Лекция 6. AI в инженерном проектировании и CAD/CAM¶
Лекция 6 · ~75 мин · 32 слайдов
Cover¶
«Добрый день. Лекция шестая — "AI в инженерном проектировании и CAD/CAM". Сегодня семьдесят пять минут о том, где искусственный интеллект в проектировании реально работает, где он притворяется, и — самое важное для инженера — где ему нужно уверенно сказать "нет".»
[Не зачитывать подзаголовок со слайда — сразу к крючку.]
[Переход на s02.]
Hook: кронштейн, который принимают за работу нейросети¶
[На слайд — фото ажурного кронштейна.]
«Посмотрите на эту деталь. [пауза, дать рассмотреть] Кронштейн крепления сиденья. Его сделали General Motors вместе с Autodesk, показали в восемнадцатом году. Восемь отдельных деталей прежнего узла свели в одну. Эта одна — примерно на сорок процентов легче и примерно на двадцать процентов прочнее, чем то, что было. Программа выдала больше ста пятидесяти вариантов формы, инженер выбрал один.
И форма у неё — вот эта. Ветвящаяся, ажурная, похожая на кость или на коралл. Её не нарисует руками ни один конструктор. Маркетинг рядом с такой картинкой пишет: "ИИ спроектировал эту деталь".
[вопрос залу] И вот мой первый вопрос к вам. Какой вид ИИ это спроектировал? [пауза, дать подумать] Диффузионная модель, как Midjourney для картинок? Большая языковая модель? Какая-то генеративная нейросеть?
[понизить голос] Правильный ответ: ни один генеративный AI. Ни одна нейросеть эту форму не "придумала". [пауза]
Её получил детерминированный численный оптимизатор. Он решал точно поставленную инженером задачу: минимизировать массу при ограничении на напряжения и при заданных нагрузках. И математическая постановка этой задачи — не из эпохи ChatGPT. Она восходит к работе австралийского инженера Энтони Мичелла. Тысяча девятьсот четвёртый год. За сто лет до диффузионных моделей.
[пауза, дать осмыслить] Это не придирка к словам. Если вы думаете, что деталь "придумал ИИ", вы теряете понимание двух вещей сразу. Первая: результат полностью определён физикой и постановкой. Те же входы — тот же ответ. Забыли нагрузочный случай — получите математически безупречную, но непригодную деталь. Вторая: ответственность за постановку и за проверку — на инженере, а не на "искусственном интеллекте". С ИИ не спросишь. С вас — спросят.
Вот с этого расхождения — между тем, как технология подаётся, и тем, что она есть по существу, — мы сегодня и будем работать. Это, по сути, главный практический риск инженера в двадцать шестом году.
[если фото не грузится: описать словами — "представьте лёгкую ветвящуюся структуру, похожую на сросшиеся кости".]
[Переход на s03.]»
Карта лекции: три вопроса и шесть частей¶
«Чтобы не запутаться в этом зоопарке, нам с вами нужен один рабочий инструмент. Он простой. Это три вопроса, которые вы задаёте самому себе, прежде чем доверить инструменту проектное решение.
Вопрос первый: это детерминированная математика, которая при тех же входах даёт тот же ответ, — или обученная вероятностная модель, которая сэмплирует из распределения? Это раз.
Вопрос второй: что именно оптимизируется, и кто задал ограничения — инженер или данные? Это два.
Вопрос третий: кто несёт юридическую и инженерную ответственность за результат? Это три.
[на слайд] Запомните эти три вопроса. Мы будем возвращаться к ним в каждой части лекции — это наш якорь.
А частей — шесть. Сначала фундамент: что вообще значит "вид ИИ", и таксономия из шести классов. Потом по очереди три класса, где цена ошибки в проектировании самая высокая: генеративный дизайн, суррогатные модели, и генеративный AI с большими языковыми моделями. Затем — где ИИ не нужен или не применим в принципе, и кто за всё отвечает. И в конце соберём всё в одно правило решения на конкретной задаче.
Честная оговорка сразу. Назвать и расположить на оси мы научимся все шесть классов. Но глубоко, с разбором провалов, разберём три — те, где ошибка дороже всего. Это не пробел, это сознательный фокус.
[Переход на s04 — первый раздел.]»
Divider: Часть 1¶
«Часть первая из шести. Назови вид ИИ — фундамент и таксономия шести классов.»
[Минимально. Перейти на s05.]
Фундамент: решает уравнение vs угадывает по примерам¶
«Прежде чем перечислять классы, нам с вами нужно одно различение. Без него весь дальнейший разговор "где ИИ проваливается" звучал бы как "ну, он иногда ошибается". А нам важно понимать не "иногда", а почему — почему ошибки одних классов структурно неизбежны, а других нет.
Различение такое. С одной стороны — детерминированная оптимизация. Она решает уравнение, которое задал инженер. Вы формулируете целевую функцию — например, массу детали. Вы задаёте ограничения — равновесие сил, условие прочности, ограничение на объём. Алгоритм численно ищет точку, которая этим уравнениям удовлетворяет. Физический закон тут присутствует явно — он записан в уравнениях равновесия, и они решаются на каждой итерации. Те же входные данные — тот же ответ. Воспроизводимо. Прослеживаемо.
С другой стороны — обученная порождающая модель. Диффузионная модель геометрии или большая языковая модель. [понизить голос] Внутри неё нет уравнения равновесия. Вообще нет. Её обучили на огромном корпусе примеров — форм, текстов, чертежей — и она научилась воспроизводить статистику этого корпуса. То есть "как обычно выглядит деталь" или "как обычно звучит абзац спецификации". Когда такая модель "генерирует" деталь, она производит нечто похожее на то, что было в обучающих данных. А не нечто, удовлетворяющее уравнению равновесия.
[пауза, дать осмыслить] Сформулирую как несущий тезис всей лекции. Детерминированная оптимизация решает заданное уравнение и при тех же входах даёт тот же ответ. Обученная порождающая модель угадывает по выученным примерам, и физического закона внутри неё нет — она воспроизводит, как обычно выглядит ответ, а не что удовлетворяет уравнению.
И отсюда сразу важное следствие. Ошибка детерминированного оптимизатора — если постановка корректна — воспроизводима, её видно. А ошибка генеративной модели не самодиагностируется. Модель не "знает", что выданная геометрия не несёт нагрузку. Ровно так же, как языковая модель не "знает", что названный ею номер ГОСТа не существует.
Эта ось — наш рабочий инструмент на всю лекцию. Встретили любой инструмент "с ИИ" — первым делом расположите его на ней. Решает уравнение — или угадывает по примерам.
[Переход на s06.]»
Скелет таксономии: одна ось, шесть ярлыков¶
«Теперь, имея эту ось, разложим на ней шесть классов. Обратите внимание: я не даю вам сейчас полную таблицу со всеми атрибутами — кто что гарантирует, какая зрелость, кто отвечает. Она бы вас сейчас перегрузила: половина её ячеек — термины, которых вы ещё не знаете. Эту полную матрицу мы соберём постепенно и предъявим в самом конце — когда каждая клетка наполнится смыслом.
[на слайд — горизонтальная ось] Ось одна — слева детерминированные, справа вероятностные. Шесть классов вдоль неё.
Слева, самый детерминированный — оптимизационный ML, он же топологическая оптимизация. Численный поиск, который двигает плотность материала в каждой точке детали и минимизирует массу при ограничении "напряжение не выше допускаемого". Те же входы — тот же ответ. Вот это и есть то, что маркетинг зовёт "генеративным дизайном".
Рядом — эволюционные, генетические алгоритмы. Стохастический поиск мутацией и отбором, но по явно заданной инженером целевой функции. Случайный — да, но не порождающая модель.
Дальше суррогатные модели и PINN. Нейросеть, которая выучила отображение "геометрия и нагрузки — поля напряжений" на тысячах прошлых расчётов. Отвечает мгновенно, но угадывает, а не решает.
Потом компьютерное зрение — свёрточные сети для контроля дефектов. Вероятностный классификатор картинок.
Потом LLM-ассистент — большая языковая модель для текста: черновики записок, объяснение пунктов стандарта, генерация скриптов CAD.
И самый правый, самый вероятностный — генеративный AI для геометрии. Диффузионные и трансформерные модели, которые порождают 3D-форму по тексту или эскизу. Чистая порождающая модель. Физических гарантий — ноль.
Видите структуру? Классы один-два — оптимизация заданной функции. Класс три — аппроксимация решателя. Классы четыре-шесть — вероятностные модели восприятия и порождения, физического закона внутри нет вообще. И чем правее по оси — тем меньше встроенных гарантий и тем выше цена ошибки.
[Переход на s07.]»
Узнавание пары 1: оптимизационный ML + суррогат/PINN¶
«Пройдёмся быстро по узнаванию — по три колонки на класс: когда подходит, когда не применим, какая классическая альтернатива. Не зубрить — узнавать.
Оптимизационный ML, топологическая оптимизация. Подходит: снизить массу при заданной жёсткости, найти нетривиальную силовую схему, деталь под аддитивное производство. Не применим: когда ограничения заданы неполно — он честно выдаст оптимум под неверную постановку; он не заменяет проверку на изготовимость и нормоконтроль. Классическая альтернатива: параметрическая оптимизация с подбором сечений по сортаменту плюс расчёт по нормам. А для типовой конструкции — вообще нормативный расчёт без всякой оптимизации.
Суррогатные модели и PINN. Подходит: быстро прогнать много вариантов внутри обучающей области, предварительный отсев. Не применим: экстраполяция за пределы обучающего распределения, задачи с разрывами полей, финальные сертификационные расчёты. Классическая альтернатива: полный МКЭ или CFD-решатель с проверкой сходимости сетки.
Заметьте формат: "когда да — когда нет — чем заменить". Это не украшение слайда. Это и есть операциональная форма нашего главного вопроса. Мы с вами будем повторять эту рамку на каждом классе.
[Переход на s08.]»
Узнавание пары 2: генеративный AI/LLM + CV + GA¶
«Ещё три класса в той же рамке.
Генеративный AI и LLM. Подходит: ранний концепт-скетч, мудборд, вариативность форм для дизайн-ревью; черновик технического текста под обязательную проверку. Не применим: любая деталь в расчёт или производство без полной ручной переработки; источник истины по маркам, номерам стандартов, допускам. Альтернатива: параметрический CAD с явными ограничениями плюс детерминированная топ-оптимизация плюс КЭ-валидация; нормативная база и марочник.
Компьютерное зрение. Подходит: высокообъёмная рутинная сортировка как первый фильтр, подсветка подозрительных зон оператору. Не применим: как единственный арбитр годности в безопасностно-критичном неразрушающем контроле — модели плохо переносятся между установками и материалами. Альтернатива: нормированный контроль с квалифицированным дефектоскопистом и аттестованной методикой POD — вероятности обнаружения.
Эволюционные алгоритмы. Подходит: противоречивые требования, плохо берущиеся градиентом. Канонический пример — эволюционная антенна миссии NASA ST5, запущена в две тысячи шестом: генетический алгоритм нашёл "органическую" по виду форму примерно за три человеко-месяца против пяти у классики, и она отработала штатно. Не применим: когда нужна интерпретируемость и сертификационная объяснимость — эту форму эксперт "не прочитает" и регулятору не объяснит. Это слабое место даже у успешного ST5.
[на слайд — три вопроса внизу] И вот те самые три вопроса-якоря снова. Детерминированное или вероятностное. Что оптимизируется и кто задал ограничения. Кто отвечает. Держите их в голове — дальше мы их применяем по-настоящему.
[Переход на s09 — второй раздел.]»
Divider: Часть 2¶
«Раздел второй из шести. Генеративный дизайн — это не генеративный AI.»
[Перейти на s10.]
Терминологическая ловушка¶
«Вернёмся к нашему кронштейну с самого начала и скажем разоблачающий тезис в полную силу.
Когда Fusion, Creo или CATIA показывают окно "Generative Design" и подписывают результат словами "AI generates the design" — происходит подмена понятий. И у этой подмены есть конкретная инженерная цена. Под капотом — топологическая оптимизация. Детерминированный численный метод. Те же входы — тот же результат. Ни одной обученной порождающей модели внутри. Кстати, сам Autodesk в своём блоге это различение проводит — формулирует, что топологическая оптимизация это метод внутри generative design, а не "генеративный AI". [не цитировать дословно — пересказ.]
[вопрос залу] Почему это важно практически, а не на уровне придирки к терминам? Инженер, который думает "AI придумал деталь", делает две ошибки сразу. Первая: он недооценивает свою ответственность за постановку. Раз придумал AI — значит, и спрос с AI. А на самом деле каждая особенность формы детерминирована заданными нагрузками и ограничениями. Заданы неверно — форма будет математически оптимальной и инженерно бесполезной. Вторая ошибка: он переоценивает "творчество" инструмента. Оптимизатор не изобретает функцию детали. Он лишь распределяет материал в заданном пространстве под заданную функцию.
Урок раздела прямой: прежде чем доверять — спросите "какой это вид ИИ". И для "генеративного дизайна" честный ответ почти всегда: детерминированная оптимизация, не порождающая модель.
[Переход на s11.]»
Классическая родословная: от известного к SIMP¶
«А теперь — откуда это всё взялось. И строить будем не с пустого места, а от того, что вы уже знаете.
Мост первый — из сопромата. Вы знаете условие прочности: эквивалентное напряжение по фон Мизесу не должно превышать допускаемого. И оттуда же — интуиция недогруженного материала. Если в каком-то сечении детали напряжение сильно ниже допускаемого — этот материал работает не в полную силу. Его, в принципе, можно убрать, и деталь всё ещё выдержит. Доведите эту мысль до предела — получите идею равнопрочной конструкции: материала ровно столько, сколько нужно, нигде нет лишнего. Вот эту идею в тысяча девятьсот четвёртом году формализовал Мичелл. Подчеркну: он дал интуицию и постановку, не формулу. Практику дала только вычислительная техника шестидесятых. ИИ здесь не родил идею — он сделал старую идею вычислительно дешёвой.
Мост второй — из лекции два этого курса. Помните градиентный спуск? Шаг против градиента, повторяем. Тот же метод наискорейшего спуска предложил Коши в тысяча восемьсот сорок седьмом. И именно он — а не нейросеть — двигает плотности материала в топ-оптимизации. Разница только в том, что двигаем: в нейросети — веса, тут — плотность материала в каждой точке. Алгоритм поиска тот же, и он на полтора века старше глубокого обучения.
Сам метод как численный родился у Бендсё и Кикучи в восемьдесят восьмом. Рабочая лошадка индустрии — метод SIMP, Бендсё, восемьдесят девятый. Идея простая, и она-то опровергает слово "AI". Каждой ячейке детали приписываем плотность от нуля до единицы: ноль — пустота, единица — материал. Жёсткость берём как плотность в степени p, обычно в кубе. Зачем степень? Без неё оптимизатор оставлял бы "серые" полуплотности — физически бессмысленные. Степень делает промежуточное невыгодным, решение выталкивается к чёрно-белому.
[пауза]
[на слайд — родословная-таймлайн] Что внутри цикла? На каждом шаге явно решается уравнение равновесия. Физический закон — в математике алгоритма. Никакой обученной генеративной модели. Алгоритм не сэмплирует из распределения дизайнов — он сходится к минимуму заданной инженером функции. Когда Fusion "генерирует" кронштейн — под капотом потомок SIMP восемьдесят девятого года плюс КЭ-решатель в петле. "AI generates" тут вводит в заблуждение ровно настолько, насколько вводило бы "AI решил квадратное уравнение".
[пауза] И маленький намёк на будущее. Запомните слово "стык систем": входы из одного места, ожидания в другом. Мы к нему вернёмся в самой драматичной части лекции. KKT и множители Лагранжа — формальное условие оптимума — оставим главе.
[Переход на s12.]»
Реальные промышленные кейсы¶
«Два кейса стали каноническими. Разберём с указанием вида ИИ.
General Motors, тот самый кронштейн сиденья. Восемь деталей узла свели в одну. Выбранный вариант — примерно на сорок процентов легче и примерно на двадцать процентов прочнее прежнего. Программа выдала больше ста пятидесяти альтернатив. Вид ИИ: многокритериальная численная оптимизация плюс облачный перебор под цель "минимум массы при ограничении напряжений и заданном способе изготовления". Это не диффузионная модель. "Сто пятьдесят вариантов" — это сто пятьдесят точек, удовлетворяющих условию оптимума при разных весах целей. Не сто пятьдесят сэмплов нейросети.
Airbus, "бионическая перегородка" для A320. Перегородка салона: масса снижена примерно на сорок пять процентов — порядка тридцати пяти килограммов против порядка шестидесяти пяти у стандартной. Решётчатая "костная" структура, материал Scalmalloy под лазерное спекание, собрана из множества напечатанных секций. Вид ИИ снова: топологическая и решётчатая оптимизация плюс эволюционный перебор. Не порождающая модель.
[вопрос залу] И обратите внимание на повторяющийся паттерн: обе детали требуют 3D-печати. Это не случайность. Это ограничение, к которому мы вернёмся буквально через два слайда — и оно окажется важнее, чем кажется.
[Переход на s13.]»
Россия: честная картина¶
«Что в России. Картина честно неоднородная, и именно честность тут — ценность, а не повод для восторга или уныния.
Реальные достижения. ОКБ Сухого выпустило силовой кронштейн по бионическому подходу — алюминиевый кронштейн для Су-57. Цифровая модель построена на суперкомпьютере. Деталь примерно на четверть легче традиционных аналогов. Прорабатывался и прототип кронштейна навески двери для МС-21-300, титановые версии — лазерное послойное сплавление порошка.
А вот подмена понятий. В КОМПАС-3D топологическая оптимизация доступна через приложение APM FEM, совместный продукт АСКОН и НТЦ "АПМ". По заявлению вендора, оно исключает существенную долю объёма модели с сохранением прочности. [не называть точное число — vendor-claim.] Существенно для нашей лекции: это детерминированный плотностной алгоритм семейства SIMP. Не AI. Та же терминологическая ловушка, что у западных вендоров, просто на отечественном инструменте, который вы знаете по учебным CAD-классам. И геометрическое ядро C3D — это, кстати, стратегический актив: в мире коммерчески доступны по сути два-три геометрических ядра, и своё — большая редкость.
[понизить голос] И где Россия честно отстаёт. Зрелого AI-генеративного движка уровня Fusion на двадцать шестой год по существу нет. Подтверждена только топологическая оптимизация — детерминированная. Это честный пробел, приукрашивать его незачем. Для инженера это значит: отечественная альтернатива западному "генеративному дизайну" — классическая топ-оптимизация плюс ручная реконструкция. Нормальный инструмент с понятными гарантиями.
[Переход на s14.]»
Провал раздела: garbage-in → optimal garbage¶
«Теперь — фундаментальное ограничение топологической оптимизации. И оно не то, которое обычно ожидают.
Оптимизатор честно решает поставленную задачу. Слово "поставленную" — ключевое. Если постановка неполна — забыт усталостный нагрузочный случай, не заданы технологические ограничения литья или доступа фрезы, не учтён монтаж — алгоритм всё равно сойдётся к математически безупречному оптимуму. Но под неверную постановку. Garbage-in — optimal garbage: мусор на входе даёт оптимальный мусор на выходе.
[вопрос залу] Это вам знакомо по сопромату, да? Упустили расчётный случай нагружения — расчёт арифметически верен, конструкция опасна. Тут то же самое, но коварнее: красивая "органическая" форма выглядит так убедительно, что её непригодность не видна на глаз. Главный риск топ-оптимизации — не "галлюцинация", её здесь нет, метод детерминирован. Главный риск — неполно заданные ограничения.
[на слайд — pipeline] И конкретный пример. Топ-оптимизация легко выдаёт замкнутую внутреннюю полость с криволинейными рёбрами, к которым не подлезть ни одной фрезой при любой ориентации, и которые не получить литьём без неизвлекаемого стержня. Изготовить можно только аддитивно. Помните, я обещал вернуться к 3D-печати? Вот она. Российские инженеры в публикациях прямо отмечают: генеративная геометрия часто неизготовима традиционными методами, трудна для обмера и нормоконтроля по ЕСКД, требует ручной реконструкции. То есть генеративный инструмент — это вход в процесс проектирования, а не его выход.
И это не "детская болезнь", которую вот-вот вылечат. В критерии оптимизации просто нет члена за технологическую недоступность, если инженер его туда не заложил. Урок: правильный инструмент для серийной фрезеруемой детали — классическая параметрика плюс ручная топ-оптимизация под технологичность. Оптимизатор как генератор идеи — да. Как источник готовой производственной геометрии для серии — нет.
[Переход на s15 — третий раздел.]»
Divider: Часть 3¶
«Раздел третий из шести. ИИ ускоряет счёт, но не заменяет физику.»
[Перейти на s16.]
От известного КЭ-анализа к суррогату¶
«В прошлой части мы решали уравнение равновесия внутри цикла оптимизации и не уточняли, что это за уравнение. Закроем пробел — снова от известного.
КЭ-анализ вы видели хотя бы как пользователи CAD: разбить деталь на сетку конечных элементов, приложить нагрузки и закрепления, получить цветную картину поля напряжений. Что делает решатель по существу: берёт вектор нагрузок, решает систему линейных уравнений относительно перемещений, из перемещений считает деформации и напряжения. Матрица этой системы — матрица жёсткости, она кодирует геометрию, материал и закрепления. Это проверенная, прослеживаемая, детерминированная математика, которой больше шестидесяти лет.
[вопрос залу] А что такое суррогат? Это нейросеть, которая выучила отображение "геометрия и нагрузки — поле напряжений" на тысячах прошлых КЭ-расчётов и теперь отвечает почти мгновенно. Ключевое слово — выучила. Суррогат не решает уравнение. Он угадывает его решение по примерам. Это ровно правая сторона нашей оси: угадывает по выученным примерам.
Чем суррогат отличается от генеративной модели, которую разберём в следующей части? Тем, что обучающие примеры были физически корректными — их посчитал аттестованный решатель. Поэтому в пределах того, что суррогат "видел", он надёжен. За пределами — нет.
[на слайд — две колонки] Под капотом — система уравнений равновесия; суррогат её не решает. Полный вывод этой системы, слабую форму Галёркина — оставляю главе, читайте как родословную. И запомните одну экономическую деталь: суррогат обучается заранее, оффлайн, на архиве из тысяч дорогих расчётов. Чтобы он был полезен — кто-то должен сначала оплатить тысячи прогонов точного решателя. Это нам пригодится через минуту.
[Переход на s17.]»
Состояние 2026: читаем числа критически¶
«Что предлагает рынок к двадцать шестому году. И числа читаем критически.
Ansys SimAI, релиз 2026 R1 — суррогат на основе редуцированной модели, интерполирует между ранее посчитанными результатами; заявленное ускорение — порядка от десятков до сотен раз на счётно-тяжёлых задачах. Altair PhysicsAI в составе HyperWorks 2026 — обучается на историческом архиве симуляций, заявлено ускорение до порядка тысячи раз. NVIDIA PhysicsNeMo — открытый Python-фреймворк для physics-AI, от чистых PINN до нейронных операторов.
[понизить голос] Методическая ремарка, и она важная. Каждое из этих ускорений — "до N раз" на выгодном для вендора частном случае. В среднем по парку задач выигрыш скромнее. И почти всегда из расчёта окупаемости исключают стоимость генерации обучающего архива — те самые тысячи дорогих прогонов точного решателя, про которые я только что говорил. К числам вида "в тысячу раз" относитесь как к верхней границе на узком классе задач. Не как к типичному ускорению. Это рефлекс инженера — увидел красивое число, спроси: на чём именно и что не включили.
[Переход на s18.]»
PINN: хайп против реальности¶
«Отдельный подкласс — PINN, физически-информированные нейросети. Идея красивая: в функцию потерь добавляют штраф за невязку дифференциального уравнения, чтобы сеть "уважала" физику. Маркетинг подаёт это как "нейросеть, которая знает физику". Реальность по рецензируемым обзорам двадцать пятого года — заметно скромнее.
Главное ограничение объясню через сопромат — вы это знаете. Концентратор напряжений. У отверстия, галтели, выточки поле напряжений имеет резкий локальный пик. Именно там деталь и разрушается, ради этого пика и считают коэффициент концентрации. Так вот: нейросеть с гладкими функциями активации легко выучивает плавные поля и плохо — резкие перепады. Это свойство называют спектральным сдвигом: сеть "тяготеет" к сглаженным решениям.
[понизить голос] Следствие прямое и неприятное. PINN, обученная на детали с концентратором, склонна размазать пик у отверстия и выдать заниженное напряжение в опасном сечении. [пауза] Заниженное напряжение в концентраторе — это недооценённый риск разрушения. Это наихудший возможный тип ошибки в расчёте на прочность. Не "чуть неточно", а "опасно в нужную сторону".
И ещё. PINN не превосходит зрелые численные методы на стандартных прямых задачах, часто медленнее. Не обобщается за пределы сценария обучения. При сбое непрозрачна: виновата физика, шум данных или ёмкость сети — не атрибутируешь. И на зашумлённых измерениях опасна: дифференцирование усиливает высокочастотный шум, сеть начинает подгонять шум как физику. По обзорам это фундаментальное свойство метода, а не дефект реализации — большей сетью не "починить".
[на слайд — где PINN полезен] Где PINN реально полезен — есть такая ниша. Разреженные данные, обратные задачи — по измеренному отклику восстановить неизвестный параметр, сложная геометрия, ассимиляция данных. Узкая, но реальная область. За её пределами "PINN вместо решателя" — это ложная уверенность.
[Переход на s19.]»
Зачем тогда суррогат: критерий применимости¶
«[вопрос залу] Закономерный вопрос: если суррогат угадывает, а PINN размазывает — зачем нам вообще третья часть? Ответ конструктивный.
Зачем суррогат полезен лично вам. На этапе поиска конструктор перебирает десятки и сотни вариантов: а если ребро толще, а если перенести бобышку, а если другой материал. Считать каждый полным аттестованным МКЭ — дорого по времени. Вот тут суррогат на своём месте: прогнать пятьсот вариантов кронштейна за минуты, отсеять заведомо слабые, оставить пять-десять кандидатов. Но — и это критерий — финал по каждому отобранному кандидату считает аттестованный детерминированный решатель. Суррогат ускоряет перебор на этапе поиска. Сертифицируемого результата он не выдаёт.
[понизить голос] Центральный вывод части. Суррогат валиден только внутри области, на которой обучался. Экстраполяция за её пределы — новый режим, новый материал, геометрия вне распределения — даёт молчаливую ошибку. Модель не сообщает, что вышла за границу. Она просто уверенно выдаёт неверное число. Запомните эту формулировку: отсутствие сообщения об ошибке здесь не означает корректности.
Россия. CAE-пакет "Логос" Росатома — флагман импортонезависимой суперкомпьютерной симуляции; нативных нейросетевых решателей внутри ядра в открытых источниках не подтверждено, суррогаты применяются в обёртке экосистемы. Платформа CML-Bench Политеха, руководитель Боровков — пример накопленной базы знаний, заявлено более трёхсот шестидесяти тысяч решённых задач. Это российская иллюстрация того же паттерна: архив расчётов — суррогат-ассистент.
[Переход на s20 — четвёртый раздел.]»
Divider: Часть 4¶
«Раздел четвёртый из шести. Где галлюцинация стоит дорого. И помните фундамент: генеративный AI не содержит физического закона.»
[Перейти на s21.]
Ландшафт 2026: маркетинг против зрелости¶
«Разделим ландшафт на два сильно разных по зрелости слоя.
Слой первый, относительно зрелый — LLM-копайлоты поверх CAD. Autodesk Assistant в Fusion: текстовый промпт превращается в команды — "раздели это тело", "выдави грань на дюйм" — может генерировать и исполнять скрипты через API. Siemens Design Copilot: ассистент на знаниях Siemens, заявлена авто-генерация значительной доли двумерных видов чертежей. Mastercam Copilot — помощник по программированию обработки. Это LLM как интерфейс к существующим детерминированным операциям, под контролем инженера.
Слой второй, незрелый — text-to-CAD и нейро-CAD. Zoo.dev — открытый text-to-CAD, текст в 3D с экспортом. Autodesk Project Bernini — исследовательская генеративная 3D-модель. [на слайд — gold-выделение] И вот существенная деталь: сам Autodesk помечает Bernini как "строго экспериментальный, не для публичного использования". Это честный сигнал зрелости от самого вендора — он контрастирует с маркетинговым "AI проектирует за инженера". Autodesk Neural CAD анонсирован, но коммерческая доступность — "предстоящая", без даты. Академический фронт активен, но это исследования, не производственные инструменты.
Вывод по ландшафту: зрелое — это LLM как интерфейс к детерминированным операциям. Генерация геометрии по тексту в двадцать шестом — концепт и ранняя бета. Это подтверждает даже маркировка Bernini самим вендором.
[Переход на s22.]»
Паттерн: где LLM полезен¶
«Есть конкретный паттерн, где LLM приносит реальную пользу. Сформулируем точно, чтобы отделить от антипаттерна на следующем слайде.
LLM хорошо генерирует черновик текстового артефакта с точной терминологией формы: структуру пояснительной записки, болванку технических условий, переформулировку требования, объяснение того, как устроен пункт стандарта. Тут модель сильна именно в том, в чём обучена, — в языковой форме. Грамотный промпт описывает требуемую структуру и терминологию документа, а на выходе — каркас, экономящий время на рутине.
[понизить голос] Но — и это встроенная в паттерн граница. Фактическое наполнение — конкретные марки материалов, номера стандартов, числовые допуски, значения коэффициентов — подлежит обязательной сверке инженера с нормативной базой. LLM даёт правильную форму и потенциально неверное содержание. Это сочетание полезно для черновика и опасно для финального документа.
Паттерн формулируется так, запишите: LLM пишет черновик — инженер верифицирует факты по первоисточнику. Всегда. Без исключений. [пауза] А теперь — что бывает, когда это правило нарушают. Это самый важный слайд лекции.
[Переход на s23.]»
Антипаттерн: Mars Climate Orbiter и его братья¶
[понизить голос — кульминация.]
«Двадцать третье сентября тысяча девятьсот девяносто девятого года. Связь с межпланетной станцией Mars Climate Orbiter потеряна при выходе на орбиту Марса. Полная стоимость миссии — около трёхсот двадцати семи миллионов долларов. [пауза, дать осмыслить]
[вопрос залу] Сложная физика? Ошибка в уравнениях небесной механики? [пауза] Нет. Наземный программный модуль расчёта импульсов двигателей — подрядчик Lockheed Martin — выдавал данные в фунт-силах на секунды. А программа расчёта траектории — JPL — ожидала ньютоны на секунды. Расхождение — в четыре с лишним раза, в четыре и сорок пять. Конвертацию никто не выполнил. JPL предположил, что её сделала другая сторона.
И вот вывод комиссии по расследованию — он для нас сегодня центральный. Ответственность возложили не на ошибку в формуле. А на отсутствие независимой проверки, которая поймала бы рассогласование на интерфейсе двух систем. На стыке. Где каждый предполагал, что проверит другой.
[пауза, дать осмыслить] Спроецируем на двадцать шестой год. LLM-ассистент в инженерном процессе — это ровно такой стык систем. Помните, я просил запомнить это слово ещё в части про SIMP? Вот оно. Он берёт величины из одного контекста, передаёт в другой, и он уверенно путает единицы: psi и мегапаскали, миллиметры и дюймы, ньютон-метры и фунт-футы. Принять число от ИИ без независимой размерностной проверки — это цифровой Mars Climate Orbiter. Триста двадцать семь миллионов долларов за непроверенный стык.
[на слайд — Gimli и Hyatt одной строкой] Два брата того же провала, коротко. Gimli Glider, восемьдесят третий: Boeing 767 выработал всё топливо в полёте из-за ручного пересчёта с неверным коэффициентом — посадили без двигателей, планированием, обошлось. Человек уверенно применил неверный коэффициент — ИИ делает это так же убедительно. Hyatt Regency, восемьдесят первый: обрушение двух подвесных переходов отеля, сто четырнадцать погибших. Производитель изменил узел подвески для упрощения монтажа — нагрузка на соединение удвоилась — инженер согласовал фактически без независимого пересчёта. Принять предложение ИИ "давай упростим этот узел" без пересчёта — структурный эквивалент того согласования.
Связующая нить трёх: ни одна катастрофа не от сложной физики. Все три — необнаруженное рассогласование или непроверенное изменение на стыке, где каждый думал, что проверит другой. ИИ-ассистент создаёт такие стыки в товарных количествах. Доказательную базу — на следующем слайде.
[Переход на s24.]»
Бенчмарки и выученный урок¶
«Исторические аналоги показали паттерн. Бенчмарки дают воспроизводимую статистику — это аргумент другого типа, и складывать их в один "довод" нельзя.
ORCA Benchmark, двадцать пятый год. Пятьсот реальных количественных задач, пять сильнейших моделей двадцать шестого — флагманы OpenAI, Google, Anthropic, xAI, DeepSeek. Точность — примерно в диапазоне сорок пять — шестьдесят три процента. Лучшая модель — порядка шестидесяти трёх. [пауза] То есть на инженерных расчётах сильнейшие модели ошибаются примерно у трети — половины задач.
EngiBench: падение точности на порядка восемь — одиннадцать процентов при простом перефразировании условия. Признак того, что модель опирается на поверхностный паттерн-матчинг, а не на устойчивое рассуждение. И аэрокосмический кейс: модель на вопрос о поверхностной обработке титановых крепёжных элементов фюзеляжа рекомендовала покрытие, нарушающее три аэрокосмических стандарта одновременно. Ценен не имя модели, а характер ошибки: звучала экспертно — и нарушала три независимых норматива сразу.
[на слайд — gold-урок] Выученный урок, три пункта. Первый: LLM — не источник истины по маркам, ГОСТ, допускам, числам. "Уверенно ошибается" опаснее, чем "не знает", потому что не вызывает настороженности. Второй: размерный и фактический контроль плюс независимая верификация — обязательны на каждом интерфейсе с ИИ. Третий: предложение ИИ, меняющее силовую схему, оформляется как формальный change-request, а не принимается репликой в чате. Громких именно-ИИ катастроф в проектировании пока мало — тема молодая, ущерб с лагом. Это не довод за безопасность. Задача инженера — предотвратить первый громкий ИИ-провал, а не разбирать его постфактум.
[Переход на s25 — пятый раздел.]»
Divider: Часть 5¶
«Раздел пятый из шести. Когда сказать ИИ "нет".»
[Перейти на s26.]
Критерии неприменимости и правильный инструмент¶
«Это концентрированное ядро всей миссии курса. Раньше мы смотрели, как проваливаются классы. Здесь — критерии, по которым вы заранее говорите "нет", и какой инструмент правильнее.
Решающее правило одно, запишите его: чем выше детерминированность задачи и цена ошибки — тем меньше в ней места вероятностному ИИ. Разворачиваю в критерии.
Сертификационный расчёт. Нужны воспроизводимость и трассируемость; LLM и суррогат дают разброс и не сертифицируемы. Правильный инструмент — аттестованный детерминированный решатель с проверкой сходимости плюс независимая верификация.
Коэффициент запаса. Задаётся нормой и ответственным инженером, не "оптимизируется" моделью; ИИ может "съесть" запас под неверную цель. Правильный — нормативное значение по стандарту плюс инженерное обоснование.
Нормоконтроль — ГОСТ, допуски, посадки. LLM галлюцинирует номера стандартов и марки. Правильный — нормативная база и марочник плюс нормоконтролёр, сверка по первоисточнику.
Юридическая ответственность. ИИ не субъект ответственности; подпись — на инженере. Дальше: есть точный детерминированный решатель — аппроксимация не нужна. Безопасность жизни — несущие, авиа, сосуды давления — цена ошибки жизни, вероятностная модель гарантий не даёт. Единицы на стыке систем — наш Mars — машинная проверка размерностей плюс единая система единиц. Изменение силовой схемы — наш Hyatt — формальный change-request с независимым пересчётом.
[понизить голос] Резюме — операциональная форма миссии курса. ИИ в инженерии есть инструмент расширения вариативности и черновика. Не арбитр истины и не носитель ответственности. И заметьте честно: это не запрет на ИИ. Топологическая оптимизация — детерминированная — в этой таблице нигде не запрещена. Запреты касаются вероятностных классов там, где нужна гарантия. Это указание места, а не идеология.
[Переход на s27.]»
Россия: нормативные границы¶
«Российский контекст добавляет конкретные границы — и они жёсткие, не вкусовые.
Барьер ЕСКД. Единая система конструкторской документации требует строго регламентированных чертежей, спецификаций, допусков. "Выращенная" органическая геометрия плохо ложится на двумерную чертёжную парадигму — выпуск нормоконтролируемой документации на неё нетривиален. Это вам знакомо по курсовой с ЕСКД: красивая форма, которую нечем корректно проставить размерами и допусками.
Аттестация. Расчётное ядро APM Structure3D имеет аттестат Ростехнадзора — без аттестованной верификации конструкция в надзорное производство не допускается. "Логос Прочность" проходит отраслевую верификацию. ИИ-сгенерированная или суррогат-просчитанная конструкция без аттестованной верификации формально не допускается — граница юридическая.
Санкционно-лицензионный риск. Принудительная блокировка ранее работавших AutoCAD и Fusion у российских пользователей в двадцать втором — двадцать четвёртом — конкретный пример: облачно-привязанный инструмент становится единой точкой отказа на уровне государства. Архитектурный вывод, это risk-инженерия, не идеология: для критичной инфраструктуры локальное развёртывание плюс открытый формат понижает класс риска. Драйверы — 187-ФЗ о безопасности КИИ и поправки 58-ФЗ.
И право. По российскому праву машина не субъект авторского права; ответственность за конструкцию несёт инженер или организация-исполнитель, не инструмент. Это снимает иллюзию "ИИ спроектировал — ИИ и виноват".
[Переход на s28.]»
Человек против AI и контраст с ТРИЗ¶
«Завершим часть концептуальной границей, которая замыкает весь спайн.
Кто отвечает. Инженер задаёт ограничения и отвечает за результат. Подпись конструктора и расчётчика под документацией — это юридическая ответственность за безопасность. Её нельзя делегировать оптимизатору или нейросети. Это ограничение не техническое — оно деонтологическое. Ответственность всегда у человека, независимо от происхождения геометрии. AI предлагает форму — человек отвечает и верифицирует.
[на слайд — ТРИЗ-контраст] И полезное историческое сопоставление — оно вам близко. Теория решения изобретательских задач, ТРИЗ, Альтшуллер, работа начата в сорок шестом году. Она формализует изобретение — разрешение технического противоречия, выбор принципа действия, идеальный конечный результат. А "генеративный дизайн" оптимизирует форму при фиксированной функции и фиксированном пространстве. Это разные уровни. Изменить принцип действия узла, разрешить противоречие "прочный, но лёгкий" сменой схемы — это уровень ТРИЗ и инженерного творчества. Топологическому оптимизатору он недоступен — тот лишь распределяет материал в заданном объёме.
[понизить голос] Историческая ирония, вдумайтесь. Ещё в сорок шестом году советская инженерная школа утверждала, что креатив алгоритмизируем — но алгоритмизировала именно концептуальное изобретение. А современный "генеративный дизайн" алгоритмизирует более узкий срез, чем обещал ТРИЗ восемьдесят лет назад. Формула, замыкающая спайн: AI генерирует — человек отвечает, верифицирует и изобретает функцию.
[Переход на s29 — шестой раздел.]»
Divider: Часть 6¶
«Раздел шестой из шести, последний. Синтез: правило решения на конкретной задаче.»
[Перейти на s30.]
Worked decision: облегчить кронштейн¶
«Соберём всё в один полностью проработанный пример. Это и есть та измеримая форма обоснованного выбора, ради которой лекция.
Задача. Дан силовой кронштейн, нужно снизить массу. Два сценария производства. Вариант "а": серийная деталь, фрезеруется на пятиосевом станке. Вариант "б": единичная деталь, изготавливается аддитивно — металлическая 3D-печать. Проводим обе ветки через наши три вопроса-якоря.
Вариант "а", фрезеровка. Вопрос первый: нужна гарантия прочности серийной детали — базовый инструмент детерминированный. Генеративный AI геометрии отпадает сразу — вероятностный, без гарантий. Вопрос второй: оптимизируем массу при ограничении прочности, но критическое ограничение — технологичность фрезеровки. Чистая топ-оптимизация выдаст форму, неизготовимую фрезой — наш garbage-in. Суррогат для сертификации неприменим — молчаливая ошибка. Вопрос третий: нужна аттестованная верификация и подпись. Вывод по "а": классическая параметрика плюс ручная топ-оптимизация под технологичность, финал — аттестованный МКЭ.
Вариант "б", аддитив. Тот же первый вопрос — детерминированный инструмент. Но аддитив снимает технологические ограничения на форму — "органика" здесь изготовима. Постановка топ-оптимизации работает в полную силу, в ограничения добавляем особенности печати. Деталь силовая — финал всё равно на аттестованном решателе; суррогат уместен для перебора топологий, не для финала. Вывод по "б": детерминированная топ-оптимизация — тот самый "генеративный дизайн" — плюс финал на решателе; генеративный AI геометрии — нет.
[на слайд — gold] Обратите внимание: одна и та же задача дала разные обоснованные ответы. И развёл их один вопрос-якорь — второй, про полноту постановки и технологичность. Не "по вкусу" — проведением по дереву с явным "почему не другие".
[Переход на s31.]»
Правило решения и полная таксономическая матрица¶
«Теперь — ментальный чек-лист, ваше правило решения. Пять пунктов, прежде чем доверить инструменту проектное решение.
Первое: назови вид ИИ, расположи на оси детерминированное — вероятностное. Второе: детерминированное или вероятностное — решает заданное уравнение или угадывает по примерам. Третье: что оптимизируется и кто задал ограничения — полна ли постановка, не пропущен ли нагрузочный случай или нормоконтроль. Четвёртое: есть ли точный или нормативный инструмент — если задача сертификационная или есть аттестованный решатель, вероятностный ИИ лишний или опасен. Пятое: кто отвечает — подпись не делегируется модели.
[на слайд — полная матрица] И вот теперь, когда каждая клетка наполнена смыслом, — та самая полная матрица шести классов, которую я обещал ещё в начале и сознательно не давал сразу. Природа, что гарантирует, зрелость, кто отвечает. Посмотрите на последнюю колонку — "кто отвечает". Везде одно слово: инженер. Это не для заучивания, это для применения.
[пауза] И, чтобы вы понимали — это не теория из будущего. Это делается у вас, здесь. На кафедре РК9, в НОЦ суперкомпьютерного моделирования Бауманки, в передовой инженерной школе по цифровому материаловедению — со всем этим спектром работают прямо сейчас: от аттестованных решателей до накопленных архивов расчётов. Описанное сегодня — текущая инженерная практика.
[Переход на s32.]»
Q&A¶
«Главное, что должно остаться, — не список технологий, а дисциплина вопроса: назови вид ИИ, проверь полноту постановки, спроси про точный нормативный инструмент, помни — подпись не делегируется. Помните Mars — триста двадцать семь миллионов за непроверенный стык; не создавайте такие стыки с ИИ молча. Умение обоснованно сказать "нет" и отличает инженера от оператора кнопки. [на слайд — Q&A] Спасибо. Теперь — ваши вопросы.»
[Backup-вопросы — ТОЛЬКО если зал молчит, в спикерский тайминг s32 не входят, идут в резерв:] — Если "генеративный дизайн" — математика тысяча девятьсот четвёртого года, почему шум именно сейчас? — PINN же "physics-informed" — почему я говорю, что он не знает физику? — Россия отстаёт в AI-генеративном CAD — это приговор? [подсказка: дифференцированная картина, C3D-ядро, честная альтернатива.]