AI はジェットエンジンを設計できるか？JARVIS チャレンジが AI コパイロットの役割を検証
MIT の学生が AI を主要なエンジニアパートナーとして活用し、ジェットエンジンの設計から製造までを完了させた「JARVIS Challenge」の結果は、AI がハードウェア工学の速度を劇的に加速できる一方、最終的な判断と製造工程には依然として人間の専門性が不可欠であることを示した。
キーポイント
AI の加速効果と限界の解明
AI は安全が重要なハードウェア工学の設計サイクルを大幅に短縮したが、最終的な製造工程がボトルネックとなり、エンジニアリング判断こそが決定的な違いを生むことが判明した。
次世代エンジニアの定義
AI ネイティブなエンジニアとは単に AI を使う者ではなく、AI の出力を信頼したり挑戦したりし、それを実機へと変換できるリーダーシップを持つ者を指すと結論付けられた。
未熟学生による実証実験
ターボ機械や熱力学の経験が浅い学部生チームが、AI を活用してジェットエンジンの設計・製造・テストを成功させ、AI ツールの民主化と学習効果を実証した。
MIT Parley によるデータ可視化
MIT が新たに立ち上げたプラットフォーム「Parley」を通じて、学生たちのプロンプト使用状況やコスト、利用モデルなどを可視化し、AI 活用プロセスを詳細に分析した。
重要な引用
"The JARVIS challenge showed that AI can substantially accelerate safety-critical hardware engineering, but engineering judgment remains the decisive differentiator."
"An AI-native engineer is not defined by using AI, but by leading it — knowing when to trust it, when to challenge it, and how to translate AI outputs into working hardware."
"Manufacturing — not engineering design or analysis — remained the fundamental rate-limiting step"
影響分析・編集コメントを表示
影響分析
本記事は、生成 AI がソフトウェア領域からハードウェア工学へとその適用範囲を広げつつあり、特に教育現場や若手エンジニアにとって強力な学習・開発ツールとなり得ることを示しています。しかし同時に、AI は万能ではなく、物理的な製造プロセスや最終的な責任判断においては人間の専門的知見が不可欠であるという現実を浮き彫りにしており、今後の「人間と AI の協働」モデルの構築において重要な指針となります。
編集コメント
AI が設計段階で劇的なスピードアップをもたらす一方で、物理的な製造工程が依然としてボトルネックとなっている点は、ハードウェア分野における AI 導入の現実的な課題を如実に示しています。今後は「AI で設計し、人間と機械が協力して製造する」ハイブリッドな開発フローが標準化される可能性があります。
人工知能はソフトウェアエンジニアリングの分野を急速に変革してきました。生成 AI や大規模言語モデル（LLM）は膨大な量のコードやドキュメントを生成でき、機械学習アルゴリズムもパフォーマンス監視やセキュリティ脆弱性の検出に活用されています。しかし、ジェットエンジンといった複雑な物理システムの構想、設計、製造という課題において、これらの AI ツールが同様に劇的な変革をもたらすのでしょうか。
昨学期に行われた「JARVIS チャレンジ（Jet-engine AI Research and Validation Intensive Sprint）」は、AI が設計・構築・テストのサイクルを圧縮できるかどうかを検証するものでした。MIT の学部生を対象に、AI を活用すればより速く、より高品質な製品を作れるのかを探る実験が行われました。
「JARVIS チャレンジの結果から、AI は安全性が極めて重要なハードウェアエンジニアリングにおいて大幅な加速をもたらすことが示されました。しかし、最終的な決断を下すのは依然として人間のエンジニアリング判断です。AI ネイティブのエンジニアとは、単に AI を使うことではなく、それを主導できる人を指します。いつ信頼し、いつ疑い、どうやって AI の出力を実際の稼働するハードウェアに変換するかを知っていることが重要です。製造工程こそが、設計や解析ではなく、根本的なボトルネック（速度制限要因）であり続けました」と、MIT ガスタービン研究所所長のゾルティ・スパコフスキー教授は述べています。
チーム、ツール、そして課題
このチャレンジでは、学生たちは AI を主要なエンジニアリングパートナーとして活用し、4 週間の期間をかけて小型ガスタービン航空エンジンの設計、製造、組み立て、そしてテストを行う課題に挑みました。目標は、ジェット A（Jet-A）燃料で稼働し、50〜100 ポンドの推力を発生させる「JARVIS クラス」の単軸ジェットエンジンを作り上げることです。さらに、60 秒間の運転を 5 回連続して成功させることも条件に含まれていました。チームには設計、材料選定、製造方法において完全な自由が与えられていました。
工学部のほぼすべての学科から集まった 31 名の学生は、7 つのチームに編成されました。メンバー構成は新入生だけで固まったグループから、上級生が中心となったグループまで多岐にわたります。多くの参加者は当初、ターボ機械や圧縮性流れに関する経験が乏しく、特に若手学生の中には熱力学の知識すら不足しているケースもありました。中には、このプロジェクトに参加するまでガスタービンの内部を一度も見たことがないという学生も少なくありませんでした。
彼らが利用できたリソースは、MIT の機械加工施設や製造業者、そして Concepts NREC、SolidWorks、ABAQUS といった商用ソフトウェアです。さらに、個々の部品を評価・組み立てるための各種テスト装置も用意されていました。
参加チームは、最先端の大規模言語モデルを単一のインターフェースから統合した新プラットフォーム「MIT Parley」MIT Parley にもアクセス可能でした。Parley を通じて JARVIS のリーダーたちは、学生たちが AI ツールをどのように活用しているかを直接確認できます。具体的にはプロンプトの内容、1 プロンプトあたりのコスト、使用された特定の LLM、その他重要な情報がリアルタイムで把握できました。
JARVIS のリーダーたちは全参加者に対して Parley への早期アクセス権を確保しました。MIT リンカーン研究所、機械工学科、そして企業スポンサーである Safran、Voyager Technologies、Beehive Industries の資金支援により、学生たちは事実上無制限に AI を利用することができました。
これらのスポンサーが参加した背景には、AI がエンジニアリングのワークフローをどう再構築するかへの強い関心と純粋な好奇心がありました。
「これはエンジニアリングの未来です」と、Voyager Technologies のライアン（ハル）・ヘフロン氏は学生たちに語りました。「ここで磨くスキルは単なる『あれば便利』なものではありません。これからはエンジニア workforce の基礎となる能力になるのです。」
サフラン・テックのマネージングディレクター、ヴィンセント・ガルニエ氏は、この競技の展開を興奮気味に見守りました。「JARVIS は純粋な実験であり、学びの取り組みでした。正直に言って、学生たちや AI モデルから何が出るのか、私たちは予想がつきませんでした。学生たちから特に印象的だったのは、まず探求への情熱です。そしてプロジェクトが進むにつれ、AI が何を助けられ、何を助けることができないかという冷静な理解に至り、すぐにその認識に合わせて適応したことです」と語ります。「この結果は、次世代のエンジニアたちが、安易で視野狭窄的な AI の使い方に陥ることはなく、物理実験や思考実験を通じて常に実践と向き合いながら進んでいくだろうという確信を与えてくれます」。
航空宇宙工学科の教授たち（ザカリー・コルデロ氏、ゾルティ・スパコフスキー氏、マーシャ・フォーク氏、アンドレア・ボブ氏）をはじめとする教員リーダーシップと、リンカーン研究所のエンジニア、そしてティーチングアシスタントチームが安全確保のために現場にいました。毎週の進捗レビューでは、学生たちの進捗を厳しく評価し、AI をどのように活用しているかをチェックしました。
スパコフスキー氏は、答えや直接的な援助を与えずに、チームを正しい方向へ導くための慎重な手法を開発していました。あるチームの発表後、彼はこう尋ねることがあります。「ラベットフィット（段差継ぎ手）ってご存知ですか？そのコメントを踏まえてください」。
AI が役立つ場面と害になる場面
1 週間が終わる頃には、1 チームが競技から撤退しました。残りのチームはそれぞれ異なる程度の成功を収めつつ、ガスタービンの初期設計を完成させていました。各チームは AI を活用して教科書の要約を行ったり、設計ソフトの使い方を教え込んだり、サプライヤーを探したり、Excel シートを作成したり、具体的な質問に答えさせたり、参考文献を見つけたり、設計判断の比較分析を作成したりしました。あるチームは Parley 上でエージェントを構築し、プロジェクトマネージャーとして機能させるよう指示を出していました。
2 週間になると、チームは詳細な CAD デザインの作成や部品の発注、燃焼器のプロトタイプ製作に着手しなければなりませんでした。ここで AI の利用における限界が浮き彫りになりました。Claude や ChatGPT は設計案の提示や知識の穴埋めには優れていましたが、生成 AI が抱える「幻覚（ハルシネーション）」、「迎合的な回答」、そして物理現象への理解不足といった問題が、チームの自信を揺るがし、作業を遅らせる要因となっていたのです。
「AI は情報探索や整理、文章作成には優れた補助ツールですが、設計そのものを行うことはできません」と語るのは、811 チームの一員であるエリザベス・トゥパジュさんです。「エンジニアが状況を把握できず、AI が主導権を握った瞬間こそ、設計の信頼性が失われる時です。少なくとも現在の AI の能力においてはね。」
担当助教のジョン・張氏は、学生たちの様子を目の当たりにして「第一印象がいかに重要か痛感しました。AI から初期段階で回答が得られなかった場合、学生たちはすぐにイライラし、『使えない』という固定観念を抱いてしまい、その後の利用を諦めてしまうのです」と語っています。
最終週には、どの AI にも解決できない新たな壁に直面しました。それはベンダーとの連携です。「AI が検索で見つけたベンダーとは接点も信頼関係もなく、私たちの厳しい納期に関心もないところばかりでした」と学生たちは報告しています。実際に協力してくれたのは、チームが個人的なつながりを持っているベンダーたちだけでした。
3 つの最終候補チームのうち、ミニコンバスターを初回で点火に成功させたのは『Fast and Fractured』のみです。このチームは、ガスタービンの経験者が一人もいない状況でしたが、AI を活用して設計の比較検討やアーキテクチャの選定を徹底的に行い、実現可能な設計案へとたどり着きました。
「JARVIS Challenge は、AI を活用した設計と意欲ある学生、そして迅速な実験を繰り返す文化を組み合わせることで何が実現できるかを示しました」と、航空宇宙工学のチャールズ・スターク・ドレイパー職能開発教授であるマシャ・フォークは語ります。「最も印象的だった瞬間は、初めて学生が設計した燃焼器を試験台に設置し点火させた時です。完璧な点火から全出力への加速、二重燃料運転への移行、そして最後にジェット A 燃料 100% での安定燃焼まで成功しました。これは、設計・製造・試験のサイクルを劇的に短縮しつつ、学生が実際の工学課題に直接取り組む機会を提供できることを証明するものでした。」
AI ネイティブなエンジニアリングの最前線
5 月末までに、より経験豊富な 2 つのチームである「Fast and Fractured」と「811 Crew」は、エンジン全体のテストを完了しました。AI を活用した設計を採用していた「Fast and Fractured」チームは、サプライヤー側のトラブルが週ごとに発生し遅延しましたが、無事にテストに漕ぎ着けました。残念ながら、そのホットファイア（高温燃焼試験）はローターが静止部ハウジングに接触して焼き付くという事故により短時間で終了しました。一方、「811 Crew」チームは、競技開始前からターボ機械や推進システムに関する知識をより多く持っていたため、見事に勝利しました。彼らのエンジンは正常に始動し、ジェット A 燃料への切り替えにも成功、正味の推力も発生させることができました。
「エアースターターを手に、エンジンがかかり回転する音に耳を澄まし、火を吹き出す様子を目撃したあの瞬間は、心臓が胸から飛び出しそうになるほどでした。失敗する可能性は山ほどあったはずです。そんな短時間でこれだけの成果を上げた学生たちの活躍は、まさに驚異的ですね」と、博士課程のジョー・キアペリ氏は振り返ります。
811 チームは当初、大会を通じて AI の利用に抵抗感を抱いていました。彼らは AI に頼るのではなく、基礎的な知識とチームワークを信じて挑んでいたのです。「設計ソフトにある程度慣れたメンバーもいれば、あらゆるものを組み立てられる機械工学の専門家、さらにはガスタービンエンジンの設計を専門に学んだ航空宇宙工学科の学生も在籍していました」と、トゥパジ氏は説明します。
JARVIS チャレンジが始まってからは、新入生や2年生が「Parley」を頻繁かつ巧みに活用する一方、3年生や4年生はより深い経験値を活かして戦いを繰り広げました。
「JARVIS は、AI から価値を引き出すには二つの要素が必要だと教えてくれました。一つは、AI の指示を正しく判断し、誤りを見抜くための十分な専門知識。もう一つは、AI が役立つ場面を自ら見つけようとする好奇心です」とアンドレア・ボブ教授は語ります。
スプリントで最も速く進んだチームは経験豊富で、AI に大きく依存して成果を出しました。一方、最終的に優勝したのは AI に対して慎重な姿勢を示したチームでした。彼らにも専門知識はありましたが、その懐疑心が速度を落とした要因となりました。重要なのは、ツールを完全に掌握しつつも、使いこなすための十分な好奇心を持っていること。私にとって、これが今後の最大のチャンスです。AI ツールを指揮する判断力と、自ら手を伸ばす直感を備えた次世代のエンジニアを育成することこそが、真の機会なのです。
今回の競技で最も明確に浮かび上がったのは、エンジニアリング経験が乗数効果を生み、人間要素がいまだに不可欠な役割を果たしているという事実です。第一原理や基本概念をマスターすることは、優れたエンジニアリング的判断力を育むだけでなく、不十分な情報の中で困難な決断の連続を乗り切る能力にもつながります。そして、安全性が極めて重要な物理システムを構築する際、人間の hands と責任の所在を代替できるものはありません。
「JARVIS は、AI コパイロットがエンジニアリング生産性に乗数効果をもたらす可能性を示しました。その鍵となるのは、チーム間の差を生む『判断力』と『第一原理思考』です」と、ティーチングアシスタントのケイル・ウッディ氏は付け加えています。
しかし、航空宇宙分野における AI の影響は甚大です。適切に管理された AI コパイロットを活用する小規模チームが、設計・製造・試験のサイクルを数年から数週間に圧縮できるのであれば、労働力の構造や研究開発のタイムライン、競争環境に与えるインパクトは計り知れません。JARVIS チャレンジに取り組んだ学生たちは、これを単なる思考実験としてではなく、機械加工現場で実際にジェットエンジンをテストスタンドに据え付けながら直面した、先駆的なエンジニアたちの一人です。
「JARVIS は、物理システムの設計における AI の力を浮き彫りにしました」と語るのは、MIT ガスタービン研究所の副所長であるコルデロ氏です。「しかし同時に、その力を解き放つ鍵は教育にあることも示されました。講義やインターンシップ、そして MIT モータースポーツやロケットチームのような実践的な課外活動を通じた教育がそれです。JARVIS でのパフォーマンスと学年には強い相関があり、私の最大の結論は、AI の時代において教育の価値はかつてないほど高まっているということです」
原文を表示
Artificial intelligence has rapidly transformed software engineering. Generative AI and large language models (LLMs) can create huge volumes of code and documentation; machine-learning algorithms can monitor performance and detect security vulnerabilities. But when the task is to conceive, design, and make a complex physical system such as a jet engine, are those AI tools equally transformative?
This past semester, the JARVIS Challenge (Jet-engine AI Research and Validation Intensive Sprint) set out to explore whether AI can compress the design-build-test cycle, asking MIT undergraduates to discover whether AI can help them to build faster and better.
“The JARVIS challenge showed that AI can substantially accelerate safety-critical hardware engineering, but engineering judgment remains the decisive differentiator. An AI-native engineer is not defined by using AI, but by leading it — knowing when to trust it, when to challenge it, and how to translate AI outputs into working hardware. Manufacturing — not engineering design or analysis — remained the fundamental rate-limiting step,” says Professor Zolti Spakovszky, director of the MIT Gas Turbine Laboratory.
The teams, the tools, the task
The challenge gave undergraduates four weeks to design, fabricate, assemble, and test a small gas turbine aero engine, using AI as their primary engineering partner. The objective: build a “JARVIS-class” single-spool jet engine producing 50–100 pounds of thrust, running on Jet-A, and completing five 60-second runs. Teams had total freedom over design, materials, and fabrication.
Representing nearly every department in the School of Engineering, 31 students organized into seven teams, ranging from all first-years to senior-heavy groups. Many of the competitors initially had little experience in turbomachinery, compressible flows, or, in the case of the younger students, even thermodynamics. Many had never seen the inside of a gas turbine before signing up to build one.
At their disposal: MIT’s machine shops and manufacturing vendors; commercial software including Concepts NREC, SolidWorks, and ABAQUS; and various test rigs for characterizing and assembling individual components.
The teams also had access to MIT Parley, a newly launched platform that aggregates frontier large language models through a single interface. Through Parley, JARVIS leads could see directly how the students were using the AI tools, including their prompts, the cost per prompt, the specific LLMs being used, and other critical information. The JARVIS leads secured early access to Parley for all participants, and with financial support from MIT Lincoln Laboratory, the Department of Mechanical Engineering, and corporate sponsors Safran, Voyager Technologies, and Beehive Industries, students had access to essentially unlimited use of AI.
The sponsors were drawn by recruiting interest and genuine curiosity about how AI might reshape engineering workflows.
“We see this as the future of engineering,” Ryan (Hal) Hefron of Voyager Technologies told the students. “You’re honing skills that are not just nice to have — they’re going to be the future baseline in the engineering workforce.”
Vincent Garnier, managing director of Safran Tech, watched the competition unfold with excitement. “JARVIS was a genuine experiment, a learning endeavor. We frankly didn’t know what to expect, from the students or from the AI models. What struck me coming from the students was: first, the enthusiasm to explore; then, as the project developed, they all came to the cool-headed realization of what AI could or could not help them with, and then almost instantly adapted for that,” he says. “It makes me confident that this generation of leading engineers will probably not fall prey to easy and shortsighted use of AI, and will do so by keeping ever more in contact with experiments — physical or thought experiments.”
The faculty leadership — professors Zachary Cordero, Zolti Spakovszky, Masha Folk, and Andreea Bobu of the Department of Aeronautics and Astronautics, along with Lincoln Laboratory engineers and a team of teaching assistants — were there to ensure safety. In weekly progress reviews, they would critically evaluate the student progress and assess how the students were using AI.
Spakovszky developed a careful technique for guiding teams in the right direction without giving away answers or providing help. After a team’s presentation, he might ask: “Do you know what a rabbet fit is? Take in the comment.”
Where AI helps and hurts
By the end of week 1, one team withdrew from the competition; the others had, with varying degrees of success, developed an initial design for their gas turbines. Different teams used AI to summarize textbooks, teach them to use design software, source vendors, create Excel sheets, answer specific questions, find references, and create comparative analysis between design decisions. One team created an agent in Parley and tasked it with serving as their project manager.
By week 2, teams had to start working on detailed CAD designs, ordering parts, and prototyping their combustors. This is where the teams started to hit limitations in their use of AI. While Claude and ChatGPT were good at offering design alternatives and filling knowledge gaps, teams found that the hallucinations, sycophancy, and lack of physical understanding that have become notorious features of generative AI were undermining their confidence and slowing them down.
“AI is a helpful tool, great at finding information, helping organize things, and can write well, but it can’t do design,” says Elizabeth Tupaj, a member of team 811 Crew. “The moment the engineer doesn’t know what is going on and the AI is in charge is the moment the design becomes unreliable, at least with AI at its present capabilities.”
Teaching assistant John Zhang notes, “seeing this firsthand with the students reminded me how much first impressions matter. If the students couldn’t get answers from the AI early on, they quickly grew frustrated and formed a lasting opinion that precluded them from using it later.”
In the final weeks, the finalists hit another obstacle no AI could solve: working with vendors. “AI searches found vendors we had no rapport with, who had no interest in our tight timeline,” students reported. “The vendors who came through were the ones our team had personal relationships with.”
Of the three finalists, only Fast and Fractured achieved first-attempt ignition of their mini-combustor. The team had used AI heavily for trade studies and architecture comparisons, arriving at a viable design despite none of them having prior gas turbine experience.
“The JARVIS Challenge showed what’s possible when you combine AI-enabled design with motivated students and a culture of rapid experimentation,” says Masha Folk, the Charles Stark Draper Career Development Professor of Aeronautics and Astronautics. “The moment that stood out most was when the first student-designed combustor was installed on the test stand. It ignited flawlessly, ramped to full power, transitioned to dual-fuel operation, and then sustained stable combustion on 100 percent Jet-A fuel. This was proof that we can dramatically accelerate the cycle of design, build, and test while giving students hands-on experience with a real engineering challenge.”
At the vanguard of AI-native engineering
By the end of May, the two more senior teams – Fast and Fractured and 811 Crew – had completed full engine tests. Fast and Fractured, with their AI-assisted design, were delayed by vendor headaches week after week, but finally made it to test. Unfortunately, their hot fire was cut short when the rotor rubbed and seized against the stationary housing. Team 811 Crew, however, who had more exposure to turbomachinery and propulsion concepts going into the competition, emerged victorious. Their engine started, successfully transitioned to Jet-A, and generated net thrust.
“As we stood there with the air-starter, hearing their engines spool up and watching them spit fire, it felt like my heart was racing out of my chest. There were so many ways it could go wrong! What these students accomplished in such a short time span is nothing short of amazing,” says PhD student Joe Chiapperi.
The 811 team had been resistant to using AI throughout the competition, trusting instead to their fundamentals and teamwork. “We had people who were at least somewhat familiar with the design software, mechanical engineers who knew how to build anything, and aerospace engineers who had taken classes on the design of gas turbine engines specifically,” says Tupaj.
From the start of the JARVIS Challenge, younger students used Parley more frequently and cleverly, while the juniors and seniors leveraged deeper experience.
“JARVIS taught me that getting value from AI takes two things: enough expertise to judge what it tells you and catch it when it’s wrong, and enough curiosity to actually lean on it where it could help,” says Professor Andreea Bobu. “The team that moved fastest in the sprint was experienced and leaned heavily on AI to get there. The team that eventually won was more resistant to AI; they had the expertise, but that skepticism made them slower. The sweet spot seems to be knowing enough to stay in charge of the tool, and being eager enough to pick it up in the first place. To me, that’s the real opportunity ahead: training the next generation of engineers who have the judgment to direct these AI tools and the instinct to reach for them.”
The competition’s clearest finding: engineering experience is a multiplier, and the human factor remains a vital element. Mastering the first principles and fundamental concepts breeds good engineering judgment and the ability to navigate strings of tough decisions in the face of incomplete information. And when it comes to building safety-critical physical systems, nothing can replace human hands and human accountability.
“JARVIS has shown that AI copilots can have a multiplicative effect on engineering productivity, with judgment and first-principles thinking serving as the key differentiators among teams,” adds teaching assistant Kyle Woody.
But the implications of AI in aerospace are significant. If small teams using well-managed AI copilots can compress design-build-test cycles from years to weeks, the consequences for workforce structure, R&D timelines, and competitive dynamics could be substantial. The students who tackled the JARVIS Challenge are among the first engineers to grapple with those stakes not as a thought experiment, but in a machine shop, with a jet engine on the test stand.
“JARVIS highlighted the power of AI in the design of physical systems,” says Cordero, associate director of the MIT Gas Turbine Laboratory. “But it also showed that the key to unlocking that power is education, through coursework, internships, and hands-on extracurriculars like MIT Motorsports and Rocket Team. Performance in JARVIS correlated strongly with year in school. My main takeaway is that in the AI era, education is more valuable than ever.”
関連記事
今日のまとめ
AI日報で今日の重要ニュースをまとめ読み