AIはジェットエンジンを製造できるか？JARVISチャレンジがタフテック工学におけるAIコパイロットの役割をテスト

人工知能はソフトウェア工学を急速に変革してきました。生成AIと大規模言語モデルは膨大なコードやドキュメントを作成できます。機械学習アルゴリズムはパフォーマンスを監視し、セキュリティの脆弱性を検出できます。しかし、ジェットエンジンのような複雑な物理システムを構想、設計、製造する場合、これらのAIツールは同様に変革的でしょうか？

先学期、JARVISチャレンジ（Jet-engine AI Research and Validation Intensive Sprint）は、AIが設計-製造-テストサイクルを短縮できるかどうかを探ることを目的とし、MITの学部生にAIがより速く、より良い構築を支援できるかどうかを調査するよう求めました。

「JARVISチャレンジは、AIが安全性重視のハードウェア工学を大幅に加速できることを示しましたが、エンジニアリング判断が決定的な差別化要因であり続けています。AIネイティブのエンジニアとは、AIを使用することではなく、AIをリードすることによって定義されます。つまり、いつ信頼するか、いつ疑問を呈するか、AIの出力を実際のハードウェアに変換する方法を知っていることです。製造は、エンジニアリング設計や分析ではなく、依然として基本的な律速段階でした」とMITガスタービン研究所所長のZolti Spakovszky教授は述べています。

チーム、ツール、タスク

このチャレンジでは、学部生に4週間が与えられ、AIを主要なエンジニアリングパートナーとして、小型ガスタービン航空エンジンを設計、製作、組み立て、テストしました。目標は、50～100ポンドの推力を発生し、Jet-A燃料で動作し、60秒の運転を5回完了する「JARVISクラス」の単軸ジェットエンジンを構築することでした。チームは設計、材料、製作に関して完全な自由を持っていました。

工学部のほぼすべての学科から31人の学生が集まり、7つのチームに編成されました。チームは1年生のみから高学年主体まで様々でした。多くの競技者は当初、ターボ機械、圧縮性流れ、さらには低学年の学生にとっては熱力学さえもほとんど経験がありませんでした。多くの学生は、参加する前にガスタービンの内部を見たことがありませんでした。

彼らが利用できたのは、MITの機械工場と製造ベンダー、Concepts NREC、SolidWorks、ABAQUSなどの商用ソフトウェア、および個々のコンポーネントを特性評価して組み立てるための様々なテストリグでした。

チームはまた、MIT Parleyを利用できました。これは、最先端の大規模言語モデルを単一のインターフェースで集約する新しく立ち上げられたプラットフォームです。Parleyを通じて、JARVISリーダーは学生がAIツールをどのように使用しているか、プロンプト、プロンプトあたりのコスト、使用されている特定のLLM、その他の重要な情報を直接確認できました。JARVISリーダーは全参加者にParleyへの早期アクセスを確保し、MITリンカーン研究所、機械工学科、および企業スポンサーであるSafran、Voyager Technologies、Beehive Industriesの財政的支援により、学生はAIを実質的に無制限に使用できました。

スポンサーは、採用への関心と、AIがエンジニアリングワークフローをどのように再形成するかについての真の好奇心によって惹きつけられました。

「私たちはこれをエンジニアリングの未来と見ています」とVoyager TechnologiesのRyan (Hal) Hefron氏は学生たちに語りました。「皆さんは、あれば便利というだけでなく、エンジニアリング労働力の未来のベースラインとなるスキルを磨いています。」

Safran TechのマネージングディレクターであるVincent Garnier氏は興奮して競技を見守りました。「JARVISは真の実験であり、学習の取り組みでした。学生からもAIモデルからも何を期待すべきか、率直に言ってわかりませんでした。学生から印象的だったのは、第一に探求への熱意、次にプロジェクトが進むにつれて、AIが何を助け、何を助けないかを冷静に認識し、ほとんど即座にそれに適応したことです」と彼は言います。「これにより、この世代のトップエンジニアはおそらくAIの安易で短絡的な使用に陥ることはなく、実験（物理的または思考実験）との接触を常に保つことでそれを実現するだろうと確信しています。」

教員リーダーシップ（航空宇宙学科のZachary Cordero教授、Zolti Spakovszky教授、Masha Folk教授、Andreea Bobu教授、リンカーン研究所のエンジニア、およびティーチングアシスタントのチーム）は安全性を確保するために存在しました。毎週の進捗レビューでは、学生の進捗状況と学生がAIをどのように使用しているかを批判的に評価しました。

Spakovszky教授は、答えを教えたり助けたりせずにチームを正しい方向に導くための慎重なテクニックを開発しました。チームのプレゼンテーション後、彼は「ラベットフィットとは何か知っていますか？コメントを受け入れてください」と尋ねることがありました。

AIが役立つところと妨げるところ

第1週の終わりまでに、1チームが競技から撤退しました。他のチームは、成功の度合いは様々でしたが、ガスタービンの初期設計を策定しました。さまざまなチームがAIを使用して、教科書の要約、設計ソフトウェアの使い方の学習、ベンダーの調達、Excelシートの作成、特定の質問への回答、参考資料の検索、設計決定間の比較分析などを行いました。あるチームはParleyでエージェントを作成し、プロジェクトマネージャーとして機能するようにタスクを割り当てました。

第2週までに、チームは詳細なCAD設計に着手し、部品を発注し、燃焼器のプロトタイプを作成する必要がありました。ここでチームはAIの使用における限界に直面し始めました。ClaudeやChatGPTは設計の代替案を提供し、知識のギャップを埋めるのに優れていましたが、生成AIの悪名高い特徴である幻覚、おべっか、物理的理解の欠如が彼らの信頼を損ない、速度を低下させていることがわかりました。

「AIは便利なツールであり、情報を見つけたり、物事を整理したり、文章を書くのが得意ですが、設計はできません」と811 CrewのメンバーであるElizabeth Tupaj氏は言います。「エンジニアが何が起こっているかわからず、AIが主導権を握る瞬間、設計は信頼できなくなります。少なくとも現在のAIの能力では。」

ティーチングアシスタントのJohn Zhang氏は、「学生たちのこれを直接見たことで、第一印象がいかに重要かを思い知らされました。学生が初期にAIから答えを得られなかった場合、彼らはすぐに不満を募らせ、後で使用することを妨げる永続的な意見を形成しました。」と述べています。

最終週には、ファイナリストはAIが解決できない別の障害に直面しました：ベンダーとの連携です。「AI検索では、私たちと関係がなく、タイトなスケジュールに興味のないベンダーが見つかりました」と学生たちは報告しました。「成功したベンダーは、私たちのチームが個人的な関係を持っていたベンダーでした。」

3つのファイナリストのうち、最初の試行で小型燃焼器の点火に成功したのはFast and Fracturedだけでした。このチームはトレードスタディとアーキテクチャ比較にAIを多用し、以前にガスタービンの経験がなかったにもかかわらず、実行可能な設計にたどり着きました。

「JARVISチャレンジは、AI支援設計と意欲的な学生、そして迅速な実験の文化を組み合わせたときに何が可能かを示しました」と航空宇宙学科のCharles Stark Draperキャリア開発教授であるMasha Folk氏は述べています。「最も際立った瞬間は、最初の学生設計の燃焼器がテストスタンドに設置されたときでした。それは完璧に点火し、フルパワーまで加速し、デュアル燃料運転に移行し、100% Jet-A燃料で安定した燃焼を維持しました。これは、学生に実際のエンジニアリング課題の実践経験を提供しながら、設計、製作、テストのサイクルを劇的に加速できることの証明でした。」

AIネイティブエンジニアリングの最前線

5月末までに、2つの高学年チーム（Fast and Fracturedと811 Crew）が完全なエンジンテストを完了しました。AI支援設計のFast and Fracturedは、ベンダー問題で毎週遅延しましたが、最終的にテストにこぎつけました。残念ながら、ロータが固定ハウジングにこすれて固着したため、ホットファイアは途中で終了しました。一方、競技開始時により多くのターボ機械と推進の概念に触れていた811 Crewが勝利しました。彼らのエンジンは始動し、Jet-Aに移行し、正味推力を発生させました。

「エアスターターとともにそこに立ち、彼らのエンジンが回転し、火を噴くのを見たとき、心臓が胸から飛び出しそうでした。失敗する方法はたくさんありました！これらの学生がこれほど短い時間で成し遂げたことは、驚くべきことです」と博士課程学生のJoe Chiapperi氏は言います。

811チームは競技を通じてAIの使用に抵抗し、代わりに基礎とチームワークを信頼していました。「設計ソフトウェアに少なくともある程度精通している人、何でも作れる機械エンジニア、特にガスタービンエンジンの設計に関するクラスを受講した航空宇宙エンジニアがいました」とTupaj氏は言います。

JARVISチャレンジの開始時から、低学年の学生はParleyをより頻繁かつ巧妙に使用しましたが、高学年の学生はより深い経験を活用しました。

「JARVISから学んだことは、AIから価値を得るには2つのことが必要だということです：AIが伝えることを判断し、間違いを見つけるのに十分な専門知識と、AIが役立つところに実際に頼るのに十分な好奇心です」とAndreea Bobu教授は言います。「スプリントで最も速く動いたチームは経験豊富で、AIに大きく依存していました。最終的に勝ったチームはAIに抵抗していました。彼らには専門知識がありましたが、その懐疑心が彼らを遅くしました。スイートスポットは、ツールを制御し続けるのに十分な知識を持ち、そもそもそれを手に取るのに十分な熱意を持っていることのようです。私にとって、それが本当のチャンスです。これらのAIツールを指示する判断力と、それらに手を伸ばす本能を持つ次世代のエンジニアを育成することです。」

競技の最も明確な発見は、エンジニアリング経験が増倍効果を持ち、人間の要素が依然として重要であるということです。第一原理と基本概念の習得は、優れたエンジニアリング判断力と、不完全な情報の中で難しい一連の意思決定を進める能力を養います。そして、安全性が重要な物理システムを構築する場合、人間の手と人間の説明責任に代わ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算効果をもたらす可能性があることを示しました。判断力と第一原理的思考がチーム間の重要な差別化要因として機能します」とティーチングアシスタントのKyle Woody氏は付け加えます。

しかし、航空宇宙におけるAIの影響は重要です。小規模チームが適切に管理されたAIコパイロットを使用して設計-製造-テストサイクルを数年から数週間に短縮できる場合、労働力構造、研究開発のタイムライン、競争力学への影響は大きくなる可能性があります。JARVISチャレンジに取り組んだ学生は、これらの賭けに思考実験としてではなく、機械工場で、テストスタンド上のジェットエンジンと向き合った最初のエンジニアの一部です。

「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MITガスタービン研究所の副所長であるCordero氏は言います。「しかし、その力を引き出す鍵は教育であることも示しました。それは、コースワーク、インターンシップ、そしてMIT MotorsportsやRocket Teamのような実践的な課外活動を通じてです。JARVISでのパフォーマンスは学年と強く相関していました。私の主な takeawaysは、AI時代において教育はかつてないほど価値があるということです。」