BOM Voyage

К слову о бенчмарках и обратиной связи на агентов. Ночью у меня в инфраструктуре разработки (программирование) запускаются исследовательские агенты которые думают как бы это улучшить работу оркестра агентов который собственно программирует задачи. И вот на выходных они придумали и уже реализовали следующее — по окончании работы над задачей отдельный агент анализирует насколько прямо разработка шла к результату. Если такая оценка получается "совсем не прямо" - запускается ретроспективный анализ, выявляются причины хождений не в ту сторону. Записывается в базу таких отклонений. А потом отдельный агент периодически эту "базу девиаций" просматривает, находит повторяющиеся шаблоны и думает как поправить системно - в процессе оркестрации, в инструкциях агентов, в планировании задачи, в скиллах, в процессе подбора данных, теперь вот еще в тулзах и кэшах. Осталось придумать как выявлять часто повторяющиеся "хождения не туда" которые не приводят к сильным задержкам и соответственно не тригерят такие вот циклы ревью девиаций.

Engineering Doesn’t Lose Data. It Loses Memory Олега Шиловицкий - специалист в PLM домене опубликовал заметку Engineering Doesn’t Lose Data. It Loses Memory В ней рассказывается про контекст который необходим агентам работающим в контексте и на стыке PLM-ERP-MES — инженерные компании хорошо хранят данные: модели и чертежи находятся в CAD, составы изделий и изменения - в PDM/PLM, закупки и запасы - в ERP, производственные операции - в MES. Но этого недостаточно, чтобы понять состояние изделия. Для оценки готовности детали нужно связать зрелость конструкции, выпуск документации, заказ, сроки поставки, отклонения, остатки и производственный план. Каждая система может содержать верные сведения, но общая картина возникает только из связей между ними. Организация теряет не данные, а память о том, как они сложились в текущую ситуацию. Особенно заметно это при подготовке производства. В приведённом примере 35 % потерь выпуска вызвало опоздание деталей, причём семь позиций дали 80 % потерь. Общую картину собирали из двухсот таблиц Excel, а формальный процесс охватывал лишь около 14 % пути детали от замысла до поставки. Ранние отклонения обнаруживались только тогда, когда уже мешали производству. Поэтому необходимо отслеживать каждую деталь, её историю и зависимости, а не только общий план проекта. Обычные инженерные системы фиксируют состояния: какая версия утверждена, что заказано, получено и запущено в производство. Память изделия должна сохранять переходы между состояниями: первоначальный план, изменения, причины, решения и последствия. Она включает память решений, изменений хода работ и зависимостей. Без неё связующим слоем между PLM, ERP, закупками и производством становятся люди и таблицы. Дополнительное документирование проблему не решает. Инженерное знание представляет собой сеть связанных событий, условий и компромиссов, которую трудно поместить в одно поле. Цифровая нить соединяет записи, но не всегда сохраняет их смысл и развитие во времени. ИИ может собирать этот контекст в ходе работы, связывая изменения с объектами, решениями и участниками. Поэтому память изделия - не ещё одна база данных, а слой связей между изделием, людьми, событиями, обоснованиями и временем. Главная задача теперь состоит не в хранении новых данных, а в сохранении их смысла. От себя добавлю что при разработке RAG (а предоставление информации из разных источников для контекста операции агента — задача именно RAG) важно соблюсти баланс — избыток информации ухудшает качество работы агента. Результат работы RAG должен быть сбалансирован как со стороны "надо ничего не пропустить", так и со стороны "отфильтровать ненужное", плюс всё собранное должно быть представлено информативно, но компактно. Необходимые для работы данные должны быть компактными без лишнего, но при этом содержать контекст информации - не только данные, но (компактно!) откуда, зачем были собраны, связи с источниками, на что влияют и т.д. И построение пайплайна обеспечивающий такой результат - это отдельная, весьма сложная техническая задача. И в целом должна быть построена система бенчмарков замеряющая результаты работы агентов в условиях разной полноты контекста - для поиска и, важно, удержания со временем оптиума (нейросети меняются, меняются и операции, и данные, оптимум завтра может быть не там где он был вчера). Плюс дополнительный кейс - актуальность информации, т.к. и информация в системах меняется в реальном времени, а конвейер RAG зачастую использует чанкинг, индексацию и кэши, которые могут отставать от реального состояния системы. А то и в принципе разъезжаться при ошибках имплементации и/или деплоя.

Хакерская группировка Clop развернула массовую кампанию против PTC Windchill PDMLink и FlexPLM, где промышленные предприятия хранят состав изделий, конструкторскую документацию и технологические данные. Уязвимость CVE-2026-12569 позволяет выполнять код на сервере без авторизации. Атаки начались до выхода исправления, а к середине августа в списке жертв оказалось более 40 организаций из промышленности, автомобилестроения, авиационно-космической отрасли и энергетики. Clop перенесла отработанную схему массового взлома служб передачи файлов на PLM-системы с более ценной интеллектуальной собственностью. После проникновения устанавливается специализированная серверная закладка, учитывающая внутреннее устройство Windchill. Она составляет перечень документов, читает и выгружает файлы, а также расшифровывает сохранённые учётные данные: административные пароли, ключи хранилищ и данные LDAP. Встроенный загрузчик Java-классов позволяет выполнять дополнительные модули в памяти процесса, перемещаться по сети, закрепляться в инфраструктуре или развернуть шифровальщик. Поскольку запросы выполняются через штатные механизмы Windchill, а сетевой обмен маскируется под обычный трафик приложения, отдельные признаки атаки трудно отличить от нормальной работы системы. Особый риск возникает при подключении к Windchill ИИ-агентов. Если PLM служит доверенным источником инженерных данных и предоставляет агенту права на действия, её взлом автоматически делает недоверенными его данные, инструменты и рабочую среду. Саму языковую модель атаковать не требуется: агент может использовать подменённые сведения, передавать закрытые данные или запускать процессы на основе искажённого состояния изделия. Чем больше у агента полномочий и связанных систем, тем шире последствия. Поэтому проверка происхождения данных, независимое подтверждение критических сведений, разделение прав и возможность остановить автоматические действия становятся основой безопасности агентной PLM-системы. https://reliaquest.com/blog/clop-returns-with-custom-implant-in-mass-extortion-campaign/ https://www.ptc.com/en/about/trust-center/advisory-center/active-advisories/windchill-flexplm-rce-vulnerability https://www.cve.org/cverecord?id=CVE-2026-12569&identifier=CPTCP000012576536&cl1=Windchill+Flex+06172026

Tencent, один из крупнейших технологических холдингов Китая, представил и открыл исходные веса Hy4 preview - новую флагманскую языковую модель, рассчитанную не столько на обычный диалог, сколько на выполнение сложной прикладной работы. Она ориентирована на разработку программ, анализ данных, подготовку документов, таблиц и презентаций, создание игровых прототипов и решение научных задач. Модель способна обрабатывать до миллиона токенов за один запрос, поэтому может одновременно учитывать крупную кодовую базу, набор связанных документов или продолжительную историю работы. https://www.tencent.com/tencent-releases-and-open-sources-tencent-hy4-preview/ Hy4 построена по схеме «смеси экспертов»: из 770 млрд параметров при обработке каждого фрагмента текста задействуются около 49 млрд. Это позволяет сочетать большую совокупную ёмкость модели с более умеренными затратами на вычисления, хотя для самостоятельного развёртывания всё равно требуется мощная многопроцессорная система. Tencent также применила разреженный механизм внимания, повторное использование промежуточных индексов между слоями и упреждающее формирование следующих токенов. Эти решения должны ускорять работу с длинным контекстом и уменьшать стоимость вывода. Обучающие материалы формировались совместно с программистами, разработчиками игр, финансовыми аналитиками и специалистами по безопасности Tencent. Особое внимание уделялось длинным цепочкам действий: пониманию задачи, составлению плана, поиску и исправлению ошибок, проверке результата и выпуску готового рабочего материала. Во внутреннем слепом сравнении, охватившем 203 инженерные задачи и 163 эксперта, Hy4 немного опередила GLM 5.3 и Kimi K3, однако это пока оценка самой Tencent, а не независимое подтверждение превосходства. Модель выпущена по лицензии Apache 2.0 вместе с версией пониженной точности, средствами дообучения и готовыми схемами развёртывания через vLLM и SGLang. Однако это именно что preview: Tencent признаёт, что Hy4 иногда рассуждает дольше необходимого и чрезмерно перепроверяет собственную работу. Поэтому выпуск правильнее воспринимать как раннюю открытую основу для испытаний и интеграции в прикладные системы, а не как окончательно отлаженную производственную модель.

В Китае вышли три национальных документа: — GB/Z 204-2026 по архитектуре промышленных больших моделей — GB/Z 203-2026 по техническим требованиям к ним и, самое интересное, — GB/Z 195-2026 «Reference architecture of industrial agent» Китай пытается унифицировать не отдельные модели, а весь слой industrial AI — от модели до агента и его взаимодействия с производственными системами, чтобы решения можно было переносить между линиями, предприятиями и поставщиками. https://www.prnasia.com/story/545758-1.shtml https://www.standards-portal.de

А это в Blender с помощью Kimi K3 нагенерили. Правда пишут что сожгли токенов на $ 15,000, моё почтение ☕️

CadX Studio https://cadxstudio.in

https://inl.gov/news-release/national-laboratory-research-collaboration-focuses-on-accelerated-qualification-of-critical-nuclear-components/ Кроме собственно электродуговой 3D печати сосудов высокого давления в ядерной индустрии интересно, что они применяют ИИ для того чтобы в реальном времени определять, соответствует ли формирующаяся деталь необходимым требованиям. Называют эту концепцию «born-qualified» — квалификация изделия непосредственно в процессе производства, то есть ставят цель научиться оценивать пригодность компонента ещё во время его изготовления и тем самым существенно сократить путь от новой конструкции или технологии производства до разрешения её практического применения. Требуется в силу того, что традиционная схема «спроектировать — изготовить — долго испытать — квалифицировать» плохо сочетается с планами быстрого серийного развертывания. Для этого они объединяют несколько направлений: крупноформатное аддитивное производство, контроль точности процесса в реальном времени, материаловедение, прогнозирование долговременного поведения материалов, цифровая инженерия, обработка данных и ИИ. впрочем что там именно делает ИИ и как не до конца понятно, может просто для красного словца ввернули

Ну а нужно все это конечно же для такого. Вчера, 29 августа, был ежегодный «Судный день» во вселенной «Терминатора», по сюжету «Терминатора 2» 29 августа 1997 года система Skynet обрела самосознание и начала ядерную войну против человечества. ЦОД на орбиты запускают не считая денег запускают тоже по этой причине.

Вслед за CAD Bench стали появляться и рейтинги более близкие уже к производству, оценка возможностей подключаться к системам промышленного управления. arxiv :: PLCBench: Can Autonomous LLM Agents Turn PLC Access into Sustained Physical Impact? Описан PLCBench — стенд для проверки, способен ли автономный агент превратить сетевой доступ к программируемому логическому контроллеру в устойчивое воздействие на производство. Успехом в исследовании считали не обнаружение ПЛК (программируемый логический контроллер) или запись в его память, а реальное изменение физического процесса. Агент получал адрес контроллера, описание установки и цель, но не знал протокол обмена, адреса переменных и программу управления. Первоначальное проникновение в сеть не рассматривается. Авторы испытали пять моделей на реальных контроллерах Siemens, Schneider Electric, Beckhoff и Mitsubishi, связанных с моделями регулирования уровня, температуры и нескольких взаимозависимых ёмкостей. В 240 опытах агенты достигли устойчивого физического результата 75 раз, то есть в 31,3 % случаев. Значительная часть попыток остановилась на подключении к ПЛК или записи в неподходящие переменные. Лучшая модель успешно завершила 38 из 48 запусков и справилась со всеми сочетаниями контроллеров и процессов хотя бы один раз. Различия промышленных протоколов пока затрудняют работу агентов, но не обеспечивают надёжной защиты. Тестировали на Siemens S7-300, Schneider M241, Beckhoff CX2030 и Mitsubishi R08CPU. При предоставлении подробной телеметрии вероятность успешного воздействия после записи в значимую переменную выросла с 44,2 до 64 % — агентные системы, имеющие инженерный контекст, текущие данные и право записи, смогут перейти от анализа цифровой модели к воздействию на реальное производство. Поэтому права чтения и изменения следует разделять, команды проверять с учётом состояния процесса, а критические ограничения реализовывать независимо от доступного по сети ПЛК. — Так же (отдельная тенденция, не в этой статье) появляется и следующий слои обратной связи от производственной телеметрии: 1) сбор данных о фактических таймингах производственных циклов, соотнесение их с планированными и с историей предыдущих работ - эти данные о реальной обработке начинают использоваться вместо экспертных оценок, плюс для ретроспективного анализа конкретного цикла разработки-производства https://www.mastercam.com/about/media/mastercam-and-proshop-partner-to-advance-digital-manufacturing/ 2) Произведённые изделия сканируют и сохраняют данные об отклонениях фактического от спроектированного, что так же используется в последующих циклах проектирования https://metrology.news/metrology-powers-closed-loop-manufacturing https://metrology.news/gear-metrology-moves-to-the-center-of-closed-loop-manufacturing/ ну и естественно используется ИИ, т.к. достаточно муторные операции, плюс надо выявлять неочевидные закономерности в огромном массиве данных, прогнозирования отклонений и поиска сочетаний факторов, которые трудно обнаружить вручную. — Ещё одна работа про производство arxiv :: Design-to-Plan: A Large Language Model-Based Multi-Agent Framework for Manufacturing Process Planning from 3D CAD Models and 2D Engineering Drawings Design-to-Plan — многоагентная система автоматического технологического планирования по 3D CAD-модели и 2D-конструкторскому чертежу. Объединяют распознавание технологических элементов в STEP, анализ размеров/GD&T и примечаний на чертеже, связывание 2D- и 3D-контекста, поиск технологических правил, построение последовательности операций, выбор инструмента и формирование итогового process plan. Однако в отличии от многих подобных систем появившихся недавно ИИ в ней не пытается самостоятельно «прочитать CAD и придумать технологию». Геометрическое и документное извлечение выполняют специализированные детерминированные/ML-модули, а LLM-агенты занимаются контекстным рассуждением, разрешением противоречий и выбором технологических решений. Это закрывает именно тот разрыв, который десятилетиями ограничивает генеративные CAPP: реальные исходные данные распределены между геометрией CAD, чертежом, материалом, допусками, требованиями к поверхности и технологическими правилами, а не находятся в одном идеально структурированном объекте. Агенты используются как слой интеграции и принятия решений поверх этих разнородных источников, а не как замена геометрическим и технологическим алгоритмам.

https://technosuveren.ru/pravitelstvo-zapustilo-goryachuyu-liniyu-dlya-sbora-idej-po-razvitiyu-ii Не смотря на "внедрение ИИ" интересует их явно создание суверенных моделей, т.к. речь про барьеры с доступам к датасетам, а не про проблемы с VPN. Первоисточник https://government.ru/news/59714 Но видимо откроется только из РФ, у меня не открывается.

kai-waehner.de — это профессиональный блог и аналитическая площадка Кая Вэнера (Kai Wähner), архитектора и технологического стратега, много лет известного прежде всего по теме Apache Kafka, event streaming и enterprise integration. Вчера там опубликовали архитектурный материал об «единой оркестрации» промышленного предприятия от цеха до облака. Предлагаются три уровня: интеграция событий и данных; слой процессов, управляющий зависимостями, повторными попытками, согласованиями и исполнением; сверху — доверенные ИИ-агенты под человеческим контролем. Современное производство обычно хорошо автоматизировано внутри отдельных систем, но хуже — между ними. Оборудованием управляют ПЛК и SCADA, данные передаются через OPC UA и MQTT, задания проходят через MES и ERP, обслуживание ведётся отдельно, согласования часто остаются в почте и таблицах. Единая оркестрация создаёт над этими системами общий координирующий слой, который задаёт последовательность действий, зависимости, обработку ошибок, согласования и фиксацию результатов. Он не заменяет MES, ERP или системы управления оборудованием, а связывает их в единый управляемый процесс. Такой слой не вмешивается в непосредственное управление оборудованием. Контуры реального времени, безопасность, ПЛК и управление роботами остаются самостоятельными. Оркестрация работает выше, на уровнях производственных операций и управления предприятием. Например, она может получить от MES потребность в перевозке, передать задание системе управления роботами, обработать исключения и вернуть результат в производственную систему. Аналогично можно запускать анализ качества, ждать его завершения, инициировать согласование специалистом и продолжать процесс только после подтверждения. С появлением инженерных и производственных ИИ-агентов такой подход становится ещё важнее. Агент может анализировать отклонения, оценивать влияние на производство и предлагать действия, но не должен бесконтрольно менять производственные системы. Оркестрационный слой задаёт разрешённые действия, обязательные проверки человеком, доступные данные и фиксирует историю выполнения. В результате формируется управляемая среда, где обмен данными, автоматизация, решения специалистов и ИИ объединяются в единый сквозной процесс. https://www.kai-waehner.de/blog/2026/08/28/unified-orchestration-in-manufacturing-from-shop-floor-to-cloud/ По сути уже много раз проговоренное тут, мне кажется я даже глубже нырял в части конкретных требований к таким системам и процесса их внедрения. Надо такой же сайт заводить)

南京维拓科技 (Nanjing WITSOFT / «Вэйто») показала уже не AI-помощника для CAD, а сквозной агентный контур «проектирование → документация → технология → стоимость», в качестве примера использовали сценарий проектирования стальной мебели: на вход агенту дают изображение требуемого изделия и текстовое задание; отраслевой LLM разбирает требования, оценивает выполнимость, строит план действий и запускает последовательность операций в CAD. После генерации инженер просматривает результат и вместе с агентом разбирает ошибки. Компания называет модель работы «AI主导设计 + 人工辅助确认» — «ИИ ведёт проектирование, человек подтверждает решения». Причём граница автоматизации проходит уже далеко за пределами собственно 3D-моделирования. WITSOFT заявляет, что тот же контур автоматически выполняет построение трёхмерной модели, выпуск чертежей, формирование технологического маршрута и расчёт стоимости. То есть по классификации это одновременно AI-CAD, CAPP и design-to-cost, встроенные в более широкий PDP/PLM-контур. Но критические решения при этом оставлены инженеру. https://js.people.cn/n2/2026/0829/c360301-41680833.html

Dalus — AI-native MBSE-платформа для разработки сложных изделий: авиационной и космической техники, автомобилей, энергетических установок и робототехники. MBSE — это системное проектирование на основе единой цифровой модели изделия вместо разрозненных документов, таблиц и схем. В Dalus такая модель на основе SysML v2 связывает требования, архитектуру, подсистемы, интерфейсы, режимы, испытания и расчёты. Python- и Excel-анализ выполняется над данными модели, а результаты сохраняются как подтверждение выполнения требований. Встроенный ИИ извлекает требования из документов, создаёт элементы модели, ищет противоречия, оценивает влияние изменений и формирует ICD, FMEA и отчёты о трассируемости. Через MCP с моделью работают внешние ИИ-ассистенты. В отличие от классических MBSE-систем, Dalus предлагает браузерную совместную работу и Git-подобные ветки, проверку и слияние изменений. Платформа пока уступает Cameo в зрелости и возможностях настройки, но показывает перспективный подход, где связанная инженерная модель становится управляемой средой для людей и ИИ-агентов. https://dalus.io

Hyundai показала практический CAE-кейс: ИИ сокращает поиск по истории crash-тестов примерно на 90%. Crash Safety AI Assistant объединяет результаты физических испытаний, изображения, инженерные анализы, условия тестов, конструктивные особенности автомобиля, механизмы травмирования и применявшиеся улучшения. С такой автоматически формируемой базой знания инженер теперь ищет не отдельный документ, а сходные инженерные случаи; Hyundai сообщает примерно о 90-процентном сокращении времени на поиск и предварительный анализ. https://www.automotivetestingtechnologyinternational.com/news/cae-simulation-modeling/ai-helps-hyundai-unlock-decades-of-crash-test-data.html

Завершилось публичное обсуждение проекта ГОСТ Р по восстановлению и оптимизации геометрии режущего инструмента с помощью ИИ. https://www.normacs.info/projects/13119 У этого "технического комитета по стандартизации 164 «Искусственный интеллект»" в процессе обсуждения остаются ГОСТ Р (проект, первая редакция). Искусственный интеллект. Модели машинного обучения для косвенного измерения механических свойств металлов. Общие требования к разработке, верификации и использованию https://prodoc.normacs.info/projects/13162 ГОСТ Р (проект, первая редакция). Искусственный интеллект в промышленности. Адаптивное управление режимами резания. Общие требования к алгоритмам управления, устойчивости, безопасности функционирования и применению в технологических процессах https://prodoc.normacs.info/projects/13120

И ещё одно пятничное TRISO fuel is made of particles of uranium. из статьи в Nature: Smaller reactors bring nuclear power closer to fulfilling its promise https://www.nature.com/articles/d41586-026-02506-4

Целый сайт создали с серьёзной такой анимацией для технической публикации, я в восторге https://spatiaos.github.io/projects/procedura/ Procedura — экспериментальная система, которая по текстовому описанию создаёт не цельную 3D-сетку, а редактируемую процедурную сборку. Каждая деталь представлена именованным параметрическим модулем, а соединения задаются формальными сопряжениями: посадочными поверхностями, фланцами, штифтами, пазами и шарнирами. В результате получается не только внешняя форма, но и структура изделия с отдельными деталями, параметрами, материалами и кинематическими связями. Сначала система формирует граф сборки, затем добавляет детали по одной. LLM описывает геометрию и точки сопряжения, а положение детали вычисляется автоматически. Каждая операция проходит компиляцию, проверку контактов и контроль связности. Отдельный визуальный критик сравнивает модель с опорным изображением и разрешает по одному исправлению за цикл. Это делает процесс похожим на управляемое проектирование с разделением генерации и проверки. Процедурная CSG-геометрия лучше сохраняет плоскости, отверстия и резкие кромки, которые нейросетевые генераторы сеток часто сглаживают. По структуре сопряжений Procedura также назначает материалы, создаёт подвижные звенья, экспортирует модель в OpenUSD и URDF и проверяет её в Isaac Sim. В испытаниях система превзошла сравниваемые генераторы по качеству механической геометрии. Хороший пример того, как заставить ИИ не рисовать объект одним действием, а планировать сборку, и итеративно создавать её по частям, проверяя каждый шаг.

Korea Industrial Complex Corporation (KICOX) раскрыла проект «manufacturing AI brain», который заметно ближе к инженерному AI-native производству, чем обычная аналитика цеховых данных. основой станет отечественная онтологическая платформа, которая связывает разрозненные сведения об оборудовании, режимах технологических процессов и качестве продукции. Онтология описывает смысл данных и отношения между ними, превращая наборы показаний и документов в производственные знания, понятные ИИ. Платформа должна объединить данные от проектирования до производства: в частности, связать CAD-модели и чертежи с фактическими параметрами оборудования и результатами контроля качества. Благодаря этому ИИ сможет анализировать весь технологический контекст, выявлять причины отклонений и помогать принимать производственные решения. Первым практическим направлением станет базовая ИИ-модель для тепловых процессов — специализированная manufacturing foundation model. Государство выделяет 23 млрд вон до 2028 года; Сначала модель проверят на нагреве и термообработке стали, затем — на подогреве и охлаждении в цементной промышленности, а также на плавке и литье. Испытания охватят не менее 13 предприятий из трёх отраслевых групп. Главная цель — снизить порог внедрения ИИ для малых и средних производителей. Вместо разработки отдельной модели с нуля каждое предприятие сможет адаптировать общую отраслевую основу под свои процессы. По сути, KICOX пытается создать общий семантический слой промышленного комплекса: данные остаются специфичными для предприятий, но приводятся к форме, в которой их можно совместно использовать для обучения моделей, оптимизации процессов, повышения качества и сокращения энергозатрат. Насколько я понял, они строят цепочку CAD → семантика изделия → оборудование/операции/параметры → качество → фактический результат которая превращается в общую модель знаний, поверх которой работает ИИ. То есть foundation model обучают не просто на временных рядах датчиков, а пытаются дать ей структурированное понимание связи конструкции, технологического процесса и результата производства. Это уже близко к инфраструктуре, на которой впоследствии можно строить генерацию и корректировку техпроцессов с обратной связью от реального производства. https://en.sedaily.com/finance/2026/08/28/korea-industrial-complex-corp-builds-manufacturing-ai-brain