今日のご案内 ☕✨ # 今日の主要シグナルは、AIの価値が「モデル単体の能力」から、専門データ・既存ツール・検証工程へどう接続するかへ移っていることだ。CoreWeaveはMonolith AI由来のチームと手法を基盤に、顧客の試験・シミュレーション・センサーデータへ入り込むPhysical AI Field Engineeringを開始した。航空分野では、シミュレーションを認証証拠として使う際のassuranceや、運航データを扱うAgentの責任境界が具体化している。 Scientific AIでも同じ傾向が見える。触媒設計のMAESTROは、LLMの自由な提案だけでなくML force fieldとDFTを含む反復評価へ推論を組み込み、OpenEarthAgentは中間のtool callを含む検証可能なreasoning trajectoryを学習・評価対象にしている。AIを「答えを出す箱」にするより、数値計算や実験の閉ループの中で役割を限定する方が、工学的な再現性を確保しやすい。 企業Agentでは、アクセス権と監査の扱いが実装論の中心になっている。AWSのSAP向けMCP構成は人間のnamed-user identityをSAPまで伝播させ、UiPathとSAP/Oxford Economicsの調査は、pilot数の増加に対してデータ準備、既存workflowとの統合、governance、社内processの成熟が追いついていない姿を示す。Agentを増やすだけではproduction化にならない。 一方、DeepSeek V4.1 FlashやNokiaのCognitive Operationsは、推論コスト、KV cache、ローカル実行、通信断への耐性など、運用条件そのものが競争軸になっていることを示す。モデル、データ、tool、identity、physical verificationを一つのsystemとして設計する段階へ移りつつある。 1. CoreWeave、Engineering AIを「専門データへ入る現場実装」に寄せる # CoreWeaveは9月10日、Physical AI Field Engineeringを開始した。顧客のengineering teamへdomain specialistを組み込み、R&Dから現場運用までAIをbuild・validate・deployするサービスで、Monolith AI買収で得たチームと手法を基盤とする。対象は一般的な文書データだけでなく、試験、simulation、sensorなどのproprietary engineering dataとworkflowだ。

今日やったこと # ライブ監査結果の状態遷移をテストへ反映 # 企業拠点データの監査テストを修正し、位置や現在の所在が確認済みであることだけを求める固定的な期待値から、ライブ監査によって要確認へ遷移する場合も扱える期待値へ変更した。 既知の拠点補正、同一施設を共有する組織、主要拠点、航空宇宙・ドローン関連企業を検査する複数のケースへ同じ状態遷移の考え方を適用した。 変更はテストに限定し、本番の監査処理や拠点データそのものには手を加えていない。 判断と学び # ライブ監査の結果は外部情報の変化に応じて更新されるため、一度確認済みになった項目が常にその状態を保つとは限らない。監査を完了したことと、結果が確認済みであることを分け、追加確認が必要な状態への遷移も正当な結果としてテストする必要があった。

今日のご案内 ☕✨ # 今回の中心は、AI時代の競争力が「より大きなモデルを持つこと」だけでは説明できなくなっている点だ。GE Aerospaceは航空エンジンの重要部材である複雑鋳造品の供給能力を買収で垂直統合し、設計と製造のfeedback loopそのものを戦略資産として扱う。一方、Engineering AIではMENOやTPMS multiscale optimizationのように、学習モデルへ全てを委ねず、既知の数値構造や明示的な最適化問題の中へAIを埋め込む構成が目立つ。 製造・品質でも同じ傾向がある。Lumafieldは産業X線CTのfoundation modelで「正常品からの逸脱」を検出し、結果をquality engineerへevidence付きでescalateする。AtosとFlender ChinaのEngineering R&D Agentも、製造知識、RAG、multimodal inputを組み合わせつつ、効果指標はdeployment側の自己申告として切り分ける必要がある。自動化の価値が高くなるほど、ground truth、レビュー可能性、適用範囲の設計が重要になる。 Agent基盤では、HPE Zertoのon-prem runtime＋local MCP、AWSのCI/CD evaluation gate、Meta MuseのSecure VM＋独立approval layerが、異なる用途から同じ方向へ収束している。企業調査でも、Agent導入率やAI支出の伸びに対してgovernanceや自律workflowの成熟は遅い。モデル能力よりも、tool access、権限、評価、運用費、physical capacityを含む「モデル外側のシステム」を設計できるかが実装力を分け始めている。 1. GE Aerospace、CPPを117.5億ドルで買収し航空鋳造能力を上流から統合 # GE Aerospaceは9月8日、Consolidated Precision Products（CPP）を117.5億ドルで買収する契約を締結した。CPPは約6,600人を20超の拠点に抱え、investment castingとprecision sand castingを中心に、superalloy、titanium、aluminumなどの複雑航空部品を製造する。GEはcommercial engine、aftermarket、defenseで同時に強い需要が続く中、mission-criticalなcasting capacityそのものを確保する狙いを明示している。

今日のご案内 ☕✨ # 今回の中心は、Engineering AIの評価軸が「モデルがどこまで答えられるか」から、「既存の設計・解析・試験系へどう接続し、どこで確実な検証境界を置くか」へ移っていることだ。中国航空发动机集团（AECC）は、MBSE、デジタル試験管制、联合仿真など7つの研究開発プラットフォームを調達対象に掲げ、cloud-native architectureに加えてAI Agentとの双方向連携を要件化した。Agentがplatformを呼ぶだけでなく、platform自身の能力をAPIとしてAgentへ公開する構成まで明記されている。 CAE側では、数値モデルを高精度に模倣するだけでは物理的妥当性を保証できないという問題がより具体化している。NASA Common Research Modelを対象にした研究では、CFDに対してR² > 0.99のsurrogateでも風洞計測との系統差が残り、実験データでresidualを学習させることでその差を補正した。ADEx-FNOも、学習モデルを最終solverとして置き換えるのではなく、従来CFDのwarm startへ使い、最終解は支配方程式solverに任せる構成を採る。 Scientific AIでも同じ構造が見える。核融合制御のPACMANは複数AI controllerを20 ms級で動かしながら、最後の出力段で競合解決とhardware safety limitを強制する。材料探索では、database、physics constraint、simulation、Agent、automated synthesis、experimental feedbackを一つのclosed loopへ結ぶことが課題として整理され、自律化そのものより、状態保持・監査・安全限界の設計が重要になっている。 企業Agentでは、sandbox、identity、runtime cost、効果測定が運用上の主戦場になりつつある。GitSpawnはtoolの暗黙動作がtrust boundaryを越える危険を示し、OpenAIの社内telemetryは高強度なAgent利用が大きなinference costと並列実行量を伴うことを示す。モデルアクセスだけを導入と見なす段階は終わり、実行環境、検証、権限、費用、physical capacityまで含めて一つのシステムとして設計する必要がある。 1. AECC、航空エンジンR&Dの7基盤にAgent双方向連携を要件化 # 中国航空发动机集团（AECC）は8月31日、研究開発業務向けのデジタルプラットフォーム7種について公開調達を開始した。対象は、仮想構想検討、要求管理、MBSEベースのsystem modeling、科学技術・innovation management、デジタル試験管制、統合project management、联合仿真で、MBSE領域ではwhole-engine級のsystem architectureまたはsystem simulationの導入実績も要求している。

今日のご案内 ☕✨ # 今回の中心は、AIの価値が「良い答えを返すモデル」から「専門ツールを、決められた権限と検証手順の中で実行できる仕組み」へ移っていることだ。Autodesk Fusionでは、Drawing APIに加えてMetal Powder Bed Fusionのprocess simulationをAPIから実行・結果表示できる範囲が広がった。Coderはクラウド側のcoding agentと企業内の実行環境を分離し、CrowdStrikeやIBMはagent identity、短寿命権限、runtime control、trace、custom evaluationを製品レイヤーとして扱い始めている。 モデル性能そのものも動いている。OpenAIはGPT-6 Astraの提供を開始し、同社のPreparedness FrameworkでCritical cybersecurity-capability thresholdに達したモデルをChatGPTやAPI、Azure、AWS Bedrockへ展開する。モデルが強くなるほど「導入するか」だけではなく、どの環境で実行させ、何を許可し、いつ停止できるかがmodel upgrade governanceの一部になる。 Scientific AIでは、汎用coding benchmarkだけで実務適性を判断しにくいことも明確になっている。SWE-bench Scienceは科学ソフトウェアのrepository-level taskを20分野に広げ、最良の評価agentでもpass@1が50%未満と報告した。科学計算では、codeが動くことと、数値・物理上の前提やintegrationを壊さないことが別問題であり、engineering agentにはdomain-specificな検証系が必要になる。 基盤側では、NVIDIAがHugging Face買収で合意し、EuroHPCは3億8,780万ユーロ規模のLUMI-AIを2027年投入へ進める。モデル、配布hub、accelerator、hosted inference、public/sovereign computeの境界が再編されるなか、AI戦略はmodel selectionだけでなく、artifact portability、execution perimeter、compute procurementまで含む設計問題になっている。

今日やったこと # ギヤードターボファンの対話型工学モデルを構築 # 公開資料で確認できる81インチファン、圧縮機・燃焼器・タービンの段構成、固定中心の5個のスターギア、約3対1の減速方式をもとに、ブラウザで動くカットモデルを新規構築した。実機の歯数や内部寸法が公開されていない部分は説明用の値として明示した。 ファン、低圧軸、高圧軸、サンギア、リングギア、スターギアを同じ計算状態で連動させた。外観、4分の1・2分の1カット、ケース透過、部品選択、視点切り替え、一時停止、低速表示、微小送りを実装した。 一次元の圧縮性サイクル、低圧・高圧軸の独立した回転運動、ファンと減速機の反映慣性、質量・燃料・軸出力・エネルギー収支を統合した。流れの矢印も表示専用の時計ではなく、同じ物理時刻と局所平均流速で移動させた。 改良版では、圧縮機・燃焼器・タービンの検査ビュー、17段の速度三角形、構成要素ごとのエンタルピー収支、全温・全圧・軸流速度のグラフを追加した。表示と計算の不一致を見つけやすいよう、3D、診断値、グラフを一つの状態から生成した。 型検査、lint、数値・形状テスト、静的ビルドを通過した版だけを公開する配信工程を整備した。公開資料に基づく構成と、説明用に仮定した値、対象外の現象を文書で分けた。 判断と学び # 数値収支が閉じることと、実機を忠実に再現できていることは別である。整数歯数による回転比や一次元流れの保存則を厳密に検査しても、非公開の翼形状、性能マップ、材料、熱変形、潤滑、寿命までは推定できない。成立する概念モデルと実機同定を混同しない説明が必要だった。

今日のご案内 ☕✨ # 今回の中心は、Engineering AIが「その場で回答を生成する」段階から、設計知を再利用可能なtoolとして残し、既存のCAD・CAE・業務システムから実行できる段階へ移っていることだ。PTCのOnshape FeatureScript MCP Serverは自然言語の要求からFeatureScriptを構築・テスト・デバッグし、完成したcustom CAD featureをチームで再利用できる。Syneraも、専門家が作った既存engineering workflowをMCP経由で外部Agentから呼び出す構成を打ち出している。モデルを替えてもdomain logicを保持できる「tool化」が、単純なchat integrationより重要になりつつある。 Physics AIでは、全面的なsolver置換よりも、事前学習や生成モデルを既存の数値解析へ組み込む流れが目立つ。PhysicsXのPX-Car-Aero-v1は3万件超のRANS計算で物理表現を事前学習し、同社評価では新しい設計族やsolver設定へ適応する際のsimulation data量を大幅に減らせるとする。一方、生成最適化では見た目の良い3D形状だけでは不十分で、manifoldness、薄肉・sharp feature、mesh、production solver受入性まで通過できる表現が必要だという現実的な課題も前面に出ている。 航空エンジン領域では、AIがconcept designだけでなく、inspection、maintenance、digital engineering、rapid prototyping、manufacturing、test facilityへ広がっている。GE AerospaceはBengaluruでAI-enabled blade inspectionとengine health monitoringを進め、HyCATでは統合・qualification・subsystem testまでを含む高頻度開発を進める。Rolls-RoyceもIndianaで10年・10億ドル規模の製造・engine test設備更新を完了した。設計iterationをAIで速めても、製造・試験・認証のphysical throughputが追いつかなければprogram全体は速くならない。

今日のご案内 ☕✨ # 今回の中心は、Engineering AIが「正しそうな回答やコードを出す」段階から、専門ツールを実行し、その結果を次の判断へ戻す閉ループへ移っていることだ。RA-CADは生成したparametric CAD codeを実際に実行し、結果を観察してcritiqueとrewriteへ戻す。Architect LabsのRedwoodは、仕様からRTL、verification、firmware、kernelまでを一つの自動化loopとして扱い、COMSOLでは既存Java APIを介してmodel作成、study実行、可視化までをAgentが進める例が示されている。 Scientific AIでも同じ方向が見える。STCOは将来時刻のmotion、inflow、forcingをNeural Operatorへ明示的に与え、ferroelectric材料のPINN研究はMD dataとphase-field PDEを結び、同定したparameterをFEMへ戻してcross-verificationしている。学習モデルだけを最終回答器にするのではなく、既存のPDE/FEMや物理constraintと組み合わせ、検証可能な計算chainを残す構成が強い。 一方、企業側では導入量と組織全体のscaleの間にまだ大きな差がある。Gartner調査ではAI支出の増額意向が強い一方、複数business unitへscaleできた組織は22%にとどまる。Microsoftのdigital-trace研究も、AI利用後にproductivity系activityが増える一方、communicationとのバランスが変わることを示しており、「使った回数」だけでなくworkflowと組織行動を測る必要がある。 モデル・基盤側でも評価軸はbenchmark scoreだけでは足りない。Gemini 3.8 Flashはagentic workloadを意識した価格とtool-use性能を前面に出し、DeepSeekは305Bのmultimodal open weightsをself-host可能な形で公開した。NTTPCはphysical AI向けGPU環境を国内cloudとして提供している。AIを実工程へ入れるほど、実行コスト、tool権限、resource policy、human approvalまで含めたsystem設計が性能そのものになる。 1. RA-CAD、CAD生成を「一発生成」から実行結果を読むloopへ # RA-CADは、自然言語からparametric CAD codeを作る処理をGenerate–Execute–Critique–Rewriteの反復loopとして構成する。各iterationで現在のcodeを実行し、その結果を観察したうえで、design instruction、code、execution feedbackを条件に明示的なpost-execution critiqueを生成する。critiqueは終了判定か次のrewrite指針として使われるため、単にcodeを生成して最後に通るか確認する構成とは異なる。

今日のご案内 ☕✨ # 今回の主軸は、AIが専門家への助言役から、既存の工学ツールや実験設備を動かす「実行層」へ進み始めたことだ。SimScaleはCAD形状のクリーンアップから解析設定、計算、結果レポートまでを対象にするEngineering AIを広く開放し、Anthropicは実験・製造機器をAgentから共通仕様で操作するModel Hardware Standardを研究プレビューとして示した。Siemensも、高忠実度CAEを縮約したExecutable Digital Twinを実運用データとAgent層へ接続する構成を提示している。 同時に、Scientific AIでは「AIが物理solverを置き換える」より、検証済みの数値計算や物理制約を残したまま学習モデルを差し込む構成が目立つ。NOWSはNeural OperatorをKrylov法の初期値生成へ使い、CrysVCDは価数制約を結晶生成の内部へ組み込み、Skala 1.1は学習型交換相関汎関数をCP2Kなど既存DFTコードへ統合する。燃焼不安定性を対象にしたkFNOも、短期誤差だけでなく長期統計を評価軸に置く。 材料R&Dでは、NTTの自律成膜が条件探索だけで終わらず、人が理解・転用できる成膜ルールの抽出まで進めた点が重要だ。一方、企業導入ではMcKinsey調査が示すように個人の生産性向上と企業財務効果にはまだ距離がある。AIがtoolや実機へ触れるほど、権限、検証、interlock、human approvalをモデル能力とは独立した設計要件として扱う必要がある。 1. SimScale、CAEを「助言」から一連の実行ワークフローへ # SimScaleは8月18日、Engineering AI agentを90万人超とする同社コミュニティへ開放した。同社は、AgentがCAD形状のクリーンアップ、simulation setup、計算実行から結果レポートまでの一連のworkflowを自律的に処理すると説明している。これは解析手順を文章で教えるだけでなく、既存のCAE infrastructureを実際に操作する方向への移行を示す。

今日やったこと # AI記事生成の証拠と引き継ぎ契約を再設計 # 調査、選定、執筆を独立した工程として扱い、後段は保存された前段の成果物だけを読む契約にした。同じ会話に残った暗黙の記憶へ依存しない構成を目指した。 調査結果の形式を厳密化し、実行日時、検索状況、情報源の確認結果、警告を記録するようにした。対象日が違う入力、古い入力、不完全な入力は選定工程で止める方針にした。 選定結果には、採用した主張と根拠の対応、検証状態、情報提供者による自己申告かどうか、記事内の順序と深さを残すようにした。 過去記事との重複を抑えるため、公開履歴とイベント単位の識別情報を保持する設計を追加した。執筆後には、採用項目、主張、数値情報がどれだけ保持されたかを監査できるようにした。 本番公開を行わずに各工程の境界と成果物を検査するドライラン手順、受け入れ基準、評価項目、例示データを整備した。 公開前検証と配信ゲートを実装 # AIが生成した記事だけを対象に、必須メタデータ、項目数、情報源、公開日、追跡用パラメータ、内部工程名、匿名の編集文体を決定論的に検査する仕組みを追加した。 情報源の数と記事項目の数、採用項目の識別情報を相互に照合し、欠落や重複があれば公開前に失敗させるようにした。 公開サイトのビルド前に記事検証を実行し、検証を通過した最新版だけを配信するようにした。新しい更新が来た場合は古い配信処理を打ち切り、競合した版が公開されにくい構成へ変更した。 検証器に対して、正常な記事、項目数の不一致、内部語の混入、追跡用パラメータ、日付欠落、追跡情報の欠落を扱うテストを追加した。 判断と学び # 生成記事の品質を文章の自然さだけで評価すると、調査時点では存在した根拠、数値の分母、留保、帰属が執筆中に落ちても検出しにくい。各工程の成果物を厳密な契約でつなぎ、主張単位の根拠と情報保持率を残す方が、品質低下の場所を特定しやすい。