Може ли изкуствен интелект да построи реактивен двигател? Уроците от JARVIS Challenge в MIT
Генеративният изкуствен интелект и големите езикови модели (LLM) вече трансформираха софтуерното инженерство, автоматизирайки писането на код, документацията и откриването на уязвимости. Но когато задачата се пренесе във физическия свят и изисква проектиране и изграждане на сложна механична система като газова турбина, възможностите на изкуствения интелект са изправени пред напълно нови предизвикателства.
В официална публикация [1] се описват резултатите от провелото се наскоро в Масачузетския технологичен институт (MIT) състезание, наречено предизвикателството JARVIS (JARVIS Challenge). Проектът има за цел да изследва дали изкуственият интелект може драстично да компресира класическия цикъл на проектиране, изграждане и тестване в тежкото инженерство.
Според професор Золтан Спаковски (Zoltán Spakovszky), директор на Лабораторията за газови турбини към института, експериментът е доказал, че изкуственият интелект може значително да ускори инженерния процес. Решаващ фактор за успеха обаче остава инженерната преценка на човека. Той посочва, че новата вълна инженери се определя не от сляпото използване на ИИ, а от способността да го ръководят, критикуват и внедряват във функциониращ хардуер.
Параметрите на спринта JARVIS
Задачата пред студентите беше изключително сложна: в рамките на четири седмици те трябваше да проектират, сглобят и тестват малък едновалови газов турбинен двигател. Двигателят трябваше да генерира тяга между 50 и 100 либри (около 22–45 кг), да работи с авиационно гориво Jet-A и да премине пет успешни 60-секундни стартирания.
В предизвикателството се включиха 31 студенти от почти всички катедри на Инженерния факултет, разпределени в седем отбора. Много от участниците бяха първокурсници без никакъв предваретилен опит в термодинамиката, механиката на флуидите или устройството на компресорите. За някои от тях това беше първият сблъсък на живо с вътрешността на реактивен двигател.
На разположение на отборите бяха машинните цехове на института, професионален софтуер за симулации като SolidWorks и ABAQUS, както и изпитателни стендове. Като основен съветник и партньор в проектирането обаче трябваше да се ползва изкуствен интелект.
Инфраструктурата зад кулисите: MIT Parley
Ключов елемент в експеримента бе новата университетска платформа MIT Parley. Тя консолидира достъпа до най-мощните търговски големи езикови модели през единен и защитен интерфейс. Чрез нея организаторите можеха да следят в реално време промптовете, разходите за заявки и предпочитаните модели.
Осигуряването на неограничен бюджет за ИИ моделите стана възможно с подкрепата на Лаборатория Линкълн към MIT (MIT Lincoln Laboratory), Департамента по машиностроене и индустриални партняри като френския гигант Safran, Beehive Industries и Voyager Technologies. Спонсорите бяха привлечени от възможността да наблюдават как ИИ променя работния процес на бъдещите кадри.
Представителите на индустрията виждат в това бъдещия стандарт за инженерната практика. От една страна, ИИ ко-пилотите драстично ускоряват итерациите. От друга страна, бързо стават ясни границите на това, което моделите могат да постигнат сами.
Ползите и капаните на изкуствения интелект
В края на първата седмица един от отборите се отказа, но останалите успяха да създадат базови концепции. Те използваха езиковите модели за обобщаване на теоретична литература, търсене на доставчици, писане на скриптове за изчисления и сравняване на архитектурни решения. Един от екипите дори създаде виртуален проектен мениджър чрез Parley.
Когато обаче се стигна до детайлното CAD моделиране и прототипирането на горивните камери през втората седмица, ИИ започна да показва сериозни дефекти. Халюцинациите, склонността на моделите да угаждат на потребителя (sycophancy) и липсата на реално физическо разбиране подкопаха доверието на студентите. Те се убедиха, че с настоящите си възможности ИИ не може да извършва самото проектиране.
Преподавателите забелязаха, че първите впечатления са от решаващо значение. Когато студентите получеха грешни отговори в началото, те бързо се фрустрираха и спираха да използват инструментите в по-късните етапи. Това подчертава значението на умението да се разпознава кога отговорът на модела е неверен.
Тесното място на физическия свят
Най-голямата бариера пред отборите се оказа производството на частите и работата с външни доставчици. Докато ИИ бързо намираше компании в интернет, те често нямаха интерес да изпълняват единични поръчки по спешен график. В реалния свят личните отношения и изграденото доверие с производителите се оказаха незаменими.
Изображение: Svetni.me / Авторско изображение
Жизненият цикъл на разработката показва рязък контраст. Докато проектирането и симулациите се компресират от седмици до часове благодарение на ИИ, етапът на производство остава непреодолима физическа спирачка [1]. Снабдяването с материали и обработката на детайлите все още изискват време и физически ресурси.
Финалът: Опитът срещу сляпото доверие
До края на май само двата най-опитни отбора – "Fast and Fractured" и "811 Crew" – успяха да сглобят цели двигатели за тестване. Първият отбор, съставен от студенти с по-малко опит, но разчитащи сериозно на ИИ за анализи, се сблъска с повреди при горещия старт поради триене в корпуса.
Победител стана отборът "811 Crew", който от самото начало се отнасяше скептично към ИИ и разчиташе на фундаментални инженерни познания по термодинамика и задвижващи системи. Тяхната газова турбина стартира успешно, премина на гориво Jet-A и генерира нетна тяга.
Експериментът демонстрира важен баланс. Прекомерният скептицизъм прави инженерите по-бавни, но сляпото доверие в модела води до ненадеждни дизайни. Идеалният вариант е съчетанието от солидно инженерно образование, което да позволява оценка на ИИ генерираните резултати, и готовност за експериментиране с новите технологии [1].
Бъдещето на инженерното образование
Изводите от състезанието са ясни: ИИ ко-пилотите имат мултиплициращ ефект върху продуктивността, но първите принципи на физиката остават критичен филтър. В ерата на изкуствения интелект образованието не губи своята стойност, а напротив – става още по-важно [1].
Както отбелязва доцент Закари Кордеро (Zachary Cordero), представянето в състезанието корелираше пряко с опита и учебната година на студентите. Това показва, че трупането на знания чрез проекти, стажове и практически занимания е незаменимо за изграждане на инженерна интуиция и отговорност при разработването на системи, критични за сигурността.
Източници:
[1]: Can AI build a jet engine? JARVIS Challenge tests role of AI copilots in tough-tech engineering - MIT News