«Способен ли ИИ выполнять подлинно инженерную работу? Искусственный интеллект для промышленного проектирования». Перевод подкаста Die-Hard: American Metal от 31.07.26. Часть первая. «Онтологическое разделение между полигональной сеткой и реальными требованиями производства».

Предисловие переводчика: в новейшем выпуске американского подкаста по технологии штамповки (см. также слайды на LinkedIn) Скотт Бедоу максимально кратко и доступно описывает происходящий на наших глазах переломный момент, когда ИИ начинает применяться для решения чисто инженерных задач — для автономного создания 3Д моделей деталей машин либо для автономного создания твердотельных (сплошных) 3Д моделей на основе традиционных чертежей (!). Изначально я хотел делать лишь разбор с моими комментариями, однако материал обладает настолько шокирующей новизной и насыщен столь важными данными, что его корректный перевод представляет намного больший интерес для читателя.

«Придите в любой американский производственный цех и спросите кого угодно о генерируемых ИИ 3Д моделях, и вы услышите один и тот же ответ: «он генерирует игрушки или наборы готовых моделек для видеоигр или домашних 3Д принтеров, но абсолютно не способен справиться с точными требованиями крупного промышленного производства».

Этот скептицизм ранее был вполне обоснован в технических реалиях. На протяжении многих лет основным результатом работы генеративного ИИ была полигональная сетка (mesh), структура данных, составленная целиком и полностью из треугольных ячеек, «склеенных» в единую поверхность. Такие сетки функционально бесполезны для производств с точными требованиями по размерам изделия. Им не хватает параметрической редактируемости, они не содержат истории создания, и не могут быть импортированы при CNC моделировании либо моделировании инжекции пластика без устраненных ошибок при конверсии. В противоположность этому, инженерная работа основана на точных непрерывных математических формулах. Такой стандарт определял цифровое моделирование ИИ на протяжении десятилетий.

Инженерное проектирование требует твердотельного (сплошного) моделирования, основанного на граничном представлении (межд. термин boundary representation, коротко B-rep). В такой модели объекты определяются через точно заданные аналитические поверхности и кривые, это обеспечивает их герметичность и возможное разнообразие. Таков формат любого рабочего STP или SLDPRT файла. На диаграмме для сравнения вы можете увидеть две стандартных шестерни. Слева — сгенерированная из неровных треугольников. Справа — спроектированная с использованием «гладких» математически определенных аналитических поверхностей.

И вот в 2026 году технология проектирования достигла поворотного момента. Сегодня ИИ становится способен нативно синтезировать детерминистическую граничную геометрию. Его генеративные модели вышли за пределы склеивания пикселей для создания правдоподобных картинок в эстетических целях. Эти архитектурные прорывы позволяют нейросетям функционировать как детерминистические инженерные «мозги».

Для того чтобы произвести механически корректное граничное представление, алгоритм должен следовать строгим топологическим правилам. Каждая грань должна получаться в точности от двух соприкасающихся плоскостей для обеспечения сплошной структуры. Ранее это создавало парадокс совместимости для машинного обучения. Нейросети превосходно управляются со множеством параметров, но исторически всегда были слабы в том, чтобы совместить эти свои возможности с жёсткими дискретными правилами твердотельной геометрии (сплошных сред).»

#новости #переводы #benchmarking #немного_матчасти