課題
バルコニーが崩れずに保たれているのは、AIモデルが「頑丈に見える」と言うからではない。荷重経路が連続しており、応力が材料の限界内に収まり、構造が物理学の支配方程式を満たしているからこそ、それは持ちこたえているのだ。「もっともらしく聞こえること」と「実際に正しいこと」——この違いこそが、今日のAIが建築設計・施工の分野で破綻する所以である。
GPT-4VやGeminiのようなマルチモーダルAIに構造図面を入力しても、モデルには梁も柱も荷重経路も見えていない。見えているのはピクセルだけだ。図面を小さなパッチ——わずか16×16ピクセルの正方形——に分割し、それらの間の統計的パターンを探す。垂直の線(柱)が水平の線(梁)の近くによく現れる、ということは学習するかもしれない。しかし、梁が柱によって支えられていることは理解していない。柱を取り除いても、AIの確信度がわずかに下がる程度かもしれない。梁がこれから落下するはずだと教えてくれる内部的な物理法則を、AIは持っていないのだ。
研究者たちはこれを直接検証している。画像パッチをシャッフルしても、これらのAIモデルはしばしば高い分類精度を維持する。頼っているのは実際の空間構造ではなく、テクスチャや局所的なパターンなのだ。工学の世界では、接合部のディテールが「ほぼ揃っている」ものの重要な荷重経路が欠けている場合、それは90%安全なのではない。100%危険なのだ。あなたのAIシステムには、その違いが分からない。
なぜこれが貴社にとって重要なのか
この数字は、すべてのリスク管理責任者を立ち止まらせるはずだ。DSR-Benchという研究——主要なAIモデル10種を4,140件の問題インスタンスにわたって検証したベンチマーク——によれば、最も成績の良かったモデルでさえ、複雑な構造推論タスクにおいて1.0点満点中0.498点というスコアしか記録できなかった。これは、建物が持ちこたえるか崩壊するかを左右する判断において、コイントス並みの信頼性にすぎない。
これが貴社の組織にとって何を意味するかを、以下に示す。
- 規制上のリスク: 建築基準に照らして構造要件を検証できないAIモデルは、法的責任を生み出す。DesignQAベンチマークでは、モデルが文書から「許容最大たわみ」といった規則を抽出できることが示された。しかし、その規則を実際の梁設計に適用することはできなかった。貴社のコンプライアンス承認の質は、その背後にあるシステムの質を超えることはない。
- 資材コストの暴騰: 研究によれば、AIモデルはチタンやカーボンファイバーのような特殊な高性能材料を強く選好する傾向があり——たとえプロジェクトが費用対効果の高い解決策を求めている場合でもそうなる。なぜか。それらの材料が、ハイテク分野の学習データにより頻繁に登場するからだ。貴社のAIは、工学的な根拠なく予算を桁違いに膨らませる資材を推奨するかもしれない。
- 複雑性によるパフォーマンスの崩壊: 構造上の問題が空間的に複雑化し、多次元的になるほど、AIの精度は著しく低下する。また、問題が形式的なコードではなく自然言語で記述されている場合、モデルの性能はさらに悪化する。つまり、貴社のエンジニアが現実世界の非標準的な状況を平易な言葉で記述すればするほど、AIが誤る可能性は高まり——独自性の高い問題では50%の確率で失敗することもあり得るのだ。
- 見えない推論の失敗: これらのモデルは、マルチホップ推論——複数の中間的な接続を経て関係性をたどること——を苦手とする。建物においてそれは、屋上バルコニーからの荷重を梁、柱を経て基礎まで追跡することを意味する。貴社のAIがその連鎖をたどれないのであれば、構造安全性を検証することはできない。
このリスクは理論上のものではない。これらのモデルが約束することと実際に提供することの間にある、測定可能でベンチマーク化されたギャップなのだ。
その裏側で実際に起きていること
こう考えてみてほしい。安全な建物の写真を何千枚も暗記した建築検査官を雇ったとしよう。この検査官に新しい設計案を見せると、彼は記憶の中の写真とそれを照合する。「これは以前見た安全な建物に似ている」と彼は言う。しかし彼は工学を学んだことがない。梁が持ちこたえるかどうかを計算することはできない。彼がしているのはパターンの照合であって、物理学を解くことではないのだ。
それこそが、マルチモーダルAIモデルの実際の仕組みだ。それらは次トークン予測エンジン——学習データ内のパターンに基づいて、次に来る可能性が最も高い単語やピクセルを推測するように訓練されたシステム——である。AIに「このバルコニーは安全か?」と尋ねても、それは慣性モーメントを計算しているのではない。学習に使った何百万もの文書の中で、その質問の後に通常どのような言葉が続くかを予測しているだけなのだ。学習データに「構造は健全と見られる」と結論づける報告書が何千件も含まれていれば、AIは統計的に、実際の図面が何を示しているかに関わらず、同様の安心感を与える回答を生成する方向に偏る。
このホワイトペーパーは、これを「確率的オウム(Stochastic Parrot)」問題と呼んでいる——その根底にある物理法則を理解しないまま、もっともらしく聞こえる答えを繰り返すAIのことだ。構造工学は決定論的である——力の総和がゼロにならなければ、構造物は加速する(動き、そして落下する)。そこに確率が入り込む余地はない。しかしAIはあらゆる答えを確率分布として扱う。貴社の建物が厳密な計算を必要としているときに、AIが与えるのは最良推測にすぎない。
この構造的な不整合——決定論的な領域に確率的エンジンを適用すること——こそが、最先端のAIモデルでさえ構造推論において49.8%という精度の天井にぶつかる理由である。
有効な方法(と、そうでない方法)
まず、うまくいかない方法から見ていこう。
ピクセルベースのAI解析: 図面を画像認識モデルに入力するというやり方は、貴社の設計図を「計算すべき構造物」としてではなく「分類すべき画像」として扱っている。AIが見ているのはテクスチャやパターンであり、荷重経路や接合部ではない。それは構造安全性が持つ二値的な性質を見落としている。
法規適合のための汎用AI: モデルは建築基準を流暢に引用できるが、定量的な制約を具体的な設計に適用することはできない。規則を抽出するだけで、それを強制適用することはない。貴社のコンプライアンスチェックは、検証ではなく要約に成り下がってしまう。
大規模モデルによる力任せのアプローチ: より多くのインターネットデータでより大きなモデルを学習させても、根本的な問題は解決しない。DSR-Benchのテストでは、構造推論における性能はスケールを拡大しても有意には向上しなかった。パラメータ数を増やしても、物理法則の理解が生まれるわけではない。
では何が有効なのか——Veriprajnaが採用しているアプローチを紹介する。
1. 図面をピクセルではなくグラフに変換する。 図面をピクセルパッチに分割する代わりに、このシステムは貴社のビルディング・インフォメーション・モデル(BIM)を数学的なグラフへと変換する。各ノードは実際の構造部材——梁、柱、スラブなど——を表し、ヤング率や降伏強度といった実際の物理的特性を保持する。各エッジは、荷重が伝達される実際の物理的接合を表す。このグラフは、構造の見た目だけでなく、その論理そのものを捉えているのだ。
2. 物理法則をAIの学習プロセスに直接組み込む。 このシステムは、物理情報ニューラルネットワーク(PINNs)——構造力学の支配方程式が学習プロセスに組み込まれたAIモデル——を使用する。モデルが力の釣り合いの法則に反するたわみ形状を予測すると、学習時の物理ペナルティがそれを自己修正させる。AIはニュートンの法則を破るような答えを「想像」することができない。この手法の発展版であるグラフ構造物理情報DeepONetsは、従来の工学ソルバーよりも7–8倍高速でありながら、R² = 0.9999という精度を達成している。
3. すべての荷重経路をアルゴリズムによって追跡する。 グラフ理論を用いて、このシステムは荷重の作用点から基礎までの、実行可能なすべての伝達経路を追跡する。そして、貴社の建物における「背骨」——建物を通る最も剛性の高い経路——を可視化するU*インデックスと呼ばれる指標を算出する。バルコニーの設計に荷重経路の途切れがある場合、システムは推測に頼らない。ストリームラインは途中で唐突に終端し、まさにその破損箇所を指し示すのだ。
貴社のコンプライアンス・監査チームにとって、このアプローチが生み出すのは ガラス箱型の意思決定トレイルだ。グラフ内のすべてのノードが物理部材と1対1で対応しているため、システムがなぜ問題を検知したのかを正確にたどることができる——「梁Aと梁Bから伝達された荷重が容量を超えたため、柱が破損した」というように。それは監査可能で説明可能な結果であり、ブラックボックスの確信度スコアではない。
このシステムはオンプレミスで稼働する。貴社のチームが機密性の高い図面を公開APIに送信することはない。物理エンジンは貴社のサーバー上で稼働し、貴社の 知的財産とプロジェクトデータを保護しつつ 決定論的な回答を提供する。
Veriprajnaのアプローチは検証レイヤーとして機能する。建築家やデザイナーは、創造的なコンセプトの立案に生成AIを引き続き使用できる。しかし、あらゆるコンセプトは 決定論的な物理チェック を経てから貴社のエンジニアのもとに届く。チェックに失敗した場合、システムは「梁せいを200mm増やす」「バックスパン接合を追加する」といった厳格な制約条件を返し、物理的に妥当な再設計を強制する。こうして貴社は、創造的なスピードと シミュレーションとデジタルツインのワークフローに裏打ちされた工学的な確実性を両立できる。
貴社は 技術分析の全文を読む ことで完全な数学的枠組みを確認できる。あるいは インタラクティブ版を試す ことで、ガイド付きの解説を体験できる。
要点
- 最も優れたAIモデルでも、構造推論ベンチマークのスコアはわずか49.8%——建物の安全性に関する判断において、コイントスと変わらない精度である。
- マルチモーダルAIは図面を物理的な構造物としてではなくピクセルパターンとして扱い、荷重経路をたどることも法規適合を検証することもできない。
- 物理情報グラフニューラルネットワークは、工学方程式をAIに直接組み込むことでR² = 0.9999という精度を実現し、従来のソルバーよりも7–8倍高速に動作する。
- グラフベースのAIは、あらゆる予測を物理部材に対応づけることで、コンプライアンスチームが実際に検証できる監査可能な意思決定トレイルを生み出す。
- これらの専門特化型モデルは、インターネットデータではなく物理方程式を用いて学習されるため、機密性の高い図面を公開APIに晒すことなくオンプレミスで稼働させることができる。
結論
貴社のAIツールは構造安全性について自信ありげに答えるかもしれないが、ベンチマークが示す通り、その正解率はコイントスと大差ない。物理情報グラフニューラルネットワークは、その当て推量を、監査担当者や規制当局が一段階ずつ検証できる決定論的な計算に置き換える。AIベンダーに問うべきだ――貴社のシステムが『この構造は安全だ』と答えるとき、荷重が加わった地点から基礎までの正確な荷重経路を示し、その経路上のすべての接合部が支配方程式を満たしていることを証明できるか、と。