Искусственный интеллект уже перекроил софтверную разработку, но его выход в физический мир — это игра с куда более высокими ставками. В MIT решили проверить эти границы на прочность в рамках спринта JARVIS (Jet-engine AI Research and Validation Intensive Sprint). Цель была предельно конкретной: сжать цикл «проектирование — сборка — испытания» для малоразмерного газотурбинного двигателя. Это не было теоретическим упражнением в песочнице. Группе студентов дали всего четыре недели на то, чтобы спроектировать, изготовить и прогнать на стенде однороторный реактивный двигатель с тягой до 45 кг, способный выдержать пять полноценных запусков на топливе Jet-A.
The Architecture of the JARVIS Methodology
В эксперименте участвовал 31 студент, причем многие из них не имели ни малейшего опыта в термодинамике или проектировании турбомашин. Чтобы закрыть эту пропасть в компетенциях, MIT развернул платформу Parley — единый интерфейс к передовым языковым моделям, позволяющий отслеживать промпты, затраты и поведение алгоритмов в реальном времени. ИИ стал для команд основным инженерным партнером при работе со сложным софтом вроде Concepts NREC и SolidWorks. При поддержке MIT Lincoln Laboratory и таких гигантов, как Safran и Boom Technology, участники получили практически неограниченный доступ к вычислительным ресурсам, пытаясь превратить сырые вычисления в работающее «железо».
«Спринт JARVIS показал, что ИИ может существенно ускорить проектирование критически важных систем, но инженерное суждение остается решающим фактором».
Профессор Золти Спаковски, директор лаборатории газовых турбин MIT, отмечает: пока ИИ генерировал дизайн и анализировал массивы данных, человек оставался единственным эффективным фильтром безопасности. В среде, где ошибка стоит дороже бажного кода, роль «предохранителя» оказалась незаменимой.
Barriers in Material Reality
По мере продвижения проекта стал очевиден жесткий потолок возможностей нейросетей. Выяснилось, что ИИ прекрасно справляется с оптимизацией геометрии или расчетных схем, но пасует перед физическим производством. По наблюдению Спаковски, именно стадия изготовления, а не проектирования, остается фундаментальным «бутылочным горлышком». Нейросеть может выдать идеальный чертеж за секунды, но она не способна ускорить логистику цехов или заменить нюансы ручной сборки сложных узлов. Здесь материаловедение и термодинамика предъявляют счет, который нельзя оплатить токенами.
«AI-native инженер определяется не тем, что он использует ИИ, а тем, как он им управляет — понимая, когда стоит доверять результату, а когда — подвергнуть его сомнению».
Эксперимент заставил студентов осознать: современный инженер трансформируется из «калькулятора» напряжений и потоков в оператора-аудитора. От него требуется еще больше скепсиса, чем от предшественников, ведь цена галлюцинации в конструкции реактивного двигателя — это разрушение металла, а не просто ошибка компиляции. Инженер будущего должен сохранять связь с физической реальностью, чтобы валидировать огромный объем данных, генерируемых автономными системами.
Спринт JARVIS доказывает, что ИИ способен радикально демократизировать специализированные знания, позволяя новичкам проектировать сложные машины. Однако он не отменяет потребность в «инженерной интуиции» и физических испытаниях. Для бизнеса это означает, что внедрение ИИ позволит заметно сократить фазу Design, но стадии Build и Test по-прежнему будут упираться в физику материалов. Техлидам будущего придется сместить фокус с скорости генерации идей на выстраивание протоколов верификации и умение жестко оппонировать выводам модели.