生成 AI (GenAI) は、ソフトウェア開発を根本から加速させ、再構築しています。ただし、自動車のセーフティクリティカルな用途では、生成の速さが検証、妥当性確認、トレーサビリティの面でボトルネックとなる可能性があります。
生成 AI は、コード、モデル、テスト、ドキュメンテーションを、チームが手動プロセスでレビューし検証するよりも速く生成できます。支えとなるワークフローがなければ、チームは脆弱なアーキテクチャ、低下したトレーサビリティ、予測不可能な挙動、生産性向上を上回る妥当性確認作業の負担といったリスクに直面します。セーフティクリティカルなシステムにとって、これらの問題は認証準備および長期的な保守性に直接影響します。
自動車業界のチームは、エンジニアリングの主導権、システムの理解、コンプライアンスを維持しながら、生成 AI をどう展開するかを判断する必要があります。
本ホワイトペーパーでは、モデルベースデザイン (MBD、モデルベース開発) が、自動車システムおよびソフトウェア開発で生成 AI を活用するための体系的な基盤をどのように提供するかを解説します。生成 AI とモデルベースデザインのワークフローを組み合わせることで、エンジニアリング チームは、ライフサイクル全体にわたるトレーサビリティ、検証、システムレベルの妥当性確認を維持しながら、設計と実装を加速できます。
生成 AI は、成果物を迅速に生成し、ツール利用を支援し、幅広い文脈知識をエンジニアリング業務に適用することで、生産性を大幅に向上させることができます。ただし、セーフティクリティカルな自動車開発では、構造化されたワークフロー内で生成 AI の制約を管理しなければリスクを招きます。
スタンドアロンの生成 AI ツールから、エンジニアが定義した目標に基づいて AI エージェントがタスクを実行するエージェント型 AI へのシフトが進んでいます。これらのエージェントは、MATLAB® や Simulink® などのツールと連携でき、生成 AI を単なるアシスタントから開発ワークフローの能動的な参加者へと拡張します。
大規模言語モデル (LLM) を基盤とするエージェント型 AI アプリケーションでは、Model Context Protocol (MCP) とスキルファイルが重要な役割を果たします。MCP により、LLM は MATLAB、Simulink、Polyspace® などのエンジニアリング ツールと連携できるようになり、確率的推論を根拠のある決定論的な実行へと変換し、物理法則の理解を活用します。スキルファイルは、特定のタスクを最適に達成する方法と避けるべき事柄を LLM に伝えるテキスト形式の指示ファイルです。
重要な問いは、生成 AI が有用かどうか (これは明らかに有用です) ではなく、厳密さ、信頼、エンジニアリング上の説明責任を確保しながら、どのように開発スピードを高めるかです。対応する検証、妥当性確認、トレーサビリティのワークフローが伴わなければ、生成の速さによって後工程の統合、認証、長期的な保守の過程にリスクを先送りする可能性があります。
モデルベースデザインは、長らく自動車エンジニアリングの基盤となってきました。システムを実行可能なモデルとして表現することで、チームは複雑さを軽減し、トレーサビリティを保ちながら実装を自動化し、問題が後工程に波及する前にシステムの挙動を早期に検証できます。
生成 AI の時代においても、モデルベースデザインは依然として重要であるだけでなく、生成 AI によってさらに強化されています。生成 AI が確立されたモデルベースデザインのワークフロー内で動作すれば、エンジニアはシステムの意思決定と設計意図の制御を保持できます。実行可能なモデル、物理ベースのシミュレーション、決定論的な自動コード生成、検証ツールにより、AI 支援による変更をレビューおよびテストし、エビデンスに結びつけられる構造化された環境が生まれます。
モデルベースデザインは、開発ライフサイクル全体を通じて、MATLAB や Simulink などのツールと生成 AI を組み合わせます。
この文脈においては、視覚的かつ体系的なシミュレーション駆動型の検証が重要な利点となります。実行可能なモデルとシミュレーション結果により、エンジニアはシステムの挙動を確認し、ドメイン間の因果関係を理解して、生成されたコードやログだけに頼ることなく AI 支援開発を明確に監督できます。
生成 AI を活用した設計の高速化
設計は通常、エンジニアが生成 AI のメリットを実感する最初のフェーズです。開発初期では、より上位のシステムに関する意思決定よりも、繰り返しの実装タスクに多くの時間が費やされます。生成 AI はこの負担の軽減に役立ちますが、成果に対する責任は引き続きエンジニアが負います。Simulink に接続された AI エージェントにより、生成 AI は自動化と実行を担い、エンジニアは目標、制約、トレードオフを定義します。
エンジニアは、AI エージェントを使用して、テキスト形式の要件からアーキテクチャ モデルのドラフトを生成し、検証済みのライブラリでシステムを組み立て、一貫したモデリングパターンを適用できます。この構成において、生成 AI は既存の設計を扱う場合にも同様に価値を発揮します。大規模な Simulink モデルを対象に、構造と保守性を向上させるためにリファクタリングでき、従来は時間がかかり反復的だった手作業をより迅速なプロセスに変えられます。
AI は、要件をモデルに結び付けるといった、しばしば単調になりがちな設計タスクを自動化します。
AI 支援設計から量産ソフトウェアへ
開発が量産段階に近づくにつれ、自動車のプロセスや規格による制約は妥協の余地がなくなります。生成 AI はアルゴリズム開発を支援できますが、量産コードは決定論的で、追跡可能かつ認証可能で、リアルタイム対応でなければなりません。
実用的な役割分担は次のとおりです。生成 AI は創造的な加速を支援し、モデルベースデザインは量産に必要な厳格性を担保します。設計の妥当性を確認した後、コード生成、検証、コンプライアンスに関する確立されたワークフローを適用します。
Embedded Coder® などのツールを使用することで、チームは量産ハードウェアへの展開向けに最適化された C および C++ コードを自動生成し、実績のある検証ワークフローを適用して展開に対する信頼性を確立できます。AI エージェントは、統合タスクの自動化、テスト インターフェースの構築、展開ワークフローの調整により、このフェーズを効率化できます。重要なのは、生成 AI が既存のツールチェーンを置き換えるのではなく、それらをつなぐ役割を果たすという点です。
コードの作成方法 (手書き、AI による作成、モデルからの生成) にかかわらず、コードは必ず検証する必要があります。Polyspace 製品は、堅牢性の解析、セキュリティ脆弱性の検出、コーディング規約への準拠確認、実行時エラーが存在しないことの証明を可能にします。このステップにより、AI 支援開発が自動車ソフトウェアのコーディング規約を満たしていることを確実にできます。
生成 AI 対応のエンジニアリング ワークフローにおける妥当性確認
生成 AI が作成または変更したコンポーネントの使用が増えるにつれ、妥当性確認の重要性はさらに高まります。自動車システムは複雑で、複数のドメインにまたがります。多くの欠陥は、個々の機能やコンポーネントのレベルでは現れません。むしろ欠陥が表面化するのは統合時、つまりソフトウェア機能同士、あるいはセンサー、アクチュエーター、実世界の動作条件と相互作用するタイミングです。
この課題は、生成 AI によってさらに拡大します。ソフトウェア機能の一部が自動的に生成または変更される場合、レビュアーは変更そのものだけでなく、システムの挙動、インターフェース、テスト、統合前提への影響も評価しなければなりません。
妥当性確認の段階こそシミュレーションが不可欠な場面であり、物理プロトタイプが完成するはるか前に、エンジニアは電気的、機械的、環境的条件と併せてソフトウェアをシミュレーションおよびテストできます。したがってシミュレーションは、統合の問題を早期に明らかにし、「シフトレフト」の妥当性確認を支援する仕組みです。
MathWorks は、自動車エンジニアリングに必要な安定性と品質を提供しながら、生成 AI 機能の提供を加速しています。年 2 回の高品質なリリースで信頼できる基盤を提供する一方、生成 AI 関連機能をより短いイテレーション サイクルで提供することで、新しい生成 AI 機能が迅速に届けられます。現在の生成 AI 機能には、MATLAB、Simulink、Polyspace のエージェント ツールキットに加え、Simulink Copilot が含まれます。
生成 AI は、自動車ソフトウェアおよびシステムの作成方法を変えつつあります。成功は、イノベーションと厳格さのバランスを取れるかにかかっています。
強制力のある検証とトレーサビリティを伴わずに生成 AI を適用するチームは、統合、認証、保守の過程で手戻りが増えるリスクを負い、トークン使用量も増大させることになります。モデルベースデザインのワークフロー内で生成 AI を適用するチームは、すべての変更がトレース可能で、実行可能な動作と検証済みのエビデンスに紐づいているため、確信を持って速度をスケールできます。
生成 AI とモデルベースデザインを組み合わせることで、チームは、セーフティクリティカルなエンジニアリングに必要な実行可能な動作、検証エビデンス、トレーサビリティ、決定論的な実装を維持しながら、開発を加速できます。MathWorks は、品質への期待と安全性のニーズを満たし、長期的な保守性を確保する生成 AI 対応のエンジニアリング環境を構築するため、自動車業界とのパートナーシップに取り組んでいます。
