半導体の国内回帰は装置や建屋だけでは完結しません。量産を支えるのは検査基準を読み解き、不良を見極める品質保証人材です。本記事では、立ち上げ期に顕在化する人材ボトルネックと、検査自動化が担いうる役割を上流の文脈から整理します。
半導体の供給網が経済安全保障の文脈で語られるようになり、熊本や北海道をはじめとする国内拠点での生産・製造投資の動きが相次いでいます。背景には、地政学リスクや供給途絶への懸念、特定地域への過度な依存を避けたいという需要側の要請があると考えられます。国としても先端・後工程双方への支援策が打ち出されており、制度の具体的な対象や金額は所管省庁の最新の公表資料でご確認ください。
ただし、報道で目立つのは数千億円規模の装置投資や巨大なクリーンルームの建屋であり、「箱と設備が立ち上がれば量産が回る」かのような印象を持たれがちです。実際の現場感覚としては、設備の据え付けと安定量産の間には大きな距離があり、その距離を埋めるのは人と運用であると考えます。
立ち上げ初期は歩留まりが安定せず、想定外の不良モードが次々と現れる局面です。装置が正常でも、材料・治具・搬送・環境のわずかなばらつきが品質に影響します。このとき問われるのは、不良を早期に検知し、原因を切り分け、基準にフィードバックする「品質保証の回路」が組織として動くかどうかであり、これは設備投資の額とは別の能力だと考えられます。
半導体人材というと、デバイス設計やプロセスエンジニアの不足が語られがちです。しかし量産の現場を支えるのは、検査基準を読み解き、限度見本と現物を突き合わせ、良否を判定し、不良の傾向を記録・報告する品質保証(QA)・品質管理(QC)の層です。この層は一朝一夕には育たず、立ち上げの加速とともに需給が逼迫しやすいと考えられます。
国内回帰の議論は先端ロジックの前工程に注目が集まりますが、実装・パッケージングといった後工程、さらにそれを取り巻く基板・コネクタ・受動部品・筐体などの周辺部材まで含めると、検査が必要な対象は広大です。たとえばプリント基板のはんだブリッジ・ショート検出や実装後の外観確認は、半導体エコシステムの裾野で確実に発生する検査ニーズだと考えます。
これらの周辺領域は、先端ファブほど潤沢な人員を確保できないサプライヤーが担うことも多く、ベテラン検査員の高齢化・退職と新規採用難が重なると、品質を支える基盤そのものが細りかねません。半導体の国内回帰を「点」ではなく「面」で捉えると、人材ボトルネックはより広い裾野に存在しうると見ています。
量産立ち上げ期は、品質に関わる困りごとが同時多発しやすい局面です。基準がまだ固まりきっておらず、何を不良とするかの線引きが現場で揺れます。判定する人によって良否が分かれる「属人化」が起こり、夜勤・交代制では人ごと・時間帯ごとのばらつきも生じます。
新しい品種・新しいラインでは、限度見本の整備そのものが進行中であり、検査員は「グレーゾーン」をその都度判断せざるを得ません。判断の根拠が言語化されないまま熟練者の頭の中に蓄積されると、その人が抜けた瞬間に基準が失われます。立ち上げを急ぐほど教育に割ける時間は減り、未熟な検査員に難しい判断を委ねるという矛盾が生じやすいと考えられます。
加えて、半導体関連の微細な欠陥は、見るべき対象が小さく、照明条件によって見え方が大きく変わります。微細なキズ・異物・変色・位置ずれといった対象は、人の目視では集中力の持続が難しく、検査の見逃し・過検出のどちらにも振れやすい領域です。ここで重要になるのが、判定基準を客観的な形で固定し、再現性を確保するという発想だと考えます。
画像AIによる検査自動化は、こうした立ち上げ期の負荷を和らげる選択肢の一つになりうると考えます。ただし誤解を避けたいのは、自動化は人を完全に置き換える魔法ではない、という点です。むしろ「人の判断を支え、ばらつきを平準化し、記録を残す」補助装置として捉えるほうが、現場に定着しやすいと見ています。
従来の画像処理は、寸法・位置・有無といった「定義しやすい」検査に強みがあります。一方、量産立ち上げ期に頻出する「過去に見たことのない不良」「言葉で定義しづらい違和感」には、ルールを書ききれず対応が難しい場面があります。近年のVLM(視覚言語モデル)は、検査基準を自然言語で与え、現物の画像と照らして判断させるアプローチが取れるため、基準がまだ流動的な立ち上げ期との相性がありうると考えます。
実装後の外観検査では、はんだ形状や部品の有無・向きといった対象に対し、画像AIを使ったはんだ検査AIのような自動化が現実的な検討対象になりえます。ただし、どの不良モードが自動化に向き、どこが人の最終判断に残るのかは、現物のサンプルで切り分けてはじめて分かる部分が大きいと考えます。
立ち上げ期の検査自動化で大切なのは、「完成された自動化」を最初から目指さないことだと考えます。基準が動く前提で、設定変更・追加学習・しきい値調整が現場の手で回せる柔らかい構成のほうが、立ち上げの実態に合いやすいと見ています。
微細欠陥の検査では、アルゴリズム以前に「そもそも欠陥が画像に写っているか」が決定的です。照明の角度・波長・拡散の作り込み、産業用カメラとレンズの選定、ワークの固定と搬送——この撮像系の設計が甘いと、後段のAIをいくら強化しても見えないものは見えません。元キーエンス画像処理事業部で培われた現場ライティングと撮像設計の知見は、この最初の関門で効いてくる領域だと考えます。
半導体関連の製造現場では、画像や検査データを外部クラウドに出すことへの制約が強いケースがあります。Jetsonなどのエッジ環境で推論を完結させる構成は、データを現場に閉じたまま運用でき、通信遅延の影響も受けにくいという利点がありうると考えます。AI外観検査を検討する際は、精度だけでなく、データの取り扱いと設置環境の制約を最初の要件に含めることをおすすめします。
検査自動化の価値は、導入した瞬間ではなく運用を続けるなかで現れると考えます。とくに人材が不足している現場では、「専門家がいないと運用できないシステム」は持続しません。誰が、どの頻度で、何を確認し、AIの判断をどう承認・修正するのか——この運用フローの設計が、技術選定と同じくらい重要だと見ています。
見過ごされがちですが、画像AIが「なぜそれを不良と判定したか」を可視化できると、それ自体が新人教育の教材になりえます。熟練者の暗黙知を基準として与え、AIの判定根拠とともに現物を見せることで、判断のばらつきを抑えながら検査員を育てる——人材不足の現場では、自動化と人材育成を分けずに一体で設計する発想が有効になりうると考えます。
また、立ち上げ期は不良の発生傾向が刻々と変わります。検査結果を記録・集計し、どの工程・どのロットで何が起きているかを見える化することは、品質保証の回路を組織として回すうえで土台になります。検査の自動化は、この「記録が自動で残る」副次効果の面でも、人手不足の現場を支えうると見ています。
ここまで検査自動化の可能性を述べてきましたが、現実には期待どおりに進まない要因も多く存在します。導入を検討する際に、あらかじめ知っておきたい落とし穴を正直に挙げます。
では、半導体の国内回帰という大きな潮流のなかで、検査・品質の現場は何から始めればよいのでしょうか。私たちは、いきなり大規模な自動化投資に踏み切るのではなく、「自社の検査の現状を客観的に把握する」ことが出発点になりうると考えます。
具体的には、どの品種・どの工程で、どんな不良が、どの頻度で発生し、現状は誰がどう判定しているのかを棚卸しします。そのうえで、定義が明確で自動化に向く検査と、当面は人の判断に残すべき検査を切り分けます。この切り分けができると、投資対象が絞られ、無理のない順序で自動化を進めやすくなると見ています。
そして最も重要なのは、現物のサンプルで実際に撮像し、検証してみることです。半導体の微細欠陥や実装の品質は、机上の議論では可否を判断できません。小さく現物で試し、見えるか・分けられるかを確かめる——この地に足のついた一歩の積み重ねが、人材不足のなかでも持続可能な品質保証体制につながりうると考えます。
設計・プロセス人材だけでなく、量産を支える検査・品質保証の層も需給が逼迫しやすいと考えられます。ただし不足の度合いは地域・工程・企業規模で異なります。具体的な人材政策や支援制度の内容は所管省庁の最新の公表資料でご確認ください。
不要にはならないと考えます。画像AIは人の判断を平準化し記録を残す補助として機能しうる一方、基準の整備・グレーゾーンの最終判断・原因の切り分けは人が担う領域として残ります。自動化と人材育成は分けず一体で設計するほうが現実的だと見ています。
実際に立ち上げ初期は不良の現物が乏しいことが多いです。正常品中心で運用を始め、不良が出るたびに基準と学習を育てる前提の設計が現実的になりうると考えます。最初から完成された自動化を目指さない柔らかい構成が向く場面があります。
対象が小さく照明条件で見え方が変わるため、アルゴリズム以前に撮像系の作り込みが決定的です。照明・カメラ・固定が適切なら検出の可能性は高まりますが、可否は現物のサンプルで実際に撮像・検証してはじめて判断できると考えます。
Jetsonなどのエッジ環境で推論を完結させる構成なら、画像や検査データを現場に閉じたまま運用できる可能性があります。通信遅延の影響も受けにくくなりますが、設置環境や精度要件によって最適な構成は変わるため、最初の要件定義で制約を明確にすることをおすすめします。
半導体の国内回帰という大きな流れのなかで、検査・品質の自動化が自社に効くかは現物でしか分かりません。元キーエンス画像処理事業部の現場知見をもつエンジニアが、撮像と基準の切り分けからご一緒します。
微細欠陥の検査自動化について相談する