「下から上へ」登ってきたベンダーが、さらに上を作った
中控技术（Supcon Technology、上海証券取引所科創板 688777）は、石油化学・化学・製薬といったプロセス産業向けのDCS（分散制御システム）で中国国内首位のベンダーです。もともとは制御層の会社で、そこからMES／MOM、APC（高度制御）といった上位レイヤーへ領域を広げてきました。
注目すべきなのは、その先です。同社はプロセス工業向けの大規模言語モデル「TPT」を自社開発し、DeepSeekと組み合わせる二重エンジン戦略を打ち出しています（同社ニュースリリースおよび2025年年次報告）。
日本の産業構造に置き換えると、これは「制御機器メーカーが、MESパッケージと産業向けLLMの両方を自社開発している」状態です。日本国内に同等の例はありません。制御はFAメーカー、MESはソフトベンダーまたはSIer、AIモデルはクラウドベンダーか研究機関、という分業になっているためです。
なぜ制御ベンダーがLLMを作るのか──データの所在が答え
答えは単純です。プロセス産業のモデルを学習させるためのデータは、DCSとMESの中にしかないからです。
汎用の大規模言語モデルは、インターネット上のテキストで学習しています。しかし「この反応器の温度と圧力の組み合わせで、触媒の劣化が何日後に来るか」「この銘柄切替のとき、どの順序でバルブを操作すれば規格外品が最小になるか」といった知識は、公開テキストのどこにも存在しません。それはプラントの運転履歴、アラーム履歴、操作ログ、品質検査結果の中にあります。
その資産を持っているのが制御ベンダーです。DCSベンダーは何百というプラントの運転データに触れており、MESまで押さえればロット単位の品質・実績データが加わります。モデルを作れる位置にいるのは、アルゴリズムに強い会社ではなく、データが流れる場所を押さえている会社です。この構図は、産業AIがどの層で成立するかという議論そのものです（産業AIのMES適用は3層に分化した）。
同社グループ系のsupOS 工业操作系统のように、工場全体のデータ基盤を「OS」として定義する動きも同じ方向を向いています。制御からアプリまでを一貫して自社で持つことで、データの構造を自社で決められる。これが垂直統合の本当の利得です。
「1+1+N」という設計思想と、当事者による冷静な自己評価
中国の産業AI実装で共通して語られるアーキテクチャが「1+1+N」です。1つのデジタル基盤、1つの工業大規模モデル、N個のインテリジェントエージェント。WAIC 2026（2026年7月17〜20日、上海）で示された整理で、MESの位置づけを考えるうえで有用です。
- 1つのデジタル基盤：設備・工程・品質・エネルギーのデータを統一モデルで持つ層。ISA-95的な意味でのMES／MOMの守備範囲と重なります
- 1つの工業大規模モデル：業種固有の知識を持つLLM。TPTがこれに当たります
- N個のインテリジェントエージェント：運転支援、異常診断、スケジュール調整など、業務ごとの実行主体
ここで注目したいのは、中国のトップランナー自身が現状を誇張していない点です。WAIC 2026で数字智能研究院の刘震院長は、「現在の工業AIは依然として単点智能にとどまり、複雑製造のシステムレベルでの全体協調最適化はなおブルーオーシャン市場である」と述べています。個別の工程・個別の装置では成果が出ているが、工場全体の協調最適化はまだできていない、という自己評価です。
同時に、定量的な到達点も示されています。中核工程の自主運転率95%超、1工場あたり年間数十万元規模の経済効果、大手プロセス製造企業の100工場超への展開。「まだ単点智能」と言いながら100工場超に展開しているという組み合わせが、中国の産業AIの実像に最も近い表現です。
日本のMES選定で、この動きをどう使うか
中控技术の垂直統合を知ったうえで、実務では次の3点が確認事項になります。
第一に、プロセス産業の中国拠点では、制御ベンダー発のMESが有力候補になり得ます。 石化・化学・製薬の工場で、DCSが中控技术であるなら、その上のMES／MOMを同社で揃える構成は保守の一元化という点で合理性があります。ただし後述のロックインとの引き換えです。
第二に、日本の制御ベンダー・MESベンダーに対しても「学習データの権利」を確認すべきです。 自社プラントの運転データが、ベンダーのモデル学習に使われるのか。使われるとして、匿名化の範囲と競合他社への波及はどう管理されるのか。中国系に限らず、産業AIを打ち出すベンダー全般に対して聞く価値のある質問になりました。
第三に、垂直統合はベンダーロックインの別名でもあります。 制御からモデルまで一社で揃えると、切り替えコストは層の数だけ掛け算になります。MES単体の乗り換えなら数年で可能でも、DCSとモデルまで同一ベンダーだと現実的に不可能になります。この論点はMESのベンダーロックインをどう避けるかで扱っています。判断としては、データモデルとインターフェースの仕様を自社が保有する契約になっているかが分水嶺です。
中国政府はこの方向を政策として数値化しています。8部門による『"人工智能+制造"专项行动实施意见』（2026年1月13日公布）は、2027年までに汎用大規模モデル3〜5個を製造業に深く応用、工業インテリジェントエージェント1,000個、工業高品質データセット100個という目標を掲げました（「人工智能+制造」専項行動の記事）。中控技术のTPTは、この政策目標の中に位置づけられた動きです。
よくある質問
産業用の大規模言語モデルは、汎用モデルの微調整と何が違うのですか？
実務上の違いは、学習データの出所と評価方法にあります。汎用モデルの微調整は公開データで事前学習したモデルに、社内文書やマニュアルを追加学習させる形が多く、テキスト理解の範囲に留まります。産業用として名乗るモデルは、時系列の運転データ、アラーム履歴、品質検査結果といった非テキストのデータをどう扱うかが本体で、言語モデルはむしろその出力を人間や他システムに橋渡しするインターフェースとして働きます。提案を受けたときは「何を学習データにしたか」「精度をどの指標で測ったか」を必ず確認してください。この2つに具体的な答えが返ってこないモデルは、汎用モデルにプロンプトを重ねただけである可能性があります。
MESにAI機能があると謳う製品は、どこを見て評価すればよいですか？
評価軸は3つです。①その機能が動くために必要なデータが、自社の現状で揃うか（多くのAI機能は、数年分のきれいな実績データを前提にしています）、②誤った出力が出たときに誰がどう気づくか（品質判定や工程条件の変更に関わる場合、監査証跡と人間の承認が必要になります）、③その機能が製品標準か、個別開発かです。③は保守の継続性に直結します。標準機能ならバージョンアップで維持されますが、個別開発のモデルは作った担当者がいなくなると誰も再学習できなくなります。
