BOM Voyage

"Fable, reverse engineer the spacex raptor 3 engine, make no mistakes" Эта модель была создана за один проход с помощью Fable 5 UltraCode и навыков text-to-CAD. Промпт:

/goal design an ultra-realistic CAD reconstruction of the SpaceX Raptor 3 engine, as accurate as possible to publicly documented evidence, with dense mechanical detail and many discrete components; include a full-flow staged-combustion methalox engine layout with realistic nozzle, chamber, injector section, turbopump assemblies, preburner-related plumbing, manifolds, valves, actuators, gimbal mount, structural frame elements, sensor hardware, cable routing, brackets, flanges, fasteners, weld seams, and tightly integrated external plumbing consistent with the compact architecture of Raptor 3; prioritize real-world fidelity, manufacturable detail, and plausible subsystem packaging, avoid speculative fantasy elements, and make the engine look like a true flight-ready hardware assembly rather than a simplified concept model; no logos, technical concept render with accurate colors and materials.

С развитием ИИ разработки всё больше документации пишется в markdown формате и хранятся в системах контроля версий - git/GitHub. Markdown хорошо понятен и человеку и ИИ, поддерживает слияние версий и разрешение конфликтов, а размещение требований в облаках позволяет использовать облачные же CI/CD процессы и ИИ агентов. В организации, где я работаю, это активно внедряется, большая часть документооборота, спецификаций перешла в MD, хранится в корпоративном GitHub где развита автоматика (CI/CD), ИИ активно использует все документы в своих задачах, да и собственно сами спецификации пишутся так же с применение Copilot. Это так же порождает и много боли у менеджеров привыкших к тёплому, ламповому Office 365 - интерфейс GitHub гораздо более сложный, я даже разрабатываю для них систему управления требованиями, редактор который снимает им большую часть этой боли, вернёт интерфейс Office, но при этом будет работать с GitHub/Markdown. Так вот, вчера наткнулся на компанию? которая пошла в этом направлении раньше и зашла дальше - SysGit переносит подобные практики в область системного проектирования сложного железа: требований, архитектурных моделей, интерфейсов, проверок и согласований. Их собственная формулировка — “collaboration layer for complex hardware”: создавать, изменять, ревьюить и распространять требования и системные модели примерно так же, как software-команды работают с кодом, пытаются заменить или дополнить связку вроде DOORS / Excel / Cameo / Jama в той части, где ведутся требования, системная архитектура, трассируемость, интерфейсы и ревью изменений. https://www.sysgit.io

DevOps for Hardware: Deliver Better Complex Systems, Faster

Это не PLM, который обычно хранит product structure, CAD-документы, BOM, lifecycle states, change orders, approvals, manufacturing context. SysGit стоит ближе к systems engineering слою: требования, интерфейсы, системные модели, логика верификации, цифровые результаты поставки, ревью изменений модели. Это не замена Teamcenter/Windchill/3DEXPERIENCE в полном смысле, а попытка сделать системную модель и требования такими же управляемыми, как код. Ниша SysGit — aerospace/defense и вообще сложные изделия вроде самолётов, где много организаций, субподрядчиков, интерфейсов, требований, версий, согласований и комплаенса. Они явно позиционируются на Defense Industrial Base, acquisition process, MOSA, vehicles and weapons systems. Главное условие полезности такого подхода — готовность организации формализовать системную модель и дисциплинировать работу с требованиями. Git не исправит плохую декомпозицию, хаотичные правила именования, неясные границы владения и процесс, где требования фактически существуют только в документах. Но там, где продукт сложен, много команд, подрядчиков, интерфейсов, версий и проверок, SysGit может дать понятный выигрыш: меньше ручной сверки, лучше прослеживаемость, воспроизводимые изменения и возможность применять к системному проектированию те практики контроля качества, которые давно стали нормой в software-разработке. При переходе к ИИ сфера их применения будет стремительно расширяться, т.к. первое что требуют агенты - чёткие требования, чем они более формализованы - тем быстрее и лучше будет результат работы агентов. Кроме того они тесно интегрируются с nTop - весьма интересной платформой итеративного параметрического проектирования для сложных изделий и систем, позволяющей использовать описанные требования и быстро генерировать и оценивать сотни возможных вариантов изделий и искать наилучшие варианты в рамках заданных требований. Про них будет отдельный пост чуть позже.

Просто обще-концептуальный рекламный видосик от Synera - компании исторически она выросла из немецкой компании ELISE, занимавшейся алгоритмическим и генеративным проектированием. Сейчас она, мне кажется, демонстрирует наибольшую степень продуктовой готовности ИИ в CAD/CAE/PLM, но с фокусом на расчеты, оптимизацию геометрии/конструкции, сбор данных для последующей передачи в PLM. То есть сами по себе они не PLM, но инструментарий для автоматизации цепочек операций. Кроме того у них есть инструмент Text-to-workflow, позволяющий получить workflow по его свободному текстовому описанию, поправить и запустить на выполнение. Тесно интегрированы с CONTACT PLM,  Siemens Xcelerator: NX и Solid Edge. Плюс хорошо видны их тесные контакты с немецкими промышленными гигантами, такими как BMW и Сименс. Активно публикуют множество видео на ютубе и в линкедин, где проскакивает не только маркетинг, но и детали реализации, UI, архитектурные замыслы и т.п. Весьма информативно.

Рейтинг моделей для генерации CAD CADGenBench Leaderboard - a Hugging Face Space by HuggingAI4Engineering GitHub: huggingface/cadgenbench: A benchmark for AI-driven CAD generation and editing

Aibuild OS от британской AI Build https://ai-build.com Не смотря на громкое позицирование "мы AI ОС" их решение имеет достаточно узкую специализацию - построение моделей для 3D печати. Это пожалуй наиболее простая и удобная для подобных стартапов область, где итеративная разработка с помощью ИИ сводится к разработке относительно простых изделий в которых может агрессивно применяться оптимизация конструкции без привычных ограничений от технологов (но с непривычными ораничениями 3D печати, хех) Однако принтеры у них вполне индустриального класса, ориентируются на тяжелое производство, а не на баловство. Решение явно не AI-native, скорее AI-assist, то есть ИИ выступает помошником, хотя и берёт на себя основную часть работы, и интерфейс построен вокруг чата. В целом ребята амбициозные и перспективные в том числе за счет крепкого фокуса на реально достижимом на начальном этапе. Будем смотреть за ними дальше.

Телеметрия в n8n как эталонная имплементация наблюдаемости при реализации систем проектирования AI workflow https://blog.n8n.io/trace-n8n-workflow-and-node-executions-with-opentelemetry/

Это слайд из анонса вот этого симпозиума https://cdfam.com

Когда Text-to-CAD уже недостаточно

Claude Fable 5 + MecAgent Copilot 1.2 в CAD. Видео показано в реальном времени (1×). Генерируется параметрическая деталь которая включает дерево построения. https://mecagent.com

Co-founder Adam (один из text-to-CAD стартапов) отметил что Opus 4.8 был первой моделью который от входа и без помощи человека справился с их типовым тестом "building a 5:1 planetary gearbox from a one-line prompt" в Autodesk Fusion. Остальные модели у них "fall apart on geometry math, part relationships, or basic mechanical reasoning long before you get something that looks right." Но в любом случае, там должен был иной подход к предмету чтобы оно работало. В норме более-менее уже работает представление сборок в виде кода, с кодом у моделей получается. Но пространственное мышление все равно требуется и в тех задачах где все сводится к нему этот подход тоже ломается. Пока там яйцеголовые не придумают на этот счет что-нибудь фундаментальное - прорывы вряд ли будут

Synera развивает платформу для создания инженерных AI-агентов на базе архитектуры NVIDIA NemoClaw. Речь идет не о чат-ботах для консультаций, а о системах, способных самостоятельно выполнять длительные циклы проектирования и моделирования. Такие агенты работают с CAD-моделями, строят расчетные сетки, запускают инженерные симуляции, анализируют результаты и передают данные между этапами разработки. Вместо выполнения отдельных команд они способны вести сложные workflow продолжительностью от нескольких часов до недель, автоматизируя значительную часть инженерной работы. В основе решения лежит подход Agentic Engineering: существующие процессы проектирования и расчетов преобразуются в формализованные workflow, доступные для выполнения AI-агентами. NemoClaw предоставляет механизмы оркестрации нескольких агентов, долговременную память, планирование задач, безопасное исполнение и интеграцию с вычислительной экосистемой CUDA-X. Агенты могут взаимодействовать друг с другом как виртуальная инженерная команда, распределяя задачи между проектированием, производственным анализом и расчетами. Платформа уже интегрирована более чем с 80 инженерными инструментами и ориентирована на автоматизацию конечно-элементного анализа, проектирования пресс-форм, оценки себестоимости продукции, подготовки ответов на RFQ-запросы и других задач промышленной разработки. Цель состоит в том, чтобы сократить циклы инженерного моделирования с недель до часов и обеспечить масштабирование инженерных процессов без пропорционального увеличения численности команд. Развертывание решений на базе NemoClaw для заказчиков запланировано на вторую половину 2026 года. https://www.synera.io/press/synera-nvidia-nemoclaw-ai-agents-design-simulation