「LLM×世界モデル」という二つの異なるAIパラダイムの併存と現場実装の臨界点

LLMモデルのAIは契約書を要約できるが、コンクリートの硬化速度は、LLM単体では予測しにくい。LLMモデルのAIは設計思想を読み解けるが、地盤がいつ沈下するかを専用の数値解析や外部モデルなしに確定的に答えるのは難しい。その限界を超えるのが「世界モデルAI」だ。言語という記号を操るLLMと、動画やセンサーデータなどから物理世界の因果律を学習し、未来を予測する世界モデル──この根本的相違が、2035年までの建設現場の進化を決定する。

プロローグ──言語の限界、物理の要請

建設AI市場は、調査会社によって推計値にレンジ差はあるものの、2024年の39億ドル（約6,000億円）から2032年には227億ドル（約３兆5,000億円）へと、年平均成長率24.5%で拡大する。だが、この数字が隠蔽しているのは、二つの異なるAIパラダイムの並存だ。

一つは、LLM(大規模言語モデル)──ChatGPTに代表される膨大なテキストデータから言語パターンを学習したシステム。もう一つは、世界モデル──動画やセンサーデータなどから物理世界の因果律を学習し、未来を予測するシステムだ。

建設業界は今、この二つの知性をどう使い分けるかという根本的問いに直面している。なぜなら、両者の能力は驚くほど非対称だからだ。LLMは設計図書の要約には優れるが、構造物の変形予測は単独では不得意になりがちだ。世界モデルは地盤沈下を物理シミュレーションや時系列データ駆動で予測し得るが、契約書の矛盾は通常は検出できない。

問題は「AIをどう使うか」ではない。「どちらのAI」を、「どの局面」で使うかだ。そして、この選択が地域ごとに劇的に異なる形で進行している。

LLMと世界モデル──言語と物理法則の根本的非対称性

両者の違いを理解するには、建設現場の具体的タスクで比較するのが適当だろう。

設計図書の理解──LLMの圧倒的優位

500ページの設計図書から構造設計の要点を抽出し、施工チームに説明する。このタスクにおいて、LLMは圧倒的に優位だ。PDFやCADファイルから構造種別、使用材料、主要寸法を抽出し、「RC造15階建て、柱はFc36、梁はFc30、基礎は場所打ち杭」と要約する。設計図中の矛盾──例えば構造図と設備図の寸法不整合──をテキストベースで検出し、過去の類似プロジェクトと比較して「通常より梁せいが大きい」といった特徴を指摘する。

対照的に、世界モデルは設計図の「読解」自体が不得意だ。テキスト処理はLLMの領域であり、世界モデルの本分ではない。ただし、3Dモデル化されたBIMデータがあれば話は変わる。世界モデルは構造挙動をシミュレートし、「この柱-梁接合部に地震時にこれだけの応力が集中する」と物理予測を提供できる。

つまり、設計図書という言語的成果物の理解はLLMの独壇場だが、その設計が物理的にどう振る舞うかの予測は世界モデル（あるいは物理シミュレーション系AI/数値解析）の領域となる。

コンクリート硬化予測──物理法則の内面化が決定的

明日から3日間の天候予報を踏まえ、基礎コンクリートの打設タイミングと型枠解体時期を決定する。ここでLLMと世界モデルの能力差は決定的となる。

LLMは「一般的にコンクリートは材齢7日で設計強度の約70%に達する」という教科書的知識を提供し、「気温が低いと硬化が遅れる」「降雨は表面品質に影響する」と一般論を述べる。しかし、この配合のこのコンクリートがこの気温パターンでどう硬化するかを、LLM単体で高精度に計算するのは難しい。

理由は明確だ。LLMは「コンクリート硬化」という概念は扱えるが、セメント水和反応という化学的・熱力学的プロセスを、現場の配合・養生条件・温湿度履歴まで含めて一貫して数値予測するための専用の物理モデルや実測データ同化を内蔵しているとは限らない。言語として記述された知識と、物理現象そのものの間には、埋めがたい溝がある。

世界モデルはまったく異なるアプローチを取る。過去の打設データ──配合、気温、湿度、養生条件、実測強度──から硬化曲線を学習し、Physics-Informed Neural Networks(物理法則組込み型ニューラルネットワーク)などを用いて水和反応の制約を組み込む。明日からの気温・湿度予測を入力すると、時間ごとの強度発現カーブを出力し、「材齢5日目の午後3時に圧縮強度18MPaに達する。型枠解体は6日目が最適」といった具体的予測を提示し得る。

これは単なる統計的推論ではない。世界モデルは、温度と強度発現の因果関係、湿度と表面品質の相関、養生方法と長期強度の関係を、制約条件として内面化している。

施工計画の立案──言語的整合性vs物理的実行可能性

都心部の狭小現場で地下3階・地上20階の建設計画を立案する際、LLMと世界モデルは相補的な役割を果たす。

LLMは過去の施工計画書のパターンを学習し、標準的なフォーマットを自動生成する。仮設計画、安全管理計画、品質管理計画といった章立てを提案し、類似プロジェクトの施工手順を参照して「逆打ち工法が適している」といった提案を行う。法令──建築基準法、労働安全衛生法──の該当条文を自動引用し、文書として整合的な計画書を作成する。

しかし問題は、この提案が「テキストとして整合的」であっても、物理的に実行可能かは検証されていない点だ。

世界モデルはここで真価を発揮する。現場の3Dモデル、周辺建物データ、重機の動作範囲を統合してシミュレーションを実行する。タワークレーンの旋回半径内に隣接ビルが入らないか物理的に検証し、各工程での資材搬入ルート、作業員動線、重機配置を仮想空間で試行する。「この配置では鉄骨建方時にクレーンブームが隣接ビルに接触する」と警告し、複数の施工シナリオを並列シミュレーションして工期・コスト・安全性で評価する。

最適解は両者の協働にある。LLMが計画書の文章を作成し、世界モデルが計画の物理的妥当性を検証する。

地盤沈下シミュレーション──偏微分方程式の壁

軟弱地盤に10階建てビルを建設する際、周辺地盤の沈下量と影響範囲を予測する。このタスクは、LLMの根本的限界を露呈させる。

LLMは「即時沈下と圧密沈下がある」「圧密理論が基礎となる」と説明し、「ボーリング調査でN値を測定し、圧密試験で圧密係数を求める」と手順を提示する。しかし実際の沈下量計算は、LLM単体では難しい。LLMは数式の意味は説明できても、数値計算の実行──特に複雑な偏微分方程式の求解──は本来の機能ではないからだ。外部の計算ツールや解析ソフトを呼び出せば可能だが、3次元の応力-変形解析のような高度な計算は、計算資源・モデル化・境界条件設定まで含めた運用が必要になる。

世界モデルは地盤のボーリングデータ、土質パラメータ、建物荷重分布を入力として受け取り、Physics-Informed Neural Networks等を活用して従来の有限要素法を置換するというより補完/近似しながら、3次元応力-変形解析の高速化や反復計算の効率化を狙う。「建物中心部で最大沈下量8.5cm、影響範囲は半径25m」と定量予測を提示し、さらに施工過程──山留め、掘削、基礎構築、躯体荷重増加──の各段階での沈下進行をシミュレートする。「掘削完了時点で周辺地盤が3cm隆起し、竣工1年後に最終沈下に達する」という時系列予測は、世界モデル（＋計測/解析基盤）にしか実務的に扱いにくい領域だ。

リアルタイム安全管理──動的状況認識の非対称性

高所作業中の作業員の転落リスクをリアルタイムで検知し警告する。ここでも両者の能力は明確に分岐する。

LLMは安全管理マニュアルを要約し、「安全帯の使用を徹底」「手すりの設置基準」といった知識を提示する。過去の労働災害事例を分析し、「高所作業での転落が最多」という統計を提供する。しかし現在進行中の現場で誰が危険な状態にあるかを、LLMがテキストだけでリアルタイム検知することは難しい。なぜなら、LLMが扱うのは主に静的なテキストデータであり、動的な物理状況そのものではないからだ。

世界モデルは現場カメラの映像から作業員の姿勢・位置・動きをリアルタイム認識し、過去の事故映像から「転落直前の典型的な身体動作パターン」を学習している。「作業員Aが安全帯未装着で足場端部に接近」「身体が前傾し重心が不安定」と検知し、ウェアラブルデバイスのバイタルデータと統合して「疲労度が閾値を超過」と判定する。そして作業員本人とチーム全体に即座に警告を発信する。

これは画像認識を超えた能力だ。世界モデルは人体の力学、疲労の蓄積、転落の物理メカニズムを、危険行動の推定に効く形で学習しており、単なるパターンマッチングではなく因果推論に近い推定を実行している。

現場実装の臨界点──エネルギーとインフラが突きつける物理的制約

LLMと世界モデルの能力差は明確だが、両者を建設現場に実装する際、共通して直面する物理的制約がある。それがエネルギー消費と通信インフラだ。この制約は技術的問題であると同時に、地政学的・経済的問題でもある。

AI推論の隠れたコスト──電力需要という見えない壁

LLM推論の電力消費については推計が複数ある。かつて「ChatGPTへの1回のクエリは約2.9Whで、Google検索の約10倍」といった推計が広く引用される。近年はモデル効率の改善などを踏まえ「典型的なクエリは0.3Wh程度」とする新しい推計もある。いずれにせよ、個々のクエリが一見些細に見えても、建設現場での実用を考えると様相が変わる。

大規模建設プロジェクトで施工管理者が1日に100回LLMへクエリを送れば、1人あたり数十Wh〜数百Wh、100人現場なら数kWh〜数十kWhとなる。さらに世界モデルによる構造シミュレーションを走らせれば、消費電力は桁違いに増大する。3次元の地盤-構造連成解析を高精度で実行すれば、1回のシミュレーションで数百kWh級となることもあり得る。

この電力消費は、データセンターという不可視のインフラで発生する。国際エネルギー機関(IEA)によれば、世界のデータセンター電力消費は2022年の約460TWhから2026年には1000TWh超に達する可能性があり、日本の年間電力消費に匹敵する規模だ。

建設業界がAIに全面依存する2030年代、この電力需要をどう賄うかは切実な問題となる。GoogleやMicrosoftといったテックジャイアントでは、AI需要増を背景に排出量、少なくともサプライチェーン由来を含む総排出が増加したとの報告がある。Microsoftは自社レポートで、FY24時点で基準年比の増加を明記している。建設プロジェクトでAI利用を拡大すれば、プロジェクト全体のカーボンフットプリントが意図せず膨張する。これは欧州の「Fit for 55」や日本の2050年カーボンニュートラル目標と衝突し得る。

クラウドvs.エッジ──現場の物理的条件が強いる選択

建設現場は、データセンターが立地する都市部から遠く離れていることが多い。山間部のダム建設、洋上風力発電の基礎工事、離島のインフラ整備──これらの現場では、安定した高速通信が保証されない。

クラウドAIに依存する場合、現場で収集した膨大なセンサーデータ──振動、応力、温度、湿度、映像──をリアルタイムでデータセンターに送信し、AI推論結果を受信する必要がある。しかし4G/5G通信が不安定な現場では、数秒から数十秒の遅延が発生する。自律建機の制御や、作業員の転落検知といった、ミリ秒単位の応答が求められるタスクでは、この遅延は致命的だ。

解決策はエッジコンピューティング──現場に小型サーバーを設置し、AI推論を現場で実行する方式だ。EDGEMATRIXのように建設現場で防塵・防水などの要件を満たし、カメラ映像をその場で解析してヘルメット未着用や危険エリア侵入を即座に検知するエッジAIの事例もある。データをクラウドに送信しないため、通信遅延も情報漏洩リスクも回避できる。

しかしエッジAIには限界がある。エッジデバイスの計算能力は、データセンターの数百分の一から数千分の一だ。大規模な世界モデル──例えば建物全体の地震応答解析、都市スケールの交通シミュレーション──を現場で実行するには、エッジデバイスの性能が圧倒的に不足する。

結果として、ハイブリッド戦略が必要となる。リアルタイム性が求められる安全管理や自律建機制御はエッジで実行し、高度な構造解析や長期予測はクラウドに委ねる。しかしこの使い分けは、通信環境、電力供給、セキュリティ要件によって現場ごとに最適解が異なり、標準化が極めて困難だ。

日本特有のジレンマ──データセンター立地と再エネのミスマッチ

日本では、データセンターが東京・大阪の大都市圏に集中している。AI需要に応えるため、国内データセンター市場は2028年までに5兆円超へ拡大する見込みだ。しかし、大都市圏の電力供給は逼迫している。

電力広域的運営推進機関の試算では、データセンターと半導体工場の新増設により、将来の最大需要電力が大きく押し上げられる。この急増を既存の電力網で吸収することは容易ではない。さらに深刻なのは、データセンター立地と再生可能エネルギー適地の地理的ミスマッチだ。

太陽光発電の適地は地方──北海道、東北、九州──に広がるが、データセンターは東京・大阪に集中する。この非対称性により、グリーン電力をデータセンターに供給するには長距離送電が必要となるが、日本の送電網は制約が大きい。結果として、首都圏のデータセンターは火力電源に依存せざるを得ない局面が生まれやすい。

GoogleやMicrosoftは「カーボンフリー電力」などを標榜するが、日本でそれを現実的に拡大するには、送電網の大規模増強か、データセンターの地方分散が必要だ。総務省と三菱総合研究所が提唱する「ワット・ビット連携」──再エネ適地にデータセンターを配置し、エネルギーとデータの地産地消を実現する構想──は理想的だが、実現には巨額の投資と10年単位の時間を要する。

建設業界がAIに依存する2030年代、データセンターの電力不足が建設プロジェクトのボトルネックとなる可能性は低くない。AI利用料金の高騰、利用制限、あるいは電力価格の上昇という形で、建設コストに跳ね返ってくる。

水資源という第二の制約──冷却が突きつける物理限界

データセンターは膨大な熱を発生させる。その冷却に大量の水を消費する。Microsoftのデータセンターは、GPT-3クラスのモデル1つを訓練するだけで18.5万ガロン規模の淡水を蒸発させるという推計もある。米国ネバダ州では、計画中のデータセンター群が年間で非常に大きな水需要を持ち得るという見通しも示されている。

建設業界でAI利用が拡大すれば、この水消費は間接的に建設プロジェクトの環境負荷として計上される。水資源が逼迫する地域──中東、南アジア、中国内陸部──では、データセンター冷却用水の確保が建設プロジェクトの給水計画と競合する可能性すらある。

地域別実装戦略──能力の非対称性が生む異なる優先順位

グローバル市場における各地域の戦略は、LLMと世界モデルのどちらに重点を置くかで明確に分岐している。

北米──LLMで管理業務を効率化、世界モデルは訴訟リスク低減に集中

北米市場はシェア38.9%を占め、最も成熟している。しかし興味深いのは、LLMの導入が世界モデルより先行している点だ。

Procore Technologiesが2024年11月に発表したProcore AIは、未処理タスク、RFI(情報要求)、提出物から予測分析を実行し、プロジェクトリスクを算出する。AutoSpecsは仕様書に対する自然言語クエリを可能にし、建築基準適合性を自動確認する。法務文書の矛盾検出、条項の自動分類、リスク箇所の警告といった、高度に言語的なタスクでLLMは威力を発揮する。

これは戦略的選択だ。米国建設業界は深刻な労働力不足に直面している──2022年時点で推計約66.5万人が不足──が、特に不足しているのは管理職やエンジニアといった知識労働者だ。彼らの業務の多くは文書作成、コミュニケーション、規制準拠といった言語的タスクであり、LLMで代替可能だ。

一方、世界モデルへの投資は安全・リスク管理に集中している。このセグメントはCAGR 39.2%という最速成長を記録しているが、背景には米国の訴訟社会という特殊性がある。建設現場での事故は巨額の損害賠償につながるため、AIカメラによる危険行動検知、ウェアラブルデバイスによるバイタル監視といった、世界モデル駆動の安全管理システムへの投資が正当化される。

しかし北米も電力問題から逃れられない。カリフォルニア州では、今後10年で新設データセンターが650万世帯分の電力を必要とし、既存電力インフラに前例のない負荷をかけるという見立てもある。一部の州では、データセンター新設に「再エネ条件」を課す規制が検討されている。建設業界のAI利用拡大は、この電力制約と真正面から衝突する。

欧州──環境性能という物理問題が世界モデルを牽引

欧州では「Fit for 55」「タクソノミー規制」「サーキュラーエコノミー指令」という環境規制が、建設の根本的制約となっている。これは本質的に物理問題だ。

建築物のライフサイクル全体──材料製造、輸送、施工、運用、解体──でのCO2排出量をどう削減するか。年間エネルギー消費をどう最小化するか。解体後の材料をどう再利用するか。これらは言語的知識では解決できない。物理シミュレーションが必要だ。

世界モデルはBIMモデルから、エンボディドカーボンを計算し、建物の向き・窓配置・断熱仕様を変えた際の年間エネルギー消費をシミュレートし、将来の解体・再利用を考慮した構造設計を逆算的に最適化する。欧州では公共調達や規制適合の文脈でBIMやデジタル化要件の拡大が進んでおり、AI・デジタル技術の採用が強く促進されている。

しかし同時に、LLMも重要な役割を果たす。複雑な環境規制への準拠を証明する報告書の自動生成、マテリアルパスポートの作成、EU補助金申請書類の自動作成──これらは高度に言語的なタスクだ。欧州の戦略は、物理的成果(環境性能)を世界モデルで達成し、言語的証明(報告書)をLLMで効率化するという、明確な役割分担にある。

欧州もエネルギー制約に直面している。しかし欧州は北米・アジアと異なる解決策を選択しつつある。GDPRによるデータ主権重視から、データセンターの国内・EU域内立地を優先し、オープンソースAIモデルの開発によりベンダーロックインを回避する。電力供給については、洋上風力・原子力(フランス)・地熱(アイスランド)の組み合わせでグリーン電力を確保し、データセンターを再エネ適地に分散配置する戦略を採る。

中国──BIM標準化が世界モデルの基盤、国産LLMは主権の問題

中国は世界で最もBIM導入率が高い、という報告がある。主要プロジェクトでの採用率が高いことは、世界モデル構築に有利な環境だ。なぜなら、世界モデルの訓練には構造化された3次元データが不可欠だからだ。

北京-香港-マカオ間の高速道路再舗装プロジェクトでは、Beidou衛星システムで誘導される自律型ロボットペーバーとローラーが投入された。これは世界モデル駆動の自動施工の先端事例だ。地質データとマシン動作データからトンネル掘削の精度を予測するシールドマシン蛇行予測、都市インフラ全体(交通、エネルギー、上下水道)を統合シミュレーションするスマートシティプロジェクト──中国の世界モデル実装は、国家インフラという巨大スケールで進行している。

一方、LLMに関しては異なる論理が働く。中国は外国LLMへの依存を戦略的リスクと見なし、Baidu ERNIE、Alibaba Tongyi、DeepSeekといった国産LLMを開発している。これは技術的優位性の問題ではなく、データ主権の問題だ。建設プロジェクトのすべての文書データを外国企業のサーバーに送信することは、国家安全保障上受け入れられない。

中国のLLM開発は建設業界の具体的ニーズ──設計図書の自動生成、施工日報の自動作成、品質検査報告の標準化──に最適化されている。汎用LLMではなく、業界特化型LLMを国家レベルで開発する戦略だ。

中国はエネルギー問題に対しても国家戦略で対応している。「東数西算」プロジェクト──電力の豊富な西部にデータセンターを建設し、送電やネットワークで東部の需要に応える構想──は、複数の国家級拠点を軸に推進されている。

ただし課題もある。中国では地方部に新設されたデータセンターの低稼働が指摘されており、過剰投資や立地の非効率が問題視されている。地方部のデータセンターはエネルギーは豊富だが、通信遅延が大きく、用途次第では実用性に疑問符が付く。

日本──失われる技能をLLMで保存、不足する労働力を世界モデルで代替

日本の建設業界は二つの危機に直面している。一つは技能継承の断絶──就業者の37%が55歳以上、29歳以下はわずか12%（2024年）──であり、もう一つは絶対的な労働力不足だ。

この二重の危機が、LLMと世界モデルの役割を明確に規定している。

LLMは技能のデジタル保存に使われる。ベテラン技能者へのインタビューを文字起こしし、「左官仕上げで壁面が波打つのを防ぐには、コテの角度を15度に保ち、一定のリズムで動かす」といった暗黙知をデータベース化する。過去の施工記録から新規プロジェクトの作業手順を自動提案し、外国人技能実習生向けに安全マニュアルを多言語自動翻訳する。

世界モデルは労働力の物理的代替を担う。コマツの「スマートコンストラクション」は測量・設計データから自動施工を実現し、鹿島建設の「Succeed」(溶接ロボット)、清水建設の鉄筋結束ロボット、竹中工務店の天井ボード施工ロボットがタスク特化型の自動化を進める。橋梁・トンネルの劣化をセンサーデータから予測し、補修優先度を判定する構造物モニタリングも、世界モデルの応用だ。

日本の戦略は、高齢化により失われる知識をLLMでアーカイブし、失われる労働力を世界モデル駆動のロボットで補完するという、極めて明確な二正面作戦だ。

しかし日本は前述のエネルギー問題──データセンター立地と再エネのミスマッチ──に深刻に直面している。エネルギー政策文書はAI普及による電力需要増を認識しつつも、供給・送電・立地の具体解は容易ではない。ワット・ビット連携構想は提唱されているが、実装は緒についたばかりだ。

日本の建設業界がAI依存を深めるほど、電力制約が競争力のボトルネックとなるリスクは高まる。

シンガポール──物理的制約の極限最適化に世界モデル

国土面積わずか728km²のシンガポールでは、空間利用の極限最適化が死活問題だ。これは本質的に物理問題であり、世界モデルの出番となる。

狭小現場での施工シミュレーションは、重機配置、資材搬入ルート、作業員動線を3D空間で最適化する。1cmの無駄も許されない環境で、世界モデルは数百のシナリオを並列シミュレートし、物理的に実行可能な最適解を探索する。地下50mまでの多層利用──地下鉄、共同溝、貯水槽、物流トンネル──を統合設計するには、複雑な構造解析と土圧・水圧シミュレーションが必要であり、これも世界モデルの領域だ。

LLMは官僚的手続きの効率化に使われる。Building and Construction Authority(BCA)への許認可申請は複雑な規制要件を満たす必要があり、申請書の自動生成でLLMが威力を発揮する。政府-民間連携プロジェクトでは多数のステークホルダー間のコミュニケーションが膨大となるが、会議議事録の自動要約、進捗報告書の自動生成といったタスクでLLMが貢献する。

シンガポールのスタートアップWenti Labsが建設向けにAI活用を進めている。現場写真から欠陥管理レポート等のドキュメント作成を支援するユースケースは、LLM(画像からテキストを生成)と、欠陥の進行や重大性の推定に関わる物理・現場データ側のモデルの統合で実現され得る。

シンガポールもエネルギー・水資源の制約に直面している。小国ゆえに政策決定が迅速であり、データセンター立地規制、グリーン電力調達の仕組み、冷却技術革新への支援を組み合わせた統合政策を実行している。

エピローグ──言語と物理法則、二つの知性が織りなす未来

2035年、世界の建設現場では、二種類の知性が協働していると予想される。

LLMは人間の意図を理解し、膨大な文書を管理し、複雑な規制に準拠し、ステークホルダー間のコミュニケーションを仲介する。それは建設プロジェクトという社会的営みの言語的側面を支配する。契約書の矛盾を検出し、設計変更の影響を関係者に説明し、法定書類を自動生成する。

世界モデルは、地盤の沈下を予測し、構造物の変形をシミュレートし、コンクリートの硬化を時系列で計算し、エネルギーの流れを最適化する。それは建設プロジェクトという物理的営みの因果律を支配する。センサーが捉えた現実を理解し、未来の物理状態を予測し、自律建機に実行指示を送る。

両者は相補的だ。LLMだけでは、言葉は美しくとも建物は立たない。数式は正確でも施工は進まない。世界モデルだけでは、シミュレーションは精密でも人間と対話できない。最適解を見つけても、それを説明できない。建設業界の真の変革は、この二つの知性──言語を操る知性と、物理法則を内面化した知性──を適材適所で統合できたとき、初めて完成する。

しかし、その統合を支える物理的基盤──電力、通信、冷却水──は決して無限ではない。LLM推論の1回あたり電力は推計が割れるが、個々の利用が些細に見えても、建設業界全体が膨大な回数クエリを送れば、電力需要は無視できない規模になる。

2030年代、建設業界がAIに全面依存する頃、この電力消費をどう賄うかが、建設プロジェクトの成否を左右する。データセンターが立地できる場所は、豊富な電力と冷却条件が確保できる場所に限られる。北米の砂漠地帯、欧州の原子力発電所近郊、中国の西部内陸、北欧の地熱・水力地帯──21世紀の建設AIは、こうした「エネルギーのオアシス」に依存することになる。

問題は、誰がこの統合を支配するかだ。北米のプラットフォーマーか、欧州のオープンソース連合か、中国の国家資本主義か──。技術は収斂するが、統合の形態は地政学的選択を反映する。データ主権、労働市場の構造、規制環境、文化的価値観──これらすべてが、LLMと世界モデルの役割分担を規定する。そして、電力供給能力という物理的制約が、誰が覇権を握るかを最終的に決定する。

確実なのは、言語という抽象記号を操る知性と、物理法則そのものを学習した知性が、建設現場を静かに、しかし根本的に、変えるということだ。

2035年、建設業界は二つの知性の協働によって、予測可能性と効率性を極限まで高めるだろう。しかしそのとき、建設という行為から失われるものもある。予測不能な事態への対処という職人技、経験に基づく直感的判断、物理的不確実性との格闘──これらは、完全に予測可能な世界では不要となる。

建設は、言語と物理法則の交点で生まれる。その交点を、今、二つの異なる知性が再定義しようとしている。そしてその再定義を支える電力網、データセンター、冷却システムという物理的インフラが、この変革の速度と方向を──我々が意識する以上に──強く規定している。