ある企業の事例から始める。中国8,000人、全世界25,000人規模の組織である。
紙の図面は14個の書庫に収められていた。入社後、まず図面の検索方法を理解する必要があり、約1か月を要した。利用者側にも同じ学習負担がある。製品を選ぶには、低ｺｽﾄ、高負荷、食品ｸﾞﾚｰﾄﾞなど、多数の製品ｼﾘｰｽﾞの特徴を理解する必要がある。理解していなければ、企業の選定ｳｪﾌﾞｻｲﾄを使って目的の製品を探す方法さえ分からない。
ここから、いくつかの情報要件が見える。
AIによる2Dから3Dへの変換需要
会社の歴史が長く、以前の設計は大量の紙で保存されていた。参考になる記事もある。図面から3Dへの変換は、実測した範囲では信頼性が特に高くなく、速度も速くない。ただし一括変換では、利用者は速度をあまり重視しない。変換作業を一定程度減らすことは可能であり、将来的に技術者が既存の3Dﾓﾃﾞﾙを直接再利用できる点に継続的な価値がある。
画像から3Dへの変換もある。多数の事例が公開されている。3Dﾌﾟﾘﾝﾄ用途では有効な場合がある。図面と異なり、画像には寸法ﾊﾟﾗﾒｰﾀがないため、利用者の期待は高くなる。形状が概ね一致すればよい用途では、画像から3Dへの変換も成立する。製造業を利益のﾋﾟﾗﾐｯﾄﾞと見なすなら、機械加工が頂点で、3Dﾌﾟﾘﾝﾄは下端に位置する。
常用寸法と公差
部品の形状と寸法が分かっていても、公差、ﾌﾟﾛｾｽ、重要な加工工程、加工前の素材を確認するため、過去の図面を参照する必要がある。部品を先にﾀﾞｲｶｽﾄで粗材化してｺｽﾄを下げ、その後に再加工して精度を高めるｹｰｽもある。
重要になるのは公差の扱いである。SolidWorks MBDでは、公差を部品内に保持できる。当社製品では公差と部品が分離され、図面内でのみ関連付けられる。次の2点を検討する。
- 一意なﾃﾞｰﾀ源。
- STEP242。
公差は、加工製品の品質を区別する最重要要素である。二つのねじ穴の間隔を±0.2、複数ねじ穴から部品端部までを±0.1、射出成型を0.05とするなど、公差には規則性がある。射出成型では、すべての成形業者が少なくとも3°の抜き勾配を求める。ｸﾛﾒｰﾄ化成皮膜や陽極酸化皮膜の厚さも、記憶だけでは管理できない。
AIによるﾛｰｶﾙ知識ﾍﾞｰｽ
AI用のﾛｰｶﾙ知識ﾍﾞｰｽは設計ﾂｰﾙとは直接関係しない。既存のｵｰﾌﾟﾝｿｰｽ技術で十分であり、販売ｷｯﾄやﾉﾍﾞﾙﾃｨとして提供する価値はある。
ｳｪﾌﾞｻｲﾄでの製品選定は複雑であり、利用者が使えない場合がある。製品ﾏﾆｭｱﾙを用意する方法もあるが、例示した日系企業の紙ﾏﾆｭｱﾙはB5相当で、積み上げると1mを超える。利用者にﾏﾆｭｱﾙ全体の理解を求めるｺｽﾄは高すぎる。
AIは顧客Q&A、質問誘導、ﾛｰｶﾙ知識ﾍﾞｰｽで対応できる。いずれも成熟した技術である。機械設計製造分野では、3Dﾓﾃﾞﾙや図面の検索、製品分類の特徴説明、製品ｼﾘｰｽﾞの比較にも利用できる。
設計業務でAIに任せられること、任せられないこと
AIの導入事例が成熟している分野には、ITﾌﾟﾛｸﾞﾗﾐﾝｸﾞ、金融分析、Internet情報などがある。これらの成果物は、目に見えず触れられない仮想ﾃﾞｰﾀである。
AIが作業するための二つの技術用語を整理する。
- Agent：入力と出力を持つﾌﾞﾗｯｸﾎﾞｯｸｽ。中間処理は未知でもよい。
- ｺﾝﾃｷｽﾄ長：入力と出力の長さ。ここが重要である。
一つの業務を完了するには、複数のAgentを連結する必要がある。
仮想情報では、ﾌﾞﾗｯｸﾎﾞｯｸｽを完全に許容できる。機械構造設計では、どの工程をﾌﾞﾗｯｸﾎﾞｯｸｽ化できるか。すなわち、あるｺﾝﾎﾟｰﾈﾝﾄ内の部品、外観寸法、個別部品、質量、材質、電力、放熱などを把握せずに進められる工程はどの程度あるか。
Ø50H7(+0.025/0)を代表寸法として、1M Tokenのｺﾝﾃｷｽﾄに幾つの寸法を格納できるか、大規模ﾓﾃﾞﾙに試算させた。結果は次の通り。
ﾌﾞﾗｯｸﾎﾞｯｸｽを一つのｺﾝﾎﾟｰﾈﾝﾄ単位とすれば、設計に最も関係する要素は部品寸法である。幾つの寸法を格納できるかを把握すれば、幾つの部品を格納できるかを判断できる。AIに求める作業は設計であり、寸法は避けられない中心要素である。
最大に見積もって10万寸法とすると多く感じる。しかし1M Tokenのｺﾝﾃｷｽﾄは入力長であり、出力長ではない。AIから得られる設計出力が384k Token程度なら、10万寸法は約3万寸法まで割り引く必要がある。
軸径は穴の公差を決め、ﾄﾞﾗｲﾊﾞｰの荷重は機械全体の重量を決める。制約条件が加わると、関係は寸法数のほぼ二乗で増える。3万寸法間の結合関係は1億を超える可能性があるため、平方根を取ると173.2050807568877となる。この計算は直感に基づく。10倍、さらに100倍に拡大した場合、100枚の図面に収められるか。
実際の機械製品では、寸法、公差、荷重、質量、材質、放熱、電力が相互に結合する。同じｴﾝｼﾞﾝを東風のﾄﾗｯｸとFerrariのｽｰﾊﾟｰｶｰの両方へ搭載することは不可能である。各ﾌﾞﾗｯｸﾎﾞｯｸｽは他のｺﾝﾎﾟｰﾈﾝﾄと整合する必要があり、一つの変化が重心、放熱、積載能力、空間寸法へ影響する。仮想製品には、この物理的検証制約がない。
仮想産業ではAIを活用できる。成果物自体がﾃﾞｰﾀであり、誤りを検証して作り直せる。十分な演算能力があれば、無限に自己検証と反復が可能である。
機械設計には、この方法が使えない。誤れば廃材になる。実際に加工して試験しなければ、正誤は分からない。
上記の仮定は、すでに直感と寛大な前提に基づいている。荒唐無稽な前提さえ満たせないなら、実情はさらに厳しい。では、どの機械設計がAIに置き換えられ、どの設計が置き換えられないのか。
AIに置き換わる設計、置き換わらない設計
私の判断は次の通り。
- 部品数と寸法数が少ない簡単な製品は、AIで設計できる。人間よりよい設計を出す可能性もある。
- 一つの変更が全体へ波及する複雑な製品は、AIでは設計できない。
理由1：AIの脳容量（ｺﾝﾃｷｽﾄ長）では複数の簡単な製品を格納できない
仮想製品ではﾌﾞﾗｯｸﾎﾞｯｸｽ同士が無関係なので、異なるﾓﾃﾞﾙへ分割できる。
複雑製品 ≠ 簡単製品 ＋ 簡単製品 ＋ 簡単製品。
理由2：物理的な試行錯誤を反復できない
技術は進歩しないのか。十分に大きな脳が不足しているだけではないか。AIは急速に発展している。当然、私も検討した。そこでAIへ、ｺﾝﾃｷｽﾄ長を1M Tokenから10M Tokenへ拡張するのに何年必要か質問した。回答は、指数関数的な拡張難度を理由に5～8年とする報告を引用した。
ｺﾝﾃｷｽﾄ長は、他のAI技術とは性質が異なる。2026年10月時点でLlama 4 Scoutは10Mとされているが、これは研究段階の実験室ﾃﾞｰﾀである。最高水準の実験結果と商用利用可能な能力は別である。この結果でも上記の結論は変わらない。
設計でAIにできること
簡単な製品設計、操作ｲﾝﾀｰﾌｪｰｽ、ｵｰﾌﾟﾝｿｰｽCAD、大規模ﾓﾃﾞﾙとの連携による製図は実現可能である。SolidWorksでは既に実装済みである。
複雑製品を簡単製品へ分解できるか。これはSWTDOのﾊﾟﾗﾒｰﾀ化原理である。重要でない寸法を人手で除去し、重要な制約を決めるｷｰｻｲｽﾞだけを残す工程である。
既存製品の改造にAIを活用する価値は高い。異なる規格の複数製品を比較し、同じPassでﾉｲｽﾞを除去し、異なる値を次の改造に必要な重要ﾊﾟﾗﾒｰﾀとして残せる。実装は見た目より簡単な可能性がある。