Intelligent Product Conceptual Design: A Comparative Review of Paradigms, Challenges, and Future Trends

技術要約：インテリジェント製品概念設計（IPCD）：パラダイム、課題、および将来の動向に関する比較レビュー

問題提起
インテリジェント製品概念設計（IPCD）は、記号論的推論システムから、データ駆動型、生成型、およびハイブリッドAIアーキテクチャへと移行しつつある。しかし、この分野では、これらのパラダイムが設計知識、推論、自動化、および人間のエージェンシー（主体性）をどのように再分配するかについての整合性のある理解が不足している。既存の文献は断片的であり、特定のパラダイムやアプリケーションに焦点を当てることが多く、統一された比較フレームワークを欠いている。さらに、2018年以降のディープラーニングおよび生成AIの急速な進展により、従来のレビューは不完全なものとなっている。直接的な人間（デザイナー）とのベースライン比較（研究の6%未満）の限定的な使用、および標準化されたベンチマーキング・プロトコルの不在が存在しており、これが報告された性能向上の一般化を制限し、パラダイム間の比較を弱めている。

方法論
本研究は、PRISMAに準拠したプロトコルに従った系統的な文献レビューを採用している。

• コーパス： 本レビューでは、1990年から2026年までに発表された247件の査読済み研究を分析した（2018年〜2025年のサブセットに基づく定量的トレンド分析を含む）。
• 選定： 文献はWeb of Science、Scopus、およびGoogle Scholarから収集した。採用基準は、概念設計（詳細設計ではない）に明示的に焦点を当て、計算知能を使用しており、かつ英語であることとした。除外基準として、純粋に理論的な論文、詳細設計に焦点を当てた論文、および非経験的研究を除外した。
• 分析フレームワーク： 以下の5つの次元を通じてパラダイムを評価する、5次元比較フレームワークを開発した：
  1. 知識表現： 設計知識がどのように構造化されているか（例：ルール、ケース、埋め込み）。
  2. 推論メカニズム： 解を生成するための計算プロセス（例：ルール連鎖、検索、ニューラル推論）。
  3. 自動化レベル： 人間の介入がどの程度必要とされるか。
  4. スケーラビリティ： 増加する複雑性やデータ量への対応能力。
  5. 人間（デザイナー）との相互作用： 透明性、説明可能性、および制御可能性。
• 信頼性： 2名の独立した査読者が論文をパラダイム（知識ベースシステム、事例ベース推論、進化型/生成型、機械学習/ディープラーニング、ハイブリッド）に分類し、実質的な検者間信頼性（Cohen's $\kappa$ = 0.87）を達成した。すべての論文に対して3項目の品質評価スケールを適用した。

主な貢献

1. 統一比較フレームワーク： 本論文は、単一指標によるバイアスを回避し、認識的、計算的、および社会技術的な層において、人間のデザイナーと計算システムの間でエージェンシーがどのように分配されるかを明示的に比較することを可能にする、5次元の分析フレームワークを導入している。
2. パラダイム再分配の議論： 本レビューは、IPCDの進化は完全な自動化や既存パラダイムの置き換えに向けた線形な進行ではなく、記号的推論、経験的知識、最適化、統計的学習、および人間とAIの協調的相互作用の間における、設計知能の漸進的な再分配であると論じている。
3. 構造的トレードオフの特定： 本研究は、クロスパラダイム分析に内在する5つの構造的な緊張関係を特定し、単一のパラダイムが普遍的に優れているわけではなく、性能はデータの可用性、解釈性の必要性、および設計の複雑性の相互作用に依存することを強調している。
4. 研究アジェンダ： オープンな機能–振る舞い–構造（FBS）データセット、説明可能な生成手法、標準化された人間–AIベンチマーキング、および産業ワークフローへの統合を強調する、優先順位付けされたアジェンダを提案している。

主な結果と知見

• パラダイムシフト： 分野における統計的に有意なシフトが存在する。機械学習/ディープラーニング（ML/DL）のアプローチは、2018年にはコーパスの約15%であったものが、2025年までに支配的となり、一方で知識ベースシステム（KBS）および事例ベース推論（CBR）は45%から18%へと減少した。ハイブリッドシステムは8%から34%へと拡大した。
• パラダイムの特性：
  • KBS： 明示的で解釈可能な推論を提供するが、知識獲得のボトルネックとスケーラビリティの低さに悩まされる。
  • CBR： 経験的知識を用いて非定型な問題に対処するのに効果的だが、適応知識と高次元のケースベースにおけるスケーラビリティに課題がある。
  • 進化型/生成型： 広大で非凸な設計空間の探索に優れるが、計算コストが高く、グローバルな最適性の保証を欠く。
  • ML/DL： 高いスケーラビリティと生成能力を提供するが、信頼できる説明可能性と物理的実現性の保証を欠いている（「ハルシネーション（幻覚）」問題）。
• ハイブリッドシステム： ハイブリッドアーキテクチャはますます顕著になっており、報告された性能向上も見られるが、本レビューでは、適切に設計された単一パラダイムのベースラインに対する一般的な優位性を確立するための証拠が不十分であることを指摘している。ハイブリッド研究の半分未満しか、非ハイブリッドのベースラインに対する統計的比較を報告しておらず、統計的テストと独立した再現性の両方の基準を満たしたものは一つもなかった。
• 人間との比較のギャップ： レビューされた研究のわずか5.7%のみが、人間（デザイナー）のベースライン比較を含んでいた。ML/DLシステムは、概念の多様性においてはジュニアデザイナーに匹敵することを示す証拠があるが、実現可能性の評価においては熟練したエキスパートに劣ることが多い。LLMベースのシステムは、構造的に多様な概念を生成するが、物理的に実現不可能な解を頻繁に生成する。
• 再現性と統合： 実行可能なコードまたは完全なデータセットを提供している研究は12%未満であった。商用CAD/PLMシステムとの統合は依然として限定的であり（システムの説明のうち統合を報告しているのはわずか6.4%）、実用的な産業への採用を妨げている。
• 持続可能性と倫理： 文献には持続可能性に関する検討がほぼ完全に欠落しており（247論文中、環境への影響に言及したのはわずか2論文）、標準化された規制遵守フレームワークも存在しない。

意義と主張
本論文は、分野が分散型設計知能へと向かっていると主張している。そこでは、人間の判断、記号的知識、生成的探索、および物理的に接地された推論が、競合する役割ではなく、補完的な役割を果たす。本研究の意義は以下の通りである：

• 断片化した証拠の整理： 30年間にわたる研究を比較フレームワークへと統合し、将来の理論構築とベンチマーク開発を支援する。
• 「最先端」の定義： 現在の最先端は単一の支配的な手法ではなく、専門化されたツールのランドスケープであり、ハイブリッドなアプローチは有望ではあるものの、厳格な検証を必要としていることを明確にする。
• ベンチマーキングの空白への対処： 標準化された人間–AIベンチマークの欠如を文書化することで、本論文は、標準的な設計問題と、新規性、実現可能性、および嗜好性のための指標を含む最小限のベンチマーキング・プロトコルを提案し、公平でエビデンスに基づいた進歩を可能にする。
• 将来の研究の指針： オープンで大規模なFBS注釈付きデータセットの作成こそが、この分野における最も重要な実現条件であると優先順位付けし、これなしでは、設計特化型の基盤モデルや標準化されたベンチマークは単なる願望に留まると論じている。

著者は、IPCDの未来は、ますます自律的なアルゴリズムのみによって決定されるのではなく、人間による創造性、記号的知識、および計算知能が、協調的な設計エコシステムの中でいかに効果的に統合されるかによって決まると結論づけている。