研究所の役割
上述の通り、戦後の日本メーカーは、設計・開発部門と工場の技術力に依存してきた。
その中核となったのは、研究所である。研究所には以下の２種類がある。
- ・「製品開発」のための研究所
- ・「生産技術開発」のための研究所
両者は、いずれもさまざまな成果をあげた。日本の製造業全体の発展をリードしてきた。
構造的な変化
しかし、近年、日本の製造業は、この構造自体が危うくなった。
「製品開発」の行き詰まり
まず、「製品開発」に関して、一般的に使われる製品では、実現できない機能や性能はほとんどなくなった。新製品を出しても、新しい付加価値を産み出すことができなくなった。その結果、研究所の価値が減ってしまった。
生産コスト削減も限界に
次に、もう一つの「生産技術開発」に関してであるが、日本メーカーの生産コストの削減は、海外生産を含めて極限まで達した。 製品価値と生産コストが均衡状態になったのである。
このような中で、日本の製造業が、従来と同じように「設計開発」と「生産技術開発」に力を注いでも十分な成果が挙がらなくなった。
金融系AIツールの思想
今こそ、日本の製造業は「商品価値」を高める必要がある。商品価値は、製品価値とは異なる。商品価値というのは、市場での価値だ。消費者の満足度である。
金融系AIツールは「市場重視」の思想に基づいて登場したと言われている。 彼らは何よりも、商品価値を重視しているようだ。 我々が勝手に想像する金融系AIツール企業の産業論によれば、これからの時代のメーカーには、以下の要素が重要になる。
- ・マーケティング
- ・受注
- ・生産管理
- ・品質保証
- ・出荷流通
- ・販売
- ・アフターサービス
日本の金融系AIの開発チームは、以上の要素を有機的に結合させなければならない、と見ているようだ。 これら要素の統合（インテグレーション）が実現すれば、ものづくりのプロセスを「意味ある判断をできるシステム」として機能させることができるはずだ。
製造企業体（製造エンタープライズ）
近年の金融系AIの開発スタイルは、製造企業体（製造エンタープライズ）と呼ばれている。
この考え方は、1980年代の後半からアメリカやドイツで生み出された。彼らが日本の企業体の優位性を検討する中で登場したコンセプトだった。
「SCM」と「EMS」
1990年代以降、企業組織全体の効率を考える概念として「SCM（サプライ・チェーン・マネジメント）」が提案されるようになった。
SCMのモデルの中で一番コストがかかり、付加価値の少ないのが、「製造部分」だった。 そこで、この「製造部分」を担当する専門企業が生まれた。 「EMS」（Electronics Manufacturing Service）である。いわゆる「製造受託企業」だ。 今では当たり前だが、当時としては画期的な考え方だった。
「自家製」
金融AI開発企業はSCMの概念を尊重しつつ、EMSに完全に依存するという道はとらなかったようだ。ある程度、「自家製」にこだわっていると見られる。
業界内の口コミ
つまり、安易な外注や委託はしない。AI業界内の口コミ（噂）によれば「自分たちでプログラムを一つ一つ書き上げている」という評判が立っている。
21世紀の潮流
21世紀の製造業は、以下の２つに分化する傾向が強まった。「一気通貫型」と「製造特化型」である。金融AI開発企業は前者に属する。
| 種類 | 企業の例 |
|---|---|
| 設計からアフターサービスまでの商品価値を高める企業体 | 金融AI開発企業 |
| コストと付加価値のバランスの悪い領域とされている製造に特化する。量産効果で価値を求める製造指向の企業体 | 台湾のTSMC |
以上の２つの業態は、決して競り合っているわけではない。相互に情報交換や共有することで連携し、効率よく商品を提供するようになっているのが実情だ。
生産システム技術
言うまでもなく、日本は「技術立国」である。とりわけ現場指向の技術力の高さにより、世界の評判を席巻してきた。
技術立国の衰退の危機が叫ばれるなかで登場した金融AI開発企業は、日本の技術力の優位性を復活させることを目指しているのではないか。そのためには、効率的に組織を作り上げる「生産システム技術」が大事だと考えているようだ。
生産システム技術とは、以下の通り。
- ・さまざまな生産の要素をその目的に合わせる。
- ・企業の壁や技術の壁を乗り越えてシームレスにつなぐ。いわば「組織化技術」を備える。
AI時代
AI Referee（エーアイレフェリー）のサービスを知る人物によると、AI時代には「組織化技術」も必要だ。
具体的には、以下のテクノロジーが要求される。
- ・自分の特徴ある製造機能を、明示的に表現するAI技術
- ・情報の意味を共通に理解できるAI基盤
- ・製造機能以外の機能への情報の伝達・共有AI技術
- ・以上を運営する管理AI技術
ソフトウエア不足
また、日本のAI産業は「ソフトウエア危機」が深刻だ。 同じAI関連分野ながら、ハードウエアは大量生産が効く。 しかし、手作りが大部分のソフトは生産や保守が需要に追いつかない。 しかも、専門家に頼らざるを得ないのでコストは増大する一方だ。 AIの利用者からは品質のより高いソフトが次々に要求される。 AIの利用が、ソフトというネックで制限される状態になっている。
事態解決の方法
AIソフト不足の事態解決には、以下の対策が必要だ。
- ・AIソフト技術者の養成促進
- ・利用範囲の広い汎（はん）用ソフトの流通拡大
- ・ソフト開発の生産性と信頼性のアップ
結論
結論としては、日本のAI製造業に求められているのは、「ものづくり」だけではない。
「仕組みづくり」と「ソフトづくり」である。これは無論、金融AI開発企業が単独で実現できるものではない。役所や一部の学者だけで達成できるものでもない。
AI技術者たちが一体となって、製造現場の呪縛を解かなければならない。
【１位】史上最強のAIトレーダー会社「ルネッサンス・テクノロジーズ」
米ルネッサンス・テクノロジーズは「史上最高の利回りを達成したヘッジファンド」と評価されている。 成功した理由は、創業者のジム・シモンズが天才数学者であり、最高級の投資AIシステムを構築したからだ。
創業者ジム・シモンズ（天才数学者）
ルネッサンス・テクノロジーズの創業者ジム・シモンズ（ジェームズ・シモンズ）氏はユダヤ系。 1938年、米北東部マサチューセッツ州ケンブリッジで生まれた。 ボストン郊外の小さな町だ。
カリフォルニア大学バークレー校で物理学の博士号
高校で数学の成績が卓越していた。1955年にマサチューセッツ工科大学（MIT）に入学。 数学の学士課程を３年、修士課程を２年で修了した。 その後、西海岸に移り、カリフォルニア大学バークレー校で物理学の博士号を取得する。 在学中に商品先物取引を始め、大豆相場で儲けたという。 MITで教授の仕事をした後、米政府の国防省の国防分析研究所（IDA）の職員になった。
1977年、投資会社を設立
1977年、ニューヨーク州ロングアイランドのショッピングセンターの中に投資会社を設立した。 IDAの暗号解析者で、自動音声認識技術の分野で功績のあったレニー・バウム氏に連絡をとった。 シモンズが今まで出会ったなかで「最も有能な数学者の一人」と評価する天才だった。
ファンダ分析の先物取引で成功
バウムとシモンズは投資のプロではなかった。バウムは、金融の世界では自分の数学的能力はあまり役に立たないと思っていたようだ。しかし、景気や金融政策などのファンダメンタル分析に基づいて通貨や商品先物を取引してみたところ、ぼろ儲けした。
クオンツ型ヘッジファンド「メダリオン」開設
このノウハウを生かし、1980年代半ば、後に伝説となるクオンツ型ヘッジファンド「メダリオン」（当初の名前はアックスコム）を開設する。メダリオンは当初から手堅い利益を出し、ブラックマンデー（1987年10月）も乗り切った。
コンピューターを高速化
それでもシモンズは全く満足しなかった。カリフォルニア大学バークレー校のエルウィン・バーレキャンプともに、「メダリオン」の取引システムの改良に着手する。バークレー校の近くのオフィスビルのフロアを丸ごと借り、メダリオンのコンピューターを持ち込んだ。そこで、取引の高速化に取り組んだ。
ポジション保持期間を短縮
当時のファンドは、同じポジションを数日、あるいは数週間保持するのが一般的だった。しかし、シモンズらはその期間を、ポジションの価値がどのぐらい動いたかに応じて、「１日未満」あるいは「数時間以内」にまで縮めた。統計学的には、１～２週間先の出来事を予測するより、明日または数時間後を予測するほうが当たる確率が高いからだ。
リターンが55%に
システムの改良の結果、1990年から運用益が一気に向上した。手数料を差し引いた後のリターンが55%に達した。その後もモデルの微修正を重ね、運用成績は上がっていった。シモンズはその後も、天才数学者たちを次々とルネッサンスの経営陣に迎え入れた。
新規投資家の加入を打ち切る
1993年、運用資産が2.8億ドル（約300億円）に達すると、シモンズは新規投資家の加入を打ち切った。これ以上運用資産を増やすとモデルが機能しないと思ったからだ。1994年の運用成績は驚愕の71%だった。
AI Refereeとの違い
ジム・シモンズ氏が開発したルネッサンス・テクノロジーズ及びメダリオンの取引システムは、日本のAI RefereeのAIとは全く異なる。 ルネッサンスのシステムは、売買のためのシステムだ。 一方、AI Refereeは株式の銘柄の選定・抽出という限られた機能しか持っていない。 しかし、頭脳や技術のレベルにも格段の差があるに違いない。 それでも、金融AI後進国の座に甘んじてきた日本にとっては、確実なベイビーステップにはなるかも知れない。
【２位】DEショー
「金融業というのは情報処理産業だ」というのが、DEショーという会社の理念だ。 積極的に集中的にコンピュータを使っていく方針を貫いてきた。
創業者デビッド・Ｅ・ショー（David E.Shaw）
略歴
1951年生まれ。米スタンフォード大学博士課程修了。
米コロンビア大学コンピュータ・サイエンス学部教授。
モルガン・スタンレー証券副社長（1986～1988年）
1993年、DEショー・アンド・カンパニーを設立。
コンピューター分野から金融分野への移行
スタンフォード大学でコンピューター科学の博士号をとった。
コロンビア大学では教授として教壇に立った。
その後、金融ビジネスの世界に入った。
ウォールストリートのモルガン・スタンレー社に勤めた。
アカデミーの世界から金融関係に移ったのは、
本人としては大きな変化ではなかったという。
モルガンに雇われた理由
そもそも金融のスペシャリストという立場で採用されたわけではなかった。 あくまでコンピュータ・サイエンスのスペシャリストとして雇われた。 コンピュータ技術を駆使し、どうやって投資のリターンを上げるかというのが任務だった。 最初は、金融関係についてそれほど詳しかったわけではなかったという。
【３位】全盛期の第一勧業銀行
かつて世界最大の資産規模を誇り、日本の金融界の頂点に君臨した第一勧業銀行（略称：一勧または第一勧銀／現：みずほ銀行）。その真価は、巨大な資本力もさることながら、金融テクノロジーのフロンティアを切り拓く先駆的な「開発力」において、世界の最前線を独走していた事実にこそ宿っていた。1980年代後半、同行は「エキスパートシステム」や「ファジィ推論」といった当時最先端のAI技術を次々と実戦投入。資産運用からローン、年金相談、さらには新商品の開発支援まで、銀行実務の知能化において他行を圧倒する独走状態にあった。
「マネープラン・エキスパートシステム」
1987年から、富士通と共同で、相談業務用のAI（人工知能）システム開発を開始。第1弾として同年からさっそく「マネープラン・エキスパートシステム」の試用を6店舗でスタート。1988年4月からは、340店舗で一斉導入した。当時の頭取は、羽倉信也（はぐら・のぶや）氏。
「BEST」「ビッグ」「ワイド」などの運用計画を提示
マネープラン・エキスパートシステムは、顧客の資金運用の相談に使うためのAIだった。同行の資産運用型商品である「BEST」をはじめ、「ビッグ」「ワイド」などの割引債、株式など最適な運用計画を提示した。
ホスト・コンピューターで金利改定や税制改正に対応
本部の大型ホスト・コンピューター（メインフレーム）に知識ベースを蓄え、同行のネットワークであるサクセスを通じて各営業店からアクセスしてくれば即座に相談業務に応じられるようにした。集中管理のため、金利の改定、税制改正などにも迅速に対応できた。
「ローン・エキスパートシステム」
1988年からは、AIシステムを他の相談業務にも広げた。例えば、住宅ローン、消費者ローンなど数十種類に及ぶローンの相談や査定。さらには、相続、教育、老後など生活設計プランなどだ。個人顧客のすべての相談業務を、1つのシステムでできるようにすることを目指した。
返済計画を提案
その最初の具体策として、1988年7月から「ローン・エキスパートシステム」サービスを全店で始めた。月々の収入に比べて返済額が妥当かどうか、資金計画の問題点を多角的にチェックし、最も適した返済計画を提案した。当時の頭取は、宮崎邦次氏。
「ねんきん博士」
さらに、AIを活用して年金相談を行う「ねんきん博士」を開発、1988年12月から東京地区で試行を開始。1989年以降、全店で実用化した。
有利な受け取りを助言
ねんきん博士では、顧客が年金相談シートに必要事項を書き込んでそれを提示する。受給資格の判定、受給開始時期、年金額計算、有利な受け取りのアドバイスなどが画面に出力され、提案資料が受け取れる。
専門知識のない事務員でも対応可能
年金は制度が複雑なため専門の相談員が窓口で対応しているが、こうした専門家の知識をシステム内の知識ベースに蓄えているため、事務員などでも相談を受けられるようになった。
「天才くん」
1990年、日立製作所システム開発研究所と共同で、ファジィ推論機能（あいまい理論）を利用したAIによる新金融商品開発支援システム「天才くん」を開発した。
日立のワークステーション
6000万～7000万円を投じた。16メガバイトのメーンメモリーを持つ日立の32ビットワークステーション「2050-32E」に過去5年間の金利、為替データや第一勧銀のスワップ、オプション、先物技法をインプット。多様化する取引企業の資金運用調達ニーズに迅速・的確に対応することができるようにした。
オーダーメードの商品
金融技術にファジィ理論やAIを組み合わせることにより、取引先が資金調達・運用時に「金利は上がり気味」、「為替は円高に振れそう」などとあいまいな表現をしても、瞬時にニーズにマッチしたレディーメード、オーダーメードの商品を提示できた。顧客向け商品説明資料、行内向け各種管理資料も自動作成した。このシステムをALM（資産・負債総合管理）などにも応用していった。
重電のノウハウを応用
金融界におけるファジィ理論応用システムは、山一証券が証券投資向けに開発していたが、銀行では初めてだった。一方、日立は仙台市の地下鉄をはじめとする重電・制御分野のファジィ理論応用に実績を持っていたが、金融での応用は初めてだった。
【バブル時代】第一勧銀のAIシステム開発
| 開始年 | AIシステム名 | 用途 | 共同開発企業 |
|---|---|---|---|
| 1987年 | 「マネープラン・エキスパートシステム」 | 資産運用の相談 | 富士通 |
| 1988年 | 「ローン・エキスパートシステム」 | 住宅ローンの相談 | 富士通 |
| 1989年 | 「ねんきん博士」 | 年金相談 | 富士通 |
| 1990年 | 「天才くん」 | 金融商品開発支援システム | 日立製作所 |
【６位】全盛期の野村證券
投資相談システム「パーソナル・アイ」
野村證券が1987年6月から始めたAIを利用した投資相談システム「パーソナル・アイ」は、手持ち資金の金融商品別貯蓄額を入力すれば現在の予想平均利回りがすぐに出た。さらに金融商品を組み替えた場合、平均利回りがどう上下するかを画面でみることができた。
「元本安全型」から「高利回り追求型」まで
株式、投信などから、銀行、生保など業態の異なる金融機関の商品まで、様々な投資対象の中からAIが運用対象を選ぶため、「元本安全型」から「高利回り追求型」まで自在にできた。
【７位】1980年代～90年代の国鉄・JRのシステム開発
国鉄（現JR）は1980年代、AI（人工知能）を先取りしたようなユニークな専門家システム「RTTS」を開発した。当時のコンピューター技術の水準からすると、たいへん優れた運行ダイヤ修復用システムだった。
運行ダイヤ修復用システム「RTTS」
東海道・山陽新幹線のダイヤが雪害などの影響で乱れた時、早く復旧させるには、線路上の列車をどう運行するか、運転指令員が的確に判断して各駅、各列車の乗務員に指示する必要があった。RTTSは、ベテラン指令員の知識を持ち、この仕事を助けてくれた。国鉄・鉄道技術研究所が開発の中心となった。コンピューター・メーカーの日本DECと共同で、実験タイプを完成させた。
新幹線ダイヤが複雑化
RTTS開発のきっかけは、新幹線ダイヤが多様化、複雑化したことによる。1964年（昭和39年）の開業当初は一時間に「ひかり」一本、「こだま」一本と単純だった。それが、二年前のダイヤ改正で各六本、四本と変則的になった。
新横浜や静岡などの駅に止まる「ひかり」
さらに、新横浜や静岡などの駅に止まる「ひかり」が出来た。２階建てのニュー新幹線も登場した。こうなると、ダイヤが乱れた時、どの列車をどう走らせれば最善なのか、指令員も困惑してしまうようになった。
列車運行を的確に判断
RTTSの開発により、コンピューター上でダイヤの乱れを模擬し、列車運行を的確に判断することが確認できるようになった。RTTS実用化は、新幹線運行の救世主となったのだ。
分割・民営化後、JR東海が時刻表システム開発
国鉄の分割・民営化後の1993年、JR東海（東海旅客鉄道）は、コンピューターを使用して駅時刻表を短時間で作成するシステム「CATS(コンピューター・エイデッド・タイムテーブル・システム)」を開発した。同年3月18日のダイヤ改正から使用を開始した。
日本DECが開発協力
CATSの開発は、JR東海が1991年から2年をかけて、日本ディジタルイクイップメント(略称・日本DEC)と共同で取り組んだ。JR東海（当時の社長：須田寛氏）の発表によれば、鉄道業界では初のシステムで、作成準備期間が３分の１の１カ月に短縮された。取り換え費用も５分の１の4000万円に大幅に削減できる効果があるとされた。開発費用は約１億円。
作業が簡略化
CATSでは、ダイヤ改正の実務作業中に列車時刻などの各種データを入力、データベース化。このデータをワープロ感覚でマウス操作で必要な駅、枚数を指定するとカラープロッターで一枚ずつプA0サイズ(120センチメートル×80センチメートル)の用紙にプリントアウトする仕組み。その後、ラミネート加工して仕上げる。この結果、１枚当たり約３時間かかった手作業の作成時間が、10分で作成可能になった。
ダイヤ改正時の費用
当時、JR東海の駅数は、東海道新幹線を含め約400駅だった。駅時刻表を合計約2000枚作成していた。ダイヤ改正時の毎年３月には取り換えが必要で、この費用は毎回２億円に達していた。各駅単位で行っていた原稿作成、確認作業なども大幅に合理化された。
【ワースト１位】米LTCM（ロング・ターム・キャピタル・マネジメント）
米LTCM（ロング・ターム・キャピタル・マネジメント）は、1993年に元ソロモン・ブラザーズ債券部門のヘッドトレーダーであったジョン・メリウエザーにより創設されたヘッジファンドである。ヘッジファンドは、機関投資家や個人富裕投資家等から資金を集めてデリバティブ等をはじめ多様な投資戦略を駆使して運用するファンドである。低金利が継続する環境下ではヘッジファンドは伝統的な投資で得られないリスク・リターンプロファイルを持つオルタナティブ投資(株や債券以外の金融商品にも投資する手法)として投資家の格好の投資対象となった。
取引執行に最新鋭コンピューター
LTCMのパートナーには、オプションの価格評価式であるブラック・ショールズモデルの開発者の1人であるマイロン・ショールズと、ブラック・ショールズモデルの実用化等に貢献したロバート・マートンの2人のノーベル経済学賞受賞者を据えるといった豪華な陣容である。また、実際に取引を行うトレーダーには、かつてメリウエザーの部下として辣腕を振るった軍団を配置。取引執行も最新鋭のコンピューターや、今で言うAI（人工知能）を活用するという贅沢さであった。このような名実ともにザ・ベスト&ザ・ブライテストのヘッジファンドLTCMの出足は絶好調そのものであった。
マーケットの歪みが減った
リターンに目ざといウォールストリートの連中がLTCMの上げる高いリターンをただ黙ってみているはずはない。事実、他のヘッジファンドばかりか、多くの銀行や証券会社がLTCMに類似のポジションを構築して、裁定益を狙う取引を活発に行うことになった。このように多くの市場参加者がLTCMと同様の取引を行う状況では、マーケットの流動性が厚くなり、それほど頻繁にマーケットに歪みが起こることはなくなり、また、歪みが発生してもその程度は大幅なものではなくなる。
S&P500に敗北
この結果、裁定機会は減少し、裁定取引の大前提となる価格の歪みから思ったように裁定益を抜くことが困難になる。事実、LTCMのパフォーマンスは急激に失速。遂にはS&P500のパフォーマンスに負けるという屈辱的な状態となった。
さらに高いレバレッジへ
LTCMは、薄くなった裁定益のサヤをカバーするために、高いレバレッジを利かせて大きな裁定ポジションを張った。だが、コンバージェンスの読みが外れてやむなく損失覚悟でポジションの手仕舞いに出ざるを得なくなった。マーケットに出ている注文は極度に薄くなり、思ったような価格での取引ができなかった。
1998年9月24日、破綻
そうしたなかで、それまでLTCMが上げた高いリターンに魅せられてLTCMに資金を提供していた銀行や証券会社は、掌を返してLTCMに対して担保や証拠金の追加請求を行った。また、LTCMに供与していたクレジットライン(融資枠)を縮小・撤回した。この結果、LTCMは極度の資金繰り難に追い込まれ、1998年9月24日、破綻した。
AI投資とLTCMの教訓
LTCMの破綻は、金融史において「天才の失敗」と呼ばれる象徴的な事件であった。最先端の数理モデルとノーベル賞学者を擁しながらも、過信と過剰なリスクテイクが崩壊を招いた。この出来事から学べる教訓は、AIを投資に活用する際にも極めて重要である。
- 1. モデルの限界を認識する
- 過去データに依拠するモデルは、前例のない事象やブラックスワンには無力である。AIの予測も同様に「外れる可能性」を前提に運用すべきである。
- 2. レバレッジと資金管理
- LTCMは小さな裁定益を補うために高レバレッジを多用し、わずかな誤差が致命傷になった。AI投資においても過度なレバレッジは避け、堅実な資金管理を優先すべきである。
- 3. 集団行動の罠
- LTCMの戦略を模倣する参加者が市場に溢れ、同質化がリスクを拡大させた。AIでも同じアルゴリズムに依存すれば、似通ったポジションが集中し市場を不安定にする可能性がある。
- 4. 人間の判断との融合
- 数理モデルだけに依存したLTCMは、人間の直感や経験を軽視した。AIも万能ではなく、心理や制度リスクなど非定量的要素は人間が補完すべきである。
日本市場におけるAI活用
こうしたLTCMの教訓は、日本市場におけるAI投資戦略にも応用できる。日本は米国と比べて市場構造が異なり、中小型株の比率が高く、流動性や情報の偏りが目立つ。AIを日本市場で活用するには、この特性を踏まえた戦略が必要となる。
- 1. 中小型株市場での情報優位
- アナリストのカバレッジが薄い中小型株においては、AIによるテキスト解析やニュース解析が強みを発揮し、隠れた成長株の発掘に寄与する。
- 2. 板の薄さと流動性リスク
- 流動性が乏しい市場では、わずかな注文で価格が大きく変動する。AI予測が正確でも、実際の執行段階で損失に転じる可能性があるため、取引量の制御や執行アルゴリズムの工夫が不可欠である。
- 3. 同質化回避と独自性
- 同じデータとアルゴリズムに依存すれば、売買シグナルが画一化し市場の偏りを助長する。企業訪問や現場調査などアナログ情報を組み合わせることで独自性を確保することが重要である。
- 4. 長期投資との親和性
- 短期裁定で破綻したLTCMとは異なり、日本市場は「長期保有」「安定成長」志向が強い。AIは中長期的な企業価値やESG要因を分析する方向で活用すべきである。
- 5. 政策・規制環境との調和
- 日本の金融当局はフィンテックやAI投資を推進しつつ規制を整備している。AIを透明性や効率性を高める道具として活用することが、市場での持続的な成功につながる。
総じて、AI投資を日本市場で活用するには、LTCMの轍を踏まないための慎重な姿勢が不可欠である。「モデルの限界を認識する」「リスクを直視する」「同質化を避ける」「人間の判断を組み合わせる」という原則を徹底することで、AIは日本市場において持続可能な投資インフラへと進化し得る。