10月29日、Semiconductor Engineeringが「AI Raises The Bar For Tomorrow's Engineers」と題した記事を公開した。AIの普及が工学教育に求める水準を引き上げている実態と、大学がカリキュラムをどう再設計しているかについて詳しく紹介されている。

「AIが答えてくれるなら、基礎は要らないか？」という問いへの答え

AIツールの普及が進む中、工学系の教育現場で切実な問いが浮上している。「学生はLLMに聞けば済むなら、自分で理解する必要があるのか？」

答えは明確だ。むしろ基礎知識の重要性は増している。AIは自信満々に間違った回答を生成する。それを見抜けるかどうかは、エンジニアの基礎力にかかっている。

Keysightのマシュー・オザラス氏は現場の実感をこう語る。「経験があれば、AIがどれほど自信たっぷりに完全に間違った答えを出してくるか、すぐわかる。でも学生や若い人には、そのバランス感覚がまだない」

ChipAgents（EDAおよびAI設計ツール領域のスタートアップ）のウィリアム・ワン氏（CEO）は、次世代エンジニアに求められるシフトをこう整理する。「問題を正確に定義し、AIに適切なコンテキストを与え、出力を検証し、トレードオフを理解する能力が核心だ。AIが生成した成果物の検証責任はエンジニア自身にある以上、エンジニアリングジャッジメントの重要性は下がるどころか上がっている」

「能力の幻想」という最大のリスク

ETHチューリッヒのタマラ・ポポビッチ氏（IT・電気工学の教育開発者）は、現場で観察されている問題を「能力の幻想（illusion of competence）」と呼ぶ。

学生がLLMに「ヘテロ接合の形成」を説明させると、美しく構造化された自信に満ちた回答が返ってくる。学生はそれを読んで「わかった気」になる。しかし実際には、物理現象を内面化するために必要な認知的な格闘を丸ごとスキップしている。

これを破るため、ETHチューリッヒでは多変数グラフの変換演習を導入した。たとえばMOSFETのC-V曲線に通常とは異なる物理的な異常を加えたグラフを提示し、学生に解析させる。「テキストベースのLLMは、こうした多層的な物理変換を新しい視覚表現に正確にマッピングできない。学生が外部アルゴリズムではなく、自分の内部モデルに頼らざるを得ない課題設計にしている」とポポビッチ氏は説明する。

匿名を条件に取材に応じたある教授は、より悲観的な見方を示した。「AIが学習支援に使われるようになってから、同じカリキュラムでの学生の定着率と成績が全体的に低下している傾向がある。AIの恩恵よりも、依存による弊害が上回っているかもしれない」

パデュー大学の取り組み：4年間でAIを段階的に統合

パデュー大学では、理事会が4年間の学位課程にAIを段階的に組み込む計画を承認した。同大のスタンレー・チャン教授（電気・コンピュータ工学、AIエンジニアリング教育ディレクター）はこう語る。「変革しなければ、AIに置いていかれる。高等教育が根本的に再編されるのは時間の問題だ」

具体的な授業改善として、チャン氏は教員が学生に投げかけるべき問いを示す。「なぜそうするのか？証拠を示せるか？他の設計オプションは検討したか？なぜこのアプローチなのか？」

シラバス設計も悩ましい課題だ。パデュー大のデイビッド・ジェーンズ教授は言う。「AIの適切な使用と不適切な使用をシラバスで定義する必要がある。基本的な答えは、AIを使ったとしても検証・確認の責任は学生自身にある、ということだ」

「カンニング防止」から「本物の理解の評価」へ

試験設計も変わりつつある。チャン氏は「AIがすべての宿題を単独で解けるなら、その授業自体を再設計すべきだ。どんな防止策を積み重ねても意味がない」と断言する。

実際に導入されている手法には以下のようなものがある。

• 口頭試問：設計レビューや顧客説明の場面を模し、その場でAIなしに説明させる
• インクラス競技：ロボットを実際に走らせる設計コンテストなど、物理的な結果が求められるタスク
• ペーパー試験の維持：高度な概念は記憶を求める出題を残す

Axiomiseのアシシュ・ダーバリ氏（CEO）は口頭説明能力の重要性をこう強調する。「AIの時代こそ、明確で自信を持った口頭コミュニケーションが重要だ。それはAIには代替できない思考を示すものだから」

業界が求める人材像

採用側の声も一致している。Intelのガブリエラ・クルス・トンプソン氏（大学研究コラボレーションディレクター）は明確にこう述べる。「私たちが求めているのは、AIにプロンプトを入れるだけの人材ではない。AIの出力が正しいか、不完全か、間違っているかを判断できるだけの科学・工学の理解を持つ人材だ」

GlobalFoundriesのプラディーパ・ラマン氏（最高人事責任者）は基礎の深掘りを推奨する。「線形代数や微積分を深く習得すれば、データサイエンティストにもクオンツにもなれる。企業は基礎がない人材に基礎を教えることは難しい。だから基礎を優先すべきだ」

Teradyneのライアン・モラン氏（タレントアクイジション責任者）は、GitHub CopilotやClaude Codeといったツールを使いこなす新卒の評価について、「コードの下書きを速く作れることよりも、そのコードが何をしているかを理解・検証できることの方が重要だ」と指摘する。

日本の工学教育への示唆

※編集部の考察

本記事が取り上げるのは主に米国・欧州の大学の事例だが、日本の工学系教育現場にとっても無縁ではない。国内でも生成AIの学習利用に関するガイドラインを整備する大学が増えており、「AIの使用禁止」か「全面解禁」かという二項対立的な議論から、「どう使わせ、何を評価するか」という設計論へと議論の重心が移りつつある。ETHチューリッヒやパデュー大学の取り組みは、その具体的な回答の一例として参照する価値がある。AIツールの普及速度が速い分、カリキュラム再設計の猶予は多くないとも言える。TechFeedでは関連動向として、AIコーディングツールの最新トレンドについても継続的に取り上げている。

AIは工学教育の水準を下げるのではなく、より高く設定し直している。基礎なき者がAIを使えば、誤りを加速させるだけだ。Baya Systems（半導体設計向けAIツールを手がけるスタートアップ）のナンダン・ナヤンパリー氏（最高商務責任者）はこれを端的に表現している。「基礎なしにAI駆動の設計を進めると、進歩を加速させるのと同じ速さで災害を加速させる」

詳細はAI Raises The Bar For Tomorrow's Engineersを参照していただきたい。