BOM Voyage

Немецкий Plataine расширил своих производственных агентов от оперативного scheduling до долгосрочного планирования на месяцы и годы. Новые Long-Term Production Planning Agents моделируют реальные ограничения производства — станки, оснастку, людей, материалы, маршруты, зависимости операций и спрос — и позволяют проверять сценарии до принятия решения: покупку дополнительного оборудования, запуск второй смены, увеличение штата, ввод новой линии или принятие крупного заказа. Агент может работать как в интерактивном, так и в автономном режиме с контролируемой автономностью. При этом налажена связь стратегического и оперативного уровней: долгосрочные сценарии рассчитываются на тех же ограничениях, которые используются для текущего производственного расписания. То есть вместо отдельной «финансовой» capacity model получается цифровая модель производственной системы, через которую можно проверять Capable-to-Deliver и CAPEX-решения. https://www.prnewswire.com/news-releases/plataine-unveils-ai-agents-for-long-term-strategic-planning-helping-manufacturers-scale-for-growth-302884300.html UI и навык презентации у них явно что-то из 90-х

^^ Кстати, SUPCON — это китайская компания по происхождению и основной корпоративной структуре. Материнская публичная компания — SUPCON Technology Co., Ltd. (中控技术股份有限公司), зарегистрирована в Китае и торгуется на Shanghai STAR Market Но при этом у компании 2 headquarters и второй — в Сингапуре, что помогает ей поддерживать доступ на западные рынки в нынешние весёлые времена. Для международного бренда SUPCON сейчас фактически позиционирует Singapore как headquarters.

^^ В TPT2 появились три особенно существенных элемента: — Во-первых, Industrial Semantic Tags. Данные должны приходить к модели не как безымянные tag_12345, а с промышленным контекстом: что измеряется, к какому оборудованию относится, какую роль играет в технологическом процессе и т. д. — Во-вторых, AI + First Principles. Нейросетевая модель должна работать совместно с физико-химическими моделями процесса. Именно здесь архитектурно появляется связь TPT ↔️ APEX. Идея близка к physics-informed / hybrid modeling: статистическая модель обеспечивает способность извлекать сложные зависимости из данных, а физическая модель задает пространство допустимого поведения. — В-третьих, Multi-Expert Framework. Вместо одной модели SUPCON говорит об оркестрации специализированных моделей для динамики процесса, причинных зависимостей и конкретных технологических областей. Это уже напоминает архитектуру специализированных инженерных агентов/экспертов. В TPT2 описаны три механизма ограничения автономности: Perception Lock проверяет качество входных данных, Execution Lock ограничивает команды правилами технологического процесса, а Evolution Lock предполагает обратную связь экспертов при развитии модели. Например, команда ИИ на изменение положения клапана должна пройти через ограничения допустимого режима процесса. И здесь «4+1» начинает переходить в более широкую архитектуру, которую они называют autonomous operating plant. Поэтому «4+1» можно рассматривать не изолированно, а как одну часть более крупного направления SUPCON:

Industrial data ↓ semantic industrial world model ↓ industrial foundation models ↓ specialized agents ↓ simulation / optimization ↓ controlled execution ↓ physical process ↓ feedback

И это уже довольно близко к полноценной архитектуре промышленного агентного управления Причём есть и реальные внедрения, хотя количественные показатели здесь приводит сама SUPCON. Например, в 2026 году компания описывала Autonomous Operating Plant на предприятии Xingfa Group: UCS + TPT, а также Tier0, PRIDE и APEX. В другом опубликованном кейсе TPT для производства хлора и щёлочи заявлены снижение энергопотребления электролизёров примерно на 5% и прогнозирование срока службы мембран с точностью 95%.

SUPCON на выставке Gastech 2026 показала связанный контур для перехода от обычной автоматизации к Autonomous Operating Plant. В одной архитектуре объединены полевые данные, Universal Control System, промышленная временная модель TPT2, аналитические приложения, оптимизация и роботизированные операции. TPT2 сочетает модели временных рядов с физическими моделями процесса и специализированными экспертными модулями; результаты могут использоваться не только для прогноза, но и для изменения режимов через контур управления. На выставке SUPCON демонстрировала эту цепочку совместно с UCS, PRISM Analyzer, WIM Compas, TISOMIC и промышленными роботами. SUPCON «4+1» — это архитектура промышленного ИИ для процессных производств: химии, нефтехимии, энергетики, новых материалов и т. п. Идея состоит не в том, чтобы поставить LLM поверх DCS, а в том, чтобы собрать несколько специализированных предметных контуров предприятия и поверх них разместить общий промышленный ИИ, способный прогнозировать состояние процесса и оборудования, оптимизировать режимы и в некоторых сценариях замыкать контур управления. «4» — это четыре различных проекции состояния производства: — PRIDE — контур оборудования. Полное название SUPCON расшифровывает как Perception of all Readable Instruments, Devices and Equipment. Он собирает состояние оборудования и предназначен прежде всего для диагностики и предиктивного обслуживания: обнаружение аномалий, прогноз отказов и планирование обслуживания. — OMC — Operation Management & Control. Это уже значительно ближе к классическим OT-системам: оперативное состояние производства, управление и автоматическое регулирование. SUPCON позиционирует OMC как объединение мониторинга, принятия решений и управления. Поэтому называть все четыре компонента просто «базами данных» не совсем правильно: OMC фактически является полноценным операционным и управляющим контуром. — APEX — Advanced Process Engineering eXpert. Это особенно интересная часть архитектуры: здесь находится физико-математическая модель технологического процесса. SUPCON говорит о библиотеке first-principles models — моделей, основанных на физических и химических закономерностях. То есть ИИ может не только искать статистические зависимости в истории датчиков, но и сопоставлять результат с моделью самого процесса. — Q-Lab — контур качества: лабораторные измерения, отбор проб, анализ характеристик продукции, управление качеством. Это дает возможность связать условия процесса не просто с output вроде температуры или давления, а непосредственно с качеством произведенной партии. А «+1» — первоначально TPT, Time-series Pre-trained Transformer. Сейчас SUPCON уже продвигает следующее поколение — TPT2, который позиционируется уже не просто как foundation model для промышленных временных рядов, а как промышленная ИИ-платформа, которая объединяет обучение на временных рядах, физическое моделирование и агентную оркестрацию инструментов. Основной «язык» такого ИИ — не текст, а многомерные временные ряды:

температура давление расход уровень вибрация положение клапанов состав сырья качество продукции режим оборудования ...

Модель должна понимать, как эти величины меняются во времени и взаимодействуют между собой. SUPCON прямо рассматривает TPT как переход от отдельных моделей прогнозирования для каждого агрегата к более универсальной предобученной модели, которую можно адаптировать к разным установкам и технологическим режимам. https://global.supcon.com/digital/fourplusone

^^ В TPT2 появились три особенно существенных элемента: — Во-первых, Industrial Semantic Tags. Данные должны приходить к модели не как безымянные tag_12345, а с промышленным контекстом: что измеряется, к какому оборудованию относится, какую роль играет в технологическом процессе и т. д. — Во-вторых, AI + First Principles. Нейросетевая модель должна работать совместно с физико-химическими моделями процесса. Именно здесь архитектурно появляется связь TPT ↔️ APEX. Идея близка к physics-informed / hybrid modeling: статистическая модель обеспечивает способность извлекать сложные зависимости из данных, а физическая модель задает пространство допустимого поведения. — В-третьих, Multi-Expert Framework. Вместо одной модели SUPCON говорит об оркестрации специализированных моделей для динамики процесса, причинных зависимостей и конкретных технологических областей. Это уже напоминает архитектуру специализированных инженерных агентов/экспертов. В TPT2 описаны три механизма ограничения автономности: Perception Lock проверяет качество входных данных, Execution Lock ограничивает команды правилами технологического процесса, а Evolution Lock предполагает обратную связь экспертов при развитии модели. Например, команда ИИ на изменение положения клапана должна пройти через ограничения допустимого режима процесса. И здесь «4+1» начинает переходить в более широкую архитектуру, которую они называют autonomous operating plant. Поэтому «4+1» можно рассматривать не изолированно, а как одну часть более крупного направления SUPCON:

Industrial data ↓ semantic industrial world model ↓ industrial foundation models ↓ specialized agents ↓ simulation / optimization ↓ controlled execution ↓ physical process ↓ feedback

И это уже довольно близко к полноценной архитектуре промышленного агентного управления Причём есть и реальные внедрения, хотя количественные показатели здесь приводит сама SUPCON. Например, в 2026 году компания описывала Autonomous Operating Plant на предприятии Xingfa Group: UCS + TPT, а также Tier0, PRIDE и APEX. В другом опубликованном кейсе TPT для производства хлора и щёлочи заявлены снижение энергопотребления электролизёров примерно на 5% и прогнозирование срока службы мембран с точностью 95%.

AWS, Google Cloud, Okta, Salesforce, ServiceNow, Databricks, Docker, CrowdStrike и ещё несколько компаний создали Blueprint Alliance и представили открытую многовендорную reference architecture для управления ИИ-агентами. В ней уже явно собрана цепочка: уникальная проверенная идентичность агента и ответственный владелец → полномочия, ограниченные конкретной задачей → прослеживаемое делегирование подагентам → inline authorization непосредственно в execution path → непрерывное наблюдение → мгновенный отзыв токенов, завершение сессии или изоляция → формально контролируемое восстановление через повторную аттестацию. Отдельно предусматривается распространение risk-сигналов между разными control planes через MCP, OCSF, SSF и CAEP. В качестве промышленного консультанта участвует GE Appliances, прямо связывая эту архитектуру с производственными агентами, accountability, human controls и необходимостью понимать, как агент принимает решения. https://www.businesswire.com/news/home/20260922940845/en/Industry-Leaders-Form-the-Blueprint-Alliance-to-Advance-a-Shared-Architecture-for-Securing-AI-Agents

Hello, Agent В Китае опубликовали детали запущенного 18 сентября в Сямэне пилота «сети идентификаторов и идентичности агентов» и Trusted Agent Interconnection Center, развиваемого при участии Китайской академии информационных и коммуникационных технологий — CAICT. Архитектура строится вокруг глобально уникальной идентичности агента, DID, распределённой доверенной инфраструктуры, регистрации и обнаружения агентов, разрешения DID и управления ресурсами. Агенты с проверяемой идентичностью должны обращаться к сервисам только в рамках предоставленных полномочий; для межагентного взаимодействия отдельно сформулирована связка «открытый протокол + доверенная идентичность + авторизация + цепочка доказательств». Также обсуждаются прослеживаемость поведения и установление ответственности. https://www.rmzxw.com.cn/c/2026-09-22/3979295.shtml

Пропустил вебинар Ansys/Synopsys с демонстрацией и разбором их agentic AI для Ansys Mechanical и Mechanical APDL. Agentic AI for Ansys Mechanical and MAPDL Workflows https://ansys.synopsys.com/webinars/agentic-ai-for-ansys-mechanical-and-mapdl-workflows

40 минут работы

У меня агенты уже делают сайт для BOM Voyage, и вот эту картинку они нарисовали для раздела молекулярных расчётов Какие они у меня молодцы!

Проектирование транспортировочной укладки

Как легендарный «Спасатель» получил цифровое воплощение ✈️ В начале 1990-х в Нижнем Новгороде строили уникальную машину — поисково-спасательный экраноплан «Спасатель». Он мог принять на борт до 500 пострадавших, но так и не был завершен. Сегодня легендарный экраноплан находится на территории завода «Красное Сормово». 🔹 Теперь его история получила продолжение в цифровом мире. Специалисты АСКОН, ТЕСИС и НТЦ «АПМ» воссоздали части корпуса «Спасателя» в 3D, рассчитали аэро-гидродинамику и выполнили анализ крыла на прочность в рамках междисциплинарного FSI-анализа. 🔹 Проект стал очередной тестовой задачей для «Цифровой платформы судостроения» — нового отраслевого решения, которое АСКОН вместе с партнёрами по консорциуму «Развитие» создаёт для сквозной работы с цифровой моделью судна. 👨‍💻 Для работы использовали также базовые инструменты КОМПАС-3D, ЛОЦМАН:PLM и расчетные программные комплексы FlowVision и APM WinMachine. 

«В этом проекте мы показали коллективную работу конструкторов и расчётчиков над 3D-моделью — полностью на отечественных ИТ-решениях», — рассказывает Александр Петров, директор департамента развития отраслевых решений для судостроения АСКОН.

Подробнее о проекте мы расскажем скоро в большой технической статье — следите за анонсами!

Alibaba выпустила ИИ-чип Zhenwu V900, который глава компании У Юнмин назвал самым производительным в Китае. По его словам, новый чип втрое мощнее предыдущего Zhenwu M890, а кластер на его основе масштабируется до 500 тыс. чипов. Также анонсирована модель Qwen Intelligence для мобильных устройств.

Сегодня 18-19 по Минску

Join us on September 22nd for a casual, show-and-tell style session focused entirely on using the FeatureScript MCP Server to build custom, parametric CAD with AI. We’ll skip the slides and spend the session showing new examples of how we’re turning prompts into custom, working CAD features.

В демонстрации примерно за один доллар расходов на токены с помощью DeepSeek V4.1.5 создают и дорабатывают CAD-план гостиничного этажа 40 × 40 метров. Акцент сделан не на трёхмерном моделировании, а на экономии токенов, точной постановке задачи и организации работы ИИ. Сначала модели поручили спроектировать этаж с типовой сеткой колонн с шагом 8 метров. Она уточнила несколько проектных решений, изучила доступные инструменты и менее чем за десять минут подготовила первый чертёж. К этому моменту было потрачено около 0,2 юаня. Планировка оказалась пригодной для дальнейшей работы, хотя модель ошиблась с сеткой колонн. После команды исправить сетку, наружные стены, двери и окна новая версия появилась примерно за 40 секунд. Затем ИИ детализировал угловые номера, доработал планировку, рассчитал проектные показатели, составил их таблицу и завершил оформление чертежа. Основная идея демонстрации — для практической работы с инженерными ИИ важны не только возможности модели, но и умение выстраивать процесс: точно задавать результат, организовывать последовательность действий и минимизировать расход токенов.

https://lnkd.in/p/db2HFJJa

29 сентября, вебинарчик https://webinar.connectmeinforma.com/event/register/6KXI9rYjOuaClFrG

𝗢𝗻𝗲 𝗲𝗻𝗴𝗶𝗻𝗲𝗲𝗿. 𝟭𝟬𝟬+ 𝘀𝗽𝗮𝗰𝗲𝗰𝗿𝗮𝗳𝘁 𝗱𝗲𝘀𝗶𝗴𝗻 𝘃𝗮𝗿𝗶𝗮𝗻𝘁𝘀 𝗶𝗻 𝗮𝗻 𝗵𝗼𝘂𝗿. 𝗘𝘃𝗲𝗿𝘆 𝗿𝗲𝗾𝘂𝗶𝗿𝗲𝗺𝗲𝗻𝘁 𝗺𝗲𝘁. Getting from concept to first article is aerospace's slowest and costliest step. Weeks of manual iteration, and engineers still settle for a design that works instead of the best one.

Надо бы уже канал в сайт превратить, информации слишком много для формата телеграмма. Заодно и многоязычную версию сделать

Надо бы уже канал в сайт превратить, информации слишком много для формата телеграмма. Заодно и многоязычную версию сделать

В Японии раскрыли новые детали стартовавшей ещё в июле национальной инициативы Manufacturing AX, которую строят AIST, DMG Mori, Komatsu и группа примерно из 100 промышленных компаний. Новая часть — идея присваивать отдельным станкам и другому производственному оборудованию устойчивые идентификаторы, чтобы данные о работе конкретной машины можно было связывать между предприятиями и поставщиками оборудования для использования ИИ в контекстах, выходящих за рамки отдельных предприятий и даже концернов. DMG Mori планируется собрать данные примерно с 1000 единиц оборудования у около 100 компаний: состояния станков, параметры обработки, данные качества и периферийного оборудования, местами с частотой до 1 кГц. Целевой объём — порядка 100 ТБ реальных производственных данных за два года. Эти данные предполагается анонимизировать, структурировать и использовать для обучения систем, которые оптимизируют режимы обработки, обнаруживают отклонения и в перспективе формируют рекомендации непосредственно для технологических операций. Официальное описание AIST прямо указывает на применение данных для оптимизации параметров обработки и развития генеративного и физического ИИ для производства. Komatsu и AIST формируют другой набор данных: загрузка станков и роботов, производственные планы и фактическое выполнение операций для массового, мелкосерийного и многономенклатурного производства. На этих данных будут разрабатываться ИИ-агенты для планирования и управления производством. То есть здесь речь уже идёт не только о predictive maintenance, а о связке фактические данные оборудования → производственный контекст → ИИ-агент → корректировка планирования и выполнения процесса. Современные исследования по автоматической генерации техпроцессов обычно работают на небольших искусственных наборах CAD-моделей, операций и правил. Здесь создаётся инфраструктура, где модель потенциально сможет учиться одновременно на геометрии/операции, реальных режимах станка, состоянии инструмента, результате обработки и качестве детали. Это создаёт основу уже не только для CAD → предполагаемый техпроцесс, но для замкнутого контура CAD/требования → план операции → фактическое выполнение → качество → корректировка следующего плана. Официальное описание Manufacturing AX и проектов с DMG Mori и Komatsu⁠: https://www.aist.go.jp/aist_j/news/pr20260702.html Свежий разбор Manufacturing AX от 21 сентября 2026 года⁠ https://innovatopia.jp/ai/ai-news/118060/ https://www.dmgmori.co.jp/corporate/news/2026/20260706_geniac.html