BOM Voyage

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

Пятничное

Legal Data Space, французская отраслевая инициатива, которая пытается построить полноценную инфраструктуру обмена публичными и частными юридическими данными, ориентированную на ИИ, присоединились к Gaia-X — европейской архитектуре доверия для обмена данными и цифровыми сервисами между независимыми организациями. И если само по себе членство не было бы особенно интересно, но здесь важен предмет интеграции: LDS строит «legal layer» для пространств данных — governance, compliance и smart contracts — с целью превращать условия обмена данными в машиночитаемые и исполнимые правила, которые могут сопровождать данные при переходе между участниками. Gaia-X прямо описывает это как попытку сделать юридические условия data sharing operational. https://gaia-x.eu/legal-data-space-joins-gaia-x-to-strengthen-the-legal-layer-of-data-spaces/ У LDS уже выделен набор компонентов, очень близкий к к тому что требуется агентам взаимодействующим между разными предприятиями: Rulebook Maker переводит юридические и договорные правила в исполнимую форму; Data Contract работает с трассируемыми исполняемыми условиями обмена; MyLegalConnect вводит interoperable identity и цифровой mandate; Legal MCP предоставляет нормализованный и трассируемый доступ к данным для агентов. LDS также прямо описывает отношения между Data Holders, Data Users и AI Agents как объект машинноисполняемой governance. Суть в том, что когда ИИ работает выходит за пределы одного предприятия - приходится учитывать в работе юридические обязательство, формировать в ходе работы новые и т.п. - это требует моста между юридическими механизмами понятными человека и тех что больше подходят роботам. И вот, не смотря не известную неповоротливость европейцев, оно формируется достаточно быстро.

Anthropic представила MCP для физического мира — Model Hardware Standard. Anthropic открыла research preview спецификации MHS, позволяющей ИИ-агентам управлять программируемым оборудованием: микроскопами, жидкостными станциями, роботизированными манипуляторами и промышленными установками, причём несколькими устройствами параллельно. MHS построен поверх MCP и не привязан к Claude; идея фактически переносит модель agent → MCP → software tool на agent → MHS → physical equipment. Для производства это потенциально важный мост от инженерного агента, который проектирует и рассчитывает, к агенту, способному непосредственно выполнять эксперимент или производственную операцию. https://www.anthropic.com/news/model-hardware-standard-research-preview

В опубликованном разборе внедрения OpenMind 2.0 в китайском автопроизводителе FAW говорится, что BOM-агент уже автоматически формирует более 90% технологических маршрутов и ежедневно сам планирует сотни инженерных задач. Всего в компании работают 29 «цифровых сотрудников» и 40 агентных приложений; число ручных точек согласования сокращено примерно на 60%, а более 2000 процедур утверждения вообще удалены. Агент производственного планирования действует полностью автоматически, опираясь на 34 формализованных бизнес-правила. https://finance.sina.com.cn/jjxw/2026-08-27/doc-inipsrri9103107.shtml Жаль что механизм инженерной и доказательства решений проверки не раскрываются.

В новостях про ИИ в PLM проскочила интересная PLM, отличающаяся от привычного машиностроительного. Centric PLM — специализированная платформа для управления жизненным циклом одежды, обуви, косметики, продуктов питания и других потребительских товаров. Она объединяет коллекции, спецификации, материалы, состав изделия, упаковку, образцы, поставщиков, себестоимость, качество и сертификацию. Основная структура здесь выглядит не как «деталь — сборка — изделие», а как «сезон — коллекция — модель — вариант — SKU». В отличие от Teamcenter, Windchill, ENOVIA или Aras, Centric строится не вокруг CAD-модели, инженерного состава и процессов ECR/ECO, а вокруг коммерческого продукта, ассортимента, сроков запуска, поставщиков и маржинальности. CAD и 3D-системы подключаются как источники данных, но не образуют ядро платформы. Поэтому Centric удобен для тысяч быстро меняющихся моделей, но не заменяет машиностроительный PLM с глубокой поддержкой EBOM/MBOM, конфигураций и технологической подготовки производства. ИИ применяется для анализа трендов и конкурентов, генерации вариантов дизайна, прогнозирования спроса, оптимизации ассортимента, цен и запасов, а также проверки формул и нормативных ограничений. Пока это преимущественно встроенная аналитика и автоматизация, а не автономные инженерные агенты. Однако связанная и проверенная модель продукта позволяет ИИ предлагать решения с учётом себестоимости, сроков, качества, устойчивости и регуляторных требований. И особенности западных рынков - Centric также позиционируется как доверенный источник данных о продукте, материалах, поставщиках и упаковке. Требования устойчивости, соответствия и прослеживаемости встраиваются непосредственно в разработку, а не обслуживаются разрозненными системами. Платформа формирует профили устойчивости, автоматически рассчитывает состав изделия, управляет сертификатами и сроками их действия, собирает сведения от поставщиков и учитывает перерабатываемость. Это помогает готовить данные для EPR, PPWR, ESPR и будущих цифровых паспортов продукции. Целый отдельный мир. https://www.centricsoftware.com/what-is-centric-plm

Хаха, Siemens рассматривает сценарий, в котором CAD-лицензии или вычислительные права покупаются не только людям, но фактически агентам, работающим автономно и использующим NX, CAE и другие инструменты круглосуточно. Хеммельгарн говорит, что клиенты уже обращаются к Siemens по поводу обучения LLM для таких задач. https://develop3d.com/cad/qa-siemens-digital-industries-ceo-tony-hemmelgarn/

Вышел новый китайский технический обзор Physical AI формулирует архитектуру будущего CAE. 东吴证券 опубликовала большой отраслевой разбор мировых моделей и физического ИИ с отдельным разделом по китайскому промышленному ПО. В качестве наиболее интересных направлений названы 索辰科技 (Suochen) в инженерном моделировании и 中望软件 (ZWSOFT) в CAD/CAx. https://www.fxbaogao.com/detail/5640161 В отчёте авторы традиционно ожидают гибридную схему: физическая модель задаёт ограничения и проверяемые законы, нейросеть аппроксимирует дорогие части или остаточную ошибку, реальные данные постоянно корректируют состояние модели, а агент использует эту систему для выбора следующего действия и замыкает контур управления. CAE, физические движки и цифровые двойники здесь выступают не устаревающим слоем, а механизмом проверки AI. В целом китайский рынок всё больше начинает воспринимать CAD → CAx → AI-design не как три независимых класса продуктов, а как потенциальный единый инженерный контур. —— Публикация про 鼎捷数智 (Digiwin): AI-слой начинает связывать PLM, производственные системы и физическое оборудование. В опубликованном 27 августа полугодовом отчёте Digiwin уже официально относит к основной деятельности одновременно ПО для проектирования и разработки, цифрового управления, управления производством и серию AI-продуктов для «умных фабрик». Ключевым элементом компания называет 鼎捷雅典娜·企业智能运行空间 — Athena EIOSpace, среду, в которой совместно работают люди, программные агенты и оборудование. https://finance.sina.com.cn/stock/zqgd/2026-08-27/doc-inipuiyr5856656.shtml Их новый PLM Digiwin уже использует поиск инженерных знаний, интеллектуальную рекомендацию материалов, разбор документов и чертежей и генеративные функции; поверх этого EIOSpace вводит уровень координации. В нём есть «командир», специализированные агенты и цифровые двойники людей или оборудования, а собственный протокол MACP предназначен для взаимодействия агентов в производственной среде. Решения агентов могут уходить дальше API корпоративных систем и превращаться в команды AGV, роботам и автоматизированным линиям. https://www.cinn.cn/2026/06-05/VDpBMB91.html И тут важен не сам запуск EIOSpace, который состоялся раньше, а подтверждение того, что Digiwin рассматривает его не как эксперимент, а как основу своего промышленного продуктового ряда. Компания так же купила 51% 能誉科技, чтобы расширить контур AI на энергетику и инженерную инфраструктуру предприятий. Поэтому это уже больше похоже на попытку построить промышленную агентную платформу над PLM/MES/ERP/оборудованием, чем на набор AI-помощников. Однако открытых данных о количестве производств, реально работающих в автономном режиме через EIOSpace, пока нет. https://finance.sina.com.cn/stock/zqgd/2026-08-27/doc-inipuiyr5856656.shtml

Собрал что известно «Диполь К.У.П.О.Л.» — «Комплекс управления производством и организации логистики». Это отечественная MES/MOM-система компании «Диполь Технологии», специализированная прежде всего на производстве электроники, кабельных жгутов, печатных узлов, готовой аппаратуры и микроэлектроники. Система занимает уровень между ERP и технологическим оборудованием. Система должна превращать производственный заказ в управляемое исполнение: построить маршрут, сформировать партии, распределить задания, выдать оператору документацию, проконтролировать последовательность операций и сохранить фактическую историю изготовления. Основные функции: — редактор технологических процессов и библиотека типовых операций; — производственные заказы, партии и маршрутные листы; — календарное планирование и балансировка загрузки; — диспетчеризация оборудования и рабочих мест; — интерактивные инструкции для операторов; — учёт квалификаций и допусков сотрудников; — складской учёт, адресное хранение и движение комплектации; — учёт замен комплектующих и поставщиков; — прослеживаемость до конкретного изделия, компонента, операции, оборудования и исполнителя; — регистрация дефектов, контроль качества и ремонтные маршруты; — сбор данных с линий и формирование технологического паспорта изделия; — отчёты, аналитика и выгрузка данных; — интеграция с ERP, включая заявленную интеграцию с 1С, и внешними системами через API. https://isup.ru/articles/123/20301/ По отношению к PLM/CAPP это не полноценная PLM-система, но в «К.У.П.О.Л.» присутствует заметный CAPP/MPM-слой: технологические маршруты, операции, инструкции, ресурсы, квалификации и подготовка производства. Конструкторская и технологическая документация передаётся на рабочие места, а фактические данные возвращаются из цеха. Управление сложной структурой изделия, конфигурациями, изменениями и жизненным циклом КД публично описано значительно слабее. Сильной стороной продукта разработчик называет работу с разнородным и уже установленным оборудованием. Если линия предоставляет протокол, API, XML или файловые отчёты, данные забираются непосредственно. Для закрытого или старого оборудования предлагается «Диполь СПУТНИК» — контроллер со сканером, устанавливаемый на конвейер. Он идентифицирует изделие, фиксирует прохождение операции, проверяет принадлежность партии и может остановить линию при неправильном изделии или зарегистрированном дефекте. Заявленные внедрения: — АО «ПО Элтехника» — автоматизация участка изготовления жгутовых сборок; — Санкт-Петербургский государственный университет аэрокосмического приборостроения; — АО «РАДИУС Автоматика»; — «А-Контракт» — на момент публикации внедрение завершалось. https://www.dipaul.ru/upload/iblock/af1/af1be147182fe9d525b2c98e7e4ed8cc.pdf В целом Диполь: https://dipaul.ru/

Продолжаем четверг! Слово автору @vopash --- Привет, меня зовут Яков и я делаю первое в мире доступное AR-расширение для систем автоматизированного проектирования (САПР, они же CAD). САПР/CAD — это программы, в которых инженеры и конструкторы проектируют любые вещи от шкафа до реактивного двигателя. AutoCAD, Solidworks, OnShape, Sketchup — именно там чертят, считают нагрузки, составляют программы для станков с ЧПУ... AR (augmented reality) — это дополненная реальность, возможность видеть виртуальные объекты в реальном мире. Вы могли слышать о таких устройствах, как Magic Leap, Microsoft Hololens, или Apple Vision Pro — они для этого. Создатели этих гарнитур показывают впечатляющие картинки с объёмными схемами промышленных объектов. И такие приложения существуют, — только их пишут крупные промышленные конторы сугубо для внутреннего потребления. Публичные же приложения почти полностью крутятся вокруг потребления контента, созданного кем-то ещё. Почти не существует полезных приложений-инструментов. Именно это я и хочу исправить. Знакомьтесь, СтереоМужик (StereoMan) — первое приложение, интегрирующее дополненную реальность в рабочий процесс инженера. Изначальная задумка — отрисовать модель с экрана, но в объёме. Её можно вертеть и зумить, можно водить вокруг неё хороводы. Очень удобно смотреть в масштабе 1:1 или любом другом. Но один лишь просмотр — это бедновато и не но́во. Поэтому я реализовал редактирование в объёме. Я связал две модели — САПРовую и объёмную, и действия с ними передаются в обе стороны. Всё остальное — параметры, формулы, работа с деревом объектов, — остаётся в FreeCAD на виртуальном экране, чтобы не ломать существующие пользовательские привычки. Сейчас в AR наряду с виртуальным экраном видно изделие, с ним можно делать всё, что обычно делают мышью на плоском экране: • Переместить или повернуть модель — хватаешь прямо за неё «щипком» и ставишь как удобно. Проще классических способов, даже проще 3д-мыши. • Масштабировать — берёшь объект, и другой рукой раздвигаешь или сжимаешь пространство. • Выделение двуручное. Если «щипнуть» (и держать) воздух в стороне от модели — появится курсор. Курсор липнет к фичам — так же, как в FreeCAD. Остаётся другой рукой подтвердить выделение — это и будет клик. Взглядом выделять не получится — не хватает точности. Но курсор появится именно там, куда смотришь, поэтому движения рук минимальные. Если описание кажется сложным, — посмотрите пару видео. Руки я держу высоко специально для камеры — их можно держать на стопрямле, удобнее и точнее. Теперь к технической части вопроса. В танго участвуют двое, клиент и сервер. Клиент написан под Vision Pro — я его взял весной ради виртуального дисплея. В июне Эпл опубликовала новый API и навела меня на мысль, что работа в САПР может выиграть от совмещения двумерного экрана и AR-вида. Впрочем, апишка не подошла, и всю реализацию пришлось делать с нуля. Максимально просто — рендер в volume через системный RealityKit. С серверной стороны FreeCAD, потому что: а) я с ним знаком, б) его питоновые потроха отлично подходят для доработки. Плагин-сервер экспортирует модель в формат клиента, добавляет туда метаданных, и дальше клиент с сервером танцуют выделение, видимость, геометрию. Источником правды всегда остаётся САПР — FreeCAD — именно он отдаёт модели для рендера и метаданные (названия и местоположение элементов) для манипуляций. Сейчас я работаю над визуализациями и интерфейсом в бенчах Part, Part Design, Assembly. На очереди Sketch и Draft. Затем — релиз. Потом уже буду расширяться на другие платформы, как серверные, так и клиентские. Ключевая задача — отладить интерфейсную часть для удобной работы. Если вы знаете инженера, конструктора, архитектора, — покажите ему мой проект, пожалуйста. Мне очень нужна обратная связь от тех, кто на опыте, и не важно, какой именно САПР они пользуются. Подписывайтесь на канал @StereoManAR, присоединяйтесь к чату @StereoManARChat. Планирую выпустить первый релиз уже в этом году. --- Посмотрите видос, он классный. Делался автором под этот пост и актуальный максимально.

Минпромторг планирует внедрить единую MES-систему «К.У.П.О.Л.» для управления кристальным производством на 15 предприятиях отрасли. В список вошли «Микрон», «Ангстрем», НМ-Тех, «Исток» им. Шокина, «Отраслевые решения», «Волга», а также белорусские «Интеграл» и «Планар». Ключевая цель внедрения MES-системы — создание единого цифрового контура управления кристальным производством, обеспечивающего прослеживаемость результатов разработки и тестирования, а также коррекцию проектных данных для производства. Согласно презентации, проект «К.У.П.О.Л.» предполагает создание программной платформы для оперативного управления производственными процессами. Система должна объединить инженерно-технические подразделения, снабжение, склады, рабочие места и технологическое оборудование через локальную сеть предприятия. Программный комплекс «Диполь К.У.П.О.Л.» уже внесен в Единый реестр российского ПО. https://importfree.cnews.ru/news/top/2026-07-03_v_rossii_sozdadut_edinyj Вот эта оговорка странная

Система должна объединить инженерно-технические подразделения, снабжение, склады, рабочие места и технологическое оборудование через локальную сеть предприятия.

То есть сейчас это в локальную сеть предприятия не объеденено? Да и в принципе, речь я так понимаю идет о нескольких предприятиях, но подобное объединение ставит в принципе другие вопросы, чем для случая локальной сети. Но в любом случае, будет интересной площадкой тестирования подобного взаимодействия. Как максимум выработают стандарт пригодный для развития и масштабирования, как минимум походят по граблям и приобретут опыт "как лучше не делать и почему". Если конечно пойдет дальше обсуждений.

И немного Китая 索辰科技 (Suochen Technology): В полугодовом отчёте компания она сообщила о выпуске «大圣» — инженерного агента, «行者» — системы генерации синтетических физических данных и «营造·万象» — физической мировой модели; вместе они входят в платформу «开物». Одновременно компания перенаправляет часть средств с проекта обычного промышленного облачного CAE на создание базовой технологии физических синтетических данных. https://finance.sina.com.cn/roll/2026-08-25/doc-inippvuk1576916.shtml А её дочерняя компания 索辰 объявила о совместной лаборатории с 中航中试 для коммерческой космонавтики и сложного машиностроения. Здесь уже описана практически полная архитектура: собственные многополевые решатели → обучение быстрых нейросетевых суррогатных моделей → физическая мировая модель и цифровой двойник → агент, выполняющий цикл «восприятие → прогноз → планирование → действие → контроль». Для аэрокосмических задач заявлены расчёты течений, тепловых процессов, плазмы, горения и разделения ступеней. Нейросетевые модели используются не вместо CAE как такового, а как быстрый слой поверх результатов высокоточной симуляции. https://stock.10jqka.com.cn/20260826/c679308000.shtml —— 原力引擎 — новый китайский игрок в AI-CAE получил около 50 млн юаней. 26 августа шанхайский стартап 原力引擎 объявил о раунде Angel+ почти на 50 млн юаней. Деньги пойдут на «генеративный симулятор», интеллектуальное управление и натурную проверку технологий прежде всего на установках управляемого термоядерного синтеза, а затем в энергетике и сложном машиностроении. Инвесторы включают государственные Shanghai Future Industry Fund и Shanghai Science and Technology Venture Capital. https://finance.sina.com.cn/tech/roll/2026-08-26/doc-iniprcpy2196186.shtml —— 青翼工业软件: новый AI-ориентированный PLM для процессных производств. 26 августа 青翼工业软件 представила PLM-платформу управления разработкой продукции для химии и других процессных отраслей. В отличие от обычного машиностроительного PLM, центр модели здесь — рецептура продукта: система связывает разработку состава, нормативные ограничения, управление знаниями и прослеживаемость качества. AI используется для накопления и повторного использования корпоративных знаний, полученных за цикл разработки продукции. https://www.jfdaily.com/sgh/detail?id=4045334 —— 四川大学: ExpConCAD учит Text-to-CAD восстанавливать недостающие пространственные ограничения. 26 августа появилась новая работа ExpConCAD группы из College of Computer Science, Sichuan University и китайского Engineering Research Center of Machine Learning and Industry Intelligence совместно с National University of Singapore. Авторы атакуют важную проблему нынешних Text-to-CAD: человек обычно говорит «пластина с двумя сквозными отверстиями», но не описывает, что отверстия не должны пересекаться, должны находиться внутри пластины и проходить через неё полностью. Обычная LLM должна фактически догадаться обо всём этом сама. ExpConCAD сначала восстанавливает предполагаемую структуру построения модели — элементы и операции CAD, затем явно определяет области, в которых необходимы пространственные ограничения, и только после этого выводит недостающие зависимости. Дополнительно система хранит «опыт»: из неудачных предыдущих построений она выделяет повторно используемые правила вроде «режущий цилиндр должен оставаться внутри базовой детали», «отверстия не должны пересекаться» или «глубина выреза должна превышать толщину детали». Эти правила извлекаются не на уровне целой похожей модели, а на уровне конкретного типа геометрического отношения. После этого генерируется исполняемый CadQuery-код и проверяется его выполнение. arXiv:2608.24760v1 — ExpConCAD: Experience-Guided Text-to-CAD Generation from Shape Descriptions with Implicit Spatial Constraints

Снова в кадре гиперок arxiv: [2608.24833] Real-time inverse solutions via neural matrix operators В статье рассказывают про NEMO — подход для цифровых двойников, позволяющий почти мгновенно восстанавливать неизвестные физические воздействия по данным датчиков. Нагрузку, давление, источник тепла или место утечки часто нельзя измерить напрямую, но можно наблюдать их последствия: деформации, вибрации, температуру, концентрацию вещества или изменение расхода. Обычно для поиска причины приходится многократно запускать CAE-модель и подбирать параметры. NEMO переносит эти тяжёлые вычисления на этап подготовки: нейросеть обучается по результатам CAE-расчётов строить компактную математическую связь между воздействием и показаниями датчиков. Получив новые данные, система формирует небольшую матрицу и напрямую вычисляет искомое воздействие, не запуская полную конечно-элементную или гидродинамическую модель. При этом сохраняется физическая структура задачи и оценивается неопределённость результата. NEMO применим для поиска утечек в трубопроводах, источников перегрева в двигателях и аккумуляторах, восстановления нагрузок на мосты, турбины и станки, а также оценки аэродинамического давления и локализации выбросов. В PLM/CAx он может связать расчётную модель с эксплуатируемым изделием: CAE готовит сокращённую модель, датчики обновляют цифровой двойник, а результаты используются для оценки ресурса, обслуживания и уточнения требований. Подход особенно полезен для повторяющихся задач с известной физикой, но хуже работает с принципиально новыми повреждениями и режимами. Метод проверили на двух примерах. В первом по 150 измерениям концентрации восстанавливалось начальное распределение загрязняющего вещества с учётом меняющегося ветра. Полная модель содержала более миллиона степеней свободы. NEMO вычислял оператор примерно за 0,012 секунды вместо 541 секунды у физического решателя — ускорение превысило 45 тысяч раз. Восстановленное распределение практически совпадало с результатом сокращённой физической модели и правильно локализовало источник загрязнения. Во втором примере по показаниям 108 датчиков деформации восстанавливалось распределение аэродинамического давления на гиперзвуковом аппарате. Модель учитывала изменение свойств материала из-за неравномерного нагрева, а конечно-элементная сетка содержала около 462 тысяч степеней свободы. NEMO выполнял расчёт примерно за 0,006 секунды вместо 5,6 секунды, обеспечивая скорость, достаточную для обработки данных с частотой около 100 Гц. Ошибки в основном возникали возле резких перепадов давления, которые сглаживались регуляризацией, а с ростом шума датчиков точность ожидаемо снижалась. По качеству восстановления NEMO оказался сопоставим с современными нейронными операторами, но работал в 10–56 раз быстрее на этапе эксплуатации, поскольку не требовал итерационного поиска решения. В отличие от сетей, обученных сразу отображать измерения в искомое поле, NEMO позволяет менять регуляризацию при изменении уровня шума без повторного обучения модели.

И снова на связи Linux Foundation. Они приняли проект TRACE — открытый формат криптографически проверяемой записи выполнения ИИ-агента. Такая запись связывает конкретный запущенный код и модель с действовавшей политикой, классом использованных данных и вызванными инструментами. В отличие от обычного журнала, доказательство подписывается внутри доверенной аппаратной среды и может независимо проверяться другой организацией. Применительно этим нашим PLM/CAx это позволит сохранять не только «агент сообщил, что проверил модель», а проверяемое доказательство того, какой агент, под какой политикой и какими инструментами действительно выполнял проверку. Для регулируемых инженерных доменов - медицина, ядерка и т.п. подобные криптографические гарантии цифрового следа крайне важны, они будут доказывать что логи действий агентов не подвергались модификации. https://trace.agentrust-io.com

AGNTCY, открытый проект Linux Foundation, создающий инфраструктуру для взаимодействия ИИ-агентов разных разработчиков и организаций, описали архитектуру, связывающую A2A с проверяемой идентичностью агента и Task-Based Access Control. Идея в том, что агент должен иметь не просто постоянный набор OAuth-прав, а полномочия, ограниченные конкретной задачей и проверяемые на каждой границе между организациями. A2A уже умеет остановить задачу в состоянии TASK_STATE_AUTH_REQUIRED и протащить запрос на разрешение вверх по цепочке делегирования, но сам протокол сознательно не определяет, что именно разрешено, на какой срок и как это разрешение отзывается. AGNTCY пытается закрыть именно этот пробел. Или, говоря проще, A2A и MCP определяют взаимодействие агентов друг с другом и с инструментами, но почти не регулируют полномочия. Постоянный широкий доступ опасен: агент может выйти за пределы поручения. AGNTCY Identity позволяет проверить происхождение и принадлежность агента, а управление доступом на основе задач — разрешить, запретить или потребовать подтверждения для конкретного действия. A2A позволяет агенту остановить задачу и запросить авторизацию по всей цепочке делегирования вплоть до человека. Например, агент может читать журналы, но перезапуск производственного сервиса потребует одобрения. Разрешение должно быть привязано к агенту, действию, ресурсу и задаче, а после её завершения — прекратить действовать. Пока это лишь частично готовая архитектура. A2A определяет момент запроса разрешения, но не его формат, срок, отзыв и привязку к задаче. Не хватает и структурированного указания вызываемой операции. Предлагаемая модель должна давать агенту временное право не на инструмент вообще, а на конкретное действие в рамках одной проверяемой задачи. https://blogs.agntcy.org/technical/identity/2026/08/25/agent-identity-tbac-a2a-task-authorization.html Потихоньку (ну как потихоньку, за дни, мы же теперь в сингулярности) формируется технологический стек для полноценного исполнения агентов в корпоративных средах авторитетные данные / пространства данных → проверяемая идентичность организации и агента → полномочия в рамках конкретной задачи → делегирование между агентами (A2A) → возможности через MCP → соглашения / обязательства → доказательства / аудит Пока всё это преимущественно внутри одной административной области предприятия, а не полноценное доверие между независимыми компаниями, однако направление всё равно важное: идентичность агента постепенно отделяется от идентичности пользователя, а право агента действовать становится самостоятельным управляемым объектом.

^^ Со своей стороны, но не только от себя лично, отмечу, что эти наблюдения так или иначе высказывают все кто внедряли ИИ в бизнесе, происходит и с коллективом. Даже если если открытого неприятия внедрению ИИ не наблюдается, даже если выглядит как энтузиазм, простое "дать всем доступ к ИИ" не работает - использовать начинают, но поверхностно, используя долю реальных возможностей. И буквально все отмечают что хорошо работает другая схема - выделить энтузиастов, предоставить им инструменты и просить решить какие-нибудь простые задачи бизнеса. Не решить полностью, а показать PoC - proof of concept, доказательство концепта, что-то, что хоть немного работает, кое-как доказывает что в эту сторону можно копать. Иногда это делается с соревновательным элементом, с перспективой некой премии, с намёками на будущие карьерные возможности и т.п. Это позволяет выявить лидеров, мы их называем "чемпионы" (ваш покорный слуга когда-то был одним из них), которые могут не только красиво говорить, но и "мешки носить". Дать им возможность приобрести первоначальную экспертизу. После этого им надо ставить 2 задачи: 1) углублять экспертизу таким образом чтобы постепенно переходить от простых сценариев вроде чат ботов, одиночных агентов к более реальным: создание специализированных агентов, внедрение в процессы с автоматизацией (не ручной запуск), оркестрация, управление бюджетом токенов, управление памятью, автоматическое формирование и ведение базы знаний и т.д. 2) распространять уже полученную экспертизу дальше. Когда люди имеют рядом реальный пример того, что можно идти дальше, когда пессимистам показывают что они не правы не на словах, а демонстрацией, когда есть кого спросить — процесс идёт куда более ровно. Естественно это требует системы поощрения таких чемпионов, однако кроме простого денежного и карьерных перспектив все замечают что такая деятельность энтузиастов захватывает сама по себе - когда люди практически обнаруживают что могут сделать за день то что раньше делали недели, что блокеры, которые раньше превращались в головную боль и многодневный поиск решения решаются за часы, что это повышает из авторитет в коллективе — люди сами начинают работать буквально на износ. Это так же отмечают практически все кто проходили внедрение. Порой даже надо притормаживать чтобы не сгорели. И можно премировать не только деньгами, но более бОльшой квотой токенов - они расходуют её на пользу и в итоге это возвращается экономиией токенов за счёт роста экспертизы - научатся сами и научат других как добиваться лучшего результата быстрее с меньшим расходом токенов. Коллективу нужен так сказать "человеческий пилот", и не один, и начинать его надо раньше общего внедрения, иначе будет "попробовали - получилось ерунда - положили уродца в ящик"

Бывший CIO lululemon, крупного канадского производителя спортивной одежды, Джули Эверилл подняла проблему внедрения ИИ в компаниях, где ИТ-ландшафт десятилетиями строился вокруг ERP, PLM и множества собственных интеграций. В производстве и цепочках поставок процессы от проектирования до производства и продаж связаны слоями доработок и интерфейсов: изменение одной системы легко ломает что-то дальше по цепочке. ИИ сам по себе эту проблему не решает, но перестраивать всю архитектуру до первого эксперимента тоже не нужно. Пилоты стоит запускать быстро, не дожидаясь идеальных данных. Достаточно подготовить нужный набор и использовать эксперимент для выявления проблем. Причём данные могут быть формально правильными, но лишёнными контекста: например, закупочная цена не отражает договорённости с поставщиком и потому плохо подходит для прогнозирования. Хороший ИИ-пилот должен выявлять такие ограничения, а не просто требовать «чистых данных». Одновременно нужно изучать реальные процессы: какими системами сотрудники действительно пользуются, где переходят в Excel и какие ручные операции стали частью работы. Не менее важно проследить происхождение ключевых данных. Например, идентификатор заказа, считавшийся в PLM «источником истины», на практике мог создаваться в другой системе. Если пилот показал ценность, перед масштабированием нужно определить целевую архитектуру: какие системы, интеграции и схемы данных изменятся и где разместится интеллектуальный слой. Главный принцип — разделять быстрые эксперименты и промышленное внедрение: первое должно идти быстро, второе — последовательно и с учётом существующей архитектуры. https://www.nytimes.com/2026/08/03/opinion/ai-hype-tech-layoffs.html

Заинтересовался что такое упомянутая выше Nuclearn - оказалось канадская инженерно-консалтинговая компания, у которой есть выраженное ИИ направление - делают выбор применимых сценариев, подготовка данных, интеграция с корпоративными системами, управление изменениями и разработкой специализированных агентов. Среди заявленных задач — поиск по нормативной и инженерной документации, подготовка отчётов, анализ корректирующих мероприятий, проверка требований, оценка нарядов, поиск замены устаревшему оборудованию и помощь инженерам, планировщикам и руководителям. Технически они применяют поиск с генерацией ответа по доверенным документам, структурированное извлечение данных, утверждённые шаблоны запросов и прослеживаемость вывода до исходного материала. То есть RAG, но с фокусом на ядерную индустрию, что полагаю в основном проявляется в бескомпромиссности требований к достоверности ответов, прослеживаемости источников данных. Zero-tolerance к галлюцинациям. Технологии которые позволяют подобное обеспечивать давно известны, но идут со своей ценой. https://www.npxinnovation.ca/ai-hub Кроме того у них есть Engineering AI который ориентирован непосредственно на управление инженерными изменениями. Например, американская процедура 10 CFR 50.59 требует определить, можно ли внести изменение в конструкцию, процедуру или условия эксплуатации без отдельного разрешения NRC. Система собирает связанные требования и обоснования, выполняет предварительный анализ применимости, формирует черновик оценки и сохраняет связь выводов с источниками. Аналогично поддерживаются оценки изменений хранилищ отработанного топлива, классификация оборудования по риску, анализ дефектов, подготовка отчётов о состоянии систем, обновление проектной и лицензионной основы и сопоставление изменений между документами. Блок связанный с CAP — программой корректирующих действий. На АЭС любое отклонение, дефект, необычное наблюдение или потенциальная проблема регистрируются, классифицируются, анализируются и доводятся до закрытия. Cap AI и более широкая платформа Performance Improvement AI помогают составлять такие отчёты, находить дубликаты, определять значимость, назначать коды причин, выявлять повторяющиеся проблемы, готовить анализ первопричин и формировать корректирующие мероприятия. При этом окончательное решение остаётся за специалистом: система рассчитана на предварительную обработку и проверяемые рекомендации, а не на самостоятельное принятие решений по безопасности. Equipment AI объединяет показания датчиков и архивов параметров с журналами операторов, ремонтной историей, отчётами об отклонениях, процедурами и проектными документами, чтобы быстрее разбирать сигналы оборудования и отличать реальные проблемы от ложных тревог. Parts AI ищет допустимые запасные части и подтверждает их применимость. Project Genius анализирует графики Primavera P6 и историю ремонтов энергоблоков, прогнозируя продолжительность работ и влияние операций на критический путь. Capitalizer классифицирует затраты как капитальные или эксплуатационные и сохраняет проверяемую историю решения. Главное отличие от обычного корпоративного помощника находится не столько в собственной языковой модели, сколько в сочетании отраслевых данных, заранее реализованных ядерных процессов, интеграций, контроля человеком, ссылок на доказательства и возможности закрытого развёртывания.

NuScale Power, американский разработчик малых модульных атомных реакторов, внедряет специализированную ИИ систему для ускорения разработки малых модульных реакторов. Решение объединяет отраслевую платформу AtomAssist компании Nuclearn, инженерные и лицензионные материалы NuScale и опыт NPX по реализации атомных проектов. Система работает с проектной документацией, требованиями, стандартами, лицензионными обоснованиями и накопленными знаниями компании. Она помогает инженерам находить применимые методы и нормативные положения, понимать контекст и возвращаться к исходному контролируемому документу. В предварительном испытании такой подход сократил время поиска нужной информации до 80%. Задача системы — связывать поиск и ответы ИИ с актуальными версиями документов, инженерными решениями и доказательной базой для лицензирования. Особое внимание уделяют прослеживаемость: любой вывод должен быть проверяем и иметь ссылку на утверждённый источник. То есть работают над ускорением работы с техническим контекстом без ослабления процедур качества, безопасности и управления конфигурациями, что особо важно в ядерной промышленности. https://www.nuscalepower.com/press-releases/2026/nuscale-power-deploys-nuclear-specific-ai-from-npx-and-nuclearn-to-speed-development-of-its-advanced-reactor-program

С пылу, с жара arxiv: Design-to-Plan: A Large Language Model-Based Multi-Agent Framework for Manufacturing Process Planning from 3D CAD Models and 2D Engineering Drawings Про многоагентную систему, преобразующую 3D-модель и 2D-чертёж детали в технологический план. Она объединяет распознавание конструктивно-технологических элементов, извлечение размеров и допусков, связывание обозначений с геометрией, поиск производственных правил, построение маршрута и выбор инструмента. Языковые модели не генерируют техпроцесс самостоятельно, а координируют специализированные алгоритмы и базы знаний. Нейросеть распознаёт в STEP-модели отверстия, пазы, карманы и другие элементы, а отдельный модуль извлекает из чертежа размеры, допуски, шероховатость, материалы и примечания. Система связывает каждое требование с конкретным элементом модели. Уверенные соответствия принимаются автоматически, неоднозначные разбирает агент, сомнительные проверяет инженер. Другие агенты находят производственные ограничения, выявляют противоречия, строят и проверяют последовательность операций, подбирают инструмент и рассчитывают режимы обработки. Решения сохраняют связь с исходной геометрией, документацией и правилами. Точность распознавания элементов составила около 97%, а их связывания с чертежом — 86% по F1. Параллельная работа агентов успешно обработала 300 тестов и сократила расход токенов на 60–68%. Пока что эта система не заменяет CAPP и CAM, но показывает практический путь к агентному контуру подготовки производства.