GERMANY VIDEO REVIEW · KNOWLEDGE REUSE
自社の履歴でAIにプログラミングを教える：DELMIAの知識再利用型CAM動画解説
01このデモ動画は何を語っているか
marista はドイツ語圏（スイス）のダッソー・システムズ（Dassault Systèmes）のパートナーです。2026年6月に公開されたこのデモ動画は、そのタイトルを「CAM-Programmierung mit KI（KIによるCAMプログラミング）」といい、対象は DELMIA Machining です[1]。
説明欄は流れをきわめて明快に語ります[1]。ある複雑なワークを例に、ソフトは過去プロジェクトの既存の製造知識を活用し、類似する加工フィーチャを認識し、それに基づいて加工戦略・工具・NC操作を自動生成します。産出された製造工程は続いてシミュレーションと検証を受けます。目標の数字は、製造知識の賢い再利用によって、CAMプログラミングを最大70%高速化——ベンダーの主張であり、引用にあたっては例のとおり明記します。
02流れの分解：過去の知識からNC操作へ
説明欄の流れをステップごとに分解すると、どのステップにも明確な学理的対応があります。
- フィーチャ認識：新しいワーク上の穴、溝、面を認識する——深層学習のフィーチャ認識はすでに成熟した能力です[3]。
- 類似度照合：過去プロジェクトのライブラリから「手がけた類似フィーチャ」を探す——このステップは知識再利用路線の核心で、機械学習文献でもっともデータ効率の高い類推的推論に対応します[4]。
- 方案の移植：過去案件の戦略・工具・パラメータを新しいフィーチャへ移植し、NC操作を生成する——CAPP文献ではこれを変種型（variant）計画と呼び、生成型（generative）計画と対比します[2]。
- シミュレーション検証：移植した方案もシミュレーションを通さねばなりません——「類似」は「同一」ではなく、検証は省けないからです。
目ざとい読者は気づくでしょう。これはまさにドイツ編を通して現れてきた思想の収束です——OPEN MIND の類似ワーク検索、CINTEG の部品ファミリー手法、川崎重工の図面資産化。DELMIA はそれをエンドツーエンドの製品フローに仕立てました。
03二つのAI CAM路線：知識再利用 vs 白紙からの生成
| 知識再利用（DELMIAのような） | 白紙からの生成（CAM Assistのような） | |
|---|---|---|
| 知識の源 | あなたの工場の過去プロジェクト | ベンダーが訓練した汎用モデル |
| 得意な場面 | 類似部品が繰り返し現れる工場 | 新規種類の部品、過去に照らせる履歴のない部品 |
| コールドスタート | 既存のデジタル化された案件ライブラリが必要 | 初日から使える |
| 結果のスタイル | あなたの工場の慣例に近い | 汎用のベストプラクティス |
| 共通の前提 | 出力は必ずシミュレーションと検証を通り、人が最終のゲートキープを行う | |
二つの路線は対立ではなく、スペクトルです。実務では最良のシステムは両者を併用します——たどれる履歴があれば再利用し、なければ生成し、すべてを同じ検証に通す。あなたの工場がどちら寄りかを判断するには、一つの数字で十分です。過去1年で、新規案件の何割が過去案件の中に七分どおり似た参照を見つけられたか？
04台湾工場の判読枠組みと前提
この動画が台湾工場に与える二つの持ち帰るべき要点です。
- 選定時に路線をはっきり問う：ベンダーが「AIプログラミング」と言うとき、まずあなたの知識を再利用するのか汎用の方案を生成するのか、知識は誰の手に蓄積されるのか、コールドスタートに何が必要かを問いましょう。二つの路線は導入のテンポも長期価値もまったく異なります。
- どちらの路線でも、前提はデジタル化された案件ライブラリ：知識再利用は照らせる過去案件を要し、白紙からの生成の出力も将来の参照として保存し直すべきです——案件データの蓄積は両路線に共通する土台です。
これこそ BestAI CAM のフロー設計の意図です。案件ごとに「AIが2D図面を読む → 3Dモデルを構築 → 自社の工具ライブラリと機械の制約に従いコード生成 → 切削シミュレーション → 独立したAIによる寸法照合」を通す一方で、図面・工程・プログラム・検証記録が自動的に構造化された案件ライブラリとして残ります（〈CNC自動プログラミング完全ガイド〉をご覧ください）——今日それは新規案件ごとの準備を速くし、蓄積すればあなたの工場自身の「再利用可能な製造知識」になります。DELMIAの動画が示す未来は、その土台を最初のデジタル化された図面から敷き始めるのです。
05よくある質問 FAQ
「プログラミング最大70%高速化」は信じられますか？
これはベンダーがデモ動画で述べた主張であり、明確な前提が付いています。効果は「類似フィーチャの知識再利用」から生まれます——過去の案件ライブラリが豊富で、新規案件と過去の類似度が高いほど、高速化は顕著になります。まったく新しい種類の部品はこの恩恵を受けられません。導入前に自社の部品構成で実測してこそ、あなたの工場の本当の数字が分かります。
知識再利用路線と生成型AI CAMはどう選べばよいですか？
受注構造次第です。類似部品が繰り返し現れる（部品ファミリー、変種が多い）工場は知識再利用の長期価値が高く、新規種類の部品の比率が高い工場は生成型路線のコールドスタートの優位が重要です。両者は併用でき、共通の前提は、出力が必ずシミュレーションと検証を通ること、そして案件データを継続的にデジタル化して蓄積することです。
うちの工場の過去案件はフォルダと熟練者の頭の中にあります。どう始めればよいですか？
まず大移行をする必要はありません——今日の新規案件から蓄積を始めます。案件ごとにAIによる読図・モデリング・コード生成・シミュレーション・検証の流れを通せば、案件データは自動的に構造化されて残ります。半年後には比較でき再利用できるデジタル案件ライブラリができ、そのとき知識再利用型の能力が自然につながります。
新しい記事や動画の解説が公開されたらお知らせします——受信箱をあふれさせず、ワンクリックで購読解除。（ニュースレターは中国語）
YOUR HISTORY, YOUR AI
最初のデジタル化された図面から、あなた自身の製造知識ベースを蓄積する
AIが読図・コード生成・検証を行い、案件ごとに構造化された案件データを残します——今日は準備を速め、明日は再利用できる知識資産になります。
導入コンサルタントに連絡 トレーニングコース06参考文献
- marista ag（YouTube）。CAM-Programmierung mit KI（2026-06-24 公開、DELMIA Machining デモ）。youtube.com/watch?v=EgE5vksRKCs
- Xu, X., Wang, L., & Newman, S. T. (2011). Computer-aided process planning — A critical review of recent developments and future trends. International Journal of Computer Integrated Manufacturing, 24(1), 1–31.
- Zhang, Z., Jaiswal, P., & Rai, R. (2018). FeatureNet: Machining feature recognition based on 3D Convolutional Neural Network. Computer-Aided Design, 101, 12–22.
- Wuest, T., Weimer, D., Irgens, C., & Thoben, K.-D. (2016). Machine learning in manufacturing: advantages, challenges, and applications. Production & Manufacturing Research, 4(1), 23–45.