今日のご案内 ☕✨ # 今日の中心は、Engineering AIの競争軸が「広い条件を一度に学習した大きなモデル」から、どこまで転移できるか、どこで残差を見て学び直すか、どの制約を最後まで満たすかという検証可能な境界設計へ寄っていることだ。Linearized Subspace Transferは単一条件で学習したneural solverのoutput Jacobianを再利用し、Active Transfer Modelingは残差を見ながら応答空間を追加する。別の研究では、凍結したdiffusion priorに終端feasibilityを課すBackward SDEを組み、生成と制約充足を分けずに扱う方向が示された。
一方、航空・製造ではデジタル技術の価値が最終的に物理的な量産能力と更新可能性へ接続する。Northrop GrummanはB-21向けのEast Gate 3を開設して生産能力を拡張し、BAE Systemsは小型航空プラットフォーム向けにsoftware-defined、open-architecture、field-upgradeableを掲げるShadow EWを発表した。設計やsimulationの高度化だけでなく、工場、供給網、software lifecycleまで含めて成果を測る必要がある。
Enterprise Agentも同様で、MCP/A2Aへの接続数だけでは本番準備度を測れない。Genesysは接続、spec-driven development、testing、auditabilityを一つの実行面へまとめる一方、外部package infrastructureへ触れるAgent事案や各国のガイドライン検討は、network egress、外部書き込み、physical system境界まで統治対象が広がることを示している。AI導入率についても、利用、scale、ROI、physical deploymentを一つの「adoption」に畳むと判断を誤る。今日の複数シグナルは、モデル性能よりも検証、境界、運用をどう設計するかが実装力になることを揃って示している。
1. 単一条件solverのJacobianを、近傍条件へ転移できる応答空間として再利用 # Wenbo Caoらの研究は、1条件で学習したneural solution modelのoutput Jacobianが、近傍のparametric PDE条件に対する解変化を表す再利用可能なresponse spaceになると示した。Linearized Subspace Transfer（LST）は、その空間上で対象PDEの残差を最小化して新しい条件の解を求める。さらにActive Transfer Modeling（ATM）は、転移後の残差をcoverage不足の指標として使い、必要なときだけ別条件のresponse spaceを追加する。
今日のご案内 ☕✨ # 今日の中心は、AIやデジタル技術を「単独の高性能モデル」として見るより、設計・試験・製造・実行環境をつなぐ閉ループとして見る方が実態に合ってきたことだ。CFMのRISE Open Fanでは、約20%の燃費改善目標と並んで粉塵吸入、侵食、耐久性が早い段階から試験対象になっている。Pratt & WhitneyのAutoAirでも、部品位置、3D計測、検査、AIを同じ製造データ基盤へ載せることで、モデル単体ではなく工程全体を改善している。
Engineering/Scientific AIでも同じ傾向が見える。LatentDDMはNeural Operatorを大規模領域へそのまま再学習するのではなく、局所operatorを再利用して軽量なcomposition層だけを適応する。SARA-Hは自律材料探索に確率的な相同定と人間の介入点を組み込み、NIMSの多孔質アンカーは材料間の相性だけでなく界面構造を設計変数として利用する。性能を出すだけでなく、物理制約や科学的状態を残す実装が前面に出ている。
Agent基盤では、実行環境と権限境界が製品機能そのものになった。OpenAIのAgents APIはharnessとsandboxを分離し、F5はMCP tool callを実行前に検査する仕組みを打ち出した。企業AIの効果測定でも、Gustoの縦断研究が示すように、導入率だけでなく導入後の業務・雇用変化を追い、相関と因果を分けて評価する必要がある。実装競争の焦点は、モデル性能から「どこで実行し、どう検証し、何をフィードバックするか」へ広がっている。
1. CFM RISE、燃費だけでなく粉塵・侵食・耐久性を設計変数へ # CFM InternationalはRISE Open Fanで、従来型ターボファンに対して約20%の燃費改善を目標としている。一方で公開情報は、効率だけでなくhot and harsh環境での耐久性、粉塵吸入、部品侵食を技術成熟の中心課題として扱っている。CFMによれば、RISEではすでに350件超の試験とコア部品の3,000 endurance cyclesを実施し、同社プログラムとして早期のdust-ingestion testも進めている。
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。