# AIで「見る・考える・行動する・学ぶ」：Honeywell Technologies の Suresh Venkatarayalu 氏

- 番組: [Me, Myself, and AI](https://ai-curator.jp/podcasts/shows/cmv40atyz000e5j0z6jropld0)（MIT Sloan Management Review ）
- 元のタイトル: See, Think, Act, and Learn With AI: Honeywell Technologies’s Suresh Venkatarayalu
- 配信日: 2026年10月27日
- 長さ: 30分
- 要約作成日: 2026年10月27日
- トピック: [#自律化（オートノミー）](https://ai-curator.jp/topics/%E8%87%AA%E5%BE%8B%E5%8C%96%EF%BC%88%E3%82%AA%E3%83%BC%E3%83%88%E3%83%8E%E3%83%9F%E3%83%BC%EF%BC%89) [#Physical AI](https://ai-curator.jp/topics/Physical%20AI) [#産業オートメーション](https://ai-curator.jp/topics/%E7%94%A3%E6%A5%AD%E3%82%AA%E3%83%BC%E3%83%88%E3%83%A1%E3%83%BC%E3%82%B7%E3%83%A7%E3%83%B3) [#デジタルツイン](https://ai-curator.jp/topics/%E3%83%87%E3%82%B8%E3%82%BF%E3%83%AB%E3%83%84%E3%82%A4%E3%83%B3) [#ガードレール](https://ai-curator.jp/topics/%E3%82%AC%E3%83%BC%E3%83%89%E3%83%AC%E3%83%BC%E3%83%AB) [#オントロジー](https://ai-curator.jp/topics/%E3%82%AA%E3%83%B3%E3%83%88%E3%83%AD%E3%82%B8%E3%83%BC)
- URL: https://ai-curator.jp/podcasts/cmvq8fwzb00005k10pw7swkba

## 要約

Honeywell Technologies の CTO である Suresh Venkatarayalu 氏が、オートメーションからオートノミー（自律）への移行を語った回。自律を「see（見る）、think（考える）、act（行動する）、learn（学ぶ）」の4段階で捉え、140年の決定論的な制御システムの上に確率的なAIを重ねる考え方を説明している。ガードレール、人間の関与、データ接続や文脈化の難しさ、デジタルツインの進展にも触れている。

## ポイント

- 自律は see・think・act・learn の4層で定義され、Honeywell は長年 see と act を担ってきたが、AIで think と learn を加えようとしている。
- 確率的モデルを決定論的な制御システムの上に重ね、後者を「ガードレール」とすることで、既存の高い信頼性を損なわず知能を追加する方針だと述べている。
- 運用者の「これは誤検知か」という応答がAIの強化学習になり、運用手順の見直しにもつながるという継続学習の仕組みを説明している。
- AIは運用者の代替ではなく補強であり、自律モードを有効にする判断は人間側が行うべきだという立場を示した。
- 最大の難所はデータ接続で、ビルの接続時間が120〜150時間から10〜20時間に短縮され、Forge の接続資産は2年前の約70万から2026年7月に530万になったという。
- CADやPNID図面から数日でビルを再現でき、デジタルツインの精度は約80〜85%に達したと述べている。

## 章立て

- [01:06] **ゲスト紹介と CTO の役割** — Honeywell の制御システム事業と Suresh 氏の役割が紹介され、オートメーションからオートノミーへの問いが提示される。
- [02:06] **決定論的モデルに学習を重ねる** — 140年続く決定論的モデルの上に確率的AIを載せる構想と、see・think・act・learn の4層を説明する。
- [05:10] **ビル運用での継続学習の例** — ビル管理システムでエージェントが運用者に提案し、フィードバックから学習していく流れを解説する。
- [07:17] **社内知識の学習とオントロジー** — Maintenance Assist など、サービス記録やマニュアルを学習させた取り組みと、ドメインの世界を教えるオントロジーを語る。
- [13:23] **エチレンプラントでの数分先予測** — 大規模プラントで誤警報を除去し、運用者に猶予時間を与える事例を紹介する。
- [16:53] **精度とガードレールの考え方** — 85%の精度の不確実性にどう向き合うか、決定論的制御を安全網とする設計を議論する。
- [20:08] **データ接続の課題と Forge の拡大** — 接続・文脈化・エージェント基盤という3つの課題と、接続資産数の急増を述べる。
- [23:19] **デジタルツインと締めくくり** — ビルの高速な3D再現と、技術要素が揃いつつあるという展望を共有して終える。

## 解説記事

Me, Myself, and AI の今回のゲストは、産業用制御システムで知られる Honeywell Technologies の CTO で、ソフトウェア事業を率いる Suresh Venkatarayalu 氏。ホストの Sam Ransbotham 氏と、「オートメーションからオートノミーへ」という移行の中身を、具体例とともに語った。

#### 決定論的モデルの上に確率的AIを重ねる

Suresh 氏によれば、Honeywell は140年にわたり制御システムを作ってきた会社で、入力に対して予測可能な結果を返す決定論的・ヒューリスティックなモデルを、安全性が極めて重要な基準の下で構築してきた。近年はそこに、限定的な知識から学習できる確率的なモデルを重ねようとしている（本人はこれを AGI と呼んでいるが、文脈上は生成AIなど確率的モデル全般を指すとみられる）。

自律の進み方は「see、think、act、learn」の4層で表される。Honeywell はこれまで、センサーとアクチュエータによる see と、事前に決めた規則に基づく act を得意としてきた。AIにより think と learn を加えるのが狙いだ。同氏はセンサー入力の誤検知が20〜60%に及ぶ例に触れ、システムがそれを除去して、より正確な情報で人の判断を支援すると述べている。

#### 継続学習の仕組みとビルでの例

ビル管理では、エージェントが建物のパターンを観察し、効率改善策を運用者に提案する。運用者が「これは誤検知か」という問いに答え続けることで、アルゴリズムへの確信が強化されるか、運用手順（SOP）自体の見直しが進む。同氏はこれを、既存の制御の上に載る継続学習システムと位置づけた。

社内の取り組みとしては、サービスチケットや技術文書を学習させた Maintenance Assist が最初の事例だという。当初45〜50%だった精度は約85%まで上がり、現場技術者の生産性が大きく向上したと説明する。その後、設計・提案・プロジェクト向けのアシスタントへ広げ、さらに制御製品側へ取り込む段階に入っている。ビルや工場のサブシステムの構造を教える「オントロジー」により、建物の文脈をAIに理解させる点も強調された。

#### 信頼とガードレール

事例として、アブダビの大規模エチレンプラントでは毎秒2〜3万点のセンサーデータが処理され、1万5千〜2万件規模のアラームが出るという。AIで誤警報を見分け、根本原因の候補や取るべき行動を示すことで、運用者の対応時間を稼ぐ。パイロットの評価は非常に良く、顧客が将来の自律型プラントの実証例として外部発表したとも述べた。

Sam 氏が「85%正しいなら残り15%がどこか分からないのが問題では」と問うと、Suresh 氏は、確率的モデルの上限を決定論的な制御システムが担保する設計だと答えた。既存システムは99.9999%の信頼性を保証してきたとし、AIはその上に積む追加の知能であってガードレールの外で動くものではないという。また、オペレーターを置き換えるのではなく補強する立場で、設定温度の最適化のような自律動作も、人間が有効化する形が望ましいと述べた。

#### 難所はデータ接続と文脈化

同氏が最も難しかったと挙げるのはデータ基盤である。散在するシステムを接続する作業は、100万平方フィートのビルで当初120〜150時間かかっていたが、現在は10〜20時間に短縮されたという。システムインテグレーター向けの Forge Academy やゲートウェイ、パートナーポータルの整備も寄与した。Forge に接続された資産は2年前の約70万から2026年7月時点で530万に増え、設置ベースは1100万〜1200万と見積もっている。産業プラントはビルの10倍複雑で、触媒性能のようなプロセス情報のデジタル化も必要なため、まだ初期段階だと述べた。接続、文脈化の次の段階として、エージェント基盤のパイロットを最近数カ月進めている。

デジタルツインについては、以前は3次元モデルの生成に3カ月かかったが、CAD図面と PNID（配管計装図）を与えれば1〜2日で建物を再現できるという。精度は約80〜85%と本人は見積もり、自律の前提として「まず模擬・再現できること」を挙げた。

#### まとめ

今回の話の中心は、AIを既存の安全な制御の置き換えではなく上乗せとして導入する設計思想にある。確率的な推論を決定論的なガードレールで囲み、運用者のフィードバックで学習させる流れは、物理世界でAIを使う際の信頼の作り方として参考になる。一方、数値の多くは同氏自身の説明であり、第三者による検証は番組内では示されていない。日本の製造業やビル管理の現場でも、AI精度そのものより、データ接続と文脈化に実務上の課題が集中するという指摘は注目に値する。

> この要約・解説記事は、元の音声の文字起こしをもとに AI（Claude）が日本語で作成したものです。出典: Me, Myself, and AI「See, Think, Act, and Learn With AI: Honeywell Technologies’s Suresh Venkatarayalu」