BOM Voyage

​​Ремонт на опережение: нейросеть предскажет поломки оборудования за 12 часов На МКС-5000 выксунского завода ОМК внедрили систему машинного обучения и благодаря этому сократили брак и аварийные простои стана. Более 6,3 миллиона рублей в год позволяет экономить система даже при неполной загрузке МКС-5000. При высокой загрузке эффект многократно возрастает. В основе нового подхода – статистическая модель работы оборудования, которая обнаруживает аномалии задолго до его отказа. Читать статью

Очередная новость про росатомовские (твэловские) 3D-принтеры. На выставке «ИННОПРОМ. Беларусь» был представлен малогабаритный 3D-принтер RusMelt 150M, изготовленный с использованием российских и белорусских компонентов. Механика, кинематика и конструкции изготовлены белорусскими предприятиями. От российской стороны - лазерная система, система управления и ПО. Доброе утро, атом!

OpenAI and Synopsys Announce GPT-Synopsys: Frontier Intelligence to Revolutionize Chip Design OpenAI и Synopsys создают специализированную систему GPT-Synopsys для автоматизации проектирования и проверки микросхем. Она будет напрямую работать с инженерными средствами Synopsys: запускать расчёты и проверки, анализировать результаты, изменять проект и повторять цикл до достижения заданных параметров по производительности, энергопотреблению, площади и временным характеристикам. Система будет интегрирована с Synopsys.ai и Autopilot и сможет выполнять длительные последовательности инженерных операций с передачей результата специалисту на проверку. Предусмотрено также подключение к агентным средам заказчиков, разграничение доступа, аудит действий, шифрование и изоляция проектных данных.

Хорошо известный в российском ИИ-сообществе Валерий Ковальский замутил себе стартап на инференс моделей на собственном железе — NeuralDeep. Принципиальный тут момент для многих, что это не «прокси с накруткой» к западным API, а инференс реально делается в России, т.к. это нужно для соблюдения ФЗ «О персональных данных» — иначе можно по шапке нормально получить при первой проверке регуляторами. Реально многие, кто заявляют, что GPU у них в России, на деле жулики и банально перепродают официальный API, но сильно дороже. Я даже попросил у Валерия доказать, что сервера реально существуют в РФ, он любезно прислал фото. Конечно, у него тарифы дороже официальных API, но тем, кто платит с юрлиц, выдавать налом сотруднику деньги на подписку на деле сразу вызывает прилипание НДФЛ и социальных налогов в сумме под 50% почти. Поэтому юрлицам такие сервисы выгоднее обычно, несмотря на более высокий тариф формально. Однако Валерий для частников предложил за 512 рублей в месяц анлим на Qwen 3.6. Это хороший вариант для студентов и для простых worker-агентов, которые просто обрабатывают большой контекст. Скорость у меня примерно 167 токенов/сек, что ок. У Валерия есть и free-тариф на Qwen 3.8-27B, Qwen 3.6, gpt-oss, Gemma 4, включая эмбеддинги, реранкер, распознавание речи, картинки — до 400 запросов / 3 часа и 2000 / неделю. Кому надо, можно зарегаться по ссылке. https://hub.neuraldeep.ru/?ref=CWDYEK3

From hours to sub-seconds: AI model allows real-time control of laser welding Empa и Terra Quantum показали ИИ-суррогат для практически мгновенного моделирования лазерной сварки. Модель LP-FNO заменяет тяжёлое многофизическое моделирование расплавленной ванны: по мощности лазера и скорости перемещения она восстанавливает трёхмерное температурное поле и границы расплава. Для Ti-6Al-4V модель обучалась в диапазоне 40–190 Вт и 0,1–1 м/с и покрывает как теплопроводностный, так и устойчивый keyhole-режим. Расчёт, занимавший примерно 6 минут при разрешении 10 мкм и более часа при 5 мкм, выполняется примерно за 8 и 88 мс соответственно; сообщается о средней относительной ошибке температуры около 2,5% и IoU границы расплава выше 0,9.

DeepSeek вместе с Huawei разрабатывают альтернативу CUDA Компании выложили в опенсорс набор инструментов для чипов Huawei Ascend. Сейчас это главные китайские AI-ускорители, на которые переходят все их стартапы. Большая проблема с переходом на новое железо заключается в софте: вся индустрия 10+ лет писала все под CUDA от Nvidia, и теперь Китаю предстоит восстановить то же самое для своих чипов. Собственно, этим DeepSeek и занимается. В частности, они выпустили в опенсорс Ascend-версии своих фирменных библиотек, на которых держатся ее собственные модели: DeepGEMM (умножение матриц), DeepEP (связь между чипами для MoE-моделей), FlashMLA (attention) и еще несколько. API у них такая же, как у Nvidia-версий, поэтому код с Nvidia переезжает почти без переписывания. Весь этот стек работает на TileLang. Поддержка Ascend у них появилась год назад, и если раньше на нем приходилось вручную прописывать такие вещи, как расписание и синхронизацию обработки данных, то теперь все это берет на себя компилятор. DeepSeek утверждает, что язык компактнее CUDA, а все TileLang-ядра, на которых она обучает свои модели, уже работают на Ascend. Понятно, что это замена не всего стека CUDA, а только написания ядер, но направление понятное: Китай методично закрывает зависимость от Nvidia на всех уровнях.

У OpenClaw есть теперь есть Enterprise версия. Проект первоначально возник внутри OpenAI, затем был передан OpenClaw Foundation и развивается совместно с Red Hat и NVIDIA; OpenAI и Red Hat уже используют его во внутренних пилотах. По сути это открытый control plane для долгоживущих агентов, а не очередной framework для написания их логики. https://openclaw.ai/blog/openclaw-enterprise P.S. Если кто-то не знает, OpenClaw — это открытая self-hosted платформа для ИИ-агентов, которая запускается на вашем компьютере или сервере и связывает LLM вроде GPT, Claude или локальных моделей с реальными инструментами и каналами общения. Через Telegram, WhatsApp, Slack, Discord и другие интерфейсы агент может работать с файлами, браузером, выполнять команды, использовать плагины и skills, хранить контекст и память, запускать задачи по расписанию, реагировать на webhooks и координировать несколько отдельных агентов. По сути, это постоянно работающий слой оркестрации между вами, моделями и вашими системами, позволяющий превратить чат с LLM в агента, который не только отвечает, но и выполняет действия. Ставите на компьютер и можете просить роботов делать что-то на нём (например по расписанию).

IBM и индийская Yotta запустили в промышленную эксплуатацию суверенную платформу для корпоративных ИИ-агентов. Она предназначена для организаций в Индии, которым важно, чтобы данные, вычисления, модели, инференс и механизмы управления ИИ оставались внутри национальной инфраструктуры. Основой агентного уровня служит IBM watsonx Orchestrate. Он выполняет роль центра управления ИИ-агентами: позволяет развёртывать их в корпоративных процессах, контролировать доступ, управлять жизненным циклом и применять единые правила безопасности и управления. Инфраструктурную часть предоставляет Yotta Shakti Cloud — вычислительные мощности, GPU, сеть, средства безопасности и эксплуатационные сервисы. Дополнительный слой Shakti Studio предназначен для работы с моделями. Через него организации могут экспериментировать с открытыми и коммерческими моделями, дообучать их, развёртывать и выполнять инференс. Таким образом, платформа объединяет практически весь стек: инфраструктуру, модели, выполнение ИИ и управление агентами. Главная идея — «суверенный Agentic AI»: компания получает не просто доступ к ИИ-моделям, а среду, в которой контролируются данные, вычислительные ресурсы, модели, действия агентов и требования соответствия нормативам. Все эти компоненты могут работать в индийских облачных регионах Yotta в Панвеле и Большой Нойде. В качестве первых сценариев называются автоматизация операций информационной безопасности, обработка документов и процессы HR, но архитектура рассчитана на более широкий класс корпоративных процессов. По сути, IBM и Yotta предлагают локализованный корпоративный стек «модели + инфраструктура + агенты + control plane». Здесь особенно интересен watsonx Orchestrate именно как уровень управления большим количеством корпоративных агентов, а не как отдельный чат-помощник: предполагается централизованно контролировать, какие агенты существуют, какие корпоративные системы они используют и как выполняются требования безопасности и управления. https://in.newsroom.ibm.com/IBM-Yotta-Announce-General-Availability-Agentic-AI-Platform

Сторонний open-source проект SolidWorks MCP выпустил версию 0.5.0 https://github.com/hjbaard/SolidWorks-MCP

вебинарчик идёт

Вебинар «Автоматизация инженерных процессов в эпоху ИИ-агентов» https://sapr.ru/anons/20260928-datadvance

Дверь в отделении Промышленно-коммерческого банка Китая в Буэнос-Айресе.

NVIDIA запустила Open Agent Safety Platform — открытый runtime/control-plane слой для агентов, который отделяет исполнение агента от системы, контролирующей его полномочия. Ключевой компонент OpenShell работает вне самого agent workload: Gateway управляет множеством sandbox-окружений, Supervisor проверяет исходящие запросы, а Sandbox ограничивает файловую систему, процессы и сеть на уровне ОС. Supervisor умеет инспектировать HTTP, GraphQL и MCP-трафик вплоть до отдельных операций: например, разрешить чтение через API, но заблокировать запись через тот же endpoint. Реальные credentials остаются вне агента и подставляются только после проверки policy и разрешённого назначения У них неплохой механизм изменения полномочий. Если агенту понадобилось новое действие, он может предложить узко ограниченное расширение политики, но оно по умолчанию остаётся в состоянии pending до человеческого одобрения, и агент не может утвердить собственный запрос. Отдельный policy prover формальными методами проверяет, не позволяют ли суммарные права выйти за заданную оператором границу. NVIDIA прямо подчёркивает, что результат такой проверки не зависит от объяснений самого агента. Для более сильной изоляции Sentry на BlueField-4 работает вне среды агента, отслеживает действия, решения политик, доступ к инструментам и данным, проверяет identity и delegated authority и может обеспечить независимое аппаратное enforcement. https://developer.nvidia.com/blog/add-runtime-controls-to-ai-agents-with-nvidia-openshell/

Synopsys Powers Autonomous Engineering with a Broad Portfolio of Long-Horizon Agents and Autopilot Platform Synopsys развивает ИИ-агентов, способных вести длительные инженерные процессы: разбивать задачу на этапы, вызывать специализированные средства проектирования и анализа, проверять промежуточные результаты и продолжать работу до достижения заданного состояния. Такие агенты применяются в проектировании и верификации микросхем, аналоговых схемах, компоновке, подготовке производства и инженерном анализе. Общим управляющим слоем служит Autopilot, который координирует агентов, хранит проектный контекст и память, управляет доступом к инструментам и контролирует выполнение. Агент работает не только с языковой моделью, но и со структурированными данными проекта, инженерными приложениями и накопленными знаниями. Уже заявлены применения для генерации RTL-кода, поиска ошибок, оптимизации схем, проектирования аналоговых блоков и анализа многокристальных систем. В результате формируется многоуровневая схема: один агент ведёт процесс целиком, специализированные агенты решают отдельные задачи, а общий слой обеспечивает им контекст, координацию и контроль.

Китайская компания Shandong Huake Information Technology представила интеллектуальную систему моделирования для электроэнергетики, ориентированную прежде всего на распределительные сети и работу с большим количеством возобновляемых источников энергии. Основная идея продукта — объединить обычные средства расчёта электрических сетей с ИИ-агентом, который способен сам выбирать и запускать необходимые инструменты моделирования. В систему встроен автономный агент на основе подхода ReAct. Пользователь может сформулировать задачу на естественном языке, после чего агент определяет последовательность действий и вызывает специализированные расчётные функции, например анализ отказа одного элемента сети по критерию N-1 или проверку топологии. Если для расчёта не хватает параметров, система может запросить их у человека. Для более сложных сценариев предусмотрены динамический выбор инструментов, многоуровневая память, поиск по техническим документам и изоляция данных разных организаций. Таким образом предполагается автоматизировать не отдельный расчёт, а целые последовательности инженерных операций. Компания называет свой программный комплекс «Huake Inno Cloud Simulation» и позиционирует его как собственную китайскую облачную систему моделирования энергосетей. Она предназначена для быстрого построения моделей сложных распределительных сетей, комплексного моделирования их состояния, анализа подключения большого количества объектов возобновляемой энергетики и поддержки решений по безопасной эксплуатации сети. Разработчик сообщает, что система уже использовалась в проектах провинциальных исследовательских институтов электроэнергетики, организаций, занимающихся проектированием сетей, подразделений NARI Group и региональных энергоснабжающих компаний. То есть речь идёт не только о демонстрационном прототипе: продукт уже продвигается как промышленная система для реальных электросетевых организаций. https://www.yeyulingfeng.com/a/1091685.html

AI инженер в Ланит Удаленно / Гибрид / Офис в Москве Предстоит: Внедрение agent-assisted и SDD-практик в продуктовых командах; Анализ кода и reverse engineering для спецификаций; Исследования, пилоты и развитие Human‑in‑the‑Loop; Создание микроинструментов и управление контекстом агентов… Узнать подробнее 🔵

Вашему внимаю iAISIM — очень молодой китайский проект в области AI+CAE, который пытается перенести ИИ из уровня «помощника для инженера» непосредственно в вычислительное ядро инженерного анализа. Компания называется 无限维智仿（北京）科技有限公司 — iAISIM (Beijing) Technology. Она зарегистрирована в Пекине в октябре 2025 года, а сам продукт публично представили весной 2026 года. Главная идея достаточно интересная. Сейчас iAISIM — это не новый универсальный конечно-элементный решатель в духе Ansys Mechanical или Abaqus. Скорее это платформа для построения обученного быстрого заместителя обычного CAE-решателя. Типичный процесс выглядит примерно так: CAD/mesh + loads + BC → Ansys/Abaqus → training dataset → iAISIM training → neural surrogate → new geometry/load → result in seconds То есть сначала традиционный CAE всё равно используется для получения обучающих данных. iAISIM импортирует данные из Ansys, Abaqus и подобных систем, преобразует геометрию и сетку в собственное тензорное представление, обучает модель, а затем эта модель предсказывает поля напряжений, температур, перемещений и другие результаты без повторного полного численного решения. Технически они используют смесь нескольких классов моделей: CNN, RNN, MLP, графовые нейронные сети, PINN и neural operators. В выступлении компании дополнительно упоминается FNO — Fourier Neural Operator. Идея состоит в том, чтобы не просто аппроксимировать отдельное число вроде максимального напряжения, а предсказывать целое пространственное поле. Однако их конечная цель сформулирована не как «ускорить Ansys», а как traditional solver → physics model → real-time simulation → autonomous generative design. То есть нынешний surrogate solver для них фактически только первая ступень. Если они действительно смогут перейти от обучаемого на конкретном семействе задач surrogate к более универсальным neural operators с хорошей геометрической и физической обобщаемостью, это уже будет существенно более серьёзная история, чем просто очередной AI-copilot для CAE. https://iaisim.com/en

CADWorld — первый достаточно жёсткий benchmark для полноценных CAD-агентов, и результаты пока очень слабые. Исследователи собрали 200 задач в FreeCAD по 11 классам инженерной работы: эскизы, параметрические детали, сборки, CAM, FEM, измерения, сетки и технические чертежи. В отличие от обычных text-to-CAD тестов, агент работает через настоящий GUI — видит экран, кликает, вводит параметры — а проверяется не картинка результата, а сохранённый нативный CAD-проект: геометрия, размеры, ограничения, feature tree, состояние CAM, результаты FEM и другие инженерные свойства. Результат показательный: лучший из семи протестированных computer-use агентов успешно выполнил только 17,5% всех 200 задач, тогда как контрольные решения инженеров прошли 87% проверок. На отдельном 60-задачном наборе лучший агент дошёл до 25%. Причём у более сильных агентов проблема уже не столько в том, чтобы найти нужную кнопку: они часто получают визуально правдоподобный результат, но нарушают структуру модели, ограничения, геометрию или правильную последовательность построения. Важная особенность benchmark: авторы требуют, чтобы результат оставался редактируемым и трассируемым. Два тела могут выглядеть совершенно одинаково, но одно построено корректно через параметры и зависимости, а другое представляет собой инженерно бесполезный результат. https://cad-world.github.io

Cloudflare: автоматический трафик уже обогнал человеческий, и агентам потребуется другая модель Интернета. Cloudflare сообщает, что ожидала превышения машинного трафика над человеческим только во второй половине 2027 года, но из-за ИИ-агентов и crawler’ов это произошло уже в мае 2026-го; при сохранении тенденции через пять лет автоматический трафик может превосходить человеческий примерно в 1000 раз. Более половины данных, повторно запрашиваемых «хорошими» ботами, при этом вообще не изменились — поэтому Cloudflare работает над механизмами передачи агентам только изменений и над оплатой владельцам контента и приложений за машинное использование. Это начинает выглядеть как отдельный транспортно-экономический слой будущего agentic Internet. https://blog.cloudflare.com/cloudflares-2026-annual-founders-letter