今日のご案内 ☕✨ # 今日の中心は、AIを「賢い出力器」として導入するだけでは足りず、結果を検証できる実行系として組み込む設計が前面に出てきたことだ。Mistralの科学コード移行では、Fortran 77からC++へ書き換える前に数値parity harnessを作り、最終出力だけでなく中間状態まで照合した。AirbusのA350F Virtual First Flightも、simulationを単独で回すのではなく実機avionics benchへ接続し、失敗シナリオと認証試験計画へつなげている。
製造側でも、AECC Donganは3D scanだけでは拾いにくい狭所の小部品を2D visionとAIへ振り分け、Lumafieldは大型CTの内部欠陥・寸法情報をCAD比較やGD&T確認へつなぐ。Scientific AIでは、材料文献から構造化データを作るLLM pipelineや、LG AI Researchの材料設計・自律実験の方向性が、モデルを研究・品質保証の実務loopへ組み込む動きを示している。
企業Agentも同じく「動けること」だけでは不十分だ。Salesforceは日単位・週単位の長期実行、永続状態、承認境界を前面に出し、OneTrustの調査ではAgent利用を奨励する組織が87%に達する一方、明確な統制を持つのは47%にとどまった。AI予算の超過も広がっており、導入競争の焦点はモデル選定から、検証、権限、データ、運用費を含む実行アーキテクチャへ移っている。
1. Mistral、科学コード移行で「翻訳」より数値parityを先に置く # Mistral AIは、物理計算を含む約30万行のFortran 77製reservoir simulatorのうち、最初のsprintで4万行をC++へ移行した事例を公開した。重要なのは、Agentにコードを書かせる前に、legacy側の最終結果と重要な中間状態を出力し、C++側で同じcheckpointを比較できるnumerical-parity harnessを構築した点だ。さらにcaller-callee treeを解析し、100体超のAgentで文書化を進めた。
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。
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。