AI時代の光学エンジニア｜置き換わる仕事と、残る仕事

解説：画素数だけを並べると、カメラのほうが上に見えます。ただ、比べる軸を変えると結論が変わります。人の目は、網膜の中心にある中心窩（ちゅうしんか）というごく狭い範囲だけが高精細で、そこから視線が外れるほど見分ける力が急に落ちます。目の強みは画素数ではなく、必要なところへ注意を動かす制御にあります。

解説：それでも「全部はっきり見えている」と感じるのは、視線を動かしながら、脳が記憶と組み合わせて周辺を補っているからです。カメラはその逆で、画素は中心も周辺も同じ間隔で並び、性能は固定されています。だからカメラの画質は、光を集める部分の設計でほぼ決まります。その「光を集める部分」が、ここで取り上げる光学部材です。

解説：視線の先が結ばれる、網膜のちょうど中心です。ここには細部を見分ける細胞が密に並んでいて、視野の中ではここだけが突出して高精細です。中心から角度が離れると、その力は連続的に落ちていきます。見ている一点の周囲だけが鮮明で、残りは「鮮明なつもりで見ている」状態に近いといえます。

解説：違います。イメージセンサーは同じ大きさの画素が格子状に固定され、中心も周辺も同じ密度です。均一であることは記録装置として大きな長所ですが、人の目のように「いま見たい場所へ性能を寄せる」ことはできません。その代わりに、レンズと部材の設計で全面の画質を底上げしていきます。

解説：そうです。センサーの性能表だけを見ていると、この部分が抜け落ちます。次は、光が実際にどこを通ってセンサーに届くのかを見ていきます。

解説：おおよそ、撮像レンズ、赤外線を抑えるIRカットフィルター、センサーを守るカバーガラス、画素の上に乗るマイクロレンズ、色を分けるカラーフィルター、そして光を電気に変えるフォトダイオードという順です。この一つひとつの段階で、透過・反射・屈折・回折・偏光といった現象が起きています。画質を決めているのはセンサーそのものというより、その前後にある部材です。

解説：症状としては、画面の周辺が暗くなる、色が混ざる、余計な光が写り込む、場所によって色味が変わる、といった形で出ます。ゴーストやフレアもその一つで、レンズ面での反射が原因になります。詳しくはゴースト・フレアの正体で扱っています。

解説：画素に届く光をフォトダイオードへ集める、小さなレンズの集まりです。ここで重要になるのが主光線角度（CRA）の合わせ込みで、レンズから出た光はセンサーの周辺画素には斜めに入ってきます。そこでマイクロレンズとカラーフィルターを、像の高さに応じて中心方向へずらしておきます。レンズ側のCRA特性とセンサー側のCRA仕様が合っていないと、そもそもカメラモジュールとして成立しません。

解説：全体で最適化しないと意味がない、という点が難しいところです。部材単体では良い値が出ていても、組み合わせると周辺の光量が落ちたり色がずれたりします。

解説：はい。これは部材の良し悪しの前に、光そのものの性質から来ています。

解説：性能の差もありますが、根っこにあるのは物理的な現象です。光は粒として届くので、同じ明るさでも届く数は毎回ゆらぎます。浜松ホトニクスの技術資料では、このゆらぎを光ショットノイズと呼び、その大きさは「光ショットノイズ=√信号」と説明されています。ノイズは信号の平方根に比例して増えるので、信号が増えるほどノイズの割合は相対的に小さくなります。

解説：信号対雑音比は信号を平方根で割った形になるため、光の量を4倍にして、ようやく2倍の改善です。センサーの受光面やレンズの口径、露光時間は、どれも集められる光の量に効いてきます。暗い場所でスマートフォンが不利になるのは、ここに理由があります。

解説：変えられません。だから各社は、集光効率と枚数で勝負しています。裏面照射構造や隙間のないマイクロレンズで光を取りこぼさないようにする、隣の画素への漏れ込みを深い溝で抑える、複数の画素をまとめて実質的な受光面を広げる、複数枚を重ねてノイズを平均化する、といった対策です。

解説：隣り合う画素を束ねて一つの大きな画素として扱う処理です。Samsungが2022年に発表したISOCELL HP3の資料では、4つの画素を1つにまとめることで、0.56μmの画素を1.12μmの画素として扱い、16画素をまとめれば2.24μmの画素として扱えると説明されています。暗い場所では画素をまとめて感度を取り、明るい場所では元の配列に戻して解像度を取るという使い分けです。

解説：そうです。同じ資料では、前の世代の0.64μmから12%小さくして1/1.4インチの光学サイズに2億画素を収め、カメラモジュールの面積をおよそ20%減らせると説明されています。薄い本体に収めるという要求と、画質の要求の間で、どこを取るかという設計判断が常にあります。

解説：屈曲光学、いわゆるペリスコープ構造です。プリズムで光路を直角に折り曲げ、レンズを厚み方向ではなく長さ方向に並べます。光学系の長さを本体の厚みから切り離す発想で、薄い筐体のまま焦点距離を稼げます。ここで働いているのは、屈折と全反射という、透明な部材の性質です。

解説：透明でありながら特定の機能を持つ部材は、ほかにもあります。光学フィルム、波長板、拡散板、プリズム、カバーガラス、IRカットフィルターの6つが代表的です。共通するのは、特定の波長・偏光・方向の光だけを、設計の意図どおりに操作するという点です。

解説：材料で特性がほぼ決まります。ガラス系は耐熱性と低複屈折に優れ、合成石英は紫外線まで通します。樹脂系は成形による量産に向く一方、吸湿や複屈折の課題があります。結晶系は旋光性や複屈折そのものを利用します。どれが優れているかではなく、要求される波長・入射角・環境条件に対してどれが合うかという選び方になります。

解説：設計、試作、評価、量産という流れで進みます。この流れのどこにAIが入ってくるのかが、ここから先の話です。

解説：大きく4つの段階に分かれます。それぞれの段階で、やっていることの性質がかなり違います。

解説：定型的な検査や測定、そしてシミュレーションの一部です。外観検査の判定、測定データの異常検知、設計候補の絞り込みは、データが貯まるほど速度と精度が上がっていきます。手順が決まっていて、正解の形が定義できる作業ほど、置き換えは速く進みます。

解説：公差をどこに配るかという設計判断、現場で異常の兆候に気づく感覚、サプライヤーとの信頼関係の構築です。たとえば量産では、膜の応力で基板が反る、ロットによって分光特性がずれる、大口径で膜厚が均一にならない、といった問題が必ず出ます。何が起きているかを自分の目で見て、正しくデータの形にできる人が、これからの前提になります。

解説：測定の相関が取れていないデータをいくら集めても、判断の材料になりません。同じサンプルを双方で測って数値が合うかどうかは、サプライヤー選定でも最重要の確認項目です。ここが合わないと、そもそも議論が成り立ちません。

解説：情報処理推進機構（IPA）の調査では、日本企業の85.1%でDXを推進する人材が不足しているという結果が出ています。技術そのものより、使いこなす人が足りていない状況です。裏を返せば、現場を理解したうえでAIを使える人の価値は、これから上がっていきます。

解説：5つあります。どれも特別な話ではなく、順番に積み上げられるものです。

解説：広く知ることは必要です。ただ、入り口が広いだけでは信頼につながりません。一つ深く掘った経験があると、別の分野に移ったときにも「どこまで調べれば答えに届くか」の感覚が働きます。深さの経験は、分野を変えても持ち運べます。

解説：シミュレーションの数値と実測が合わないときです。そこで逃げずに原因を追うと、モデルに入れていなかった前提が見つかります。その積み重ねがないまま計算だけを信じると、量産で足をすくわれます。

解説：出てきた答えを検証できるだけの土台を、自分の中に持っておくことです。判断の責任は人の側に残るので、間違いに気づける力がそのまま価値になります。AIを含めて、使えるものを最大限に使い、てこを効かせられる人が強いという考え方は、独立して仕事をするうえでも同じです。

解説：そのとおりです。残るのは、公差をどう配るかという判断、現場で異常に気づく感覚、そして人と人の信頼関係です。どこがAIに置き換わり、どこに人の価値が残るのかを、早いうちから考えておくことが、これから技術を身につける人にとって大きな差になります。この内容は、2026年10月に台湾の国立陽明交通大学 光電学院で行った講義をもとにしています。NWでは、日本・中国・台湾の光学分野で企業と企業をつなぐNW agentという紹介サービスを行っています。