LEAP71创始人：大模型附加到CAD是死胡同！
LEAP 71是一家由航空工程师Josefine Lissner和Lin Kayser创立的公司，其使命是通过计算工程推动工程进步。其创始人表示：
CAD只是做了它名字所暗示的事——它帮助工程师画草图。但它不保留意图，也不编码逻辑；这些都留在工程师的脑海中。我曾说过CAD是邪恶的——不是因为它有恶意，而是因为它创造了一种错觉，让你以为你在用计算机进行计算，而实际上你只是把它当成画板——尽管是一个强大的画板。真正的算法在工程师的大脑中运行，然后工程师的手以极其缓慢的效率将其转化为几何图形。
这种方法阻碍了创新，因为它使工程变得乏味。而且，当知识没有被保留下来——当设计视觉表现背后的意图没有被记录下来时——你就无法质疑它、改进它或严格测试其背后的逻辑。俗话说：“永远不要改变一个正在运行的系统。”而当你考虑到增材制造开启的广阔设计空间时，这种局限性就变得完全站不住脚了。增材制造消除了许多传统生产限制，能够创建高度集成、多功能和几何形状复杂的结构。但要充分利用这种自由，我们必须超越绘图。我们必须拥抱计算工程。
计算工程也是AI工程的必经之路，因为如果不了解设计决策背后的物理、逻辑和意图，就没有什么可以用来训练神经网络的。任何没有经过这一中间步骤的AI工程尝试都是障眼法。在LEAP 71，我和我的搭档约瑟芬·利斯纳一直在推进构建Noyron，这是一个大型计算工程模型（CEM），旨在将工程知识编码为计算逻辑。有人称它为“第一个制造机器的AI”。在某种程度上，它是的，这句朗朗上口的话肯定符合当前的炒作周期。
但在本文中，我想澄清我们实际构建了什么——以及为什么工程中的“AI”，至少在通常理解的意义上，往往是一条死胡同。我们将看看把工程带入计算时代真正需要什么，AI应该扮演什么角色，以及增材制造如何能以摩尔定律的速度解锁工程。最重要的是，我们将展示计算工程如何已经在生产现实世界的硬件——以及为什么下一代机器不会被画出来：它们将被计算出来。
设计机器的理想流程是什么？有些人想象一个黑盒AI，只需按下一个按钮就能神奇地产出一个完成的蓝图。只需输入新航天器的规格，就能输出一个完整、可直接构建的CAD模型。但工程不是这样运作的。工程是探索性的。你很少确切知道你想要什么，尤其是当你涉足已建立的设计之外时。发明新东西意味着测试大胆的想法、迭代并在过程中学习。当你实验时，你会有新的见解，完善你的目标，并重塑解决方案。它不是一份规格说明书，它是一场对话。
与所有的炒作周期一样，现在出现了一种新趋势，即把一切都称为“AI”，即使它不是，并将AI应用于不适当的地方。让我们先澄清这一点：计算工程模型是一个算法，而不是神经网络。它在精神上更接近于专家系统。
在LEAP 71，我们确实使用大语言模型（LLM）来总结和从海量工程信息中提取信息。我们还将Noyron代码库连接到LLM，旨在构建一个系统，通过将经过验证的计算块与来自非结构化知识的新见解相结合来合成新机器。这种混合方法——将结构化逻辑与基于语言的合成相结合——使我们更接近J.A.R.V.I.S.的愿景。但毫无疑问，如果没有计算工程的算法、逻辑、科学基础，你将无法实现AI工程。
人们曾尝试将LLM附加到CAD工具上，使用神经网络生成3D文件，并将拓扑优化称为“AI”。这些方法可能看起来很有趣，但它们是死胡同。虽然与CAD系统对话很有趣，但你的通信效率甚至比使用鼠标或触控笔还要低。你必须费力地用语言解释你试图完成的事情，而不是指向某个地方。计算工程依赖于编程语言的清晰逻辑，编程语言正是为了以简洁和结构化的方式交流意图而设计的。自然语言是模棱两可的，不适合对几何形状进行低级描述。
为什么我们不能像用AI生成图像那样，从口述描述或餐巾纸上的草图，通过神经网络直接转化为功能性的3D设计呢？因为3D几何图形与图像不同，必须遵守物理定律。草图不携带关于设计如何运作的信息。即使你在数十亿个3D形状上训练神经网络，输出仍然是碰运气，因为3D网格不理解它是用来做什么的或它是如何工作的。
点评
这在机械设计领域本是常识性的东西，到了IT精英，仿佛是刚刚大彻大悟。
足见他们多么无知多么傲慢，
页:
[1]