Η τεχνητή νοημοσύνη αποδείχθηκε ιδιαίτερα χρήσιμη στην αρχική φάση - Οι ομάδες τη χρησιμοποίησαν για αναζήτηση και οργάνωση τεχνικής βιβλιογραφίας, εκμάθηση λογισμικού CAD και CAE, δημιουργία υπολογιστικών φύλλων και κυρίως για τη σύγκριση διαφορετικών σχεδιαστικών προσεγγίσεων
Μπορεί η τεχνητή νοημοσύνη να σχεδιάσει έναν κινητήρα αεροσκάφους μέσα σε λίγες εβδομάδες; Ένα πείραμα του Massachusetts Institute of Technology, του γνωστού σε όλους ΜΙΤ έδειξε ότι τα σύγχρονα εργαλεία AI μπορούν να επιταχύνουν δραστικά τα πρώτα στάδια της μηχανολογικής ανάπτυξης, αλλά δεν είναι ακόμη σε θέση να υποκαταστήσουν την εμπειρία και την κρίση ενός μηχανικού.
Το εργαστήριο αεριοστροβίλων του MIT οργάνωσε το JARVIS Challenge, ένα πείραμα σχεδιασμένο για να εξετάσει κατά πόσο η τεχνητή νοημοσύνη μπορεί να μειώσει τον χρόνο που απαιτείται για τον σχεδιασμό, την κατασκευή και τη δοκιμή ενός πραγματικού μηχανικού συστήματος. Οι ομάδες που συμμετείχαν είχαν στη διάθεσή τους μόλις τέσσερις εβδομάδες για να σχεδιάσουν, να κατασκευάσουν, να συναρμολογήσουν και να δοκιμάσουν έναν μικρό αεριοστρόβιλο κινητήρα αεροσκάφους μονού άξονα.
Οι απαιτήσεις ήταν αυστηρές. Ο κινητήρας έπρεπε να παράγει ώση μεταξύ 50 και 100 λιβρών, δηλαδή περίπου 222 έως 444 Newton, να λειτουργεί με καύσιμο Jet-A και να αντέχει πέντε δοκιμές διάρκειας 60 δευτερολέπτων. Οι ομάδες είχαν πλήρη ελευθερία ως προς τον σχεδιασμό, τα υλικά και τις μεθόδους κατασκευής.
Στο πλαίσιο του πειράματος χρησιμοποιήθηκαν κλασικά εργαλεία μηχανικού σχεδιασμού, όπως το SolidWorks για CAD, το Abaqus για ανάλυση πεπερασμένων στοιχείων και το Concepts NREC για τον σχεδιασμό στροβιλομηχανών. Παράλληλα, οι συμμετέχοντες απέκτησαν πρόσβαση στο MIT Parley, μια νέα διεπαφή που συνδέει μεγάλα γλωσσικά μοντέλα, μεταξύ άλλων το ChatGPT και το Claude, με τη διαδικασία μηχανικού σχεδιασμού.
Η τεχνητή νοημοσύνη αποδείχθηκε ιδιαίτερα χρήσιμη στην αρχική φάση. Οι ομάδες τη χρησιμοποίησαν για αναζήτηση και οργάνωση τεχνικής βιβλιογραφίας, εκμάθηση λογισμικού CAD και CAE, δημιουργία υπολογιστικών φύλλων και κυρίως για τη σύγκριση διαφορετικών σχεδιαστικών προσεγγίσεων.
Η εικόνα άλλαξε όταν το εγχείρημα πέρασε από τη θεωρία στην κατασκευή. Κατά τον λεπτομερή σχεδιασμό των εξαρτημάτων και των θαλάμων καύσης, οι περιορισμοί των μοντέλων έγιναν περισσότερο εμφανείς. Οι λεγόμενες «παραισθήσεις» της AI, δηλαδή η παραγωγή λανθασμένων απαντήσεων με μεγάλη βεβαιότητα, σε συνδυασμό με την περιορισμένη κατανόηση των θεμελιωδών αρχών της φυσικής, δημιούργησαν επιπλέον προβλήματα.
«Η AI είναι ένα χρήσιμο εργαλείο. Είναι εξαιρετική στην εύρεση και την οργάνωση πληροφοριών, αλλά δεν μπορεί να σχεδιάσει», ανέφερε η Ελίζαμπεθ Τουπάι, μέλος της ομάδας που τελικά επικράτησε. Όπως εξήγησε, όταν ο μηχανικός δεν κατανοεί πλήρως τι συμβαίνει και αφήνει την τεχνητή νοημοσύνη να αναλάβει τον έλεγχο, το αποτέλεσμα μπορεί να γίνει αναξιόπιστο.
Ακόμη μεγαλύτερο εμπόδιο αποδείχθηκε η μετάβαση από τον σχεδιασμό στην παραγωγή. Οι αλγόριθμοι μπορούσαν να προτείνουν πιθανούς προμηθευτές και κατασκευαστές, όμως οι περισσότερες προτάσεις δεν ήταν πρακτικά αξιοποιήσιμες μέσα στο εξαιρετικά πιεστικό χρονοδιάγραμμα των τεσσάρων εβδομάδων. Οι ομάδες διαπίστωσαν ότι οι προσωπικές επαφές και η άμεση επικοινωνία με κατασκευαστές ήταν πολύ αποτελεσματικότερες από τις λίστες που δημιουργούσε η AI.
Το τελικό αποτέλεσμα ανέδειξε ακόμη πιο καθαρά τη σημασία της ανθρώπινης τεχνογνωσίας. Η ομάδα που χρησιμοποίησε περισσότερο την τεχνητή νοημοσύνη κινήθηκε ταχύτερα και κατάφερε να θέσει πρώτη τον κινητήρα σε λειτουργία. Ωστόσο, απέτυχε στην τελική δοκιμή θερμής λειτουργίας, όταν ο ρότορας ήρθε σε επαφή με το περίβλημα και ακινητοποιήθηκε.
Τη νίκη πήρε τελικά η ομάδα που διέθετε μεγαλύτερη εμπειρία στον παραδοσιακό σχεδιασμό CAD και στις στροβιλομηχανές. Οι μηχανικοί της ήταν πιο επιφυλακτικοί απέναντι στις προτάσεις της AI και βασίστηκαν περισσότερο στις θεμελιώδεις αρχές της μηχανικής και στις καθιερωμένες μεθόδους υπολογισμού. Ο κινητήρας τους ξεκίνησε ομαλά, πέρασε σε λειτουργία με κηροζίνη και παρήγαγε την απαιτούμενη καθαρή ώση.
«Το JARVIS Challenge έδειξε ότι η AI μπορεί να επιταχύνει σημαντικά την ανάπτυξη υλικού κρίσιμου για την ασφάλεια. Ωστόσο, η τεχνική κρίση παραμένει ο καθοριστικός παράγοντας», δήλωσε ο καθηγητής Ζόλτι Σπάκοβσκι, διευθυντής του Εργαστηρίου Αεριοστροβίλων του MIT.
Το συμπέρασμα του πειράματος δεν είναι ότι η τεχνητή νοημοσύνη δεν μπορεί να χρησιμοποιηθεί στον μηχανολογικό σχεδιασμό. Αντίθετα, μπορεί να λειτουργήσει ως σημαντικός πολλαπλασιαστής παραγωγικότητας, ιδιαίτερα στην έρευνα, την επεξεργασία πληροφοριών και την ανάπτυξη αρχικών ιδεών.
Το κρίσιμο στοιχείο, ωστόσο, είναι η ικανότητα του μηχανικού να αξιολογεί τις απαντήσεις της. Η τεχνογνωσία παραμένει απαραίτητη για να διαπιστωθεί πότε ένα αποτέλεσμα είναι αξιόπιστο, πότε χρειάζεται επαλήθευση και πώς μια θεωρητική πρόταση μπορεί να μετατραπεί σε εξάρτημα που πράγματι μπορεί να κατασκευαστεί και να λειτουργήσει.
www.worldenergynews.gr
