この章で学ぶこと

この章が扱う中分類「開発・運用の方法論」のうち、約63語（重複記載の「MLOps」を含む）を占めるのが「AI駆動開発」と「フィジカルAI」です。語数は全章中最少ですが、既存の学習コンテンツがほとんど存在しない完全新規領域のため、このコースで最も書き下ろし比率の高い、差別化の核となる章です。前半は生成AIを開発プロセスにどう組み込むかというAI駆動開発、後半はAIをロボットや組込み機器という物理世界に実装するフィジカルAIを扱います。PD-Mコースが「AI活用を組織としてどう統制・推進するか」という経営目線だったのに対し、この章は「AIをどう開発プロセスに組み込むか」という実装者目線になる点が対比構造として整理しやすくなります。

AI駆動開発の基本概念

生成AIを前提にした新しい開発スタイルとして、AIとの対話を通じて直感的にコードを生成していくバイブコーディング、AIエージェントに要件から実装までを自律的に進めさせるエージェンティックコーディング、仕様書を先に厳密に固めてからAIに実装させる仕様駆動開発（SDD）という3つのアプローチがあります。AI駆動開発のメリット・デメリット（開発速度の向上と、意図しない実装や品質のばらつきというトレードオフ）を理解した上で使い分けることが実装者に求められます。

仕様やドキュメントはMarkdownファイルで記述し、構造や処理の流れをMermaid記法で可視化してAIに正確な文脈を与えます。AIが生成したコードの品質を機械的に検証するLintチェックの導入も欠かせません。AIプロジェクト全体は、企画・調査（データ収集・PoC）・実装・運用改善という一連の流れでAIプロジェクトのマネジメントを行い、機械学習モデルの運用を体系化するMLOpsがその基盤になります。

扱う用語（精選・9語）

• バイブコーディング／エージェンティックコーディング／仕様駆動開発（SDD）
• AI駆動開発のメリット・デメリット
• Markdownファイル／Mermaid記法／Lintチェックの導入
• AIプロジェクトのマネジメント（企画・調査（データ収集・PoC）・実装・運用改善 など）／MLOps

責任あるAI開発とMLOps/LLMOps

機械学習モデルの開発・運用を体系化するMLOpsを土台に、大規模言語モデル特有の運用課題を扱うLLMOpsがあります。AIモデルの構成要素（学習データ・アルゴリズム・依存ライブラリ など）を一覧管理するAIBOM（AI Bill of Materials）は、第4章で扱ったSBOM（ソフトウェア部品表）のAI版と捉えると理解しやすくなります。

責任あるAI開発の実務では、適切なデータの学習とデータに含まれるバイアスへの配慮を出発点に、人間の生命・身体・財産，精神及び環境に配慮した開発、悪用を防ぐ適正利用に資する開発、AIモデルのアルゴリズム等に含まれるバイアス等への配慮、プロンプトインジェクションなどへのセキュリティ対策のための仕組みの導入を実践します。動作の根拠を追跡できる検証可能性の確保と開発関連情報の文書化を徹底し、データマイニングの標準プロセスであるCRISP-DMとその機械学習版CRISP-MLに沿ってプロジェクトを進めます。

扱う用語（精選・12語）

• LLMOps／AIBOM（AI Bill of Materials）
• 適切なデータの学習／データに含まれるバイアスへの配慮
• “人間の生命・身体・財産，精神及び環境に配慮した開発”／適正利用に資する開発／AIモデルのアルゴリズム等に含まれるバイアス等への配慮
• セキュリティ対策のための仕組みの導入／検証可能性の確保／開発関連情報の文書化
• CRISP-DM／CRISP-ML

信号処理と半導体・組込みハードウェア

フィジカルAIを支えるハードウェアの土台として、時間領域の信号を周波数成分に分解する離散フーリエ変換（DFT）とその高速計算法である高速フーリエ変換（FFT）、システムへの瞬間的な入力への応答を表すインパルス応答、不要な周波数成分を除去するフィルター（ローパスフィルター・デジタルフィルター）があります。制御工学の基本として、結果を測定して入力を調整するフィードバック制御と、あらかじめ外乱を予測して補正するフィードフォワード制御を使い分け、組込み機器の頭脳となるMPUアーキテクチャ、モーター制御などに使うパルス幅変調（PWM）制御を実装します。

半導体は、演算処理を担うロジック半導体（CPU・ASIC・FPGA・SoC）、データを記憶するメモリ半導体（DRAM・SRAM・HBM・バイポーラメモリ）、電気信号を扱うアナログ半導体（パワーIC・イメージセンサー）、単機能の部品であるディスクリート（LED・OLED・トランジスタ・フォトカプラ・フォトインタラプタ）に分類され、汎用のマイクロプロセッサと組込み向けのマイクロコントローラー、信号処理専用のDSP、特定用途向けのASIC、抵抗・コンデンサなどの回路素子、微小な機械構造を持つMEMSがあります。運用面では診断プログラム・監視回路・電源回路を組み込み、回路のタイミング設計では、クロックに同期させる同期式設計と同期させない非同期式設計、演算を単純化する加法標準形というタイミング設計の手法があります。省電力技術としては、周囲のエネルギーから電力を得るエネルギーハーベスティング、消費されるリーク電流を抑えるパワーゲーティングとクロックゲーティング、電圧と周波数を動的に調整するDVFSがあります。

扱う用語（精選・30語）

• 離散フーリエ変換（DFT）／高速フーリエ変換（FFT）／インパルス応答／フィルター（ローパスフィルター・デジタルフィルター）
• フィードバック制御／フィードフォワード制御／MPUアーキテクチャ／パルス幅変調（PWM）制御
• ロジック半導体（CPU・ASIC・FPGA・SoC）／メモリ半導体（DRAM・SRAM・HBM・バイポーラメモリ）／アナログ半導体（パワーIC・イメージセンサー）／ディスクリート（LED・OLED・トランジスタ・フォトカプラ・フォトインタラプタ）
• マイクロプロセッサ／マイクロコントローラー／DSP（Digital Signal Processor）／ASIC／回路素子／MEMS
• 診断プログラム／監視回路／電源回路
• タイミング設計／同期式設計／非同期式設計／加法標準形
• エネルギーハーベスティング／リーク電流／パワーゲーティング／クロックゲーティング／DVFS（Dynamic Voltage and Frequency Scaling）

フィジカルAIとロボティクス学習

現実世界の動きや因果関係をAIが内部にモデル化する世界モデル（World Models）と、予測誤差を最小化するように行動を選ぶアクティブ推論を土台に、視覚・言語・行動を統合したロボット向けの基盤モデルであるロボット基盤モデル（VLA：vision-language-action、VLM：vision-language model）が急速に発展しています。人間の動作をロボットに再現させるティーチングプレイバック、試行錯誤から報酬を最大化する行動を学習する強化学習を組み合わせ、少ない試行回数でどれだけ効率よく学習できるかというサンプル効率を高めることが実用化の鍵になります。

シミュレーション環境と現実世界の違いから生じる性能低下をSim to Real Gapと呼び、危険な行動を避けながら学習する安全性（学習中の危険な行動）への対応と安全強化学習を組み合わせ、仮想環境で安全に学習するシミュレーション学習を重ねた上で、仮想と現実のズレを補正するドメイン適応を経て実機に投入します。上図のとおり、この一連の流れがフィジカルAI実用化の標準的なアプローチです。

扱う用語（精選・11語）

• 世界モデル（World Models）／アクティブ推論
• ロボット基盤モデル（VLA・VLM）／ティーチングプレイバック
• 強化学習／サンプル効率／Sim to Real Gap
• 安全性（学習中の危険な行動）への対応／シミュレーション学習／安全強化学習／ドメイン適応

AIで学ぶ

ここまでの用語は、ChatGPTやClaudeなどの生成AIに以下のプロンプトを投げかけると、比較表つきでさらに深く掘り下げて学習できます。コピーして使ってみましょう。

あなたはプロフェッショナルデジタルスキル（システム）試験の講師です。「AI駆動開発とフィジカルAI」の範囲について、以下の用語を初学者向けに**関連づけながら**説明してください（単体の丸暗記より、用語同士のつながりを理解したほうが記憶に定着しやすく、試験本番で紛らわしい選択肢を見分ける力もつくためです）。用語同士の違いが分かる**比較表**を最後に付けてください。

【AI駆動開発の基本概念】バイブコーディング、エージェンティックコーディング、仕様駆動開発（SDD）、AI駆動開発のメリット・デメリット、Mermaid記法、Lintチェックの導入
【責任あるAI開発】MLOps、LLMOps、AIBOM、データに含まれるバイアスへの配慮、検証可能性の確保、CRISP-DM、CRISP-ML
【信号処理と半導体】離散フーリエ変換（DFT）、高速フーリエ変換（FFT）、フィードバック制御、フィードフォワード制御、ロジック半導体、メモリ半導体、DSP、ASIC
【省電力技術】エネルギーハーベスティング、リーク電流、パワーゲーティング、クロックゲーティング、DVFS
【フィジカルAI】世界モデル（World Models）、アクティブ推論、ロボット基盤モデル（VLA・VLM）、強化学習、Sim to Real Gap、シミュレーション学習、ドメイン適応

AIに用語リストだけを渡すと、辞書をそのまま読み上げるような無機質な説明が返ってくることがあります。このプロンプトが役割（試験の講師）・関連づけの指示・出力形式（比較表）の3つを指定しているのはそれを避けるためです。この章はシラバスハックの「生成AI×資格試験」という軸に最も近い領域なので、実際に手元でMermaid記法やAIエージェントを使って仕様書を作ってみると理解が加速します。

章末チェック

最後に、この章で学んだ知識をアウトプットして定着させましょう。全問に答えたら「答え合わせ」を押してください。

この章のまとめ

この章では、バイブコーディング・エージェンティックコーディング・仕様駆動開発というAI駆動開発の実践、責任あるAI開発とMLOps/LLMOps、信号処理・半導体という組込みハードウェアの基礎、そして世界モデル・強化学習といったフィジカルAIの学習手法までを学びました。ここまでの知識（科目A-2相当）を実際の現場でどう組み合わせて判断するかを、次章のケーススタディで統合的に学びます。

次章では、システムアーキテクトを主人公にしたケーススタディ形式で、これまでの知識を実務判断に応用する技能（科目B）を学びます。→ 第8章 システム開発実務ケーススタディ（技能）