Как ИИ-агенты помогают на производстве

Я уже размышлял, сможет ли ИИ заменить инженеров. А теперь предлагаю посмотреть, какую работу он уже берет на себя и что из этого получается на практике. Меня особенно интересуют случаи, когда результат работы ИИ-агента можно проверить на реальной детали: измерить коробление после литья, испытать прочность, сравнить температуру под нагрузкой. Или просто посчитать, сколько времени заняла подготовка производства и сколько инженерных часов удалось сэкономить.

Рассмотрим десять примеров из публикаций за август–октябрь 2026 года. Здесь есть обработка металла, литье пластика, 3D-печать, проверка батареи и охлаждения электроники. Уровень готовности разный: где-то деталь уже изготовили, где-то напечатали и испытали образцы, а где-то пока показали расчетный эксперимент. Но по этим примерам уже хорошо видно, какую инженерную работу начинают брать на себя агенты. Картинки сгенерированы ИИ на основании каждой темы, чтобы немного разбавить текст статьи.

1. Limitless / Blue Origin — агент дописывает программу обработки Inconel

По рассказу руководителя Limitless, программист Blue Origin начал подготовку обработки в Siemens NX, а затем передал работу агенту. Тот учёл оставшийся материал заготовки, геометрию детали, доступный инструмент, кинематику станка и закрепление. Разработчик утверждает, что агент завершил программу за минуты, а деталь действительно обработали на станке. 60% траекторий в итоговой программе были созданы агентом.

Интересна техническая сторона: система читает геометрию CAD напрямую, на уровне поверхностей и их связей. Дополнительно использует физический движок для оценки прогиба инструмента, нагрева, износа и деформаций материала. Это приближённые оценки, а не полноценный конечно-элементный расчёт.

Технолог остаётся проверяющим. Например, он может знать о проблеме конкретной оси станка или о заготовках определённого поставщика, которые ведет после черновой обработки.

Для меня здесь самое полезное — возможность подхватить уже начатую работу в привычной CAM-системе. С её инструментами, ограничениями и накопленными решениями.

Источник: Limitless Labs.

2. Design-to-Plan — от 3D-модели и чертежа к технологии изготовления

Исследователи из Сингапура собрали систему, в которой специализированные агенты разбирают геометрию, читают чертеж, находят технологические правила, выбирают последовательность операций и инструмент.

В примере с фланцем система распознает центральное отверстие, наружную ступицу, шесть крепёжных отверстий, фаски и резьбу. Затем составляет план обработки вплоть до рекомендаций по контролю. Особенно показателен момент с резьбой M42×1,5-6g. Система неоднозначно сопоставила обозначение на чертеже с геометрией, и человеку пришлось исправить привязку, указав наружную ступицу. После этого планирование продолжилось.

Вот такие подробности мне гораздо интереснее заявления о "100% успешности". Они показывают, где именно нужен инженер. Авторы проверили работу программных агентов на 300 тестовых заданиях. Изготовление и приемка 300 деталей здесь не проводились. Пока это исследование подготовки технологических решений.

Источник: статья Design-to-Plan.

3. SIMCON — агент переделывает пластиковую деталь под литьё

Инженер SIMCON Маркус Форнофф дал GPT-6 Astra доступ к FreeCAD, инструментам моделирования литья Cadmould и прочностному решателю OpenRadioss.

Тестовой деталью стала посадочная опора квадрокоптера. Агент менял толщины стенок, ребра, радиусы и литейные уклоны. Когда исходная конструкция затруднила изготовление формы, он отделил направляющую от рамы и переработал геометрию.

Дальше — проверка заполнения формы, сравнение режимов, оценка коробления и возврат в CAD для следующих изменений. Для быстрого перебора использовали Cadmould AI Solver, для уточнения — численный решатель 3D-F. Затем добавили два примера механического нагружения: нажатие на защёлку и приземление.

Прочность и долговечность этой детали пока не доказаны. Автор прямо пишет, что нужны валидация расчётов и физические испытания. Но сам эксперимент интересный: инженер задает критерии и проверяет промежуточные результаты, а агент связывает несколько программ в один цикл доработки конструкции.

Источник: SIMCON и описание эксперимента автора.

4. Carnegie Mellon — подбор режимов лазерного спекания по результатам испытаний

В CMU исследовали систему на базе Claude для селективного лазерного спекания полимеров. Работали с тремя материалами: PA12 GF, PA11 Onyx и смесью двух порошков PA12.

Здесь уже есть физическая обратная связь: образцы печатают, человек проводит механические испытания, результаты возвращаются агенту. Он учитывает предыдущие режимы, неудачи и измеренные свойства, затем предлагает настройки следующей сборки.

По данным одного из авторов, для PA11 Onyx лучший измеренный модуль упругости при растяжении вырос с 934 до 1571 МПа за четыре сборки под управлением агента — примерно на 68%. Это именно модуль упругости, то есть характеристика жёсткости. Называть такую прибавку "ростом прочности на 68%" было бы неправильно.

Мне нравится сама логика: опыт не заканчивается отчетом в папке. Измерения предыдущей партии используются при подготовке следующей. При этом испытания и надзор человека остаются частью процесса.

Исследование · Пояснение автора с результатами.

5. UNIST — исправление дефектов 3D-печати с подсказками оператора

Исследователи UNIST объединили фотографии печати, текущие параметры принтера и текстовые наблюдения человека. Модель анализировала ситуацию и корректировала настройки.

В сценарии с недостаточно нагретым столом высота коробления снизилась с 1,29 до 0,33 мм в среднем по трем опытам. Это уменьшение примерно на 74%. В других сценариях результаты были скромнее: при внешнем обдуве коробление уменьшилось примерно на 44%, а при вибрации смещение слоёв — на 35%. Универсального устранения дефектов здесь нет.

Самая интересная деталь — роль оператора. Человек мог сообщить, что рядом работает оборудование и принтер вибрирует, либо что на него дует поток воздуха. Такую причину система не всегда определяла по изображениям и данным оборудования.

Мой вывод: наблюдения человека стоит сразу включать в архитектуру производственного агента. Этот пример хорошо показывает, зачем агенту нужны наблюдения оператора. Камера видит деформацию детали, а человек может подсказать ее причину: на принтер дует из вентиляции или рядом работает оборудование, вызывающее вибрацию.

Источник: Journal of the Korean Society for Precision Engineering.

6. A-RAM — подготовка 3D-печати с учётом движений промышленного робота

Когда печатает шестиосевой манипулятор, геометрически правильной траектории недостаточно. Нужно проверить, сможет ли робот ее выполнить и как при этом будут двигаться его суставы.

В A-RAM языковая модель разбирает задачу и ограничения, а специализированные инструменты проверяют нарезку, размещение детали, кинематическую достижимость и характеристики движений.

В одном сравнении расчётное время выполнения плана сократилось с 1900 до 1138 секунд — на 40,1%. Сравнивались разные допустимые рисунки заполнения, причём за базу взяли худший из рассмотренных вариантов.

В другом исследованном наборе максимальный рывок шестого сустава удалось снизить до 53,5% относительно наименее удачного допустимого кандидата.

Это не доказательство, что агент ускоряет любую роботизированную печать на 40%. Но хороший пример того, почему подготовку нужно вести под конкретную геометрию и конкретного робота. Красивый путь сопла еще не гарантирует удачных движений всей машины.

Источник: исследование A-RAM.

7. Peak Energy — поиск причин трещин в токовой шине батарейного модуля

Peak Energy разрабатывает натрий-ионные накопители для энергосистем. В опубликованном случае инженер исследовал токовую шину, которая может трескаться из-за повторяющегося теплового расширения и сжатия.

Для этого нужно связать два расчета. Сначала определить температурное поле при рабочих токах, затем передать его в механическую модель и посмотреть возникающие напряжения.

По словам инженера, тепловую часть удалось сопоставить с реальными испытаниями. Это существенная подробность: хотя бы первый этап модели проверили измерениями.

Его оценка трудозатрат: расчеты, которые самостоятельно заняли бы у него одну-две недели, с Cosmon можно выполнить за один-два дня. Это личная оценка, а не независимый замер производительности всей команды.

Еще интереснее организационный эффект. По рассказу инженера, часть расчетов раньше вообще пропускали или отправляли в очередь специалистам. Теперь более простые задачи могут выполнять сами инженеры широкого профиля.

Источник: интервью инженера Peak Energy.

8. Frore Systems — расчеты жидкостного охлаждения GPU

Инженер Frore Systems рассказал об использовании Cosmon при разработке LiquidJet — охлаждающих плит для чипов в дата-центрах.

Работа включает построение расчетных сеток, моделирование течения и теплообмена, изменение граничных условий и обработку результатов. После изменения геометрии часть этого процесса приходится повторять.

Агент помогает автоматизировать подготовку, запускать несколько исследований параллельно и формировать задания для вычислительного кластера. Последний пункт особенно жизненный. Время инженера уходит и на скрипты, отправку задач, настройки и перенос данных между этапами. Все это тоже часть стоимости расчёта.

Измеренного ускорения в интервью нет. Зато есть описание применения в текущей работе инженера и понятные операции, которые он передает системе.

Мой вывод: при оценке такого инструмента нужно считать весь путь от вопроса до проверенного результата. Время работы самого решателя — только его часть.

Источник: интервью инженера Frore Systems.

9. Dexory — снижение температуры изменением ориентации радиатора

По докладу Dexory, агент SimScale за 20-30 минут нашёл ориентацию установки радиатора, при которой расчётная температура оказалась на 12°C ниже. Речь о результате исследования вариантов, а не о подтверждённом измерении готового устройства.

Команда также использует агента для настройки сложных сборок: одна секция башни робота содержит 198 контактов и 192 болтовых соединителя.

Инженер честно отметил: простой одиночный расчет иногда быстрее сделать самому. Выигрыш появляется на повторяющихся настройках и параллельных задачах.

Источник: доклад Dexory в обзоре SimScale.

10. CoLab + SimScale — замечание к конструкции превращается в изменение и повторный расчёт

В демонстрации инженер подтверждает рекомендацию утолщить ребра детали. Затем агент находит нужные поверхности, меняет геометрию и повторяет расчет сжатия.

В результате уменьшаются эквивалентные напряжения по Мизесу и максимальное перемещение. Численные величины улучшения в обзоре не приведены.

Мне здесь интересна передача задачи между инструментами: замечание из проверки конструкции проходит через согласование человеком и заканчивается расчетной проверкой изменения.

Статус — демонстрация рабочего процесса. Физические испытания измененной детали в этом источнике не показаны.

Источник: демонстрация CoLab и SimScale.

После таких примеров у меня возникает вполне практический вопрос: какой участок нашей инженерной работы уже можно передать агенту и как проверить результат? Подготовку управляющей программы? Перебор режимов? Повторяющийся расчет? Разбор причин дефекта?

Я бы начинал внедрение ИИ-агента с конкретной задачи, на которой инженеры регулярно теряют время: подготовка управляющей программы, подбор режима, повторяющийся расчет или поиск причин дефекта. Сначала фиксируем, как процесс работает сегодня: сколько часов занимает, какие данные нужны и где требуется решение человека. Затем подключаем агента и сравниваем результат по тем же критериям.

Для меня хороший пилот заканчивается деталью, которая прошла контроль, расчетом, который подтвердился испытаниями, или задачей, на которую теперь уходит два часа вместо двух дней. После этого уже есть основания двигаться дальше.

P.S. Ссылки собрал Сергей Авдейчик, кандидат технических наук.