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

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」