ИИ-агенты в производстве: от черчения до физики

В последние месяцы индустрия фиксирует устойчивый тренд: искусственный интеллект перестает быть просто инструментом для генерации кода или текстов и начинает брать на себя сложные инженерные расчеты. В обзоре публикаций за август–октябрь 2026 года собраны десять примеров, где ИИ-агенты участвуют в реальном производстве — от обработки металлов до проектирования систем охлаждения электроники. Уровень готовности этих решений варьируется: где-то деталь уже вырезана на станке, а где-то пока показан только расчетный эксперимент. Однако общая картина складывается четкая: агенты эффективно справляются с рутинными этапами, требующими больших затрат времени инженеров.

Один из наиболее показательных случаев связан с компанией Limitless и Blue Origin. Там ИИ-агент дописал программу обработки детали из Inconel в системе Siemens NX. Система читала геометрию CAD напрямую и использовала физический движок для оценки прогиба инструмента и деформаций материала. По утверждению разработчика, 60% траекторий в итоговой программе были созданы агентом, а деталь успешно обработали на станке. Ключевым преимуществом здесь стала возможность подхватить уже начатую работу в привычной CAM-системе, сохранив все накопленные ограничения и решения.

В Сингапуре исследователи разработали систему Design-to-Plan, которая превращает 3D-модель и чертеж в технологию изготовления. Агенты разбирают геометрию, находят технологические правила и выбирают последовательность операций. На примере фланца система распознала отверстия, фаски и резьбу, составив план обработки вплоть до рекомендаций по контролю. Однако при сопоставлении обозначения резьбы M42×1,5-6g с геометрией возникла неоднозначность, которую пришлось исправлять человеку. Это подчеркивает, что даже в сложных алгоритмах требуется человеческий контроль на этапе привязки данных.

В области литья пластика компания SIMCON провела эксперимент с GPT-6 Astra, предоставив ему доступ к FreeCAD и инструментам моделирования литья. Агент менял толщины стенок и радиусы посадочной опоры квадрокоптера, чтобы упростить изготовление формы. Хотя прочность детали пока не доказана физическими испытаниями, сам процесс связывания нескольких программ в один цикл доработки конструкции демонстрирует высокий потенциал автоматизации.

В Carnegie Mellon University исследовали подбор режимов лазерного спекания полимеров на базе Claude. Здесь присутствовала физическая обратная связь: образцы печатали, проводили механические испытания, а результаты возвращались агенту для корректировки настроек следующей сборки. По данным авторов, модуль упругости материала PA11 Onyx вырос с 934 до 1571 МПа за четыре итерации. Важно отметить, что речь идет именно о жёсткости, а не о прочности, и весь процесс оставался под надзором человека.

Исследователи из UNIST объединили фотографии процесса печати, параметры принтера и текстовые наблюдения оператора для исправления дефектов 3D-печати. В сценарии с недостаточно нагретым столом высота коробления снизилась в среднем на 74%. Ключевой инсайт заключается в роли оператора: человек мог сообщить о внешних факторах, таких как вибрация от соседнего оборудования или поток воздуха из вентиляции, которые система не всегда определяла автоматически. Это подтверждает необходимость интеграции человеческого опыта в архитектуру производственных агентов.

В робототехнике проект A-RAM показал, что геометрически правильной траектории недостаточно для шестиосевого манипулятора. Языковая модель анализировала задачу, а специализированные инструменты проверяли кинематическую достижимость. В одном из сравнений расчетное время выполнения плана сократилось на 40%, а максимальный рывок шестого сустава снизился более чем в два раза. Это доказывает важность учета конкретных характеристик робота при подготовке печати.

Компания Peak Energy использовала ИИ для анализа причин трещин в токовой шине батарейного модуля. Инженер связал тепловой расчет с механической моделью напряжений. По его оценке, задачи, занимавшие ранее одну-две недели, теперь выполняются за один-два дня. Организационный эффект также заметен: инженеры широкого профиля берутся за расчеты, которые раньше отправляли в очередь узким специалистам.

В Frore Systems агент помог автоматизировать подготовку и запуск параллельных исследований для охлаждения GPU. Инженер отметил, что значительная часть времени уходит не на сам расчет, а на скрипты, настройку и перенос данных между этапами. Автоматизация этих процессов снижает общую стоимость разработки.

Команда Dexory продемонстрировала, как агент SimScale за 20-30 минут нашел ориентацию радиатора, снизив расчетную температуру на 12°C. Инженер честно отметил, что для простых задач ручной расчет может быть быстрее, но выигрыш появляется при работе с повторяющимися настройками и сложными сборками.

Наконец, в CoLab + SimScale показано, как замечание к конструкции превращается в изменение геометрии и повторный расчет. Агент находит нужные поверхности, меняет параметры и проверяет результат по напряжениям Мизеса. Хотя физические испытания не проводились, этот пример иллюстрирует плавную передачу задач между инструментами с обязательным согласованием человеком.

Эти кейсы формируют практическую дорожную карту внедрения ИИ в производство. Рекомендуется начинать с конкретных задач, где инженеры регулярно теряют время: подготовка управляющих программ, подбор режимов или повторяющиеся расчеты. Сначала фиксируется текущий процесс и его стоимость, затем подключается агент, а результат сравнивается по тем же критериям. Успешным пилотом можно считать деталь, прошедшую контроль, или задачу, на которую теперь уходит два часа вместо двух дней. Источник: web:Habr AI — https://habr.com/ru/articles/1097180/