リヤド：エンジニアリングにおけるAIは、未来的な約束のように聞こえるかもしれない。シミュレーションとリアルタイムのデータを組み合わせることで、エンジニアは建設前に設計のストレステストを行い、故障が停電や漏水、安全事故になる前に早期警告の兆候を見つけることができる。

AI専門家でリヤドのAurora AI社CEOのアリア・バハンシャル博士はアラブニュースに「エンジニアリングにおけるAIとは、膨大な量のデータを分析する “デジタル頭脳 “として機能するインテリジェントなアルゴリズムを使用することで、故障を事前に予測し、複雑な設計を数秒で最適化し、かつては人間が計算に数週間かかっていた精密作業を自動化することです」と語った。

エンジニアは現在、AIを使ってセンサー、検査記録、天候、運転履歴のパターンをスキャンし、リスクが高そうなものや非効率的なものにフラグを立てている。このテクノロジーは、実際の運転データやエンジニアリングの制約と結びついたときに最も効果を発揮する。

サウジアラビアでは、このシフトは目に見える形で進んでいる。アラムコの報告によると、AIは日常業務に組み込まれ、パフォーマンスの向上、コスト削減、排出削減をサポートしている。同社は2024年に18億ドルのAI主導の技術実現価値を記録した。同社は、2025年後半の時点で、442のAIユースケースをマッピングしており、200以上のソリューションがすでに導入され、100以上のソリューションが開発中である。

デジタル・ツインとは、「橋や風力タービン、あるいはリヤドのような都市全体など、物理的な物体の生きている “バーチャル・クローン “であり、現実世界のものとリアルタイムで完全に同期している」とバハンシャル博士は説明する。

「このコンセプトが重要なのは、工学的な決定はしばしば、すべての証拠が出揃う前に下さなければならないからです。資産を反映したライブモデルがあれば、チームは、実機でテストするにはコストがかかりすぎたり、時間がかかったり、危険であったりするシナリオを実行することができます」

バハンシャル博士は、砂嵐や酷暑などの過酷な条件をシミュレートして未来をテストすることで、弱点が早期に現れ、最も安全で費用対効果の高い時に修理を計画できるようにすることがポイントだと付け加えた。

同じアプローチが日常のインフラにも当てはまる。特に海水淡水化と配給に大きなエネルギーコストがかかる国では、水の損失はその一例である。

「私たちの砂漠気候では、AIはインフラのデジタル・ガーディアンとして、ピンホールよりも小さな地下水漏れを高度なアルゴリズムで検知し、一滴も無駄になる前に何百万ガロンもの淡水化水を節約することで、究極の節約家としての役割を果たしています」とバハンシャル氏は語った。

アラブニュースによると、キング・サウド大学工学部AI助教授のアブドゥラ・アル・シェフリ氏は、以前の自動化は “厳格で決定論的な “if-then “ルールに依存していたという。

彼は現在のシフトを「規定的な実行から確率的で自律的な探索への移行」と表現した。

実際、この変化は設計最適化において顕著である。部品を作図し、応力を計算し、修正し、それを何週間も繰り返す代わりに、エンジニアは材料、熱負荷、体積などの要件を指定できるようになった。そして、AIはテストと調整のための候補形状を生成することができる。アル・シェフリ氏は、これは “ソフトウェアが計算機から共同作業者への進化 “だと述べた。

より難しい課題は信頼だ。アル・シェフリ氏は、システムが “ダイナミックで不安定な物理的世界 “で動作するため、過去のデータでは性能が不十分だと指摘した。

「条件がモデルのトレーニングから外れると、失敗を見逃しやすくなる。ニューラルネットワークには生得的な物理的直感がないため、実世界の状況が過去のトレーニング・ベースラインから乖離すると、無言で確信犯的に失敗する」と彼は言う。

シフトは必ずしも劇的なものである必要はなく、センサーの未校正、負荷プロファイルの変化、サプライヤー間の材料のばらつきに起因する場合もある。同氏はまた、高い信頼性が人間の警戒心を低下させる自動化の自己満足に注意を促した。シミュレートされた異常を含む継続的な観測とテストは、ドリフトを捕らえ、オペレーターを従事させ続けることができる。

バハンシャル博士は、企業内の関連する障壁は信頼であると述べた。「企業が直面する最大の課題は、単にデータが乱雑なだけでなく、『信頼と透明性のギャップ』、つまりAIを謎めいた『ブラックボックス』から信頼できるエンジニアリングツールに移行させることの難しさです」と彼女は言う。

オーロラAIは、「トレーサビリティのある、”人間中心 “の意思決定の理由」を提供するシステムに焦点を当てている。

これらすべてが、AIの “支援 “とAIの “決定 “の間にどこで線を引くかという重要な問題を提起している。アル・シェフリ氏は、その境界線は「必要な介入のスピードと、失敗の社会的・金銭的コストによって決まる」と説明する。厳格な領域のガードレールは、自律システムを物理的制約と安全な境界線に沿わせることができる。

アル・シェフリ氏は、キング・サウド大学とユニバーシティ・カレッジ・ロンドンの共同研究について説明した。「決定AI」は、小規模発電所において従来のアプローチを凌駕し、二酸化炭素排出量を年間キロトン削減し、年間約100万ドルを節約した。

エンジニアにとって、直接的なインパクトは、専門知識を適用する場所をシフトすることよりも、置き換えに関することである。バハンシャル博士によれば、AIは面倒な計算やデータ処理を自動化し、エンジニアはより高度な意思決定に集中できるようになるという。

アル・シェフリ氏は、教育はすべてのエンジニアをコンピューター・サイエンティストにすることを目指すべきではないと強調した。「機械工学や化学のエンジニアをすべてコンピューターサイエンティストにすることはできない（すべきでもない）。卒業生たちはその代わりに、問題をフレームワーク化し、データを構造化し、AIをハードウェア、安全プロトコル、規制に結びつけることを学ぶべきである」という。

今後の展望として、アル・シェフリ氏は誇大広告から実用的な利益を切り離すことを強調した：「今後2～3年で、業界は人工知能の投機的な誇大広告から応用的な価値を切り離すべきです」

彼は、従業員の62パーセントがAIを誇大広告と見ており、企業のジェネレーティブAIパイロット試験の推定95パーセントが測定可能なビジネスインパクトを提供できていないという報告を引用した。

“AIが予測される3兆ドルの経済的可能性を獲得するためには、予測AIモデルやChatGPTのような大規模言語モデルに頼ることはできない。”

アル・シェフリ氏は、真の優先事項はAIをエンジニアリングの現場の現実につなげることであり、純粋なデータ駆動型アプローチを超えて、AIモデルにドメイン原則と不確実性推定を直接組み込むことであると結論づけた。

デジタル・ツインや予測システムは魔法ではなく、大規模なデータから学習し、信頼を得るために十分に注意深く監視されるツールによって強化されたエンジニアリング・ワークフローなのだ。