今日のご案内 ☕✨ # 今日の中心は、AIが「設計や保守を説明する補助役」から、既存の工学フローの中で実行し、結果を検証可能な形で返す層へ移っていることだ。RTXはMROでAI支援検査と予知保全を運用し、IonQとSynopsysはLS-DYNA系のCAE処理へ量子サブルーチンを差し込み、CIT-CADは自然言語の設計意図を明示的な制約木へ落として生成結果を照合する。価値の焦点はモデルの会話能力ではなく、既存ツール、設計意図、検証手順との接続にある。
航空・製造では同時に、AIを載せる「現場側」の境界も変わっている。Pratt & WhitneyとHermeusはF100-PW-229の生産ライセンスで新たな米国内生産源をつくり、三菱重工とPreferred Networksはミッションクリティカル領域のAIを資本提携まで引き上げた。Ricohも新工場を、熟練者の知見、品質判断、設備・物流データを最初からAIと結ぶ前提で設計する。
一方、科学AIとAgentでは「どこで機械を信用しないか」が実装品質を左右する。航空サロゲートはhidden test、高低忠実度最適化は高忠実度CFD、材料探索はDFTを基準点に残す。WSO2のAgent統治やIBMの人材調査も、実運用の負担がidentity、tool access、sandbox、trace、評価、そして人間のvalidationやoverrideへ移ることを示している。
1. RTX、AI支援borescopeと予知保全をMROの運用フローへ # RTXは、Pratt & Whitneyのborescope検査とCollins Aerospaceの予知保全で、AIと運航・整備データを実運用に組み込んでいる。borescopeではソフトウェアがbladeを数え、表面patternを追跡し、再確認すべき領域をflagする一方、最終判断はoperatorが担う。検査員の観察とAIの指摘を後から比較する構成にし、AIが先に結論を見せて判断を誘導しないようにしている。
今日のご案内 ☕✨ # 今日の中心は、Engineering AIが「説明するAI」から、既存の設計・解析・検証環境で成果物を直接つくる実行層へ移っていることだ。SimScaleはOnshape内でCAD形状から解析設定・メッシュ・物理計算・結果解釈まで進めるAgentを投入し、IBMはrequirementsからtest caseを生成、MathWorksはSimscape componentそのものを記述・検証するskillを加えた。評価対象は回答文ではなく、設定の正しさ、traceability、差分、override可能性へ移る。
航空・材料研究でも同じ構図が見える。GE AerospaceはXA102でMBDを設計から製造・検査・組立までつなぎ、M88 T-REXは既存modular architectureを保ちながら20%の最大推力増を狙う。一方、SynAgent、MatBrain、Andromeda 2は、仮説・証拠・実験・選択を閉ループ化しつつ、preprintの自己報告や比較条件を明示する必要性も示している。
Agentが実行範囲を広げるほど、model外側の制約が主役になる。Qwen Codeはtoken・turn・timeで実行予算を区切り、EYの調査では形式的なAI policyがほぼ普及していても、緊急時のgovernance bypassや無許可Agentの検知不足が残る。Open-weightの経済性も同様で、benchmark近接だけではなく、production移行時の運用・support・licensingまで含めて判断する段階に入った。
1. SimScale、Onshape内でCADから解析実行までつなぐEngineering AI Agent # SimScaleは9月15日、Onshape App Storeから利用できるEngineering AI Agentを公開した。CFD、thermal、electromagnetics、FEAを対象に、CAD geometryの理解からsimulation setup、meshing、適用physicsとboundary conditionの提案、計算実行、結果解釈までを同じOnshape環境で進める。engineerは途中でsetupやboundary conditionを修正し、assumptionを確認してからAgentへ制御を戻せる。
今日のご案内 ☕✨ # 今日の中心は、AIが「相談相手」から工学・製造systemを直接呼び出す実行層へ移っていることだ。AutodeskはFusion Compute MCPで7,000超のAPI endpointをAgentへ開き、parametric modelingからCAM・NC codeまでcloud上で実行可能にした。P&GとSiemensはAI外観検査を世界展開し、精度だけでなくcommissioning速度やedge infrastructureも量産deployのKPIにし始めている。
Scientific AIでも価値の軸は「生成」から「検証できるか」へ寄る。Anthropicは30超のbiomolecular modelを最適化し、CADSplatは既存CADをshape priorとして少数viewのdigital twin reconstructionへ組み込む。既存の数値model、geometry、reference outputと接続し、適用限界を測る構成が共通している。
一方、Agentが実際にactionを取るほどmodel外側の統治が重要になる。PLMによるproduct truth、factory-floorのleast privilege、adversarial evidenceを混ぜたbenchmark、misalignment incidentのdisclosure frameworkが同時に進む。GartnerのAI支出予測でもinfrastructureが最大項目であり、巨大な市場規模と業務applicationのROIは分けて読む必要がある。
1. Fusion Compute MCP、CAD/CAMを外部Agentから直接実行するcloud layerへ # Autodeskは9月15日、cloud-hostedのFusion Compute MCPをpublic betaにした。単一のexecute toolの背後に7,000超のFusion TypeScript API endpointを置き、parametric modeling、assembly、CAM setup/toolpath、posted NC code、Fusion Team document、STL/STEP exportまで外部Agentから扱える。local desktop clientを占有せず、各Agentは独立したcloud sessionで作業する。
今日のご案内 ☕✨ # 今日の中心は、Engineering AIが「助言する画面」から、設計・解析・製造を実際に動かす実行ループへ踏み込んでいることだ。GE VernovaのFORGEは生成設計、AIサロゲート、性能から形状へ戻す逆設計をタービン系ブレードで一続きにし、COMSOL Multiphysics 2027はMCP Server経由で外部Agentにモデル作成、変更、計算、結果確認、反復を許す。FANUCも図面解釈から溶接条件とロボット動作の生成までをつなぎ、AIの価値が自然言語応答ではなく既存の工学系を安全に操作できるかへ移っている。
同時に、Scientific AIでは「生成できること」より検証可能性が差になる。Paper2Agentは論文の手法をMCPツール化し、参照出力と一致しないツールを除外する。MatSemNetは文献由来のマルチモーダル表現を触媒候補へつなぎ、実験で性能を確認した。日本発の自動合成platformもLLM生成コードを実機に接続し、ZIF-8合成の再現性まで示している。
企業側では、MBSE、計測、Digital Twin、AI利用統治が同じ問題に収束する。安全なon-premise環境、inspection data、OT/IT間のinterface、Agentのnetwork egress、従業員のShadow AIまで、実装価値は「どこまで実行させ、どこで検証し、誰が責任を持つか」で決まる。モデル性能だけではなく、traceabilityとvalidation gateを含む運用設計が主戦場になっている。
1. タービン翼設計を「生成→高速評価→逆設計」の閉ループへ # GE Vernova Advanced ResearchはMIT、University of Marylandと9か月のFORGE（Framework for Optimized Rotating blade design using Generative Engineering）projectを進めている。対象は風力、ガスタービン、水力などのrotating-machinery bladeで、生成設計、AI-enabled surrogateによる高速評価、目標性能から形状へ戻すinverse designを一つのpipelineとして扱う。GE Vernovaは、従来の「形状を決めてsimulationで性能を見る」流れを、性能targetから直接設計を探索する方向へ反転させると説明している。
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。