Границите на физическия ИИ: къде Siemens казва, че човекът остава начело

Физическият ИИ вече може да изследва хиляди варианти на дизайна за времето, необходимо на традиционна симулация да обработи само няколко от тях. Според Siemens той е точно до 1 000 пъти по-бърз. Това, което не може да направи, е да одобри детайл, критичен за безопасността. В това отношение технологията има твърдо ограничение, а Sam Mahalingam, който ръководи екипа, разработващ я в Siemens Digital Industries Software, го заявява без колебание.

„Подходящо ли е това за приложения, критични за безопасността?“ каза той в кулоарите на Realize LIVE Asia-Pacific в Бенгалуру. „Не, не е.“

Това е важно, защото отговорът противоречи на две години твърдения от страна на индустрията, че нейният ИИ може да прави почти всичко. Стойността за инженерите не е в скоростта, която Siemens предлага, а в това да знаят точно къде тази скорост престава да бъде безопасна за използване.

Какво всъщност прави физическият ИИ и какво не прави

Става дума за Simcenter PhysicsAI — софтуер на Siemens за геометрично дълбоко обучение, който според компанията може да прави прогнози за дизайна до 1 000 пъти по-бързо от традиционен решател. Механизмът е важен за разбирането на уговорката. Вместо всеки път да изчислява физиката от нулата, сурогатен модел се обучава с исторически данни от симулации и прогнозира резултата за нов дизайн. Това е оценка, получена за секунди, а не пълно изчисление.

Очевидното притеснение е свързано с точността и Mahalingam се изправи директно срещу него. В продължение на десетилетия, обясни той, инженерите са сравнявали симулации, базирани на физика, с физически изпитвания, докато корелацията стане достатъчно тясна, за да може резултатите да бъдат използвани с доверие. Сега ИИ се измерва спрямо същата физическа базова линия. „Това, което виждаме, е, че ако разполагате с достатъчно данни, резултатът е много близък до този на решател, базиран на физика“, каза той, визирайки вариацията от 1% до 3%, посочвана от Siemens в собствените му казуси.

Близък, но недостатъчно близък, за да сертифицира компонент, от който зависи животът или смъртта. Именно тук Mahalingam се отклонява от стандартния сценарий на доставчиците. Сурогатът не е заместител на валидирането; той е филтър, поставен преди него. „С помощта на този по-бърз двигател, сурогатния модел на физическия ИИ, изследвате много повече варианти на дизайна, фокусирате се върху два или три дизайна, които смятате за добри, и след това можете да извършите подробен дизайн с помощта на симулация, базирана на физика“, каза той. Едва след като тези финалисти преминат пълна проверка, базирана на физика, дизайнът се насочва към производство.

Той изрично подчерта, че дори показният пример с корпус за въздушна възглавница на Continental, който Siemens е представяла, попада в тези граници. „Това е за първоначалното изследване на дизайна“, каза той. „Не става дума за това да валидирате само с Physics AI и да кажете: добре, ще препоръчам този дизайн за производство. Не, случаят не е такъв.“

Зависимостта, която числата за скоростта не споменават

Съществува второ ограничение, което показателите за ускорение обикновено прикриват, и то излезе наяве, когато разговорът се насочи към начина, по който се обучават тези модели. Няколко от водещите резултати на Siemens, включително случаите с Magna и Continental, се основават на ИИ, обучен със синтетични данни: резултати от симулации, генерирани от собствените решатели на Siemens, а не от измервания в реалния свят. Ако ИИ се учи само от симулацията, въпросът е дали изобщо може да бъде по-добър от симулацията, която го е обучила.

Когато бе попитан за тази цикличност, Mahalingam не я избегна. В случая с Magna, каза той, клиентът е извършил мащабно изследване на дизайна в Simcenter HEEDS — инструмента на Siemens за търсене на дизайни — и е решил вариантите бързо с помощта на Simsolid, решател, който пропуска бавната стъпка по изграждане на мрежа. След това резултатите от симулациите са били подадени обратно за обучение на модела Physics AI. Когато клиентът първоначално не разполага с данни, „първо е генерирал синтетични данни със Simsolid и HEEDS, а след това се е върнал, взел е тези данни и е обучил модел на физически ИИ“. С други думи, сурогатът винаги е толкова добър, колкото е добра симулацията под него — ограничение, което той призна, вместо да го омаловажи.

Според него това не се превръща в капан заради предпазна мярка, създадена да попречи на модела да прави прогнози за нещо, което никога не е виждал. Сурогат, обучен върху варианти на една форма, ще се провали, ако бъде помолен да прогнозира радикално различна форма, и е проектиран да го заяви. „Вградили сме предпазни механизми, така че той да се върне и да каже: хей, не мога да прогнозирам това. Това е напълно различна форма в сравнение с данните, с които сте ме обучили“, каза Mahalingam. „Така инженерът не може сам да си простреля крака.“

Защо честността е същината на историята

Откровеността не е проява на скромност; тя е позициониране. Всеки доставчик на симулации вече се надпреварва да добавя ИИ към портфолиото си, а рискът за доверието е купувачите да престанат да вярват на каквито и да било числа. Като очертава границата на технологията — безопасна за изследване, но не и за финално одобрение; мощна при наличие на данни, но безполезна извън обхвата, в който е обучена — Siemens залага на идеята, че инженерите имат повече доверие в инструмент, който им казва какво не може да направи.

Това звучи различно, когато идва от света на симулациите. Доставчиците на решения за проектиране на чипове и корпоративен ИИ прекараха целия период на хайпа, обещавайки автономност; компания, чиито клиенти моделират каросерии при катастрофи и реактивни двигатели, вместо това настоява човешката стъпка по валидиране да остане точно там, където е. Това не е застраховка срещу ИИ. Това е по-трезва преценка за мястото му — като бърз първоначален анализ, който разширява търсенето, докато базираният на физика решател продължава да има последната дума за всичко, което трябва да бъде безпогрешно.

Това е по-тясно твърдение от обичайните за пазара и по-устойчиво. Siemens продава 1 000-кратното ускорение, но по-ценният продукт, който предлага на инженерите, е границата около него.

Вижте също: Siemens представя система с ИИ за автоматизация на инженерните процеси

Искате ли да научите повече за ИИ и големите данни от лидери в индустрията? Посетете AI & Big Data Expo, което се провежда в Амстердам, Калифорния и Лондон. Това мащабно събитие е част от TechEx и се провежда едновременно с други водещи технологични събития, включително Cyber Security & Cloud Expo. Щракнете тук за повече информация.

AI News се поддържа от TechForge Media. Разгледайте други предстоящи събития и уебинари за корпоративни технологии тук.