中央 独協 成城 学習院 法政 専修 成蹊 明治学院 国学院どれがいいんですか？　SMARTの次

AIの回答がおかしいだとか、成果物を確認しなければならないとか、だから、こいつらまだまだだとか、不平を抱えている人たちもいるでしょうけど、それは、まだ業務を知らない新卒と同じではありませんか。

新卒に何をしていますか？研修、教育などをしているではありませんか？AIも同様に研修、教育しているのですか？AIは、人と違って、36協定も、育児休も不要ですし、二日酔いになることもなく学習してくれますよ？

AIで代替されやすい文系職と、理系職のたとえば組み込みシステムのようにAIだけでは代替しにくい職種を分けて考える必要があります。

こうした職種ごとの代替可能性と人材需給を整理して考えれば、「約430万人の文系人材余剰」という話も、単なる予測ではなく、ある意味では必然的に見えてきます。

いつまで新卒を教育するという生産性の低いことを続けるのですか？
新卒を教育するならAIを教育した方がいいじゃない？機嫌をうかがう必要もないんですよ？

念仏を唱えても、情況は変わりません。

約430万人の文系余剰。

●それ、Geminiになげた。
何となく、プログラミングは返ってきた。

(プログラミングを貼ると投稿できないので省略)


●これで組み込みシステムエンジニアの仕事は終わり？と聞いたら
↓

いいえ、実はここからが組み込みシステムエンジニアの本当の腕の見せ所であり、仕事はまだまだ続いていきます。

​ご提示いただいたコードや仕様書は、あくまで「システムがどう動くべきか」を定義した概念実証（PoC）の設計図のようなものです。現実の農場で確実に稼働するロボットを作るためには、以下のようなプロセスがさらに必要になります。

​1. 実機（ハードウェア）との統合と調整
​通信と制御の確立: Pythonから直接モーターを動かすのではなく、マイコン（STM32やESP32など）や産業用PC、モータードライバとCAN通信やシリアル通信で信号をやり取りできるように組み込みます。
​耐環境性の克服: IP65の防水・防塵性能や、5〜40℃の温度変化、直射日光、泥汚れの中でもカメラやセンサーが正確に機能するか、物理的な耐久性を踏まえた調整を行います。

​2. C/C++への移植とパフォーマンスの極限化
​実際の産業用ロボットやマイコンでは、処理速度やメモリ制限の観点から、PythonではなくC言語やC++で書き直されることが一般的です。50Hz（20ms周期）のリアルタイム制御を絶対に遅延させないよう、コードの軽量化と最適化を行います。

​3. 長時間稼働と耐久試験
​「8時間の連続稼働」や「10万回以上の動作」に耐えられるか、実際に機械を動かして発熱、メモリリーク、部品の摩耗、センサーの誤作動がないかを徹底的に検証・修正します。

​4. 安全設計（ハードウェアとソフトウェアの連携）
​異常発生時に自動再始動させないルールや、ハードウェアの非常停止スイッチが押された瞬間に物理的な電源回路が遮断される仕組みを、安全規格に準拠して構築・テストします。

​今回はソフトウェアの制御ロジックを中心に見ましたが、実際にどのようなマイコンやモーターなどのハードウェアを選定・設計するのかについても気になりますか？

【結論】
プログラミングとは別にハードウェアの選定・設計が必要ということらしい。

続きです。

●プログラミングとは別にハードウェアの選定・設計が必要ということ？

↓

はい、まさにその通りです。
​組み込みシステムエンジニアの最大の特長は、「ソフトウェア（プログラム）」と「ハードウェア（電子部品・機械構造）」の両方を深く理解し、一体として設計する点にあります。
​Web開発や一般的なアプリ開発であれば「動かすパソコンやスマホ（ハードウェア）はユーザーのもの」が前提になりますが、組み込みエンジニアは「製品の体（ハードウェア）そのもの」をゼロから設計・選定する必要があります。
​具体的に、プログラミングとは別にどのようなハードウェアの選定・設計が必要になるのかをご紹介します。
​1. 「脳（マイコン・プロセッサ）」の選定
​選定のポイント: トマト収穫ロボットの場合、画像認識（AI）を動かすための高い処理能力が必要か、あるいはセンサー制御やモーター制御に特化したリアルタイム性が高いマイコン（MCU）が良いかを選びます。
​具体例: NVIDIAのJetsonシリーズ（AI処理用）や、ルネサス・STMicroelectronicsなどの産業用マイコンを組み合わせて設計します。
​2. 「目（センサー・カメラ）」の選定
​選定のポイント: 畑の強烈な「直射日光」や「水滴・泥（IP65）」に耐え、かつトマトの赤みや奥行き（3D）を正確に捉えられるカメラを選びます。
​具体例: 防水・防塵仕様の産業用ステレオカメラや、距離を測るLiDARセンサーなど。
​3. 「筋肉（モーター・アクチュエータ・ドライバ）」の選定
​選定のポイント: トマトを潰さない絶妙な力（把持力 3〜5N）で掴み、素早く正確に動く（位置精度 ±5mm）ためのモーターや、それを制御するドライバ回路を選定します。
​具体例: ステッピングモーターやサーボモーター、空気圧シリンダーなど。
​4. 「電源・配線・基板（ハードウェア回路）」の設計
​選定のポイント: 「8時間の連続稼働」を支えるバッテリーの容量計算や、農場の高温多湿（5〜40℃）や振動に耐える基板の設計、ノイズ対策を行います。
​プログラミングとどう連携するのか？
​ハードウェアが決まると、いよいよプログラミングの出番になります。
「選定したモーターのこのピンに、こういう電気信号（電圧やパルス）を送れば、これだけ回転する」というハードウェアの仕様書（データシート）の仕様を読み解きながら、それに合わせたC言語やC++のコードを書くのが、組み込みシステムエンジニアの仕事の本質です。
​ソフトウェアとハードウェアのどちらが欠けても、ロボットは思い通りに動きません。

＞そもそも「プログラミング」は一種類ではありません。

① Web・業務アプリ・データ処理などのプログラミング
→ 分野によっては、物理の知識は必須ではない

② 自動運転・ロボット・工場設備などのプログラミング
→ 物理・数学・電気・機械・制御などの知識が必要

同じ「プログラミング」でも、対象が違えば、求められる知識や能力は大きく変わります。

特に②は、単にコードを書くだけではなく、現実の機械を動かすための知識と技術が必要です。

「プログラミング＝AIに代替される」と一括りにする前に、何を対象に、何のためにプログラムを書くのかまで見たほうがいいと思います。

そして、こうした組込み・制御系の技術者は、実際に人材不足が課題になっている分野です。

●上記に当てはまる？

↓

ご提示いただいた視点は、まさにソフトウェアとハードウェアの境界線でモノづくりをする本質を突いています。

この枠組みを先ほどのトマト収穫ロボット（PoC要求仕様）にそのまま当てはめてみると、「プログラミング＝AIに代替されてなくなる」という一括りの議論がいかに表面的であるかがよく分かります。

​①と②の本質的な違い：トマト収穫ロボットの事例

​◯物理世界の不確実性への対応（②の領域）

Webやアプリの世界（①）とは異なり、現実の農場には「直射日光、水滴、泥、風で揺れる葉」といった物理的なノイズが溢れています。AIがどれほど優秀なコードを生成しても、センサーの物理特性を理解し、±5mmの位置精度や50Hzの制御周期を泥臭くチューニングするのは人間のエンジニアの仕事です。


​◯「失敗が許されない」安全と責任の設計

画面上のバグであればリロードで済みますが、ロボットの異常トルクや過電流は物理的な破損や事故に直結します。「異常停止後の自動再始動禁止」やハードウェアの非常停止回路など、安全規格を考慮した設計は、単なるコードの自動生成では代替できない領域です。



​◯「すべてをAIがやる」という誤解の限界

「AIが賢くなれば設計から製造まですべて自分でやる（いわゆる万能論）」という見方がありますが、熱・電力の制約、筐体の耐久性、メカトロニクス全体の調和など、物理法則に縛られた現実世界を最適化するには、機械・電気・制御・ソフトウェアを横断する深い専門知識が不可欠です。

​現実の物理世界に直接干渉する②（組込み・制御系）の分野は、まさに今、産業界で深刻な人材不足が叫ばれている領域であり、AIはその道具であって人間の代わりになり得ない部分が数多く残されています。

トマト収穫ロボットの話なら、かなり明確に分けられます。

① AIを教育・学習させればできること
主に「情報処理・計算・判断・コード生成」の領域
カメラ画像からトマトを認識する
熟度を判定する
収穫対象を選ぶ
画像から位置を推定する
アームの軌道を計算する
センサーのデータを処理する
制御アルゴリズムのコードを書く
シミュレーションを行う
過去のデータから異常を検出する
パラメータの最適化を支援する
つまり、**「与えられた条件の中で計算・推論・コードを書く」**部分はAIがかなり担える。

② AIを教育しても、それだけではできないこと
「現実世界そのものを成立させる」領域
どのカメラ・センサーを実際に採用するか
どのモーター・アームを選ぶか
センサーやモーターをどこに配置するか
必要な把持力・精度・速度をどう決めるか
機械・電気・制御系をどう設計するか
電源・配線・放熱・防水防塵をどう設計するか
実機で発生する振動、摩擦、ノイズ、温度変化などへの対応
実機で安全性・耐久性を検証する
異常時にどう安全側へ移行させるか
実際の農場で何万回も動かして問題を潰す
ここは「AIがコードを書けば終わり」ではありません。

ポイントは、
AIが設計を支援できることと、AIに教育すれば人間のエンジニアが不要になることは別問題。