BOM Voyage

Технологическая сингулярность - это когда изменения наступают быстрее чем можно не просто что-то внедрить, но просто ознакомиться с пердыдущими изменениями. Так вот, на этой неделе все щупали новую модель Jev — специализированная модель ИИ для типизированных решений внутри программных систем. Она не генерирует текст: приложение передаёт состояние и заранее заданные вопросы, а модель возвращает выбор из допустимых вариантов, оценку, логическое решение и вероятность результата. Например, по данным об инженерном изменении, роли пользователя и стадии согласования Jev может определить, разрешено ли действие, насколько оно рискованно и требуется ли проверка человеком. По сути, Jev — вероятностный вычислительный элемент для бизнес-логики, рабочих процессов и управления агентами. Возможные ответы задаются программой заранее, а оценка уверенности позволяет автоматически выполнять очевидные действия, пограничные передавать человеку, а сомнительные блокировать. Такой подход подходит для маршрутизации, классификации, оценки риска, проверки действий агентов и контроля требований. В агентной системе Jev может стоять между предложенным агентом действием и его фактическим исполнением. Так вот, эта Jev может заменить в LLM routing, guardrails, то есть маршрутизацию и часть защитных механизмов. Модель TypeSafe AI не генерирует текст: приложение заранее задаёт допустимые варианты, а Jev возвращает типизированные решения, оценки и вероятности — например, какого субагента вызвать, продолжить ли workflow, насколько рискованно действие или нужно ли отправить результат человеку. Это интересное разделение agent stack: рассуждение и генерация остаются большим моделям, а высокочастотные route / allow / retry / stop / escalate могут переходить к более дешёвым специализированным моделям с явно выраженной неопределённостью. https://vercel.com/blog/ai-gateway-jev-model-launch

Huawei Cloud хвастается выделением их инфраструктуры ИИ агентов (Agentic Infra) в самостоятельный инфраструктурный слой и добавлением петабайтной память для долгоживущих агентов. Новая Context Memory Storage рассчитана на длительные агентные задачи и хранение больших объёмов состояния; Huawei заявляет петабайтный масштаб, терабайтные чтения и на 50% более высокую производительность относительно сравниваемых решений. Одновременно новый AICS получил сквозную наблюдаемость, пятиуровневое восстановление после сбоев и на 20% большую пропускную способность по токенам относительно предыдущего поколения, а AgentArts/openJiuwen открывает агентам более 5000 общих и 1000 отраслевых MCP-ресурсов. Архитектурно это уже не просто «облако для LLM»: память, планирование вычислений, кеши, отказоустойчивость и безопасное исполнение агентов оформляются в отдельный класс инфраструктуры. https://www.huawei.com/en/news/2026/9/hc-agentic-infra-industry-ai

^^ Кстати, именно Preferred Networks (PFN) создала Chainer — один из ранних фреймворков с подходом Define-by-Run, который позднее стал характерным для PyTorch. В 2019 году PFN перевела собственную исследовательскую платформу на PyTorch, но продолжила развивать возникшую из Chainer библиотеку CuPy. Другой их проект — Optuna для автоматической оптимизации гиперпараметров. В сентябре 2026 года PFN одновременно выпустила Optuna 5 и Rustuna — реализацию части этой идеи на Rust для более производительных поисковых задач.

Preferred Networks (PFN) — японская технологическая компания из Токио, которая пытается контролировать почти весь технологический стек ИИ — собственные AI-процессоры, вычислительную инфраструктуру, базовые модели и прикладные промышленные системы. Уже неплохо, но дальше ещё интереснее. У них есть Matlantis — облачный атомистический симулятор для разработки материалов. Его ядро PFP, Preferred Potential, — нейросетевая модель межатомных взаимодействий. Вместо того чтобы для каждой конфигурации атомов выполнять дорогостоящие квантово-механические расчёты, модель приближённо вычисляет потенциальную энергию и силы и позволяет проводить молекулярную динамику значительно быстрее. Сейчас PFP работает с произвольными комбинациями 96 элементов, а Matlantis используется более чем 150 компаниями и исследовательскими организациями для аккумуляторов, катализаторов, полупроводников, сплавов и других материалов. И вот сейчас они объявили что переносят часть Matlantis на собственный ИИ-процессор MN-Core 2. Preferred Networks интегрирует MN-Core 2 непосредственно в облачный симулятор материалов Matlantis: вычисления будут выполняться через облачную платформу PFCP, а пользователи Matlantis смогут выбирать MN-Core 2 для поддерживаемых задач без изменения привычной рабочей среды. Для некоторых расчётов, в частности моделирования кристаллических структур, компания получила ускорение до четырёх раз по сравнению с GPU при сохранении точности. В результате PFN объединяет в одном инженерном продукте практически весь собственный технологический стек: процессор MN-Core 2, облачную вычислительную инфраструктуру PFCP, физическую базовую модель PFP и прикладной симулятор Matlantis. Для пользователя это должно выглядеть просто как дополнительный вычислительный ресурс внутри существующего сервиса, тогда как оптимизация происходит сразу на уровнях модели, программного обеспечения, инфраструктуры и специализированного процессора. https://www.preferred.jp/en/news/pr20260918

Тут запустили и рекламируют PLM Directory — фактически реестр PLM систем https://plmadvisors.com/tools/plm-directory

Компания MWS AI (входит в МТС Web Services) обновила платформу для создания ИИ-агентов MWS AI Agents Platform. https://www.vedomosti.ru/technologies/industries_and_markets/news/2026/09/16/1229356-dlya-ii-agentov

Пятничное

CADDi привлекла $114 млн при оценке $1,2 млрд и начинает глобальное развертывание новой Manufacturing AI Data Platform. Однако интересна здесь не сама инвестиция, а архитектура продукта. CADDi позиционирует платформу как семантический слой над разрозненными чертежами, CAD, спецификациями, закупочными и производственными данными. Новый CADDi Explorer должен быть поисково-контекстным слоем, а CADDi Agent — анализировать производственные данные, принимать решения и выполнять действия в контексте конкретной компании. Компания прямо описывает цель как создание общей структуры данных, на которой человеческие и агентные workflows работают без ручной передачи контекста между системами. Фактически это альтернативная стратегия относительно классического PLM. Вместо замены PLM/PDM/ERP CADDi пытается построить над существующими хранилищами нормализованный semantic engineering layer, пригодный для агентов. Если такая модель масштабируется, роль «центра инженерной информации» потенциально может смещаться от конкретной PLM-системы к слою, который понимает связи между чертежами, деталями, поставщиками, стоимостью и историей производства. https://caddi.com/en-us/news/announcements/caddi-seriesd-unicorn-status/

Backflip AI представили свой Drawing-to-CAD и это короткое видео сопровождающее новость выглядит многообещающе. Вроде как уже можно попробовать на их сайте https://www.backflip.ai

Китайская Sequator Tech строит «Claude для hardware engineering» — с собственной моделью твёрдотельной геометрии и физики. Её система Zexing AI автоматизирует промышленное проектирование: по инженерным требованиям формирует трёхмерные модели, чертежи и связанные данные с учётом технологических ограничений. В отдельных сценариях работа, занимавшая десятки часов, сокращается до нескольких минут. Решения Sequator применяются при проектировании оборудования для Mercedes-Benz в Европе и Tesla в Северной Америке; среди клиентов также называются Dongfeng, CRRC, COMAC и инженерные интеграторы. Система позиционируется не как замена CAD, а как инженерный агент, выполняющий значительную часть типовой конструкторской работы. В основе подхода — собственное представление инженерного изделия. Конструкция описывается не только геометрией, но и материалами, допусками, технологическими базами, условиями обработки, физическими ограничениями и сборочными связями. Поэтому Sequator развивает базовую модель твёрдотельной геометрии и физики, работающую непосредственно со структурой изделия. Для деталей формируется инженерное представление, включающее геометрию, размеры и допуски, свойства материалов, правила обработки, сборки и отраслевые стандарты. Эти ограничения сразу участвуют в генерации, сужая пространство решений до физически и технологически допустимых. Система также связывает проектирование с производством: технологичность учитывается ещё при создании конструкции. В эксплуатации накапливаются десятки тысяч моделей и чертежей вместе с данными о геометрии, свойствах, технологии изготовления и фактических отклонениях. После очистки и унификации они используются для дальнейшего обучения моделей, образуя цикл между проектированием, производством и развитием ИИ. Sequator экспериментирует и с оплатой за фактически выполненную инженерную работу — количество созданных решений и комплектов документации, а не только за лицензии. Долгосрочная цель — автоматизировать не отдельные операции CAD, а большую часть разработки физических изделий: проектирование, проверку технологичности, подготовку производства и связанные расчёты. Компания рассчитывает довести участие ИИ более чем до 80% типовых проектных операций пользователей. https://eu.36kr.com/en/p/3986929196481540

System-Level Modeling and Agentic AI Take the Spotlight in COMSOL Multiphysics® Version 2027 COMSOL Multiphysics 2027 получает полноценный MCP-сервер для инженерных агентов. Через него внешний ИИ-агент может работать с программным интерфейсом COMSOL: создавать и изменять модели, задавать параметры и расчёты, запускать решатели, анализировать результаты и использовать их для следующих действий. Инженер при этом сохраняет контроль через COMSOL Desktop и может проверять или корректировать работу агента. Одновременно COMSOL выходит на уровень системного моделирования. Новый COMSOL Systems позволяет собирать модели из электрических схем, технологических потоков, уравнений и почти 5000 готовых компонентов, связывая их с детальными 1D-, 2D- и 3D-расчётами отдельных узлов. Также появился Electric Motor Module для электродвигателей и генераторов с учётом электромагнитных, тепловых, механических, акустических и гидродинамических процессов. Application Builder теперь работает в Linux и macOS, а вычислительная часть получила новые возможности для электромагнетизма, плазмы, MEMS, механического контакта, взаимодействия жидкости и конструкции, акустики и аккумуляторов.

Smart Manufacturing Technology выпустила MASTA 16 — крупное обновление CAE-платформы для трансмиссий, зубчатых передач, электромашин и силовых установок. Основное развитие ИИ связано не с генерацией конструкции по текстовому запросу, а с ускорением инженерного поиска: высокоточные физические расчёты остаются основой, а обучаемые приближённые модели позволяют быстро оценивать множество вариантов и выбирать наиболее перспективные для детальной проверки. При оптимизации микрогеометрии зубчатых передач система обучается на уже выполненных расчётах и проводит многокритериальный поиск по параметрам конструкции, сокращая число полных вычислений. Аналогичный подход применяется при анализе шума и вибраций: машинное обучение дополняет акустическое моделирование, ускоряет перебор вариантов и показывает неопределённость прогноза. В результате формируется цикл «физический расчёт — приближённая модель — оптимизация — детальная проверка». MASTA 16 также поддерживает распределённые вычисления и запуск через командную строку, что позволяет включать такие циклы в автоматизированные инженерные процессы. https://www.einnews.com/pr_news/942135981/masta-16-powertrain-design-and-analysis-software-helps-engineers-explore-more-designs-faster

Siemens и Microsoft сформулировали концепцию «Agentic Digital Thread». Вчера на IMTS вышел достаточно подробный разбор выступления Siemens и Microsoft, где digital thread рассматривается уже не как механизм передачи инженерных данных, а как среда исполнения решений. Цифровая нить в промышленности превращается из средства обмена данными между проектированием, производством, снабжением и эксплуатацией в среду, где ИИ-агенты могут выполнять связанные действия. Вместо уведомления о нехватке комплектующих система может запросить предложения поставщиков, сравнить цены и сроки и подготовить варианты снабжения. Изменение требования к изделию может автоматически распространяться по связанным объектам PLM, конструкции, программам ПЛК и другим инженерным дисциплинам, а агенты — анализировать последствия. Предполагается работа множества специализированных агентов. При проблеме в конструкции один может изменить геометрию и запустить расчёт, другой — проверить технологичность, третий — подобрать оборудование, четвёртый — оценить стоимость, пятый — проверить наличие материалов. Для этого важны не только сами данные, но и их инженерный контекст, связи, происхождение и права доступа. PLM выступает одним из основных источников такого контекста, связывая требования, структуру изделия, модели, изменения и производственные данные. При этом информация может оставаться распределённой между разными системами и организациями. На производстве ИИ может готовить программы ПЛК, анализировать телеметрию, изображения и звук, а инженер или оператор — проверять результат и вмешиваться при необходимости. В итоге цифровая нить становится средой координации решений, где изменение в одной части жизненного цикла автоматически запускает анализ, расчёты и подготовку действий в PLM, CAD, производстве, снабжении и эксплуатации. https://www.controldesign.com/connections/data-acquisition-monitoring/article/55405577/siemens-rahul-garg-and-microsofts-lindsay-berg-share-how-agentic-ai-turns-the-digital-thread-into-action Одновременно Siemens запустили Meet at the Machine — цифровой поток до физического CNC ещё до поставки станка. Новая инициатива объединяет инженерное ПО, CAM, цифровой двойник, автоматику и данные конкретного станка. Пока оборудование собирается и доставляется, технологи могут подготовить управляющие программы, смоделировать обработку и проверить производственный процесс в виртуальной среде. После монтажа станок получает заранее подготовленные и проверенные операции, сокращая этап наладки и освоения. Подход связывает геометрию детали, технологию, программы ЧПУ, виртуальную проверку и реальное оборудование в единую цифровую цепочку с учётом конфигурации конкретного станка и его системы управления. Первым партнёром стала TRAK Machine Tools; в дальнейшем Siemens планирует распространить эту схему на другие станки и сценарии обработки. https://press.siemens.com/global/en/pressrelease/siemens-launches-meet-machine-initiative-next-level-cnc-productivity

Представили Cartesian от Formas.ai — систему генерации редактируемых трёхмерных моделей по тексту, изображениям, эскизам, планам и существующей геометрии. В отличие от большинства 3D-генераторов, создающих полигональную поверхность, Cartesian строит структурированную модель с отдельными объектами, NURBS-поверхностями и твёрдыми телами. Результат можно экспортировать в Rhino 3DM и SketchUp; поддержка DWG и IFC заявлена на будущее. Система определяет состав модели и связи между элементами. Например, по фотографии интерьера и плану можно указать, какие объекты сохранить, а какие изменить: стены, мебель и другие элементы остаются отдельными сущностями. Такой же подход применяется к архитектуре, мебели, промышленному дизайну, панелизации и подготовке геометрии к обработке. При этом Cartesian пока не создаёт классическую параметрическую модель с деревом эскизов, выдавливаний, скруглений и зависимостей. Основой служат редактируемые тела, поверхности, компоненты и отношения между объектами. Фактически система преобразует текст, изображение или чертёж в набор объектов и ограничений, а затем — в точную геометрию, пригодную для дальнейшего редактирования в CAD и использования в PLM. https://www.formas.ai/cartesian

^^ Кстати, любопытная деталь про упомянутую выше ZW3D - профессиональную машиностроительную 3D CAD/CAM/CAE-систему китайской ZWSOFT из Гуанчжоу, точнее про её происхождение. В 2010 году ZWSOFT приобрела CAD/CAM-технологии американской VX Corporation и на их основе сформировала линейку ZW3D. Вместе с технологиями была приобретена и основная команда разработчиков. Такой вот «китайский CAD со своим ядром» 🧐🧐🧐🧐🧐

Забавный пример эволюции не по стандартному направлению CAD + BOM => PDM => PLM, а наоборот, PLM/MBSE/engineering-data вендор достраивает над своими объектами, BOM, процессами и правами агентный слой, а теперь добавляет собственный AI-native CAD. 易立德 (Shanghai E-lead / «Илидэ»), поставщика китайских PLM класса Teamcenter/Windchill/Aras, но с очень сильным акцентом на IPD и услуги по перестройке процесса разработки, представил сразу семейство промышленных AI-продуктов: платформу 光启 (Guangqi, «Гуанци»), AI-native CAD, Lumen как слой управления и governance, LuBan («Лу Бань») для построения прикладных AI-возможностей, CoCoAI для бизнес-координации и FDE-контур для внедрения агентов в конкретные производственные сценарии. Это уже не экспериментальная функция внутри существующего PLM: компания явно позиционирует новую архитектуру как следующую платформу поверх своего многолетнего PLM-бизнеса. 易立德 работает с более чем 300 крупными производственными предприятиями и специализируется на PLM, IPD, MBSE и инженерной цифровизации. Архитектурная основа этой линии была раскрыта немного раньше и теперь позволяет понять смысл сегодняшнего релиза. Центральным объектом компания считает не LLM и даже не RAG, а корпоративную предметную модель: изделия, BOM, чертежи, материалы, технологические процессы, проекты, изменения, права и отношения между ними должны быть представлены как машинно читаемый бизнес-онтологический слой. Агент работает уже поверх него, получает доступ к существующим PLM-функциям и процессам и должен соблюдать их права и семантику. Для существующих заказчиков AI можно встраивать в действующий PLM как плагины; для новых систем предлагается вариант «AI+X», где агенты становятся верхним уровнем новой инженерной платформы. FDE используется как среда создания агентов специалистами предприятия, а CoCo — как среда исполнения уже подготовленных агентов для управления проектами, требованиями, технологической подготовкой, материалами и изменениями. Компания приводит производственные сценарии: автоматическая проверка CAD-чертежей, поиск повторных требований и материалов, генерация технологических регламентов, оценка рисков инженерных изменений и обнаружение дефектов в трёхмерной технологической симуляции. В одном автомобильном проекте автоматизация выбора материалов для BOM, по данным компании, сократила цикл примерно с 2,5–3 месяцев до трёх недель. Это вендорские показатели, но они относятся к конкретным внедрениям, а не к лабораторному benchmark. Новым и пока самым загадочным компонентом является именно «AI原生CAD» — AI-native CAD. Сегодняшний отчёт подтверждает его официальный выпуск в составе линейки, но пока не раскрывает геометрическое ядро, формат представления CAD-модели, feature tree, параметризацию, assembly constraints, механизм agent→geometry execution или поддержку B-Rep. Поэтому считать его аналогом VisCAD, Arko или полноценным конкурентом ZW3D пока рано. Если смотреть строго на доказательность, PLM/agent часть 易立德 уже выглядит как реальный промышленный продукт с существующей клиентской базой; AI-native CAD сегодня подтверждён как продуктовая линия, но его техническая зрелость пока не доказана публичными материалами. Причём в 2026 году в их публичных материалах появился ещё один характерный тезис: главным корпоративным активом для ИИ должен становиться не сам LLM, который можно заменить, а бизнес-онтология, построенная вокруг объектов и связей реального процесса разработки. Это уже близко к современной идее semantic/knowledge layer над PLM, хотя подробностей реализации публично пока мало. https://finance.sina.com.cn/wm/2026-09-16/doc-inirzshz0546004.shtml https://www.sohu.com/a/1065419857_121655984

интересная картинка из видео

^^ Параллельно Autodesk показала будущий agentic PLM в Fusion Manage. Агент должен рассуждать по контексту изделия и workflow, определять последствия изменений и координировать следующие действия; данные, правила, история изменений, разрешения и человеческие согласования при этом остаются под управлением PLM. Для MPM это потенциально важная связка: изменение инженерных данных сможет сопровождаться анализом его влияния на связанные производственные процессы, а System Modeler — обеспечивать их повторно используемую автоматизацию на CAM-уровне. Однако agentic PLM пока находится в разработке, и Autodesk отдельно не гарантирует состав функций и сроки выпуска.

Autodesk представила System Modeler, который они сами прямо относят к новым AI-возможностям Fusion. Новый слой автоматизации предназначен для повторяемых производственных процессов: он должен помогать автоматически формировать настройку станка, генерировать траектории инструмента и выполнять другие этапы подготовки производства. Ключевая идея — не запускать одни и те же CAM-действия вручную для каждой новой детали, а собирать их в повторно используемые производственные автоматизации. https://adsknews.autodesk.com/en/news/autodesk-ai-design-manufacturing-au-2026/

И ещё одно как-бы-PLM из мира индустрии одежды. Lectra выпустила Apogy — новую облачную систему product development для fashion, изначально построенную вокруг agentic AI. Она объединяет product data, процессы, внутренних участников, поставщиков и партнёров в одном пространстве. Специализированные агенты сопровождают цикл от первоначальной идеи до industrialization-ready prototype: могут работать с prompt, sketch и image, помогать принимать решения, оркестрировать задачи, вести совместную работу и сохранять полную историю изменений. Решение разрабатывалось около трёх лет совместно с несколькими десятками клиентов; среди первых пользователей названы O'Neills и Oniverse. https://www.lectra.com/en/fashion/products/apogy