7月15日、MIT Newsが「Can AI build a jet engine? JARVIS Challenge tests role of AI copilots in tough-tech engineering」と題した記事を公開した。MITの学部生がAIを主要パートナーとしてジェットエンジンの設計・製造・テストに挑んだ「JARVISチャレンジ」の実験結果を詳述した内容だ。そして最も示唆に富む結論は、4週間の競技を制した勝者チームが、AI活用に最も消極的なチームだったという事実である。

勝者はAIをほぼ使わなかった

勝者チーム「811 Crew」には、推進系の授業を受けた航空宇宙工学専攻の学生、設計ソフトに慣れたメンバー、何でも作れる機械工学者がいた。AIではなく、ファーストプリンシプル（第一原理）と基礎知識、チームワークで戦った。

元記事によれば、811 CrewはMIT Parleyのコスト記録において他チームと比較して著しく利用量が少なく、AIへの依存度の低さがデータ上でも裏付けられている。対してAIを積極活用したチームは、エンジン点火に成功しながらも、ローターが静止部に接触して停止するという結末を迎えた。

これが、JARVIS Challenge（Jet-engine AI Research and Validation Intensive Sprint）の核心だ。

競技の概要

MITのガスタービン研究所が主導したこの競技では、工学部のほぼ全学科から集まった31人の学部生が7チームを編成し、4週間でジェットエンジンを設計・製造・組み立て・試験した。

目標スペックは「50〜100ポンド推力、Jet-A燃料、60秒間の連続運転5回」。設計・材料・製造方法はすべてチームの自由裁量だ。

使用可能なツールは以下の通り：

• MIT Parley：複数のフロンティアLLMを一つのインターフェースで利用できるプラットフォーム。MITが独自に運営するLLMアグリゲーターで、2026年時点で外部への一般公開はされていない。Claude、ChatGPTをはじめとする複数モデルを一元的に切り替えて利用でき、教員側からはPromptごとのコストやどのLLMを使ったかをリアルタイムに把握できる設計になっている
• Concepts NREC、SolidWorks、ABAQUSなどの商用CAE/CADソフト
• MIT内の工作機械・外部製造ベンダー

AIの利用コストはMITリンカーン研究所、機械工学科、Safran・Voyager Technologies・Beehive Industriesが支援し、実質無制限で使える環境が整えられていた。

参加学生の多くは、タービン機械工学や圧縮性流体力学の経験がなく、熱力学の授業すら受けていない1年生も含まれていた。

AIが役立った場面、足を引っ張った場面

Week 1では、AIは比較的うまく機能した。教科書の要約、設計ソフトの使い方の習得、ベンダーの探索、設計案の比較分析——こうした作業でClaudeやChatGPTは有用だった。あるチームはParley上でエージェントを作成し、プロジェクトマネージャー役を担わせた。

転換点はWeek 2だ。詳細CAD設計や部品発注、燃焼器のプロトタイプ製作に入ると、AIの限界が露わになった。ハルシネーション（事実と異なる情報の生成）、迎合的な回答、物理現象への理解の欠如——これらが設計の信頼性を損ない、チームのスピードを落とした。

チーム811 Crewのメンバー、Elizabeth Tupaj氏はこう述べている。

「AIは情報収集や整理、文章作成には優れたツールだ。しかし設計はできない。エンジニアが状況を把握できなくなり、AIが主導権を握った瞬間、設計は信頼できないものになる」

また、ベンダーとの折衝という壁も現れた。「AIが見つけたベンダーは、こちらの厳しいスケジュールに関心を持たない業者ばかりだった。実際に動いてくれたのは、チームが個人的なつながりを持つベンダーだった」と学生たちは報告している。人脈と信頼関係は、AIが代替できなかった領域の一つだ。

製造こそが最大のボトルネックだった

競技全体を通じた最大のボトルネックは設計でも解析でもなく、製造だったとSpakovszky教授は指摘する。

この点は掘り下げに値する。ジェットエンジンのコンポーネント、とりわけタービンブレードや燃焼器ライナーは、高温・高回転に耐える素材と加工精度を要求する。市販の汎用部品では代替できない領域が多く、外部製造ベンダーへの依頼が不可欠になる。しかし4週間という工期の中では、機械加工の順番待ちや耐熱材料の調達リードタイムが致命的な遅延を生む。AIはCADモデルの生成や設計案の比較には貢献できても、旋盤やEDM加工機を動かすことはできないし、材料調達の納期を縮めることもできない。製造の律速が明確になったことは、「AIが苦手な領域はどこか」を示す本競技の重要な副産物といえる。

「AIネイティブ」の本当の意味

最終的にエンジン試験まで到達したのは2チームだけだった。

AIを積極的に活用した「Fast and Fractured」は、トレードスタディ（複数設計案の比較評価）や構成比較にAIを多用し、ガスタービン経験ゼロから実用的な設計に到達した。初回の燃焼器点火にも成功している。しかし本番のホットファイアでローターが固着し、試験は中断した。

勝者の「811 Crew」はエンジン始動、Jet-A燃料への切り替え、正味推力の発生まで完遂した。

MIT AeroAstro学科のAndreea Bobu教授はこう整理する。

「AIから価値を引き出すには二つのことが必要だ。AIの言うことを判断し、誤りを検出できるだけの専門知識と、実際に使おうとする好奇心。最も速く進んだチームは経験豊富でAIを積極活用した。最終的に勝ったチームはAIに懐疑的だった——専門知識はあったが、その懐疑心がスピードを落とした。スイートスポットは、ツールを主導できる知識と、使おうとする意欲の両立だ」

ガスタービン研究所のZolti Spakovszky教授は端的にまとめる。「AIネイティブなエンジニアとは、AIを使う人ではなく、AIを主導する人だ。いつ信頼し、いつ疑い、AI出力を動く物理システムに変換するかを知っている人」

「学年が上がるほど成績が良い」という発見

競技成績は在学年数と強く相関した。低学年の学生はParleyをより頻繁かつ創意工夫して使い、上級生は深い専門知識を武器にした。

Zachary Cordero准教授はこう述べる。「JARVISはAIが物理システム設計で力を発揮することを示した。しかしその力を引き出す鍵は教育だ——授業、インターンシップ、MIT MotorsportsやRocket Teamのような課外活動。AI時代においても、教育の価値はむしろ高まっている」

詳細はCan AI build a jet engine? JARVIS Challenge tests role of AI copilots in tough-tech engineeringを参照していただきたい。