Więcej niż chatbot: Jak asystenci AI od Dassault Systèmes zmieniają inżynierię przemysłową

Świat przemysłu wychodzi poza erę statycznego oprogramowania. Przez dziesięciolecia inżynierowie i projektanci polegali na narzędziach do projektowania wspomaganego komputerowo (CAD) i zarządzania cyklem życia produktu (PLM) jako na cyfrowych deskach kreślarskich. Jednak rozwój generatywnej sztucznej inteligencji przekształca te narzędzia z pasywnych instrumentów w aktywnych współpracowników. Na czele tej zmiany stoi Dassault Systèmes, francuski gigant oprogramowania, który od czterdziestu lat udoskonala koncepcję „wirtualnego bliźniaka”.

Wraz z wprowadzeniem wyspecjalizowanych asystentów AI, takich jak Aura, Leo i Marie, firma nie tylko dodaje pasek wyszukiwania do swojego interfejsu; osadza ona inteligencję specyficzną dla danej dziedziny bezpośrednio w przepływie pracy inżynieryjnej. Nie są to chatboty ogólnego przeznaczenia, takie jak te używane do pisania e-maili; to precyzyjne instrumenty zaprojektowane do poruszania się w zawiłościach termodynamiki, nauki o materiałach i logistyki produkcji.

Wirtualny bliźniak spotyka inteligencję generatywną

Aby zrozumieć, dlaczego ci asystenci AI są ważni, należy najpierw zrozumieć koncepcję Wirtualnego Bliźniaka (Virtual Twin). W przeciwieństwie do prostego modelu 3D, wirtualny bliźniak jest matematycznie dokładną, opartą na fizyce reprezentacją obiektu lub systemu ze świata rzeczywistego — czy to silnika odrzutowego, wieżowca, czy ludzkiego serca.

Integrując generatywną sztuczną inteligencję z tym środowiskiem, Dassault Systèmes pozwala inżynierom przejść od „rysowania” rozwiązania do „opisywania” problemu. Zamiast ręcznie korygować geometrię wspornika w celu zmniejszenia masy, inżynier może poprosić AI o optymalizację części pod kątem druku 3D przy użyciu konkretnego stopu tytanu. AI nie tylko sugeruje kształt; weryfikuje go pod kątem praw fizyki w środowisku wirtualnego bliźniaka.

Poznaj specjalistów: Marie, Leo i Aura

Dassault Systèmes odeszło od podejścia AI typu „jeden rozmiar dla wszystkich”, stawiając zamiast tego na wyspecjalizowane persony przeszkolone na odrębnych zestawach danych. Gwarantuje to, że udzielane porady są uzasadnione technicznie i istotne kontekstowo.

• Marie: Pozycjonowana jako ekspert naukowy, Marie jest zaprojektowana do odpowiadania na złożone pytania dotyczące chemii, biologii i nauki o materiałach. Badaczowi opracowującemu nowy polimer Marie może dostarczyć informacji na temat stabilności molekularnej lub zgodności z przepisami, korzystając z ogromnych bibliotek literatury naukowej.
• Leo: Ten asystent jest pomostem do świata inżynierii. Leo jest zbudowany do obsługi kwestii „know-how” w projektowaniu przemysłowym. Niezależnie od tego, czy chodzi o pytanie dotyczące rozkładu naprężeń mechanicznych, czy zapytanie o najlepszą sekwencję montażu złożonego kadłuba, Leo dostarcza przydatnych danych inżynieryjnych.
• Dominic: Podczas gdy Marie i Leo skupiają się na „co” i „jak”, Dominic służy jako przewodnik sytuacyjny. Zaprezentowany niedawno na Mobile World Congress, Dominic działa jako nawigator wysokiego szczebla, pomagając użytkownikom zarządzać logistyką dużych wydarzeń lub poruszać się w rozległym ekosystemie platformy 3DEXPERIENCE.

Florence Verzelen, wiceprezes wykonawcza ds. EMEA w Dassault Systèmes, opisuje te narzędzia jako „supermoce”. Celem jest wyeliminowanie żmudnej pracy związanej z wyszukiwaniem danych i podstawowymi obliczeniami, co pozwoli ludzkim ekspertom skupić się na kreatywnym rozwiązywaniu problemów na wysokim poziomie.

Od projektowania generatywnego do inżynierii generatywnej

Istnieje kluczowa różnica między projektowaniem generatywnym ostatniej dekady a inżynierią napędzaną przez AI dzisiaj. Tradycyjne projektowanie generatywne wykorzystywało algorytmy do iteracji przez tysiące permutacji geometrycznych w oparciu o zestaw ograniczeń. Było ono potężne, ale często dawało wyniki typu „czarna skrzynka”, które były trudne do zmodyfikowania.

Nowocześni asystenci AI zapewniają warstwę interakcji w języku naturalnym. Pozwala to na doświadczenie typu „człowiek w pętli” (human-in-the-loop), w którym inżynier może dyskutować z AI, prosić o uzasadnienia i doprecyzowywać parametry w czasie rzeczywistym. Zmienia to proces projektowania w rozmowę. Jeśli Leo zasugeruje konkretny wzór wzmocnienia, inżynier może zapytać: „Dlaczego ten wzór, a nie struktura plastra miodu?” i otrzymać techniczne uzasadnienie oparte na specyficznych wymaganiach obciążeniowych projektu.

Praktyczne implikacje dla hali produkcyjnej

Wpływ tych asystentów wykracza poza biuro projektowe. W inżynierii produkcji stawkę mierzy się przestojami i marnotrawstwem materiałów.

Jak przygotować swój przepływ pracy do integracji z AI

Wdrożenie tych asystentów AI nie jest tak proste, jak przełączenie przełącznika. Wymaga to zmiany w sposobie zarządzania danymi przez zespoły przemysłowe. Aby w pełni wykorzystać te narzędzia, firmy powinny rozważyć następujące kroki:

1. Uporządkuj fundamenty danych: AI jest tylko tak dobra, jak dane, do których ma dostęp. Upewnij się, że dane PLM są ustrukturyzowane, a wirtualne bliźniaki aktualne.
2. Zdefiniuj wyspecjalizowane przypadki użycia: Nie próbuj używać AI do wszystkiego naraz. Zacznij od wdrożenia Marie w dziale R&D lub Leo do optymalizacji mechanicznej, aby zobaczyć, gdzie leży najwyższy zwrot z inwestycji (ROI).
3. Inwestuj w inżynierię promptów dla inżynierów: Nauczanie personelu, jak zadawać precyzyjne, techniczne pytania, to nowa umiejętność „kreślarska”. Ogólne pytanie daje ogólny projekt.
4. Zachowaj nadzór ludzki: Zawsze traktuj sugestie AI jako hipotezy. Ostateczna walidacja musi nadal odbywać się poprzez rygorystyczne symulacje i testy fizyczne.

Przyszłość innowacji przemysłowych

Wprowadzenie tych asystentów AI wyznacza punkt zwrotny, w którym oprogramowanie przestaje być narzędziem, a zaczyna być członkiem zespołu. Opierając generatywną sztuczną inteligencję na fizycznej dokładności wirtualnego bliźniaka, Dassault Systèmes rozwiązuje problem „halucynacji”, który nęka ogólną sztuczną inteligencję.

W miarę jak modele te będą nadal uczyć się na ogromnych ilościach danych generowanych w ramach platformy 3DEXPERIENCE, przepaść między pomysłem a wyprodukowaną rzeczywistością będzie się nadal zmniejszać. Dla inżyniera z roku 2026 wyzwaniem nie będzie już to, jak obsługiwać oprogramowanie, ale jak najlepiej prowadzić zespół cyfrowych ekspertów do rozwiązywania najpilniejszych wyzwań przemysłowych świata.

Źródła

• Dassault Systèmes Official Newsroom
• 3DEXPERIENCE Platform Documentation
• Mobile World Congress 2024/2025 Tech Briefings
• Interviews with Florence Verzelen, EVP EMEA, Dassault Systèmes