道路の混雑をカメラが捉え、設備の異常をセンサーが検知しても、それだけでは信号制御や保守作業は変わりません。都市には大量のデータが集まっていますが、担当部署が状況を理解し、判断し、現場の対応へつなげるまでには複数のシステムと組織をまたぐ必要があります。NVIDIAが示した一連の事例で中心にあるのは、新しいAIモデルの性能そのものより、この「データから行動までの距離」を縮める取り組みです。

ここで使われる物理AIは、カメラやセンサーから現実空間の状態を把握し、シミュレーションや制御に結び付ける技術を指します。エージェント型AIは、利用者の意図や運用データを読み取り、回答だけでなく、所定の手続きや担当者への引き継ぎといった行動まで担います。両者を組み合わせれば、住民向けの案内、交通管理、設備保全、都市計画などを同じ計算基盤上で支援できます。

ただし、都市データには住民の映像や行政手続きに関する情報など、扱いに注意が必要なものが含まれます。クラウドへ集約すればよいとは限らず、どこで処理し、誰がアクセスし、何を保存するかを自治体側が管理できる構成が欠かせません。NVIDIAは、都市や地域が管理する計算基盤と、部署や近隣自治体が共同利用できる仕組みを提案しています。

都市AIの実装を考える際には、利用できるデータ量よりも、AIの出力を受けて誰が何を変えられるのかを先に定めるべきでしょう。通知を増やすだけでは担当者の負担になりかねません。判断基準、承認経路、実行権限まで設計して初めて、蓄積されたデータが公共サービスの改善に結び付きます。

スペインの1MillionBotは、バルセロナ・スーパーコンピューティング・センターで学習されたオープンソースのALIAモデルと、NVIDIA Nemotronなどを組み合わせ、住民サービス向けのAIエージェントを構築しています。マドリード州のデジタル行政組織Madrid Digitalや、カタルーニャ州の行政デジタル化を支えるAdministració Oberta de Catalunyaを含め、スペイン国内で150件を超える導入を展開しています。

対応範囲は一般的な質問への回答だけではありません。行政手続きの案内、予約の申請、都市計画に関する問題の報告、公共サービスへの問い合わせなど、住民が目的を達成するまでの流れを扱います。問い合わせ内容を分類してFAQを返す仕組みと、必要事項を確認しながら次の処理へ進むエージェントでは、業務上の役割が異なります。後者には、本人確認や既存システムとの連携、処理できない場合の職員への引き継ぎが求められます。

米国サンフランシスコ・ベイエリアでは、LiveXがNVIDIA Cosmosのワールドモデル、Nemotronのオープンモデル、OmniverseとMetropolisのライブラリをRTX PRO GPU上で活用し、対話型のAIホストを開発しています。利用者の要望を理解して情報を提示し、必要な行動まで取れる設計で、空港、病院、地域イベントなどの公共空間を想定しています。地域の言語やサービス内容に合わせて調整できる点も特徴です。

企業や自治体が同種のサービスを導入する場合、評価すべきなのは会話の自然さだけではありません。手続きの完了率、職員へ引き継いだ割合、誤った処理を止められた件数、利用者が途中で離脱した箇所などを確認する必要があります。窓口業務では、流暢な回答よりも、処理範囲を守りながら確実に次の工程へ渡せることが実用性を左右します。

ビジョンAIエージェントは、既設の都市カメラ映像を解析し、交通上の問題や安全に関わる状況を運用担当者へ伝えます。映像を検索し、人が長時間確認する作業を短縮できれば、複数部署が関わる緊急対応でも状況を共有しやすくなります。ただ映像を認識するだけでなく、必要な場面を抽出して要約し、対応の判断材料に変えることが役割です。

ポーランドのヴロツワフでは、K2KがNVIDIAのアクセラレーテッドコンピューティング、Cosmosの推論モデル、映像検索・要約向けのMetropolis Blueprintを使い、共有AI基盤を構築しています。既存のカメラ映像を、移動、安全、イベント対応に利用できる情報へ変換し、同じ基盤を複数の都市機能で使う構想です。用途ごとに独立したシステムを増やすのではなく、映像処理やモデル実行の共通部分をまとめる発想が読み取れます。

マレーシアのITMAXは、インフラとエージェント型AIを長期運用サービスとして都市へ提供しています。同社のSamurAI V2はRTX PRO 6000 GPU上で拡張され、2027年までに1万7,000台を超えるカメラを支える計画です。交通分野では、Laplace Intelligenceが公開するオープンソース交通シミュレーション基盤TeraSimを組み込み、信号のタイミングを検証しています。その結果、対象となったピーク時間帯の道路区間では、移動時間を最大26％短縮したとされています。この数値は特定条件での成果であり、別の都市へそのまま当てはめられるものではありません。

カメラの台数が増えるほど、技術以外の設計も重くなります。撮影目的、保存期間、閲覧権限、誤検知時の確認手順を明確にしなければ、担当者がAIの通知を無条件に信頼する危険があります。導入時には、AIが異常候補を示し、権限を持つ職員が映像を確認して対応を決めるなど、人が介在する境界を具体的に定める必要があるでしょう。

デジタルツインは、建物や道路、工場などの状態を仮想空間に再現し、変更を現実へ適用する前に影響を検討する仕組みです。都市計画では工事による住民への影響を抑えながら複数案を比べられ、設備運用では現在のデータを反映したシミュレーションが判断を支えます。完成予想図を表示するだけの3Dモデルとは異なり、現実側のデータと計算結果を継続的に行き来させる点に意味があります。

ナイジェリアにあるDangoteのLekki製油所では、Honeywell TechnologiesのForge Plant Cognitionが、Nemotronを利用したAIエージェントによって運用データを理解します。設備や工程のボトルネックを見つけ、機器とプロセス上の問題を予測し、プラント性能の最適化を支援する構成です。Dell PowerEdgeサーバーとNVIDIA RTX PROアクセラレーターを基盤としており、Omniverseのライブラリを使ったプラントと工程のデジタルツインについては、シミュレーションや訓練への利用が計画されています。すでに稼働している機能と計画段階の機能を区別して捉える必要があります。

台湾では、Linker Visionとオランダの建築設計事務所MVRDVが、OmniverseとNemotronを用いて環境・社会・ガバナンスの観点から都市計画案を評価するエージェントを開発しています。都市の樹冠が15年間でどう変化するかというシナリオを10分で計算し、従来は1回につき2週間かかっていた設計の反復を1時間未満へ短縮しています。検討回数を増やせるため、設計者は条件を変えながら複数案を比較しやすくなります。

シミュレーションの高速化は、将来を正確に予言できることを意味しません。入力条件やモデルの仮定が変われば、結果も変動します。業務で利用するなら、ひとつの予測値を採用するのではなく、前提の異なる複数シナリオを比べ、どの条件で判断が覆るかを確認する使い方が適しています。

都市AIの導入には、大規模なデータセンターを最初から用意しなければならないという印象があります。しかしNVIDIAは、処理内容によってはRTXワークステーションや小規模なGPUシステムでもサービス開発を始められると説明しています。実証段階で必要な処理能力を確認し、利用部署やカメラ台数が増えた時点で容量を追加する方法なら、需要が定まらない段階で過剰な設備を抱えずに済みます。

個別部署がそれぞれGPU環境、映像処理、認証、監視機能を購入すると、同じ機能が重複しやすくなります。共通基盤として整備すれば、住民窓口、交通管理、施設保全などが計算資源を共有できます。近隣自治体や地域の開発企業まで利用範囲を広げる構成も考えられますが、費用分担、優先順位、データを分離する方法をあらかじめ決めておかなければなりません。共有とは、すべてのデータをひとつに混ぜることではありません。

モロッコのTanger Med港では、Cires Technologiesが地域で管理するAIファクトリーを拡張しています。計画されている用途は、作業員の安全、混雑分析、貨物の経路設定、港湾運用です。同社は計算基盤を提供するだけでなく、港や都市向けの地域モデルとアプリケーションを開発する事業者のエコシステムも構築しています。外部サービスを採用しながら、機密データの処理場所や運用権限を地域側で管理する考え方です。

バルセロナ・スーパーコンピューティング・センターのAI Factory Accelerator Programmeは、スタートアップへ地域で管理される計算資源、技術支援、研修を提供しています。対象分野は都市サービスに限らず、農業、医療画像、知識へのアクセス、音声サービスにも及びます。共通設備と支援人材を複数の組織が利用できれば、各社は基盤整備より用途開発へ資源を振り向けやすくなると考えられます。都市AIの持続性はGPUの保有量だけでなく、地域の開発者が継続的に機能を更新できる環境にも左右されます。

海外の事例から得られる実務上の示唆は、都市全体を一度にAI化する必要はないという点です。問い合わせ、映像確認、設備点検、計画案の比較など、職員が時間を使っているひとつの業務を選び、限定されたデータと計算環境で検証できます。処理量が小さければワークステーション級の環境で始め、効果とリスクを確認してから共有基盤へ移す選択肢があります。

検証対象を選ぶ際には、単にデータが豊富な業務ではなく、AIの結果を受けた行動が明確な業務を優先したいところです。たとえば映像から混雑を検知しても、信号調整や現場誘導を行う担当者と判断基準が決まっていなければ、通知が増えるだけです。住民向けエージェントでも、回答後に予約や申請へ接続できるか、対応不能な案件を職員へ安全に渡せるかが成果を分けます。

導入前の確認項目は、次の五つに絞れます。

- 解決したい業務上の遅延や負担を数値で把握します。
- AIが参照できるデータと、参照してはいけないデータを分けます。
- 出力を確認する責任者と、実行を承認する権限者を定めます。
- 誤検知、停止、モデル更新時の代替手順を準備します。
- 他部署でも再利用できる計算、認証、監視機能を切り分けます。

評価指標も技術精度だけでは足りません。処理時間、職員の確認工数、サービス完了率、誤処理を防げた割合などを、導入前の状態と比較する必要があります。カメラ解析なら検知率だけでなく、不要な通知が現場へ与える負担も測るべきです。デジタルツインでは計算速度に加え、検討できた案の数や、意思決定までの時間を確認するとよいでしょう。

着手点としては、ひとつの業務について「入力データ」「AIが示す判断材料」「人が承認する行動」「結果を記録する場所」を一枚に整理する方法が有効です。そこで接続先や責任者が空欄になるなら、モデル選定より先に業務設計を詰める必要があります。都市AIを現場で使える仕組みにする第一歩は、GPUの調達ではなく、データから行動までの経路を具体化することです。