ジョージ・ブランケンシップ(George Blankenship)と言う名前をご存知の方は意外と少ないかもしれない。ところが「アップルストアの生みの親」と言うと、誰でも身近なイメージをお持ちになられるはずである。

ある日突然、ブランケンシップ氏はイーロン・マスクから電話を受けとった。「テスラの仕事を手伝ってくれ」と言う要望である。「何故、隠居している私を？」と言う質問にイーロン・マスクは答えた。「（私は）スティーブ・ジョブズ と同じことをしなければいけない。スティーブはiPhoneの使い方から市場を教育した。テスラも市場を電気自動車の使い方から教育しなければいけない。君の才能と経験が必要なのだ」

テスラ車は駆動系を燃焼機関から電動モーターへ置き換えただけと言う印象が強いが、テスラ車のコンセプトは全く違うのである。必然的にテスラ車の使い方も違う。ブランケンシップはテスラの顧客を教育するコンセプトをテスラのために開発した。テスラは全く新しい自動車のあるべき姿を提案している。そのために、積極的に市場を教育しないと、ただテスラ車を出荷しただけでは、正当な評価を得ることが出来ない。テスラが顧客満足度でダントツの成績を収めているのはジョージ・ブランケンシップの功績である。

GDfindiは生産シミュレータ(シミュレーションツール) と位置付けられているが、実際にはサイバースペースで生産システムのデジタルツインを設計するツールであり、シミュレーションはデジタルツインを使ったアプリケーションの一つという位置付けが正しい。ここで特に注目するべきことは、GDfindiのベースになる技術は生産システムを構造解析し、一般化したデータモデルなのである。

このCPSの使い方に、いち早く注目したのがテスラ社である。つい数週間前、米国連邦道路安全局（NHTSA)はテスラ社が出荷した110万台の車両に対して、リコール命令を発動した。テスラは累積200万台を出荷したと発表したばかりであるから、その55％がリコールの対象である。従来の概念では、110万台をサービスステーションへ呼び戻し、該当部品を交換することが必要であった。ところが、テスラはソフトウエアをダウンロードすることにより、NHTSA の要求を満たす芸当をやってのけた。

数値化を試みると、一台の車の部品交換業務に10万円かかる仮定すると、従来であれば1100億円かかるリコールを、ソフトウエアの変更とダウンロードで解決したのである。ソフトウエアの変更とNHTSAが要求する実証データ作成、そしてダウンロードの工数を保守的に見積もっても、一千万円以下のコストしかかからなかったと想定される。この事件で、テスラが自動車業界のエンジニアリングを革命した事実が明るみに出た。

単純なデータとデジタルツインの違いは、データは名前の如くただのデータであり、デジタルツインは何らかのオブジェクトのデータであり、オブジェクトに対して明確な属性を持つ。

何故デジタルツインが必要なのであろうか？

例えば物理的空間で人間がマニュアルで行なっている作業をソフトウエア化すると、手作業では5時間かかる作業が、瞬時に完了する。マニュアル作業が時給5000円だとすると2万5千円かかるのに対して、ソフトウエア化されるとタダ同然のコストしかかからない。もちろん、その為には適切なソフトウエアが開発されることが条件である。ただし、一度開発費をかけてソフトウエア化が実現すれば、プロセスコストはタダも同然となる。つまり、マニュアル作業のソフトウエア化は自動化を意味する。デジタルツインと適切なソフトウエアが存在すれば、プロセスコストがマニュアル時代の数万分の1以下になる。これが何を意味するか考えてみよう。

ウオールストリートのアナリストの一部は、電気自動車スタートアップはテスラの目覚ましい成功を再現できると信じ、電気自動車スタートアップ各社を高く評価をしています。また、投資家の一部は、自動車会社大手が電気自動車に本腰を入れると、テスラは線香花火に終わってしまうと予告し、ショートポジション戦略をとっています^[2] … Continue reading。どちらも電気自動車が成功の要因だと解釈しているのです。ところが、マッケンロイが指摘するように、テスラの成功の鍵は必ずしも電気自動車ではないのです。「電気自動車を開発したからテスラが成功した」のではなく、「テスラが新しい開発方式を導入したので電気自動車が成功した」と考えるべきなのです。ではテスラの成功の要因とは何なのでしょうか？

1994年のことです、アマゾンの創業を決意したジェフ・ベゾスは東海岸のニューヨークから、西海岸のシアトルへ移り住みました。アメリカ大陸を横断する間、奥さんが運転する車の助手席でアマゾンの企画書を作成したという逸話は有名です。何故アマゾンはシアトルで創業されたのでしょうか？その理由は、シアトルがマイクロソフトの城下町で優秀なプログラマーをスカウトしやすいとジェフ・ベゾスが判断したからです。アマゾンは表向きは本屋ですが、実は創業時点から立派なソフトウエア開発会社だったのです。同じように、テスラは自動車を開発製造するソフトウエア企業と説明できます。

イーロン・マスクの功績は「あれは他山の石、製造業では通用しない」と思われていた、90年代末期にソフトウエア産業で開発されたアジャイル方式を自動車業界へ導入し、製造業で実用化できることを実証したことです。イーロン・マスクは自動車会社の既存の常識を賞味期限の切れた常識にしてしまったのです。自動車業界だけでなく、製造業の革命が始まりました。

イーロン・マスクはサイエンスフィクション(SF)を子供の頃から愛読していました。人間には想像出来ることを実現させる力が備わっています。イメージさえ出来れば、いつか実現させる力を持っています。SF作家は突拍子ないイメージを生んで、将来を予想します。彼等は凡人が考えつかないような発想をするわけです。そして、SF作家がイメージしたことが数十年経つと実現しています。心理学者は、人間は慣れ親しんだことに執着する習性があると説いています。そして、私達は慣れ親しんだ常識を疑うことをしません。ところが、私達が「当たり前」と疑問を持たない常識も、変化の激しい現代社会では賞味期限が切れていることがあるのです。イーロン・マスクはこの事実に気がついているようです。そして、誰もが「無理」と思う領域の目標をたてています。

スペースXのCOOグイン・ショートウエル女史はあるインタビューでこのような証言をしています。

「イーロンが新しいアイディアを提案すると、社員は『それは無理』『絶対に不可能』と反応します。私の役割は社員を宥めて、即答を避け、一緒に解決案が無いか考えることです。すると、不思議と大抵の場合は解決案が浮かび上がるのです」

「現実的ゴール」と一般に呼ばれる目標は、私たちが想像出来る範囲にあります。イーロン・マスクのストレッチゴール(背伸びしたゴール)は想像出来る範囲の外の目標です。ですから、大抵の人は「無理」と考えることを諦めてしまい、頭を使いません。

ところがグイン・ショートウエルの話のように、考えてみると解決案が見えてくるわけです。すると、自然と研究開発スピードが加速します。日本でも本田宗一郎は無理と言われることにチャレンジして解決案を導いて偉業を達成しました。ここで大切なことは社員の意識改革です。イーロン・マスクが壮大なビジョンを打ち上げても、社員が「それは無理」と相手にしなければ空振りに終わってしまいます。イーロン・マスクは頻繁にメールを社員に送り、社員の意識改革を進める地道な努力をしています。この社員を動かす技術は別の投稿のテーマにいたします。

GDfindiはシミュレーションのツールと呼ばれていますが、正確には「生産システムの構造化されたデジタルツインを、プログラミングを必要としない手法で作成するツール」です。シミュレーションはGDfindiを使って作成されたデジタルツインを応用し付加価値を創造する数多くのアプリケーションのうちのひとつなのです。

一般には「プログラミングを必要としない」にスポットライトが当てられますが、「構造化されたデジタルツイン」にGDfindiのポテンシャルが凝縮されています。それは「構造化」という言葉の裏に、生産システムの構造化されたメタモデル（データモデルFINDI）が存在し、システムを構成する要素の相互関係が構造の中に既に埋め込まれていることを意味します。

管理職のためのGDfindi基礎講座シリーズの投稿の中に、GDfindiのモデリングは従来型シミュレーションの約10分の1しか時間がかからないとありますが、その一つの理由は、システムを表現するために必要な要素間の相互関係が、構造化されたモデルの中に埋め込まれているからです。また従来型シミュレーションモデルがシーケンスモデルと呼ばれる由来は、シーケンスをシミュレーションするために必要な領域しかプログラミングでモデル化されていないためです。例えば、従来型シミュレーションでモデルを変更すると、モデルは記述された変更にしか対応しません。GDfindiの場合は変更した局部と相互関係がある全ての要素にデザインインされた相互関係に基づき影響があります。

つまり、GDfindiのモデルはターゲット(対象生産システム)をシステムとしてモデル化しているのです。では、従来型シミュレーションでシステムの特性を持った生産シミュレーションのモデルを構築することは可能でしょうか？答えは「イエス／しかし」です。システムの特性を持ったシミュレーションモデルを構築することは従来型シミュレーションでも可能です。しかし、その為には非常に高いレベルのスキルを持ったプログラマーが経済的に許されないレベルの工数を費やさないと実現しないでしょう。

シミュレーションの定義はウィキペディアで検索致しますと【何らかのシステムの挙動を、それとほぼ同じ法則に支配される他のシステムや計算によって模擬すること】とあります。この場合「何らかのシステムの挙動」はシミュレーションの対象です。

本投稿の場合、それは何らかの生産システムであり、ここではターゲットと呼ぶことにします。そして、「それとほぼ同じ法則に支配される他のシステム」はシミュレーションモデルを意味します。また「現実を模擬した結果」がシミュレーション結果です。「模擬」ということは、シミュレーションモデルが現実を決して正確に再現していないことを意味します。生産シミュレーションの目的は「生産システムの挙動を模擬する」となります。

生産システムの「挙動」とは、システムへ何らかのインプットを与える際に発生するシステムのリアクションを意味します。挙動は「点」「線」「面」若しくは「多次元の解空間」として表すことが出来ます。「点」を表現する為には1回のシミュレーション結果が必要ですが、システムの挙動を再現したとは言えません。「線」を表現する為には、少なくとも2つの異なったシミュレーション結果が必要であり、「面」には最低3つのシミュレーション結果が必要です。空間を表現する為には最低4つのシミュレーションが必要です。「多次元解空間」の場合は解空間を構成するパラメータの数が「n」としますと、多次元空間を表現する為には、少なくともパラメータの最大値と最小値が必要です。

例えばnが３としますと、各パラメータの値は、120回のシミュレーションで下位空間の挙動を表すことが出来ます。パラメータ毎に3つの値が必要であれば、20,160回のシミュレーションが必要となります。GDfindiでは、このような多次元解空間を設定し、多目的最適化問題をシミュレーションで解くことが可能です。

結論から入りますと、GDfindiで生産シミュレーションの用途がやく20倍広がります。そして、使い方を工夫しますとGDfindiのシミュレーションのコストは、従来型シミュレーションに対して100分の1から1000分の１、もしくはそれ以下になります。

何故、そのようなモデリングコストが実現するのでしょうか？それは「モデルの再利用性と編集性」がある為です。アメリカの宇宙航空会社スペースX社の躍進を思い出してください。スペースXは「ロケットは使い捨て」と言う従来の概念を覆し、「ロケットの再利用性」を実現し、人工衛星の打ち上げコストの価格破壊を実現しました。宇宙開発に革命を起こしたのです。

レクサーは従来型生産シミュレーションの「生産シミュレーションは使い捨て」と言う概念を「再利用性のある生産シミュレーションGDfindi」で塗り替えました。一度生産システムのシミュレーションモデルを構築すれば、次のシミュレーションはコピペと編集で実現します。生産システムが稼働している限り、新たなシミュレーションがコピペと編集で実現します。改善運動の成果で生産システムの配置換えが行われても、コピペと編集で簡単に新しいレイアウトへ対応出来ます。また、改善運動を局部的に実施する場合は、局部に限定したモデルをコピペから作ることができます。約20回コピペと編集で新しいシミュレーションを実施すれば、最初に発生したモデリングコストは無視しても差し支えないレベルまでに下がります。そして、GDfindiのコスト体系では生産システの生涯が10年と仮定しますと数千回シミュレーションが実施され、生産システムのコスト低減が今までの数倍のスピードで実現される夢の様な環境が実現します。

モデリングは自動化されることにより劇的なコスト削減が可能になります。GDfindiは生産システムの構造化解析結果を採用しており、構築されるモデルは構造化されています。その為にモデル作成、編集を自動化することが可能です。あるドイツのスタートアップはプログラミングの自動化を志しています。この会社のHPでは「もしあるプログラミングに５時間必要だとすると、半自動プログラミング技術の導入で同じプログラミングが約30分で実現する。そして全自動化が可能になると0.1秒以下が可能になる。」と謳っています。全く同じことがGDfindiでも実現します。そして既に幾つかの自動化機能がGDfindiには備わっています。