はAI時代の隠れた勝者（ストロング・ホールド）になれるのか
2．AI社会を支える“現実世界のしくみ「サイバー・フィジカル・ループ」
私たちが日常的に使っているAIは、クラウド上の抽象的な存在に見えます。
しかし、その裏側には、膨大なインフラが24時間休むことなく稼働しています。
AIの推論や学習を支えるためには、次のような巨大な設備が緊密に連携して動いています。
- ハイパースケールAIデータセンター：数万台規模の計算ノードが並ぶ巨大クラスタ
- 先端半導体製造ファブ：クリーンルーム内で微細加工を行う製造装置群
- 光電融合ネットワーク：IOWNに代表される超低遅延・大容量の光通信網
- 次世代エネルギーインフラ：小型モジュール炉（SMR）やスマートグリッドなどの電力基盤
関連記事：【第2回】AIはなぜ原発を必要とするのか ― “電力争奪戦”が世界のAI地政学を変える
これらは単なる設備の集合ではなく、AIと現実世界が相互に影響し合う 「サイバー・フィジカル・ループ」 を形成しています。
AIは膨大なデータを処理し、最適な制御や予測を行います。
しかし、その判断の材料となる情報は、すべてが計測器を通じて得られたデータです。
つまり、AIの“頭脳”がどれほど優秀でも、現実世界の状態を正しく把握できなければ、最適化の精度は大きく損なわれてしまいます。
計測精度のわずかな誤差は、次のような形で社会インフラ全体に影響します。
- データセンターの冷却効率が低下し、電力消費が増える
- 半導体製造の歩留まりが悪化し、供給能力が落ちる
- 光通信ネットワークの遅延が増え、AIサービスの応答性が低下する
AI社会は、正確な計測によって初めて成立する「循環型システム」です。
このループの基盤となる計測技術が不安定であれば、AIの判断も不安定になり、結果として社会全体の効率や安全性が揺らいでしまいます。
AIが高度化するほど、現実世界を“正しく測る力”の重要性は増し続けます。
3．データセンターの熱密度急増と液体冷却における高精度計測
AIの進化に伴い、データセンターの消費電力と発熱量は急激に増大しています。
従来のサーバーラックは数キロワット規模の電力で動作していましたが、最新のAI向けGPUでは、1ラックあたり 100〜140kW を超えるケースも珍しくなくなりました。
これは、既に空気冷却では処理しきれない熱密度です。
そのため、データセンターは急速に 液体冷却（Liquid Cooling） へ移行しています。
液体は空気より熱を運ぶ能力が圧倒的に高いため、AIサーバーの高熱密度に対応する唯一の現実的な手段となっています。
しかし、液体冷却を安全かつ効率的に運用するためには、配管内部や冷却装置の状態をリアルタイムで把握する 高精度な計測技術 が欠かせません。
関連記事：AIサーバーを液体に沈める時代へーなぜショートしない？液浸冷却液の仕組み
特に重要となる3つの計測領域を紹介します。
3-1．微少流量・差圧の動的制御
冷却液の流量が不足すると、GPUが瞬時に過熱し、性能が大幅に低下します。
逆に流量が多すぎると、配管の摩耗やポンプの電力消費が増えてしまいます。
そのため、液体冷却では次のような高精度計測が求められます。
- 超音波流量計：配管に負荷をかけずに流量を測定
- コリオリ式流量計：密度や温度の変化を含めて高精度に流量を把握
これらの計測値をもとに、AIが冷却システムの流量をリアルタイムで最適化します。
3-2．超早期漏液（リーク）検知
液体冷却で最大の課題は、わずかな漏液によるサーバーの損傷です。
ナノリットル単位の漏れでも、数億円規模のラックを破壊する可能性があります。
そのため、次のようなセンシング技術が導入されています。
- ファイバセンサ：光の屈折率変化で微量の液体を検知
- インピーダンスセンサ：導電性の変化を捉えて漏れを検出
「漏れたかもしれない」という段階で即座に検知することが求められます。
3-3．冷媒の物性・水質管理
冷却液の状態は、冷却効率に直結します。
そのため、次のような項目をインラインで自動計測します。
- pH
- 導電率
- 有機物の混入量
これらのデータは、AIが熱交換効率を予測し、冷却システム全体を最適化するための重要な特徴量になります。
液体冷却は、単なる冷却方式の転換ではなく、計測技術とAI制御が一体化した新しいインフラ技術 です。 AIサーバーの熱密度が上がるほど、計測の精度と応答速度が重要になり、計測技術の価値はさらに高まっていきます。
4．半導体製造は「加工の歴史」から「極限計測の歴史」へ
AIを支える最先端半導体の製造現場では、これまで「いかに細かく削るか」「いかに精密に積み上げるか」といった加工技術が中心でした。
しかし、2nmプロセス以下や3Dパッケージングが主流になる2030年代に向けて、半導体製造の主役は加工から 計測（Metrology） へと大きく移りつつあります。
理由は、半導体の微細化が限界に近づくほど、わずかな誤差が歩留まり（Yield）を大きく左右するためです。
そのため、製造装置の内部で起きている微細なプロセスの変化を「リアルタイムで正確に測る力」が、これまで以上に重要になっています。
4-1．インシチュ（In-situ）計測の重要性
原子層堆積（ALD）や原子層エッチング（ALE）など、オングストローム（0.1nm）単位の制御が必要なプロセスでは、装置内部の状態をリアルタイムで把握する インシチュ計測 が不可欠です。
代表的な計測技術は次のとおりです。
- 高速エリプソメトリー（光学膜厚計） → チャンバー内で形成される膜厚を瞬時に測定します。
- 四重極質量分析計（QMS） → ガスの組成変化をリアルタイムで分析し、反応の進行度を把握します。
これらの計測データは、AIによるフィードフォワード制御に活用され、プロセスの安定性と歩留まり向上に直結します。
4-2．次世代パッケージング（CoWoS / 3D-IC）での計測要件
半導体の微細化が物理限界に近づく中、2.5Dや3D構造を用いた先進パッケージングが重要性を増しています。
ここでも、計測技術が後工程の品質を左右する決定的な役割を果たします。
●ハイブリッドボンディングのアライメント計測
銅（Cu）パッド同士を直接接合するハイブリッドボンディングでは、 数百ナノメートル以下の位置合わせ精度 が求められます。
そのため、次のような非破壊計測が使われます。
- 赤外線光学系
- 白色干渉計
これらは、接合ズレ（Overlay）を高精度に測定し、ラインの稼働率を大きく左右します。
●TSV（シリコン貫通電極）の形状計測
TSVは深く細い穴をシリコンに貫通させる技術で、内部にボイド（空隙）があると電気的な不良につながります。
そのため、次のような非破壊検査が必須です。
- X線CT（X-ray Metrology）
- OCT（コヒーレンス断層計）
これらにより、TSVの深さや内部の欠陥を正確に把握できます。
5．Virtual Metrology（仮想計測）とAIの相乗効果
半導体製造では、装置の内部状態をリアルタイムで測定するインシチュ計測が重要性を増しています。
しかし、製造プロセスが複雑化し、計測ポイントが増え続ける中で、すべてを実際の計測器でカバーすることは現実的ではありません。
そこで近年急速に普及しているのが、AIを活用した Virtual Metrology（仮想計測） です。
仮想計測とは、装置が出力する膨大なセンサーログ─ 圧力、RFパワー、ガス流量、温度、電流値など─をAIに入力し、 実際の検査を行う前に、ウエハ上の膜厚やエッチング深さを予測する技術です。
実測を補完し、検査工程の効率化や歩留まり改善に大きく貢献しています。
5-1．仮想計測が求められる背景
半導体製造では、工程ごとに数百〜数千のパラメータが存在します。
そのすべてを実測で確認することは、次の理由から困難です。
- 計測器の設置スペースが限られている
- 計測時間が長く、生産性を下げてしまう
- 非破壊検査でも、装置の負荷やコストが増える
こうした制約を補うために、AIがセンサーログからプロセス結果を推定する仮想計測が導入されています。
5-2．AIが仮想計測を高精度化する仕組み
仮想計測の精度は、AIモデルの性能だけでなく、学習データの質に大きく依存します。
特に重要なのが、教師ラベルとなる 実計測データの精度 です。
- 実計測の精度が高いほど、AIは正確な関係性を学習できます
- 実計測の誤差が大きいと、AIの予測も不安定になります
つまり、AIが賢くなるほど、逆に「実計測の精度向上」が強く求められます。
これは一見すると矛盾しているようですが、AIと計測技術が互いに依存し合うことで、 計測精度の向上 → AI予測精度の向上 → さらなる計測要求の高度化 という正の循環が形成されているのです。
5-3．仮想計測がもたらす製造現場の変革
仮想計測の導入により、半導体製造の現場では次のような変化が起きています。
- 検査工程の大幅な効率化 → 全数検査が難しい工程でも、AIが補完することで品質を維持できます。
- 歩留まりの向上 → 異常兆候を早期に検知し、装置の調整を迅速に行えます。
- 装置の予知保全 → センサーログから装置の劣化を予測し、故障前にメンテナンスできます。
仮想計測は、現実の計測を置き換えるものではなく、 実測とAIが協調することで製造品質を最大化する仕組み と言えます。
6．まとめ
2035年に向けて、世界のデータ量と計算リソースはこれまでにない勢いで増大し続けています。
しかし、その膨大な計算能力を支える物理インフラ─AIデータセンター、光通信ネットワーク、半導体製造ファブ、そして電力インフラ─は、すべてが 「正しく測る力」 に依存しています。
AIは強力な“頭脳”を持っていますが、現実世界を直接認識することはできません。
熱、圧力、流体の動き、材料の歪み、ガスの組成といった情報は、センサーや計測器がアナログの物理量をデジタルデータへ変換することで初めて、AIが理解できる形になります。
つまり、計測技術はAIにとっての 「目」や「耳」 であり、 計測の不確かさはそのままAIの判断の不確かさにつながります。
本編で見てきたように、AI社会の根幹を支える計測技術は次の領域で急速に重要性を増しています。
- データセンターの液体冷却 → 微少流量、漏液、冷媒の品質を高精度に測定することで、AIサーバーの安定稼働を実現します。
- 半導体製造の極限計測 → オングストローム単位の膜厚測定や、TSVの非破壊検査など、歩留まりを左右する計測が不可欠です。
- Virtual Metrology（仮想計測） → AIがセンサーログからプロセス結果を予測し、検査工程の効率化と品質向上を支えます。
AIが高度化するほど、計測技術への要求は厳しくなり、 計測精度の向上がAIの性能向上をさらに後押しするという、 相互強化のループ が形成されていきます。
計測技術の価値は、今後10年で10倍以上に跳ね上がる可能性があります。
AI社会の発展は、計測技術の進化と不可分であり、 「測る力」が未来の産業競争力を決定づける時代が到来しています。
AI社会の高度化に伴い、物理インフラを支える計測技術の重要性は急速に高まっています。次号（中編）では、この流れをさらに踏み込み、2035年に世界が奪い合うことになる「測る技術」TOP10を取り上げ、AIインフラの中核となるセンシングの本質を具体的に解説していきます。
