BOM Voyage

Endra показает полный агентный цикл электропроектирования: примерно неделя работы — за три часа. В видео восьмиэтажное здание проходит через разводку цепей, подбор кабелей, формирование panel schedules и выпуск готовых для Revit чертежей; Endra утверждает, что процесс, обычно занимающий около недели, занял примерно три часа. https://aecmag.com/mep/endras-ai-turns-a-week-of-design-into-hours/

и заодно хорошее видео изрекомендаций про тесно связанное с управлениями требованиями, но на гораздо более системном уровне. В основном в CATIA Model-Based Systems Engineering (MBSE): A Beginner's Guide https://www.youtube.com/watch?v=7IanzYffleY&list=PLObi3o8pH9TEthYwtaE1fnYVZtU0HTbar

и презентация уже как 3-летней давности https://www.youtube.com/watch?v=DqlOcPjAo00

Полюбопытствовал как выглядит UI их решений. Простенько, но достаточно современно и кажется должно быть удобно.

Flow Engineering — это стартап, который пытается построить не просто ещё одну систему управления требованиями, а «инженерный control plane» для разработки сложного hardware. Их основная идея: связать requirements, архитектуру системы, CAD, расчёты, код, испытания и документацию в единый живой граф, а поверх него запустить AI-агентов, которые отслеживают изменения и автоматически анализируют их последствия. Сами они сейчас называют продукт «agentic systems engineering platform». Самая интересная часть Flow — именно модель изменений. В обычной RM/PLM-системе объект редактируется, после чего запускаются change request/change order/workflow. В Flow предполагается другой паттерн: инженер или агент создаёт branch, изменяет там требования, архитектуру, тесты и другие сущности, система показывает diff и downstream impact, нужные инженеры делают review, после чего branch сливается в baseline. Baseline при этом остаётся стабильным. Для PDR/CDR, поставщиков и сертификации можно оставлять отдельные стабильные состояния. Есть обязательные reviewers, immutable baselines и история того, кто что одобрил. Второй фундаментальный элемент — Systems Graph. Flow говорит не просто о дереве requirements: в одном графе могут находиться requirements, systems, interfaces, tests, CAD artifacts, compliance artifacts и другие сущности. Модель данных конфигурируемая — можно определять собственные типы сущностей и их поля. Через публичный REST API доступны projects, entities и relationships. Поэтому концептуально это уже довольно близко к универсальной object–relation модели, хотя из публичной документации нельзя сделать вывод, как физически реализовано хранилище — graph DB это или реляционная БД с graph abstraction. Flow Agents реагируют на инженерные события. Например: CAD-модель изменилась → агент определяет связанные requirements → обнаруживает изменение массы → проверяет mass budget → находит нарушенное ограничение → помечает связанные tests/certification evidence как устаревшие → при необходимости запускает анализ → создаёт изменения в отдельной branch → отправляет инженерам на review. Среди пользователей уже Rivian, Anduril, Joby, Stoke Space и другие; Flow сообщает, что внутри Rivian использование выросло с 40 до 1 500 инженеров за семь месяцев. Так вот, они хвастаются что подняли $50 млн инвестиций на фактически «агентный PLM/Systems Engineering» для сложного hardware. При оценке в $750 млн. https://www.flowengineering.com/blog/series-b-press-release

​​Ремонт на опережение: нейросеть предскажет поломки оборудования за 12 часов На МКС-5000 выксунского завода ОМК внедрили систему машинного обучения и благодаря этому сократили брак и аварийные простои стана. Более 6,3 миллиона рублей в год позволяет экономить система даже при неполной загрузке МКС-5000. При высокой загрузке эффект многократно возрастает. В основе нового подхода – статистическая модель работы оборудования, которая обнаруживает аномалии задолго до его отказа. Читать статью

Очередная новость про росатомовские (твэловские) 3D-принтеры. На выставке «ИННОПРОМ. Беларусь» был представлен малогабаритный 3D-принтер RusMelt 150M, изготовленный с использованием российских и белорусских компонентов. Механика, кинематика и конструкции изготовлены белорусскими предприятиями. От российской стороны - лазерная система, система управления и ПО. Доброе утро, атом!

OpenAI and Synopsys Announce GPT-Synopsys: Frontier Intelligence to Revolutionize Chip Design OpenAI и Synopsys создают специализированную систему GPT-Synopsys для автоматизации проектирования и проверки микросхем. Она будет напрямую работать с инженерными средствами Synopsys: запускать расчёты и проверки, анализировать результаты, изменять проект и повторять цикл до достижения заданных параметров по производительности, энергопотреблению, площади и временным характеристикам. Система будет интегрирована с Synopsys.ai и Autopilot и сможет выполнять длительные последовательности инженерных операций с передачей результата специалисту на проверку. Предусмотрено также подключение к агентным средам заказчиков, разграничение доступа, аудит действий, шифрование и изоляция проектных данных.

Хорошо известный в российском ИИ-сообществе Валерий Ковальский замутил себе стартап на инференс моделей на собственном железе — NeuralDeep. Принципиальный тут момент для многих, что это не «прокси с накруткой» к западным API, а инференс реально делается в России, т.к. это нужно для соблюдения ФЗ «О персональных данных» — иначе можно по шапке нормально получить при первой проверке регуляторами. Реально многие, кто заявляют, что GPU у них в России, на деле жулики и банально перепродают официальный API, но сильно дороже. Я даже попросил у Валерия доказать, что сервера реально существуют в РФ, он любезно прислал фото. Конечно, у него тарифы дороже официальных API, но тем, кто платит с юрлиц, выдавать налом сотруднику деньги на подписку на деле сразу вызывает прилипание НДФЛ и социальных налогов в сумме под 50% почти. Поэтому юрлицам такие сервисы выгоднее обычно, несмотря на более высокий тариф формально. Однако Валерий для частников предложил за 512 рублей в месяц анлим на Qwen 3.6. Это хороший вариант для студентов и для простых worker-агентов, которые просто обрабатывают большой контекст. Скорость у меня примерно 167 токенов/сек, что ок. У Валерия есть и free-тариф на Qwen 3.8-27B, Qwen 3.6, gpt-oss, Gemma 4, включая эмбеддинги, реранкер, распознавание речи, картинки — до 400 запросов / 3 часа и 2000 / неделю. Кому надо, можно зарегаться по ссылке. https://hub.neuraldeep.ru/?ref=CWDYEK3

From hours to sub-seconds: AI model allows real-time control of laser welding Empa и Terra Quantum показали ИИ-суррогат для практически мгновенного моделирования лазерной сварки. Модель LP-FNO заменяет тяжёлое многофизическое моделирование расплавленной ванны: по мощности лазера и скорости перемещения она восстанавливает трёхмерное температурное поле и границы расплава. Для Ti-6Al-4V модель обучалась в диапазоне 40–190 Вт и 0,1–1 м/с и покрывает как теплопроводностный, так и устойчивый keyhole-режим. Расчёт, занимавший примерно 6 минут при разрешении 10 мкм и более часа при 5 мкм, выполняется примерно за 8 и 88 мс соответственно; сообщается о средней относительной ошибке температуры около 2,5% и IoU границы расплава выше 0,9.

DeepSeek вместе с Huawei разрабатывают альтернативу CUDA Компании выложили в опенсорс набор инструментов для чипов Huawei Ascend. Сейчас это главные китайские AI-ускорители, на которые переходят все их стартапы. Большая проблема с переходом на новое железо заключается в софте: вся индустрия 10+ лет писала все под CUDA от Nvidia, и теперь Китаю предстоит восстановить то же самое для своих чипов. Собственно, этим DeepSeek и занимается. В частности, они выпустили в опенсорс Ascend-версии своих фирменных библиотек, на которых держатся ее собственные модели: DeepGEMM (умножение матриц), DeepEP (связь между чипами для MoE-моделей), FlashMLA (attention) и еще несколько. API у них такая же, как у Nvidia-версий, поэтому код с Nvidia переезжает почти без переписывания. Весь этот стек работает на TileLang. Поддержка Ascend у них появилась год назад, и если раньше на нем приходилось вручную прописывать такие вещи, как расписание и синхронизацию обработки данных, то теперь все это берет на себя компилятор. DeepSeek утверждает, что язык компактнее CUDA, а все TileLang-ядра, на которых она обучает свои модели, уже работают на Ascend. Понятно, что это замена не всего стека CUDA, а только написания ядер, но направление понятное: Китай методично закрывает зависимость от Nvidia на всех уровнях.

У OpenClaw есть теперь есть Enterprise версия. Проект первоначально возник внутри OpenAI, затем был передан OpenClaw Foundation и развивается совместно с Red Hat и NVIDIA; OpenAI и Red Hat уже используют его во внутренних пилотах. По сути это открытый control plane для долгоживущих агентов, а не очередной framework для написания их логики. https://openclaw.ai/blog/openclaw-enterprise P.S. Если кто-то не знает, OpenClaw — это открытая self-hosted платформа для ИИ-агентов, которая запускается на вашем компьютере или сервере и связывает LLM вроде GPT, Claude или локальных моделей с реальными инструментами и каналами общения. Через Telegram, WhatsApp, Slack, Discord и другие интерфейсы агент может работать с файлами, браузером, выполнять команды, использовать плагины и skills, хранить контекст и память, запускать задачи по расписанию, реагировать на webhooks и координировать несколько отдельных агентов. По сути, это постоянно работающий слой оркестрации между вами, моделями и вашими системами, позволяющий превратить чат с LLM в агента, который не только отвечает, но и выполняет действия. Ставите на компьютер и можете просить роботов делать что-то на нём (например по расписанию).

IBM и индийская Yotta запустили в промышленную эксплуатацию суверенную платформу для корпоративных ИИ-агентов. Она предназначена для организаций в Индии, которым важно, чтобы данные, вычисления, модели, инференс и механизмы управления ИИ оставались внутри национальной инфраструктуры. Основой агентного уровня служит IBM watsonx Orchestrate. Он выполняет роль центра управления ИИ-агентами: позволяет развёртывать их в корпоративных процессах, контролировать доступ, управлять жизненным циклом и применять единые правила безопасности и управления. Инфраструктурную часть предоставляет Yotta Shakti Cloud — вычислительные мощности, GPU, сеть, средства безопасности и эксплуатационные сервисы. Дополнительный слой Shakti Studio предназначен для работы с моделями. Через него организации могут экспериментировать с открытыми и коммерческими моделями, дообучать их, развёртывать и выполнять инференс. Таким образом, платформа объединяет практически весь стек: инфраструктуру, модели, выполнение ИИ и управление агентами. Главная идея — «суверенный Agentic AI»: компания получает не просто доступ к ИИ-моделям, а среду, в которой контролируются данные, вычислительные ресурсы, модели, действия агентов и требования соответствия нормативам. Все эти компоненты могут работать в индийских облачных регионах Yotta в Панвеле и Большой Нойде. В качестве первых сценариев называются автоматизация операций информационной безопасности, обработка документов и процессы HR, но архитектура рассчитана на более широкий класс корпоративных процессов. По сути, IBM и Yotta предлагают локализованный корпоративный стек «модели + инфраструктура + агенты + control plane». Здесь особенно интересен watsonx Orchestrate именно как уровень управления большим количеством корпоративных агентов, а не как отдельный чат-помощник: предполагается централизованно контролировать, какие агенты существуют, какие корпоративные системы они используют и как выполняются требования безопасности и управления. https://in.newsroom.ibm.com/IBM-Yotta-Announce-General-Availability-Agentic-AI-Platform

Сторонний open-source проект SolidWorks MCP выпустил версию 0.5.0 https://github.com/hjbaard/SolidWorks-MCP

вебинарчик идёт

Вебинар «Автоматизация инженерных процессов в эпоху ИИ-агентов» https://sapr.ru/anons/20260928-datadvance

Дверь в отделении Промышленно-коммерческого банка Китая в Буэнос-Айресе.

NVIDIA запустила Open Agent Safety Platform — открытый runtime/control-plane слой для агентов, который отделяет исполнение агента от системы, контролирующей его полномочия. Ключевой компонент OpenShell работает вне самого agent workload: Gateway управляет множеством sandbox-окружений, Supervisor проверяет исходящие запросы, а Sandbox ограничивает файловую систему, процессы и сеть на уровне ОС. Supervisor умеет инспектировать HTTP, GraphQL и MCP-трафик вплоть до отдельных операций: например, разрешить чтение через API, но заблокировать запись через тот же endpoint. Реальные credentials остаются вне агента и подставляются только после проверки policy и разрешённого назначения У них неплохой механизм изменения полномочий. Если агенту понадобилось новое действие, он может предложить узко ограниченное расширение политики, но оно по умолчанию остаётся в состоянии pending до человеческого одобрения, и агент не может утвердить собственный запрос. Отдельный policy prover формальными методами проверяет, не позволяют ли суммарные права выйти за заданную оператором границу. NVIDIA прямо подчёркивает, что результат такой проверки не зависит от объяснений самого агента. Для более сильной изоляции Sentry на BlueField-4 работает вне среды агента, отслеживает действия, решения политик, доступ к инструментам и данным, проверяет identity и delegated authority и может обеспечить независимое аппаратное enforcement. https://developer.nvidia.com/blog/add-runtime-controls-to-ai-agents-with-nvidia-openshell/

Synopsys Powers Autonomous Engineering with a Broad Portfolio of Long-Horizon Agents and Autopilot Platform Synopsys развивает ИИ-агентов, способных вести длительные инженерные процессы: разбивать задачу на этапы, вызывать специализированные средства проектирования и анализа, проверять промежуточные результаты и продолжать работу до достижения заданного состояния. Такие агенты применяются в проектировании и верификации микросхем, аналоговых схемах, компоновке, подготовке производства и инженерном анализе. Общим управляющим слоем служит Autopilot, который координирует агентов, хранит проектный контекст и память, управляет доступом к инструментам и контролирует выполнение. Агент работает не только с языковой моделью, но и со структурированными данными проекта, инженерными приложениями и накопленными знаниями. Уже заявлены применения для генерации RTL-кода, поиска ошибок, оптимизации схем, проектирования аналоговых блоков и анализа многокристальных систем. В результате формируется многоуровневая схема: один агент ведёт процесс целиком, специализированные агенты решают отдельные задачи, а общий слой обеспечивает им контекст, координацию и контроль.