BOM Voyage

龙软科技 (LongRuan Technology, 龙软科技) впервые достаточно чётко раскрыла устройство своего «矿山多智能体平台» — многоагентной платформы для горной промышленности. Система объединяет инженерную графику, геологические и производственные данные, связывая элементы чертежей и карт с реальными объектами и их состоянием. Благодаря этому ИИ работает не только с текстами и базами данных, но и с шахтными планами, геологическими схемами и пространственными инженерными моделями. На этой основе реализованы поиск и анализ данных, помощь при проектировании, проверка инженерных решений, подготовка отчётов и поддержка производственных решений. Вместо одного универсального помощника используется набор специализированных программных агентов: технического специалиста, инспектора промышленной безопасности, помощника руководителя и эксперта по аварийным и природным рискам. Они работают с общей моделью предприятия и отраслевыми данными и интегрируются с системами управления производством, геологическими комплексами, GIS и средствами промышленной безопасности. Решения уже применяются на шахтах, обогатительных фабриках и других горнодобывающих предприятиях Китая. Общий объём контрактов превысил 30 млн юаней, а в первой половине 2026 года это направление обеспечило более 10% выручки компании. В дальнейшем ту же архитектуру планируется использовать в промышленных парках, гидротехнических сооружениях, транспортной инфраструктуре и других инженерных областях, объединяя инженерную модель, CAD/GIS, производственные данные и специализированных агентов в единую цифровую среду.

Яндекс открыл веса Alice AI Foundation LLM Alice AI Foundation LLM представляет собой собственный MoE-претрейн Яндекса. Весь цикл обучения провели с нуля, без стартовых весов сторонних открытых моделей. В модели 80B параметров, из которых на каждый токен активируются 3B. Это меньше, чем у большинства других открытых претрейнов, но по бенчам результаты в паритете, а иногда и лучше. При обучении отдельно оптимизировали обмен данными между видеокартами и отбор материалов, чтобы сократить вычисления при сохранении качества. В техрепорте есть комплиментарный замер с Nemotron и Qwen – с кодом и с математикой. Плюс к этому заявляют, что заложили базу для рассуждений ещё на претрейне. Модель выпустили под Apache 2.0, её можно свободно использовать и дообучать. За пару дней у модели уже больше 2000 скачиваний на HF. Техрепорт Веса на HF @ai_newz

Китайский институт промышленного интернета совместно с отраслевыми и академическими организациями опубликовали «Отчёт о развитии промышленных агентов» https://www.smartcity.team/reports/%E5%B7%A5%E4%B8%9A%E6%99%BA%E8%83%BD%E4%BD%93%E5%8F%91%E5%B1%95%E6%8A%A5%E5%91%8A/ Промышленные ИИ-агенты рассматриваются как управляющий слой над PLM, ERP, MES, CAD/CAE и системами оборудования. Они не заменяют эти системы, а связывают данные, инженерные модели и производственные процессы вокруг конкретной задачи: получают цель, собирают контекст, планируют действия, обращаются к специализированным программам, запускают операции и проверяют результат. При этом непосредственное управление производством остаётся в рамках заданных прав, технологических ограничений, блокировок безопасности и процедур согласования. В инженерной разработке такие агенты могут связывать требования, нормативы, прошлые проекты, CAD и CAE, помогая проверять документацию, проектные решения, расчёты и цифровые двойники. В производстве они координируют ERP, APS, MES, системы качества и оборудование: обнаруживают отклонения, оценивают последствия, пересчитывают планы и передают задачи исполнительным системам. Тот же подход применяется к техническому обслуживанию, энергопотреблению и производственной логистике. Архитектура охватывает уровни от оборудования и производственной линии до предприятия и цепочки поставок. Облако используется для обучения и сложной оптимизации, локальные вычисления — для быстрых решений, а управление оборудованием остаётся на специализированном уровне. Основу составляют единая работа с данными, цифровые двойники, графы инженерных знаний, планирование, взаимодействие нескольких агентов, управление правами и полный журнал действий. Дальнейшее развитие ведёт от отдельных ИИ-помощников к группам специализированных агентов, которые координируют сквозные процессы внутри предприятия и между компаниями, включая заказы, мощности, запасы и поставки. В такой модели промышленный агент становится управляемым исполнительным механизмом между человеком, инженерными знаниями, корпоративными системами и физическим производством, сохраняя проверяемую историю решений и действий.

В Госдуме появится новый комитет — по цифровому развитию и искусственному интеллекту.

Посекундный разбор видео с фабрики SpaceX в Redmond https://t.me/testing_quality_space/150

Autodesk’s AI push is actually a pull Autodesk перестраивает инженерное ПО вокруг ИИ, используя его как общий слой взаимодействия с проектными данными и инструментами. В Fusion развиваются средства автоматизации операций и инженерных процессов: AutoPart должен создавать точную BREP-геометрию по текстовому описанию или сеточной модели, AutoAssemble — включать детали в сборки, AutoTimeline — восстанавливать параметрическую историю. Autodesk Assistant должен учитывать контекст проекта и выбирать подходящий механизм: специализированную или открытую модель, внешнюю языковую модель, сервис либо функцию инженерного приложения. Тот же подход переносится в PLM. Поверх Fusion Manage планируется интеллектуальный интерфейс, работающий со структурированными данными и информацией из почты, Teams, Slack и других каналов. Он сможет извлекать сведения об изделиях, изменениях и процессах и связывать их с объектами PLM. Inventor и Vault продолжают развиваться, а переход к Fusion строится без принудительной миграции. В перспективе Assistant должен стать общей точкой входа в инженерную среду: пользователь формулирует задачу естественным языком или голосом, а система сама подбирает нужные команды и инструменты. CAD, CAM и PLM-функции сохраняются, но доступ к ним постепенно смещается от меню и отдельных приложений к единому контекстному помощнику, связывающему данные, процессы и специализированные средства. https://www.engineering.com/autodesks-ai-push-is-actually-a-pull

Synopsys and TSMC Partner to Accelerate AI Systems Innovation with Agentic AI and Advanced Design Synopsys и TSMC объединяют проектирование цифровых и аналоговых схем, многокристальных сборок, питания, фотоники и физического моделирования в единый инженерный процесс. ИИ-агенты используются для переноса аналоговых схем между техпроцессами, анализа цифровых проектов, размещения кристаллов и поиска компоновки с заданными ограничениями. Параллельно развивается поддержка TSMC A14, включая автоматическую трассировку аналоговых схем и подготовку проекта к производству. Для многокристальных ИИ-систем на CoWoS в общий процесс включается моделирование встроенных регуляторов напряжения с одновременным учётом компоновки и питания. Для совместно упакованной оптики объединяются электронные и фотонные элементы, трёхмерная компоновка и физический анализ. Одновременно расширяется набор готовых блоков для PCIe 7.0, HBM4, LPDDR6, Ethernet 224G и UCIe. Проектирование таких систем всё больше охватывает единый цикл от схем и отдельных кристаллов до сборки, питания, оптических соединений и итоговой проверки. https://news.synopsys.com/2026-09-23-Synopsys-and-TSMC-Partner-to-Accelerate-AI-Systems-Innovation-with-Agentic-AI-and-Advanced-Design

arXiv :: KATOsuper: Surrogate-accelerated neural topology optimization with sensitivity-consistent Fourier neural operators KATOsuper — подход к ускорению топологической оптимизации, в котором многократные расчёты методом конечных элементов частично заменяются нейросетевой моделью и ускоряются в 15–110 раз. Процесс остаётся итерационным: система формирует распределение материала, оценивает податливость или напряжения и корректирует геометрию. Нейронный оператор предсказывает физическую величину, а чувствительность к изменению материала вычисляется автоматическим дифференцированием, поэтому целевая функция и направление оптимизации остаются математически согласованными. На вход модели подаются поле плотности, нагрузки, закрепления, координаты, доля материала и другие параметры задачи. Спектральное представление позволяет применять обученную модель на сетках большего разрешения без повторного обучения: вариант, обученный на 128×64, использовался вплоть до 1024×512. При росте разрешения точность снижалась, но основные силовые пути и связность конструкции сохранялись. Для трёхмерных задач используется гибридная схема: большинство итераций выполняет нейросеть, а периодические расчёты методом конечных элементов служат для проверки и дополнительной настройки модели. В задачах оптимизации податливости и напряжений получено ускорение в 15–110 раз относительно традиционных схем. На сетке 512×256 полный цикл занимал около 3,75 секунды вместо 413 секунд, а на 1024×512 — около 39 секунд вместо 2745 секунд. Вычисления переносятся с решения крупных разреженных систем уравнений на тензорные операции и преобразования Фурье на графическом процессоре. Накопленные инженерные расчёты при этом могут использоваться как обучающие данные для быстрого исследования вариантов конструкции, а полный физический расчёт сохраняется для коррекции и окончательной проверки.

Siemens и TSMC замыкают DRC (Design Rule Check) в автономный агентный цикл. Новый Fuse EDA AI Agent использует Calibre, Aprisa и Solido для обнаружения, анализа и автоматического исправления нарушений правил проектирования как в цифровых, так и в заказных интегральных схемах. Siemens описывает более широкий режим как длительный самопроверяющийся процесс, где агент оркестрирует несколько EDA-систем, повторно проверяет результат и продолжает улучшение; аналогичный подход распространяется на place-and-route и custom IC design. По сути, EDA постепенно переходит от «ИИ объясняет ошибку» к циклу проверка → исправление → повторная проверка. https://news.siemens.com/en-us/siemens-tsmc-oip-ecosystem-forum-2026/

Мы пока отстаем в сфере ИИ от Китая, и я боюсь, это отставание будет сохраняться. Вопрос, каким оно будет? Сегодня мы видим наше отставание, по всем оценкам, от китайских моделей примерно 6 месяцев. Причина этого отставания только в одном — мы находимся в неравных условиях с китайскими компаниями, у которых фактически сегодня нет никаких ограничений в мощностях. По всем остальным [параметрам] я считаю, мы ничем не уступаем — Герман Греф.

Мы пока отстаем в сфере ИИ от Китая, и я боюсь, это отставание будет сохраняться. Вопрос, каким оно будет? Сегодня мы видим наше отставание, по всем оценкам, от китайских моделей примерно 6 месяцев. Причина этого отставания только в одном — мы находимся в неравных условиях с китайскими компаниями, у которых фактически сегодня нет никаких ограничений в мощностях. По всем остальным [параметрам] я считаю, мы ничем не уступаем — Герман Греф.

arXiv :: Cost-Accuracy Trade-offs: Neural Operator vs Classical Numerical Solver — benchmark отвечающий на важный для CAE вопрос: когда neural operator действительно выгоднее обычного численного solver. Авторы сравнили нейронные операторы с подобранными под конкретные PDE классическими решателями по ошибке, числу операций и реальному времени выполнения, причём даже исключили из сравнения стоимость обучения — максимально благоприятный режим для ИИ. Нейронные surrogate-модели выигрывают главным образом при низкой и средней требуемой точности, особенно когда позволяют избежать временных или нелинейных итераций либо сразу вычислять нужную интегральную величину; при ужесточении точности классические solver снова становятся эффективнее и надёжнее. Для CAE это хорошо формализует естественное разделение ролей: neural operator — для массового поиска, оптимизации и быстрых итераций, традиционный solver — для финальной проверки и высокоточных расчётов.

Catena-X — это отраслевая среда обмена данными для автомобильной промышленности, которая связывает производителей, поставщиков и их PLM, производственные и корпоративные системы без передачи данных в единое централизованное хранилище. Общие правила идентификации, доверия, доступа и семантического описания позволяют связывать сведения об изделиях, компонентах, качестве и производстве между компаниями и формировать межфирменные цифровые двойники. И вот вышла заметка что число компаний, реально обменивающихся данными через Catena-X, с декабря 2025 года выросло более чем в пять раз. В совместном сценарии BMW, Bosch и DENSO потенциальные проблемы качества стали выявляться в среднем на четыре месяца раньше, а подключение данных нового поставщика сократилось с нескольких месяцев до пяти недель. Koller Kunststofftechnik сообщает о сокращении времени расчёта OEE на 51% и снижении энергетических потерь на 15%. Catena-X всё больше становится общей основой для межфирменных цифровых двойников и промышленного ИИ. Единые механизмы идентификации, доверия, доступа и семантики создают среду, в которой программные агенты смогут работать с разрешёнными данными и процессами нескольких компаний по общей модели объектов и связей. https://catena-x.net/news/catena-x-network-grows-by-more-than-a-factor-of-five-to-over-1000-companies/

Catena-X — это отраслевая среда обмена данными для автомобильной промышленности, которая связывает производителей, поставщиков и их PLM, производственные и корпоративные системы без передачи данных в единое централизованное хранилище. Общие правила идентификации, доверия, доступа и семантического описания позволяют связывать сведения об изделиях, компонентах, качестве и производстве между компаниями и формировать межфирменные цифровые двойники. И вот вышла заметка что число компаний, реально обменивающихся данными через Catena-X, с декабря 2025 года выросло более чем в пять раз. В совместном сценарии BMW, Bosch и DENSO потенциальные проблемы качества стали выявляться в среднем на четыре месяца раньше, а подключение данных нового поставщика сократилось с нескольких месяцев до пяти недель. Koller Kunststofftechnik сообщает о сокращении времени расчёта OEE на 51% и снижении энергетических потерь на 15%. Catena-X всё больше становится общей основой для межфирменных цифровых двойников и промышленного ИИ. Единые механизмы идентификации, доверия, доступа и семантики создают среду, в которой программные агенты смогут работать с разрешёнными данными и процессами нескольких компаний по общей модели объектов и связей. https://catena-x.net/news/catena-x-network-grows-by-more-than-a-factor-of-five-to-over-1000-companies/

Нанософт оказывается уже прикрутил ИИ к нормативной документации и поставляет NSR Specification в котором оно работает для разного Ну и там в строительстве что-то, хотя пока что скорее общие слова продавцов без особой конкретики https://d-russia.ru/ii-v-stroitelstve-kogo-zamenjat-novye-tehnologii-i-gde-ostanetsja-mesto-tvorchestvu.html

^^ Видео презенташка ChipStack AI Super Agent https://www.youtube.com/watch?v=p_U-4-jKgcU

Cadence расширили их ChipStack AI Super Agent специализированным агентом для ранних этапов проектирования цифровых микросхем. Он получает высокоуровневые требования, генерирует RTL-код на Verilog/SystemVerilog и дорабатывает его с учетом производительности, энергопотребления и площади кристалла. Агент работает вместе с инструментами синтеза, анализа и проверки Cadence, поэтому RTL сразу оценивается по инженерным ограничениям проекта и корректируется по результатам расчетов. ChipStack построен как иерархическая агентная система: центральный агент координирует специализированные агенты и средства электронной автоматизации. Новый агент умеет не только создавать RTL, но и изменять существующий проект по требованиям на естественном языке с последующей проверкой и оптимизацией. В испытаниях Cadence площадь схемы удалось в среднем уменьшить на 24%, а энергопотребление — на 18% по сравнению с прямой генерацией RTL базовой моделью при сохранении функциональной корректности. Технологию также испытывает Honda R&D для автомобильных систем на кристалле. В результате часть процесса от технических требований до готового RTL превращается в последовательность агентных операций: интерпретация спецификации, генерация, проверка, анализ характеристик и оптимизация. Инженер задает требования и ограничения, а агенты выполняют реализацию и проверку средствами существующей инженерной инфраструктуры Cadence. https://www.cadence.com/en_US/home/company/newsroom/press-releases/pr/2026/cadence-expands-chipstack-ai-super-agent-with-a-new-agent-for.html В целом описание их ChipStack AI Super Agent https://www.cadence.com/en_US/home/ai/overview.html

Появился Internet-Draft AIN-WRP — Authoritative Resolution and Pre-Interaction Verification of Persistent Digital Agent Identities. Это пока индивидуальная заявка на будущий стандарт, а не принятая спецификация IETF, но по архитектуре она очень точно попадает в недостающий слой межорганизационного доверия. Самая интересная часть — прямо формулируется проблема независимых административных доменов: компания A не должна быть вынуждена доверять IAM-провайдеру или платежной системе компании B как глобальному источнику истины. Нужен нейтральный слой, позволяющий до начала A2A/MCP-взаимодействия установить, кто стоит за агентом и в рамках какого поручения он действует. AIN-WRP сознательно позиционируется как дополнение к OAuth, OIDC, Verifiable Credentials, workload identity, MCP и A2A, а не как их замена. https://mirrors.aliyun.com/ietf/draft-tanase-ain-authoritative-resolution-00.html Напомню, что агентам придётся работать не только в рамках одного предприятия, но и взаимодействовать с агентами других предприятий - агентами заказчиков, подрядчиков, партнёров и т.п. Это потребует новой инфраструктуры которая будет обеспечивать доверие, трассируемость, валидацию результатов, машинные контракты, передачу авторизации, контекста и всё это в ситуации когда у каждого будет своя инфраструктура со своими решениями. И если на востоке это вероятно превратиться в национальные стандарты и инфраструктуру "все под одну гребёнку", то на западе вероятно будет созвездие отдельных, возможно местами конкурирующих стандартов и решений. Таков путь.

Американский Accuris заявил что полностью переработал Supply Chain Intelligence вокруг постоянно работающего BOM Health Agent. Агент отслеживает lifecycle, compliance, поставки и стоимость для каждой позиции BOM, ранжирует риски, предлагает проверенные замены и показывает аргументацию выбора. Перед заменой компонента можно смоделировать влияние изменения на связанные изделия и программы; сохраняются история версий, основания решения и трассируемость согласований. Платформа доступна как облачный сервис, как встраиваемый слой для PLM/engineering workflows и полностью on-premises, включая изолированные среды. https://www.aol.com/articles/accuris-unveils-reengineered-supply-chain-140000000.html Кажется их платформа строится вокруг управления рисками поставок