BOM Voyage

Одно плохо: если каждый CAD-вендор создаст собственный язык или API для программного описания фич, интеграторам придётся поддерживать отдельный backend для каждого такого языка, как это уже происходит с CAD-коннекторами. Для независимых PLM и text-toCAD-систем это будет ещё один слой vendor-specific интеграции. Хотя бы API создания выносок с номерами позиций унифицировали, ёлки-палки. Одна надежда на MCP.

The Tset tech modules' series: Machining

^^ А всплыло оно в связи стем, что они делают новое - оценку расходов на ИИ в supply chain, это становится одним из факторов цены. И обещают показать в новом выпуске их отчёта по индустрии. Заодно вероятно можно будет настоящим образом оценить реальные темпы втягивание ИИ в индустрии.

Оптимизация и расчёты бывает не только инженерными, и местами она может быть даже интереснее простой инженерной. Просто как пример подобного сервиса для интеграции в процессы оптимизации себестоимости, причём не только внутренней. Tset — платформа для расчёта себестоимости промышленных изделий на этапе разработки. Вместо цены поставщика или исторических данных ERP она строит расчёт снизу вверх: учитывает материалы, оборудование, производственные операции, время цикла, труд, энергию, отходы и накладные расходы. Поддерживаются сотни процессов — от литья, штамповки и мехобработки до электроники и сборки, с учётом стоимости производства в разных странах. Tset рассчитывает should-cost — обоснованную стоимость детали или сборки. Например, цену поставщика в €18 можно разложить на сырьё, литьё, мехобработку, труд, оборудование и накладные расходы и получить расчётную стоимость €15. Такая модель становится аргументом для закупщика при переговорах с поставщиком или позволяет разработчику понять, какие особенности конструкции делают изделие дорогим. Расчёт можно начинать с ранней BOM или 3D-модели, сравнивая материалы, геометрию, технологии и страны производства. По той же модели рассчитывается углеродный след, поэтому варианты сравниваются одновременно по стоимости и CO₂. В последнее время Tset активно добавляет ИИ, но не заменяет им точную расчётную модель. ИИ классифицирует детали, находит функционально похожие компоненты с другими названиями и номерами, выявляет аномалии и помогает подобрать технологический маршрут по аналогам. Это особенно полезно для больших массивов CAD, PLM и ERP, где одинаковые по сути детали могут существовать под разными обозначениями, у разных поставщиков и в разных проектах. Другой сценарий — ИИ как естественный интерфейс к Cost Intelligence. Можно спросить, какие компоненты сильнее всего увеличили стоимость сборки, где ухудшилась маржа или какие детали необычно дороги относительно аналогов. ИИ находит и анализирует данные, а стоимость вычисляет детерминированный движок. После соглашения о приобретении Tset компанией A2MAC1 в 2026 году это направление должно усилиться: расчётный движок объединят с большой базой реальных изделий и benchmark-данных A2MAC1, используя ИИ для поиска аналогов, массовых расчётов, построения cost-моделей и выявления аномалий. Сервис развивается из системы расчёта себестоимости в платформу Cost Intelligence: PLM знает, из чего состоит изделие, ERP — сколько оно стоило фактически, ИИ помогает разобраться в данных и аналогах, а Tset определяет, сколько конкретная конструкция должна стоить и почему. Естественное продолжение интеграции подобного - интеграция в итеративные процессы многомерные оптимизации изделия, когда цена становится одним из оптимизируемых параметров. Самый так сказать жизненный сценарий. Плюс развилки Build-or-Buy, изготавливать самим или заказывать у внешних производителей.

Давно вебинаров не было. Inside Plamo: How Agentic 3D Modeling Actually Works https://luma.com/scwaebry 26 августа, 19:00 - 20:00 по Минску На помню что Plamo — AI-native система 3D-моделирования, где пользователь задаёт текст, эскиз или изображение, а ИИ превращает их в редактируемую параметрическую модель. Это своего рода «vibe coding» для CAD: вместо ручного выполнения множества операций человек описывает результат и итеративно уточняет форму и размеры. В отличие от обычных text-to-3D генераторов, Plamo ориентирован на рабочую CAD-геометрию, включая BREP, пригодную для дальнейшего редактирования профессиональными инструментами. По сути, это агентный интерфейс к проектированию: человек формулирует замысел, ИИ выполняет построение модели-наброска, работа с которым продолжается в профессиональном CAD. https://illoca.com/plamo Их рекламное видео было ранее здесь: https://t.me/BOM_Voyage/184

^^ Так вот, к чему это — завтра они вебинар проводят https://us06web.zoom.us/webinar/register/WN_mX3OIfZtTBKNMIdt-pv4Ig#/registration

Многоразовая ракетная система SpaceX или репликатор из Star Trek — люди давно представляют технологии, позволяющие создавать всё более сложные физические системы. Однако на практике одним из ограничений остаётся системная инженерия, которую трудно масштабировать на большие команды людей и ИИ-агентов. Вебинар посвящён тому, как сочетание ИИ, SysML v2 и Git может сделать системную разработку более гибкой и итеративной, сохраняя работу между разными инструментами, организациями и контурами безопасности. На примере платформы SysGit покажут применение подходов Git к разработке системных моделей: управление версиями и изменениями, требованиями, MBSE и архитектурой, автоматизацию системной инженерии и симуляцию. Также будут продемонстрированы интеграция ИИ с SysML v2 через MCP-сервер и REST API. Основная презентация займёт около 30 минут, после чего предусмотрена сессия вопросов и ответов.

Интересующимся управлениями требованиями. Хотя мне кажется что их подход ограничивает систему и переусложняет её, можно проще. Но посмотрим, может я чего-то не понимаю. В конце концов их реально SpaceX использует.

SysGit — платформа для системного проектирования (MBSE), построенная вокруг идеи «Hardware as Code»: требования и архитектура изделия описываются как формальная модель и хранятся в Git почти как исходный код. Такой подход особенно оправдан при разработке сложных изделий в организациях с формализованными процессами, где множество подсистем, требований и команд должны согласованно развиваться годами. Это уровень выше CAD: модель описывает не геометрию деталей, а систему целиком — её подсистемы, функции, интерфейсы, параметры, требования и проверки. Например, требование к аварийному питанию связывается с аккумулятором, потребителями и тестом, подтверждающим его выполнение. Модель хранится в текстовых файлах SysML v2, поэтому к ней применим привычный процесс разработки ПО: commit фиксирует изменение, branch позволяет прорабатывать альтернативный вариант, pull request — проводить ревью, а diff и merge — сравнивать и объединять изменения. Из текста SysGit автоматически строит диаграммы, поэтому код и графика остаются двумя представлениями одной модели. Получается процесс "Requirements → System Model → Git → Review → Validation", где CI может автоматически проверять целостность модели и выполнение формальных правил. Такое представление удобно и для AI-агентов, которые могут анализировать зависимости, предлагать изменения и проверять результат. SysML v2 — новое поколение стандартного языка системного моделирования SysML. В отличие от ориентированного прежде всего на диаграммы SysML v1, он был фактически разработан заново и получил полноценное текстовое представление, формальную семантику и стандартный API. На нём можно описывать структуру и поведение системы, требования, интерфейсы, параметры и проверки вместе со связями между ними. Благодаря этому системная модель становится машиночитаемым артефактом, который можно версионировать, автоматически анализировать и передавать между инструментами. Именно на этом SysGit строит подход, превращающий системное проектирование в процесс, во многом похожий на современную разработку ПО.

Ansys SimAI — система, заменяющая тысячи повторных CFD- и FEA-расчётов быстрой моделью машинного обучения. Она обучается на уже рассчитанных конструкциях, используя геометрию, условия и результаты моделирования, а затем за секунды или минуты прогнозирует для новых форм давление, скорость потока, напряжения, температуры и другие величины вместо запуска полноценного CAE-солвера. В отличие от обычных суррогатных моделей, SimAI работает непосредственно с геометрией, без фиксированного набора CAD-параметров, и допускает значительные изменения формы и топологии. Система предсказывает не только интегральные показатели вроде аэродинамического сопротивления, но и физические поля на поверхности или в объёме. Для этого глубокое обучение и неявное нейронное представление описывают поле как функцию координат, не привязанную к исходной расчётной сетке. Сначала сотни или тысячи вариантов рассчитываются обычным CAE и образуют обучающий набор. Затем SimAI быстро проверяет тысячи новых конструкций: оптимизатор или ИИ-агент генерирует геометрию, модель оценивает её физику, плохие варианты отбрасываются, а лучшие развиваются дальше. Только финальные кандидаты отправляются на точный CAE-расчёт. Оценка уверенности позволяет выявлять конструкции, слишком отличающиеся от обучающих данных. SimAI не заменяет физические солверы: CAE остаётся источником обучающих данных и окончательной проверки, а машинное обучение ускоряет массовое исследование вариантов. Особенно это полезно для генеративного проектирования и многокритериальной оптимизации, формируя цикл «генерация конструкции → быстрое предсказание физики → оптимизация → точная CAE-проверка». https://ansyshelp.ansys.com/public/account/secured?returnurl=/Views/Secured/SimAI/v000/en/SimAI_ug/SimAI_ug/C_UG_SAI_overview.html

https://www.amazon.de/Building-Agents-Engineers-Practices-Development/dp/1569905622 От ведущих инженеров Synera

В отличие от автоматизации на основе правил, которая выполняет повторяющиеся задачи по заранее заданным инструкциям, ИИ-агенты действуют автономно и способны принимать решения в сложных и динамически меняющихся ситуациях. Эта книга показывает, как создавать ИИ-агентов для разработки продукции, прежде всего аппаратных изделий. Она предназначена для инженеров-разработчиков, конструкторов и руководителей инженерных подразделений. Рассматриваются основные принципы и архитектуры агентных систем, фреймворки и шаблоны проектирования агентов, а также их интеграция с CAx-, PLM- и ERP-системами. Отдельное внимание уделяется управлению такими системами, управлению изменениями, распределению ответственности и тому, как применение агентов может изменить организацию разработки продукции в будущем. Шаг за шагом показывается создание ИИ-агентов с помощью low-code-платформ, включая переход к многоагентным системам, где несколько агентов взаимодействуют для достижения общих или индивидуальных целей. Описываются критерии выбора пилотных проектов и основные этапы их внедрения. Практические примеры охватывают автомобильную промышленность, производство потребительских товаров и инженерные услуги, включая опыт NASA, Miele, IMS Gear и ARRK Engineering. Они показывают, как ИИ-агенты могут снижать затраты на разработку и сокращать время вывода продукции на рынок.

Прочитав эту статью осознал, что после написания многомашинного оркестра, памяти (причём со слоями векторов и графа), межагентного взаимодействия и собственного харнесса (все в работе, уже почти готово) буду писать систему управления доверием и консенсусом. Ну слава богу, а то я уже думал чем бы заняться (нет). Хотя в принципе эта мысль уже итак формировалась на периферии моего внимания, статья ускорила. Описанные в статье эффекты я действительно наблюдал, но причину не устанавливал списывая на более простые объяснения. Anthropic: patterns and problems in emerging multiagent systems Краткое содержание на русском: Многоагентные системы позволяют масштабировать ИИ: вместо одного агента работает группа, которая делит задачи, обменивается результатами и использует общие инструменты. Это действительно ускоряет работу, если задача хорошо распараллеливается, но одновременно создаёт отдельный класс проблем, связанных уже не с качеством отдельных моделей, а с координацией между ними. При независимых задачах агенты могут специализироваться и исследовать пространство решений параллельно. Но при совместной работе с одним репозиторием или инфраструктурой быстро возникают конфликты изменений, дублирование и незавершённая работа. Более сильные модели частично избегают этого, самостоятельно разделяя рабочее пространство, однако ни фиксированные роли, ни центральный управляющий агент проблему полностью не решают. Дополнительный риск создаёт высокая корреляция поведения: экземпляры одной модели с похожим контекстом часто независимо выбирают одинаковые стратегии. Поэтому локальная ошибка может стать системной — например, множество агентов одновременно перегружает очередь запросами или одинаково оптимизирует локальную цель во вред всей системе. Даже конкурирующие агенты способны прийти к согласованному поведению без прямого общения, просто одинаково интерпретируя доступные данные. С доверием возникает похожая проблема. Нельзя просто принимать мнение большинства: единственный агент может обладать критически важной информацией, тогда как остальные ошибаются. Поэтому требуется учитывать происхождение данных, историю надёжности источника и независимость свидетельств. При конфликтующих целях ситуация усложняется ещё сильнее: агенты могут останавливать чужие процессы, блокировать ресурсы или защищать собственную работу. Более развитые модели иногда способны договориться, но более высокий интеллект может сделать не только сотрудничество, но и конкуренцию эффективнее. Многоагентная система — это не просто «запустить больше умных моделей». Возникает отдельный уровень сложности, похожий на устройство общества или организации: нужны правила распределения ресурсов, механизмы разрешения конфликтов, репутация, способы проверки информации, протоколы коммуникации и возможность передать спор человеку. Человеческие организации выработали такие механизмы за тысячи лет, тогда как AI-агенты получают знания о них из текста, но не обязательно автоматически начинают вести себя в соответствии с ними. Поэтому повышение интеллекта отдельных моделей само по себе не решает проблему координации: для больших агентных систем потребуется фактически создавать новые «социальные институты» и инфраструктуру взаимодействия, рассчитанные уже не на людей, а на программных агентов.

Старое, но всё такое же прекрасное обучающее видео оптимизации в Altair (их скушал Siemens) Inspire конструкции дрона из игры Command & Conquer, с печатью и запуском реально летающего результата. https://web.altair.com/academic-hub-inspire

Cognitive Design Systems разрабатывает систему оптимизации конструкции механических деталей. Инженер задаёт точки крепления, нагрузки, допустимую массу, материал, способ производства и другие ограничения, после чего система создаёт множество вариантов, рассчитывает их и сравнивает по прочности, массе, стоимости и другим показателям. Производственные ограничения учитываются сразу. Система может принимать во внимание доступ фрезы к поверхности, извлечение отливки из формы или особенности 3D-печати, поэтому ищет не просто оптимальную, а реально изготавливаемую конструкцию. Для генерации геометрии используется собственный движок на основе implicit modeling — неявного моделирования. В отличие от традиционного CAD с поверхностями и рёбрами, форма задаётся математически, что упрощает автоматическое создание и перестроение сотен и тысяч вариантов. Выбранный результат затем можно преобразовать в обычную CAD-геометрию. Ещё одна важная часть — Reusable Workflows, повторно используемые сценарии проектирования. Можно один раз задать последовательность: построить исходную геометрию, сгенерировать варианты, оптимизировать их под нагрузки, применить производственные ограничения, выполнить расчёты и сравнить результаты. Затем тот же процесс используется для похожих деталей и автоматически перезапускается при изменении исходных параметров. По концепции Cognitive Design близок к Synera, Altair Inspire, Ansys Discovery и nTop, но объединяет implicit geometry, многокритериальную генеративную оптимизацию, CAE и ограничения производства в единый цикл. Это скорее система автоматического поиска конструкции, чем универсальный CAD: окончательную модель предполагается доводить в CATIA, NX, Creo или SolidWorks. ИИ не заменяет геометрический движок или физический расчёт, а дополняет более детерминированный процесс: генерация → физическая проверка → производственные ограничения → оптимизация. Так что их подход ближе к практической автоматизации проектирования, чем к идее «LLM по текстовому запросу генерирует CAD-модель». https://www.cognitive-design-systems.com

Отчет об успехе в запуске цикла автоматического улучшения AI-агента для работы с CAD. Агент генерирует большой набор разнообразных заданий, выполняет их, автоматически проверяет полученные модели, анализирует ошибки и пытается их исправлять. Человек в основном контролирует прогресс и вмешивается, когда улучшения замедляются. В результате получается непрерывный цикл «задание → построение модели → проверка → исправление → повторный тест», позволяющий постепенно научить систему справляться даже с короткими и неточными запросами пользователей. https://www.linkedin.com/posts/burhop_last-night-i-set-up-codex-to-work-on-a-few-share-7493729478917910528-RbGQ/ И график роста успешности итераций

Danish Bricks Builder — веб-среда для работы с виртуальными LEGO-подобными конструкциями. Интересен ML анализом того, как детали соединяются друг с другом. По сути, это попытка превратить LEGO-конструкцию из просто набора 3D-координат в семантическую модель сборки: какие детали могут соединяться, каким способом, где находятся точки сопряжения, какие соединения физически допустимы и как последовательность таких соединений превращается в инструкцию сборки. Это уже довольно близко к задачам CAD: вместо «кубик находится в координатах X,Y,Z» система пытается оперировать отношениями вроде «эта деталь закреплена на этой поверхности другой детали». Отдельно интересна исследовательская инфраструктура: собирается корпус существующих конструкций, извлекается словарь типов соединений, анализируются отсутствующие случаи, а затем разные стадии пытаются классифицировать и семантически интерпретировать соединения и сопоставлять их со сборочными шагами. То есть LEGO используется как сравнительно простой дискретный мир для экспериментов с пониманием конструкции и автоматическим построением процесса сборки. https://www.danishbricksbuilder.com/anatomy Код к сожалению пока что закрыт.

Статья расскрывающая детали реализации архитектуры модели Luminary-SMART. Physics AI позволяет заменить множество повторных CFD- и FEA-расчётов нейросетью: обучившись на полноценных симуляциях, она за секунды предсказывает давление, температуру, скорости, напряжения, силы и моменты для новой геометрии. Однако у таких моделей есть проблема: при обучении они часто видят расчётную сетку, которая сама содержит подсказки о физике — например, сгущается около пограничных слоёв и ударных волн. В результате модель может частично запоминать особенности сетки вместо связи между геометрией и физическими процессами. На тестах это работает хорошо, но при переходе к обычной CAD-геометрии точность снижается. Архитектура SMART устраняет эту зависимость: поверхность детали представляется облаком точек, из которого модель строит компактное представление геометрии. Точки при этом перевыбираются, чтобы нейросеть не привязывалась к конкретной дискретизации. После обучения физические величины можно получать в произвольных координатах и с нужной детализацией — от быстрого приближённого результата до миллионов точек. Таким образом, модель учится зависимости «геометрия + условия → физическое поведение», а не особенностям подготовки расчётной сетки. Подход применим к аэродинамике, внутренним течениям, теплообмену, прочности и другим задачам. Наиболее заметное улучшение проявляется в практически важных величинах — силах, моментах и других результатах расчёта, при этом модель быстрее обучается и выполняет прогнозы. В перспективе для многих итераций длинную цепочку «CAD → сетка → численный решатель → результат» можно заменить на «CAD + условия → обученная физическая модель → результат», сохранив полноценные CFD/FEA-расчёты для обучения, проверки и наиболее ответственных вариантов. https://luminary.ai/resources/luminary-smart-the-new-state-of-the-art-model-architecture-for-large-physics-models/

Ну и раз уж мы про Aras, вот ещё одна из демонстрация

У большинства производственных компаний накоплено много данных о продукции. Настоящая проблема — объединить разрозненные данные в целостное и удобное для работы представление. Джонни Моруп рассказывает, как Aras Manufacturing Process Planning управляет технологическими процессами, производственными спецификациями (MBOM), последовательностями операций и рабочими инструкциями, помогая синхронизировать производство с изменениями конструкции изделия.

https://app.storylane.io/share/fssbdvqmcb94 Достаточно неплохой у них UI

^^ Кстати, у Aras Innovator такая же модель данных как у белорусского IPS (Интермех) - всё сводится к универсальной связке Объект-Связь-Атрибуты. И это прекрасный фундамент для построения RAG - другим системам приходится в реализации RAG собирать виртуальный граф знаний из разрозненной гетерогенной информации, а у них всё уже хранится готовым, не хватает лишь семантических индексов и желания. А в будущем — событийной модели, агентам для автономной работы нужны события системы.

Aras AI Agent — это ИИ-помощник, встроенный прямо в PLM-систему Aras Innovator. Позволяет пользователю мог просто описать обычным языком, что ему нужно сделать. Агент понимает контекст — например, с каким объектом сейчас работает инженер, — и знает структуру конкретной установки Aras: типы объектов, их свойства и схему базы данных. Используется RAG: агент ищет нужную информацию в данных компании, а семантический поиск помогает сопоставить запрос пользователя с корпоративной базой знаний. Перед выполнением действий результат дополнительно проверяется по реальной схеме Aras, чтобы снизить вероятность ошибок и выдуманных ИИ сущностей или свойств. Потенциально опасные операции помечаются заранее, для ответов показывается уровень уверенности, а взаимодействия записываются в журнал. Интеграция выполнена напрямую с Aras, без MCP, при этом данные остаются внутри инфраструктуры компании. В более широком смысле Aras пытается сместить PLM от «system of record», где информация главным образом хранится, к «system of action», где система сама способна обнаруживать зависимости, предлагать действия и участвовать в процессах. Однако пока что агент ориентирован прежде всего на задачи администрирования: поиск и исправление проблем конфигурации, выполнение типовых операций и помощь менее опытным пользователям. Следующий этап — помощник для разработчиков, который сможет автоматизировать создание методов, типовые процессы разработки и развертывание изменений. А в итоге взаимодействие с интерфейсом можно будет полностью вести через диалог с системой: человек формулирует намерение, а агент сам разбирается, какие объекты и операции Aras для этого нужны. Это не workflow-ы для выполнения агентами CAD/CAE/MPM операций, а скорее готовность самого пользовательского интерфейса PLM - не ключевой, но необходимый этап трансформации в ИИ-нативную систему.