BOM Voyage

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

Российский рынок PLM/CAx глазами индусов Russia’s CAD Revolution Takes a New Turn: Domestic Systems Begin Talking to Each Other

NASA: The Effect of Magnetohydrodynamic (MHD) Energy Bypass on Specific Thrust for a Supersonic Turbojet Engine Работа рассматривает необычную схему сверхзвукового турбореактивного двигателя с магнитогидродинамическим энергетическим байпасом. Идея в том, чтобы часть энергии входящего воздушного потока отбирать перед двигателем с помощью магнитного поля, превращать её в электрическую, а затем возвращать ниже по тракту — например, дополнительно разгоняя поток перед соплом. Для этого воздух сначала слабо ионизируют, чтобы он мог взаимодействовать с магнитным полем. Затем МГД-генератор немного тормозит поток и отбирает часть его энергии. После камеры сгорания и турбины эта энергия может использоваться МГД-ускорителем, который электромагнитной силой разгоняет газ и увеличивает тягу. В результате энергия не просто теряется при торможении набегающего потока, а переносится из передней части двигателя в заднюю. Главный смысл такой схемы — не только рост тяги. На больших скоростях входящий воздух становится слишком горячим для обычной турбомашины. Если часть его энергии заранее отобрать, можно снизить нагрузку на компрессор и турбину и потенциально расширить диапазон работы обычного турбореактивного двигателя в сторону гиперзвуковых скоростей. Магнитное поле также позволяет управлять потоком без сложной механической изменяемой геометрии воздухозаборника. В расчёте использовался двигатель класса Allison J-102 с расходом воздуха около 28 кг/с. Рассматривались разные температуры цикла, длина МГД-генератора, электропроводность газа и магнитные поля. Модель была упрощённой, одномерной, поэтому речь идёт о проверке самой физической идеи, а не о расчёте готового двигателя. На скоростях ниже примерно M=2 заметного выигрыша от МГД-системы почти нет. Наиболее интересная область начинается примерно от M=2 до M=3,5. Здесь магнитное поле в несколько тесла может заметно увеличить удельную тягу. В одном из режимов при M=3,5 расчёт дал прирост до 420 Н/(кг/с), что при выбранном расходе воздуха соответствует примерно 11,8 кН дополнительной тяги. Ещё один эффект — расширение диапазона скоростей. При более высокой допустимой температуре двигателя расчётная рабочая область постепенно сдвигается от примерно M=5 до M=6–7. То есть МГД-байпас потенциально позволяет турбореактивному двигателю сохранять работоспособность там, где обычная схема уже сталкивается с серьёзными температурными ограничениями. При этом система не создаёт дополнительную энергию. Она перераспределяет уже имеющуюся энергию воздушного потока. Чем больше энергии отбирается во входной части, тем дальше можно сдвинуть рабочий диапазон двигателя, но максимальная тяга при этом не обязательно растёт. Поэтому задача состоит в поиске компромисса между дополнительной тягой, охлаждением входящего потока и расширением диапазона скоростей. Расчёты показывают, что такой подход теоретически может быть полезен для полёта примерно на M=2–3,5 и потенциально расширить работу турбореактивной схемы до M=7. Основные практические проблемы — получение достаточно проводящей плазмы, создание сильного магнитного поля, эффективное преобразование энергии и согласование всех частей двигателя. Для реальной системы особенно желательно снизить требуемое магнитное поле до порядка 1–2 Тл.

Оказывается Макс - это не только мессенджер, но и САПР для автоматизации проектирования бортовых кабельных сетей и трубопроводных систем от АО «Цифровая мануфактура»

Молодёжный маркетинг Rhino CAD

IPCEI-AI — это формирующийся общеевропейский мегапроект по созданию собственной промышленной инфраструктуры и технологического стека искусственного интеллекта. Полное название — Important Project of Common European Interest on Artificial Intelligence. Это первый IPCEI ЕС, специально посвящённый ИИ. В сентябре 2026 года проект перешёл из стадии концепции к предварительному согласованию государственной поддержки с Еврокомиссией. Его совместно разрабатывают 19 стран, включая Польшу, Германию, Францию, Италию, Испанию, Нидерланды и Швецию; координатором выступает Германия. https://digital-strategy.ec.europa.eu/en/news/commission-welcomes-design-first-important-project-common-european-interest-ai Проект задуман не как «европейский ChatGPT» и не как единая централизованная облачная платформа. В официальных документах используется формулировка continuum of federated and distributed AI services — континуум федеративных и распределённых сервисов ИИ. То есть разные вычислительные центры, данные, модели и прикладные системы должны иметь возможность работать как взаимосвязанная европейская среда, сохраняя при этом распределённость и организационную самостоятельность. Логика проекта состоит в том, что для таких задач недостаточно универсальных языковых моделей: нужны специализированные модели, обученные на инженерных и производственных данных. При этом вычислительный слой предполагается федеративным. В ранних проектных документах прямо говорится о подключении EuroHPC, AI Factories и других вычислительных мощностей таким образом, чтобы европейские предприятия, включая МСП, могли получать к ним доступ через общий континуум. То есть условная инженерная модель не обязательно должна обучаться в одном дата-центре или у одного гиперскейлера. IPCEI-AI довольно близок к той концепции «федеративной AI OS», которую сейчас постепенно формирует Европа. Однако это не одна операционная система и даже не единый продукт. Это набор взаимосвязанных проектов разных компаний и стран, для которых задаются общая цепочка ценности, требования к совместимости, трансграничному сотрудничеству и распространению результатов. Gaia-X, Data Spaces, EuroHPC и 8ra могут выступать соседними или нижележащими элементами этой картины, но IPCEI-AI не является просто новым названием Gaia-X. Есть ещё существенное отличие IPCEI от обычной европейской исследовательской программы. Деньги в основном выделяют сами государства участникам своих национальных проектов, а Еврокомиссия разрешает такую государственную помощь как исключение из обычных ограничений конкуренции. Поддерживаются R&D, действительно новые технологии и первый промышленный ввод, а не субсидирование обычного производства уже существующего продукта. От участников также ожидаются трансграничное сотрудничество и положительные spillovers — распространение знаний, технологий или открытый доступ к части созданной инфраструктуры. https://competition-policy.ec.europa.eu/document/download/13400bdc-bff5-4c91-ab3f-52bfb62c2984_en?filename=IPCEI_factsheet_What-are-IPCEIs-not_en.pdf Проект ещё не утверждён Еврокомиссией. 19 государств закончили совместное проектирование, а 11 стран, которые собираются финансировать непосредственных участников, в сентябре начали процедуру pre-notification. Еврокомиссия теперь должна проверить каждый проект и весь интегрированный IPCEI на соответствие правилам государственной помощи. Общая сумма финансирования IPCEI-AI пока публично не объявлена. Масштаб при этом уже большой: в ходе национальных отборов было предварительно выбрано около 150 проектов, а 10 марта 2026 года в Берлине прошёл общеевропейский matchmaking, после которого отдельные проекты начали собирать в единую цепочку. Польша участвует в IPCEI-AI; польский отбор стартовал 20 февраля 2026 года, а второй этап для отобранных прямых участников завершился 1 июля. https://www.bundeswirtschaftsministerium.de/Redaktion/EN/Dossier/ipcei-ai.html

arXiv :: Beyond Compression: Training Latent Representations for Stable Long-Horizon Rollout in Neural Surrogate Solvers - работа о фундаментальной проблеме нейросетевых суррогатных решателей: накоплении ошибки при длинном прогнозе динамической системы. Нейросетевые модели могут ускорять инженерные расчёты, заменяя часть дорогого численного моделирования быстрым прогнозом. Но напрямую работать с полными результатами CAE сложно: большие сетки и десятки физических полей требуют много памяти, вычислений и обучающих данных. Поэтому состояние системы сначала сжимают в компактное скрытое представление, где сохраняются основные закономерности, а уже затем прогнозируют его развитие. Проблема в том, что такое сжатие обычно обучают только на точное восстановление исходных данных. Для длительного моделирования этого мало: каждый следующий шаг строится на предыдущем прогнозе, поэтому небольшие ошибки накапливаются и со временем могут увести расчёт от физически допустимого поведения. Поэтому скрытое представление нужно обучать не только хранить данные, но и поддерживать устойчивую динамику. Для этого уменьшают степень сжатия, сохраняют пространственную структуру полей, добавляют небольшие возмущения при обучении и учат модель работать с собственными предыдущими прогнозами. Это делает её менее чувствительной к мелким ошибкам. При этом точность одного следующего шага оказалась слабым показателем качества длительного расчёта: некоторые методы немного ухудшают ближайший прогноз, но повышают устойчивость длинной последовательности. В результате ошибку длительного прогноза удалось снизить примерно на 40–43 %. В задаче фазового разделения модель достигла сопоставимой точности с расчётом по полным полям при почти на два порядка меньшем числе вычислений и примерно вдвое меньшем потреблении памяти графического процессора. На задаче высокоцикловой усталости с 55 физическими полями модель, обученная только на ранней части процесса, смогла прогнозировать дальнейшее накопление повреждений далеко за пределами обучающего диапазона с ошибкой менее 10 %. Для CAE основной вывод в том, что сжатие нужно проектировать не просто ради уменьшения объёма данных, а так, чтобы физическая система могла устойчиво развиваться в этом компактном представлении много шагов подряд.

Я пропустил пятницу, был весь день на конференции, так вот, пятничное

Грешным делом собрал список MCP под Компас (официального MCP Server или анонса поддержки Model Context Protocol нет и не будет, так что всё стороннее) 1) https://github.com/dwnmf/KOMPAS-3D-MCP-bin https://kompasmcp.ru/ Готовый Windows-клиент для подключения КОМПАС-3D к Codex, Claude, Roo Code, Cline и другим MCP-клиентам. Заявлены создание 2D-чертежей, построение 3D-деталей, проверка модели, скриншоты и экспорт. Для Codex прямо приведена конфигурация mcp_servers.kompas_3d. Только вот это не просто полностью локальный open-source MCP. На сайте говорится о персональной конфигурации с адресом сервера и доступом, после чего локальный Windows-агент подключает КОМПАС-3D. То есть архитектура, судя по описанию, содержит внешний серверный компонент. 2) https://github.com/hymaxo/kompas3d-mcp — полноценный исходный код под MIT. Сервер работает локально через stdio, использует установленный SDK АСКОН и COM API КОМПАС-3D. Автор заявляет 41 MCP tool, доступ к API5/API7, работу с эскизами, выдавливаниями, вращением, скруглениями, параметрами, сборками, чертежами, материалами, экспортом STEP/STL/IGES и т. д. Проверялось на Windows + КОМПАС-3D v25 Home + Python 3.12. Причём здесь есть довольно интересная архитектурная идея: помимо высокоуровневых инструментов сервер предоставляет api_invoke / api_batch, фактически позволяя агенту обращаться к широкому набору COM API. Этот проект совсем свежий: сейчас в репозитории всего несколько коммитов и минимальная аудитория. 3) https://github.com/xomyachok-shaolin/kompas-3d-mcp-linux — ориентировано на КОМПАС-3D v24 под Linux и устроена иначе: C++ bridge-plugin .rtw работает через KsAPI SDK, а Python-процесс реализует сам MCP по stdio. Пока набор функций сравнительно небольшой: создание 2D-документа, линии, окружности, прямоугольники, текст, штамп, сохранение CDW, DXF, скриншоты и перечисление объектов

^^ кстати, это компонент интересного мне сценария связи нескольких контуров в каждом из которых свои PLM/CAx системы. Автоматическая адаптация данных — важное и не особо решённая пока что проблема. Пока что чаще всего требуют ту или иную степень унификации по всей цепочке кооперации требующей оперативного обмена данными.

Учёные Санкт-Петербургского политехнического университета Петра Великого (СПбПУ) разработали гибридную архитектуру, объединяющую цифровой двойник теплоэлектроцентрали (ТЭЦ) и ИИ. Она подбирает оптимальные режимы работы станции примерно за 15 секунд вместо нескольких минут — это в 16 раз быстрее, чем расчёт с использованием цифрового двойника и классических математических методов. https://www.elec.ru/news/2026/09/24/uchyonye-spbpu-uskorili-optimizatsiju-rezhimov-rab.html

^^ Нашлись в связи с тем, что они связали электронное и механическое проектирование в одном агентном процессе. Новая функция автоматически строит корпус непосредственно из актуальной геометрии печатной платы: пользователь описывает требования текстом, система создаёт пригодную для 3D-печати модель с креплениями, защёлками, отверстиями, вентиляцией и вырезами под разъёмы. Существенная деталь — связь остаётся живой: если на плате переместить или заменить компонент, Flux автоматически перестраивает корпус и одновременно обновляет инструкции по изготовлению и сборке. Функция доступна уже сейчас. https://www.globenewswire.com/news-release/2026/09/24/3368248/0/en/flux-launches-new-ai-capabilities-to-take-hardware-designs-from-pcb-to-prototype.html

Flux.ai — это облачная ECAD-платформа для проектирования электроники и печатных плат, которая сейчас довольно агрессивно перестраивается вокруг концепции «AI hardware engineer». То есть это уже не просто PCB-редактор с чат-ботом, а попытка сделать агентную систему, способную пройти значительную часть цепочки от текстового описания устройства до схемы, разводки и производственных файлов. С технической точки зрения интереснее всего то, что AI работает не поверх внешнего CAD через генерацию файлов, а внутри собственной модели ECAD. Flux утверждает, что агент использует тот же редактор и те же операции, что и человек. Поэтому действия AI остаются частью обычного редактируемого проекта: можно менять схему, двигать элементы, править проводники и продолжать работу вручную. Это существенно ближе к «агенту внутри инженерной системы», чем к text-to-CAD, который просто генерирует конечный артефакт. Основной сценарий выглядит так: вы описываете, например, «нужна плата на ESP32 с USB-C, питанием от LiPo, датчиком температуры и CAN», после чего агент Flux формирует план, подбирает компоненты, строит BOM, создает схему, размещает компоненты и помогает с трассировкой. Дальше инженер может вручную корректировать результат. На выходе Flux умеет формировать Gerber, drill-файлы, BOM, pick-and-place и netlist для производства. Отдельно хорошо проработана связь с цепочкой поставок. В платформу встроены сведения о наличии и стоимости компонентов, а AI может учитывать доступность деталей и предлагать замену. Это довольно важное отличие от классической схемы «ECAD → BOM → отдельный компонентный/закупочный инструмент»: информация о комплектующих участвует непосредственно в проектировании. https://www.flux.ai