Генеративный ИИ изменит дизайн автомобилей, но не так, как думают автопроизводители

Традиционные производители используют революционные технологии для постепенной оптимизации вместо фундаментального переосмысления.

Делиться

Прошлой осенью я присутствовал на встрече по рассмотрению проекта на крупном автопроизводителе, наблюдая, как инженеры празднуют то, что они считали прорывом. Они использовали генеративный ИИ для оптимизации компонента подвески: снижение веса на 40% при сохранении структурной целостности, и всё это было сделано за несколько часов вместо обычных месяцев. В зале царил восторг от повышения эффективности и экономии средств.

Но что-то меня беспокоило. Мы использовали технологию, которая могла бы полностью переосмыслить транспорт, а вместо этого создавали чуть более совершенные версии деталей, которые производили с 1950-х годов. Это было похоже на использование суперкомпьютера для подсчёта баланса вашей чековой книжки: технически впечатляюще, но совершенно не в тему.

Проработав три года, помогая автомобильным компаниям внедрять решения ИИ, я замечаю эту закономерность повсюду. Отрасль совершает фундаментальную ошибку: рассматривает генеративный ИИ как инструмент оптимизации, хотя на самом деле это двигатель переосмысления. И это недопонимание может стоить традиционным автопроизводителям будущего.

Почему это важно сейчас

Автомобильная промышленность переживает переломный момент. Электромобили устранили центральное ограничение, которое формировало автомобильный дизайн на протяжении столетия — двигатель внутреннего сгорания. Тем не менее, большинство производителей по-прежнему проектируют электромобили так, словно им нужно разместить под капотом большой металлический блок. Они используют ИИ, чтобы немного улучшить эти устаревшие конструкции, в то время как несколько компаний используют ту же технологию, чтобы задаться вопросом, должны ли автомобили вообще выглядеть как автомобили.

Речь идёт не только о технологиях, речь идёт о выживании. Компании, которые это поймут, будут доминировать в следующей эпохе транспорта. Те, кто не сумеет, присоединятся к Kodak и Nokia в музее разрушенных отраслей.

Ловушка оптимизации: как мы сюда попали

Как выглядит оптимизация на практике

В своей консалтинговой деятельности я вижу один и тот же шаблон внедрения практически у каждого автопроизводителя. Команда определяет дорогой или тяжёлый компонент. Они загружают существующие конструкции в генеративную систему ИИ с чёткими ограничениями: снизить вес на X%, сохранить требования к прочности, не выходить за пределы текущих производственных допусков. ИИ выполняет свою работу, все празднуют окупаемость инвестиций, и проект считается успешным.

Вот реальный код традиционного подхода к оптимизации, который я видел реализованным:

из scipy.optimize import minimal import numpy as np def optimize_component(design_params): «»» Традиционный подход: оптимизация в рамках принятых ограничений Проблема: мы принимаем существующие парадигмы проектирования «»» толщина, ширина, высота, плотность_материала = design_params # Минимизировать вес weight = толщина * ширина * высота * плотность_материала # Ограничения, основанные на текущих производственных ограничениях = [ {'type': 'ineq', 'fun': lambda x: x[0] * x[1] * 1000 — 50000}, {'type': 'ineq', 'fun': lambda x: x[0] — 0.002} ] # Границы из существующих производственных возможностей bounds = [(0.002, 0.01), (0.1, 0.5), (0.1, 0.5), (2700, 7800)] result = minimal( лямбда x: x[0] * x[1] * x[2] * x[3], # весовая функция [0.005, 0.3, 0.3, 7800], метод = 'SLSQP', границы = границы, ограничения = ограничения ) возврат результата # Улучшение на 10–20 % # Пример использования initial_design = [0.005, 0.3, 0.3, 7800] # толщина, ширина, высота, плотность optimized = optimize_component(initial_design) print(f»Уменьшение веса: {(1 — optimized.fun / (0.005*0.3*0.3*7800)) * 100:.1f}%»)

Этот подход работает. Он обеспечивает измеримые улучшения — обычно на 10–20% меньше веса, на 15% меньше затрат и так далее. Финансовым директорам это нравится, потому что окупаемость инвестиций очевидна и мгновенна. Но посмотрите, что делаем мы: мы оптимизируем в рамках ограничений, предполагающих правильность текущей парадигмы проектирования.

Скрытые предположения

Каждая оптимизация подразумевает определённые предположения. Оптимизируя корпус аккумуляторной батареи, вы исходите из того, что аккумуляторы должны быть помещены в отдельные корпуса. Оптимизируя приборную панель, вы исходите из того, что автомобилям нужны приборные панели. Оптимизируя компонент подвески, вы исходите из того, что сама архитектура подвески верна.

В прошлом году General Motors объявила об использовании генеративного ИИ для модернизации автомобильных компонентов, прогнозируя сокращение времени разработки на 50%. Ford проводит аналогичную работу. Volkswagen тоже. Это реальные улучшения, которые позволят сэкономить миллионы долларов. Я не отрицаю их ценность.

Но вот что не дает мне спать по ночам: пока традиционные производители оптимизируют свои существующие архитектуры, китайские производители электромобилей, такие как BYD, который обогнал Tesla по мировым продажам электромобилей в 2023 году, используют ту же технологию, чтобы поставить под сомнение целесообразность существования таких архитектур вообще.

Почему умные люди попадают в эту ловушку

Ловушка оптимизации связана не с недостатком интеллекта или дальновидности. Она связана с организационными стимулами. Если вы публичная компания и проводите ежеквартальные конференции, посвящённые финансовой отчётности, вам необходимо демонстрировать результаты. Оптимизация даёт измеримые и предсказуемые улучшения. Переосмысление — дело сложное, дорогостоящее и может не сработать.

Я присутствовал на совещаниях, где инженеры представляли разработанные ИИ проекты, способные снизить производственные затраты на 30%, но их отвергали, потому что это потребовало бы переоснащения производственных линий. Финансовый директор делает расчёты: 500 миллионов долларов на переоснащение для снижения затрат на 30%, которое окупится за пять лет, против 5 миллионов долларов на оптимизацию, которая обеспечивает мгновенную экономию в 15%. Оптимизация всегда выигрывает.

Это рациональное принятие решений в рамках существующих ограничений. Именно так вы и сталкиваетесь с трудностями.

Как на самом деле выглядит переосмысление

Техническое различие

Позвольте мне показать вам, что я подразумеваю под переосмыслением. Вот подход генеративного дизайна, который исследует всё пространство возможностей, а не оптимизирует в рамках ограничений:

import torch import torch.nn as nn import numpy as np class GenerativeDesignVAE(nn.Module): «»» Подход к переосмыслению: исследование всего пространства дизайна Ключевое отличие: отсутствие предполагаемых ограничений на форму «»» def __init__(self, latent_dim=128, design_resolution=32): super().__init__() self.design_dim = design_resolution ** 3 # Трехмерное воксельное пространство # Кодировщик учится представлять ЛЮБОЙ допустимый дизайн self.encoder = nn.Sequential( nn.Linear(self.design_dim, 512), nn.ReLU(), nn.Linear(512, latent_dim * 2) ) # Декодер генерирует новые конфигурации self.decoder = nn.Sequential( nn.Linear(latent_dim, 512), nn.ReLU(), nn.Linear(512, self.design_dim), nn.Sigmoid() ) def reparameterize(self, mu, logvar): «»»Хитрость с перепараметризацией VAE»»» std = torch.exp(0.5 * logvar) eps = torch.randn_like(std) return mu + eps * std def forward(self, x): «»»Кодирование и декодирование дизайна»»» h = self.encoder(x) mu, logvar = h.chunk(2, dim=-1) z = self.reparameterize(mu, logvar) return self.decoder(z), mu, logvar def generate_novel_designs(self, num_samples=1000): «»»Выборка скрытого пространства для исследования возможностей»»» с помощью torch.no_grad(): z = torch.randn(num_samples, 128) designs = self.decoder(z) return designs.reshape(num_samples, 32, 32, 32) def calculate_structural_integrity(design): «»» Упрощенная аппроксимация конечно-элементного анализа В производстве это будет взаимодействовать с ANSYS или аналогичным программным обеспечением FEA «»» # Преобразование воксельного проектирования в распределение напряжений design_np = design.cpu().numpy() # Моделирование точек нагрузки (упрощенное) load_points = np.array([[16, 16, 0], [16, 16, 31]]) # сверху и снизу # Расчет эффективности распределения материала material_volume = design_np.sum() # Приблизительная структурная оценка на основе размещения материала # Более высокая оценка = лучшее распределение нагрузки stress_score = 0 для точки в load_points: x, y, z = point # Проверка плотности материала в несущих нагрузку областях local_density = design_np[max(0,x-2):x+3, max(0,y-2):y+3, max(0,z-2):z+3].mean() stress_score += local_density # Нормализовать по объему (вознаграждение за эффективное использование материала) if material_volume > 0: return stress_score / (material_volume / design_np.size) return 0 def calculate_drag_coefficient(design): «»» Упрощенное приближение CFD Реальная реализация будет использовать OpenFOAM или аналогичные инструменты CFD «»» design_np = design.cpu().numpy() # Рассчитать лобную площадь (упрощенно как проекция на плоскость YZ) frontal_area = design_np[:, :, 0].sum() # Рассчитать гладкость формы (на основе градиента) # Более гладкие формы = меньшее сопротивление градиенты = np.gradient(design_np.astype(float)) smoothness = 1.0 / (1.0 + np.mean([np.abs(g).mean() для g в градиентах])) # Приблизительный коэффициент сопротивления (меньше лучше) # Реальный Cd варьируется от ~0,2 (очень аэродинамичный) до 0,4+ (квадратный) base_drag = 0,35 drag_coefficient = base_drag * (1,0 — smoothness * 0,3) return drag_coefficient def Assessment_production_feasibility(design): «»» Оцените, насколько легко изготовить эту конструкцию. Учитывайте такие факторы, как выступы, внутренние пустоты, требования к поддержке. «»» design_np = design.cpu().numpy() # Проверьте наличие выступов (их сложнее изготовить) overhangs = 0 for z in range(1, design_np.shape[2]): # Материал присутствует на уровне z, но отсутствует на уровне z-1 overhang_mask = (design_np[:, :, z] > 0,5) & (design_np[:, :, z-1] < 0,5) overhangs += overhang_mask.sum() # Проверьте наличие внутренних пустот (их сложнее изготовить) manufacturing) # Упрощенно: посчитайте изолированные пустые пространства, окруженные материалом internal_voids = 0 for x in range(1, design_np.shape[0]-1): for y in range(1, design_np.shape[1]-1): for z in range(1, design_np.shape[2]-1): if design_np[x,y,z] < 0.5: # пустой воксель # Проверьте, окружен ли материалом neighbors = design_np[x-1:x+2, y-1:y+2, z-1:z+2] if neighbors.mean() > 0.6: # в основном окружены internal_voids += 1 # Оценка от 0 до 1 (выше = проще в производстве) total_voxels = design_np.size feasibility = 1.0 — (нависания + внутренние_voids) / total_voxels return max(0, feasibility) def calculate_multi_objective_reward(physics_scores): «»» Оптимизация по Парето по нескольким целям Баланс веса, прочности, аэродинамики и технологичности «»» weights = { 'weight': 0.25, # 25% — минимизация материала 'strength': 0.35, # 35% — максимизация структурной целостности 'aero': 0.25, # 25% — минимизация сопротивления 'manufacturability': 0.15 # 15% — простота производства } # Нормализовать каждую оценку до диапазона 0-1 normalized_scores = {} для ключа в physics_scores[0].keys(): values = [score[key] для счета в physics_scores] min_val, max_val = min(values), max(values) если max_val > min_val: normalized_scores[key] = [ (v — min_val) / (max_val — min_val) для v in values ] else: normalized_scores[key] = [0.5] * len(values) # Рассчитать взвешенное вознаграждение для каждой конструкции rewards = [] for i in range(len(physics_scores)): reward = sum( weights[key] * normalized_scores[key][i] for key in weights.keys() ) rewards.append(reward) return torch.tensor(rewards) def estimate_physics(design, objective=['weight', 'strength', 'aero']): «»» Оценка по нескольким целям одновременно Вот где ИИ находит неочевидные решения «»» scores = {} scores['weight'] = -design.sum().item() # Минимизировать объем (отрицательно для минимизации) scores['strength'] = calculate_structural_integrity(design) scores['aero'] = -calculate_drag_coefficient(design) # Минимизировать сопротивление (отрицательные) оценки['manufacturability'] = Assessment_production_feasibility(design) return оценки # Цикл обучения — здесь происходит переосмысление def train_generative_designer(num_iterations=10000, batch_size=32): «»» Обучаем модель для исследования пространства дизайна и поиска новых решений «»» model = GenerativeDesignVAE() optimizer = torch.optim.Adam(model.parameters(), lr=0.001) best_designs = [] best_scores = [] for iteration in range(num_iterations): # Сгенерировать пакет новых проектов designs = model.generate_novel_designs(batch_size=batch_size) # Оценить каждый проект на предмет физических ограничений physics_scores = [evaluate_physics(d) for d in designs] # Рассчитать многокритериальное вознаграждение rewards = calculate_multi_objective_reward(physics_scores) # Потеря — это отрицательное вознаграждение (мы хотим максимизировать вознаграждение) loss = -rewards.mean() # Обратное распространение и обновление optimizer.zero_grad() loss.backward() optimizer.step() # Отслеживание лучших дизайнов best_idx = rewards.argmax() если len(best_scores) == 0 или rewards[best_idx] > max(best_scores): best_designs.append(designs[best_idx].detach()) best_scores.append(rewards[best_idx].item()) если итерация % 1000 == 0: print(f»Итерация {iteration}: Лучшая награда = {max(best_scores):.4f}») return model, best_designs, best_scores # Пример использования if __name__ == «__main__»: print(«Обучение генеративному дизайну модель…») модель, лучшие_дизайны, оценки = train_generative_designer( num_iterations=5000, batch_size=16 ) print(f»nНайдено {len(best_designs)} новых разработок») print(f»Лучший достигнутый результат: {max(scores):.4f}»)

Видите разницу? Первый подход оптимизирует пространство в рамках заданного пространства проектирования. Второй исследует все возможности пространства, находя решения, которые человек вряд ли бы рассматривал.

Ключевой вывод: оптимизация предполагает, что вы знаете, как выглядит добро. Переосмысление открывает, каким добро может быть.

Реальные примеры переосмысления

Компания Autodesk продемонстрировала это на примере генеративного проектирования компонента шасси. Вместо того чтобы спрашивать: «Как сделать эту деталь легче?», они задались вопросом: «Какова оптимальная структура для таких нагрузок?» Результатом стала конструкция, в которой количество деталей сократилось с восьми до одной, а вес снизился на 50%.

Дизайн выглядит инопланетным: органическим, почти биологическим. Это потому, что он не ограничен предположениями о том, как должны выглядеть детали или как они традиционно изготавливались. Он возник исключительно из физических требований.

Вот что я подразумеваю под «чуждым»: представьте себе дверную раму автомобиля, которая не выглядит как прямоугольник со скруглёнными углами. Вместо этого она похожа на ветви дерева — органичные, плавные структуры, повторяющие линии напряжения. В одном из проектов, где я консультировался, такой подход позволил снизить вес дверной рамы на 35%, одновременно повысив безопасность при столкновении на 12% по сравнению с традиционными конструкциями из штампованной стали. Инженеры были настроены скептически, пока не провели моделирование столкновения.

Самое интересное: когда я показываю эти разработки автомобильным инженерам, чаще всего они отвечают: «Клиенты никогда этого не примут». Но пять лет назад они говорили то же самое о минималистичных интерьерах Tesla. Теперь все их копируют. Они говорили то же самое о том, что радиаторные решётки BMW становятся больше. Они говорили то же самое о замене физических кнопок сенсорными экранами. Принятие клиентами происходит после демонстрации, а не наоборот.

Парадигма шасси

На протяжении ста лет мы строим автомобили, основываясь на фундаментальном принципе: шасси обеспечивает структурную целостность, кузов — эстетику и аэродинамику. Это было совершенно оправдано, когда требовалась жёсткая рама для установки тяжёлого двигателя и трансмиссии.

Но у электромобилей таких ограничений нет. «Двигатель» — это распределённые электродвигатели. «Топливный бак» — это плоский аккумуляторный блок, который может служить элементом конструкции. Однако большинство производителей электромобилей всё ещё строят шасси и кузова отдельно, потому что так всегда было.

Когда вы позволяете генеративному ИИ проектировать конструкцию транспортного средства с нуля, не предполагая разделения шасси и кузова, он создаёт интегрированные конструкции, в которых структура, аэродинамика и внутреннее пространство формируются в результате единого процесса оптимизации. Такие конструкции могут быть на 30–40% легче и на 25% аэродинамически эффективнее традиционных архитектур.

Я видел эти проекты на конфиденциальных встречах с производителями. Они странные. Они бросают вызов всем представлениям о том, как должен выглядеть автомобиль. Некоторые больше похожи на фюзеляжи самолётов, чем на кузова автомобилей. У других есть структурные элементы, которые плавно перетекают от крыши к полу по изгибам, которые кажутся случайными, но на самом деле оптимизированы для конкретных сценариев столкновений. И именно в этом их суть: они не ограничены принципом «мы всегда так делали».

Настоящий конкурент — это не тот, о ком вы думаете

Урок Теслы

Традиционные автопроизводители полагали, что их конкурентами являются другие традиционные автопроизводители, которые играют в одну и ту же игру оптимизации, используя немного разные стратегии. Но затем появилась Tesla и изменила правила.

Процесс литья Tesla Giga — прекрасный пример. Они используют оптимизированные для ИИ конструкции, чтобы заменить 70 отдельных штампованных и сварных деталей цельными алюминиевыми отливками. Это было бы невозможно, если бы мы задавались вопросом «как нам оптимизировать наш процесс штамповки?». Нужно было задаться вопросом: «Что, если мы полностью переосмыслим процесс сборки автомобиля?»

Результаты говорят сами за себя: в 2023 году Tesla достигла рентабельности в 16,3%, в то время как у традиционных автопроизводителей она составляла в среднем 5–7%. Это не просто более эффективное исполнение, это совершенно другой подход.

Позвольте мне пояснить, что это означает на практике:

Это не постепенные улучшения. Это структурное преимущество.

Фактор Китая

Китайские производители идут ещё дальше. Станции замены аккумуляторов NIO, которые заменяют разряженный аккумулятор менее чем за три минуты, появились в ответ на вопрос о том, следует ли решать проблему запаса хода автомобиля за счёт более ёмких аккумуляторов или изменения инфраструктуры. Это вопрос переосмысления, а не оптимизации.

Подумайте, что это на самом деле означает: вместо того, чтобы оптимизировать химический состав аккумулятора или скорость зарядки, как задают себе все западные производители, NIO задался вопросом: «А что, если аккумулятору не нужно оставаться в машине?» Это полностью устраняет беспокойство о запасе хода, устраняет необходимость в массивных аккумуляторных батареях и создаёт модель дохода по подписке. Это не лучший ответ на старый вопрос; это совершенно другой вопрос.

Вертикальная интеграция BYD — компания производит всё: от полупроводников до готовых автомобилей — позволяет ей использовать генеративный ИИ на протяжении всей цепочки создания стоимости, а не только оптимизировать отдельные компоненты. Контролируя весь комплекс, можно задавать более фундаментальные вопросы о том, как все компоненты взаимодействуют друг с другом.

Я не говорю, что китайские производители обязательно победят. Но они задают другие вопросы, и это опасно для компаний, продолжающих оптимизировать производство в рамках старых парадигм.

Модель разрушения

Эту же картину мы наблюдали при каждом крупном сбое в отрасли:

Kodak выпустила первую цифровую камеру в 1975 году. Компания похоронила её, потому что она могла бы подорвать продажи плёнки, а их подход к оптимизации не позволял переосмыслить процесс. Они продолжали оптимизировать качество плёнки, в то время как цифровые камеры полностью изменили фотографию.

Nokia доминировала на рынке мобильных телефонов, оптимизируя аппаратное обеспечение и производство. У них было лучшее качество сборки, самое продолжительное время автономной работы и самые прочные телефоны. Затем Apple задалась вопросом, следует ли оптимизировать телефоны для звонков или для вычислений. Nokia продолжала совершенствовать телефоны; Apple создала компьютер, который мог звонить.

Blockbuster оптимизировал розничный опыт: улучшил планировку магазинов, увеличил ассортимент, ускорил процесс оформления заказов. Netflix задался вопросом, стоит ли вообще предлагать прокат видео в магазинах.

Проблема была не в технологиях, а в готовности задавать разные вопросы.

И вот неприятная правда: когда я общаюсь с руководителями автомобильных компаний, большинство из них могут привести подобные примеры. Они знают эту закономерность. Они просто не верят, что она применима к ним, потому что «машины другие», «у нас есть физические ограничения» или «наши клиенты ожидают определённых результатов». Именно это и сказали Kodak и Nokia.

Что на самом деле нужно изменить

Почему принцип «быть более инновационным» не работает

Решение не в том, чтобы просто сказать автопроизводителям «быть более инновационными». Я присутствовал на достаточном количестве стратегических сессий, чтобы знать, что все хотят инноваций. Проблема структурная.

Публичные компании сталкиваются с давлением из-за квартальной прибыли. Ford инвестировал 43 миллиарда долларов в производственные мощности по всему миру. Нельзя просто списать эти средства, чтобы попробовать что-то новое. Дилерские сети рассчитывают на стабильные поставки автомобилей, которые выглядят и функционируют как обычные автомобили. Отношения с поставщиками строятся вокруг конкретных компонентов и процессов. Нормативно-правовая база предполагает, что автомобили будут иметь рули, педали и зеркала.

Это не оправдания, а реальные ограничения, которые действительно затрудняют переосмысление. Но некоторые изменения возможны даже в рамках этих ограничений.

Практические шаги вперед

1. Создайте действительно независимые инновационные подразделения

Не «инновационные лаборатории», которые отчитываются перед производственными инженерами и оцениваются по производственным показателям. Отдельные подразделения с разными критериями успеха, разными сроками и правом оспаривать основные предположения. Дайте им реальные бюджеты и реальную автономию.

Amazon делает то же самое с Lab126 (которая создала Kindle, Echo, Fire). Google сделала то же самое с X (ранее Google X, которая разработала Waymo, Wing, Loon). Эти устройства могут неоднократно выходить из строя, поскольку их производство не измеряется квартальными производственными планами. Именно эта свобода от ошибок и позволяет переосмысливать идеи.

Вот как это выглядит структурно:

• Отдельный отчет о прибылях и убытках: не центр затрат в рамках производства, а отдельное бизнес-подразделение
• Различные показатели: оцениваются на основе обучения и ценности опциона, а не мгновенной окупаемости инвестиций.
• Сроки 3–5 лет: не квартальные и не годовые цели
• Разрешение на каннибализм: прямо разрешено угрожать существующим продуктам
• Разные таланты: исследователи и экспериментаторы, а не производственные инженеры

2. Сотрудничайте с исследователями генеративного ИИ

Большинство развёртываний ИИ в автомобильной промышленности ориентированы на немедленное применение в производстве. Это нормально, но также необходимы команды, исследующие возможности без непосредственных ограничений производства.

Сотрудничайте с университетами, исследовательскими лабораториями ИИ или создавайте внутренние исследовательские группы, не привязанные к конкретным срокам выпуска продуктов. Пусть задают глупые вопросы вроде: «Что, если бы у автомобилей не было колёс?» Большинство исследований ни к чему не приведут. Те немногие, что приведут к чему-то, окажутся преобразующими.

Конкретные действия:

• Финансировать исследования в области докторской диссертации в Массачусетском технологическом институте, Стэнфорде и Университете Карнеги-Меллона по применению генеративного искусственного интеллекта в автомобильной промышленности.
• Создавайте программы для художников-резидентов, позволяющие промышленным дизайнерам работать с исследователями в области искусственного интеллекта.
• Спонсируйте соревнования (например, DARPA Grand Challenge) для радикальных концепций транспортных средств.
• Публикация исследований открыто привлекает таланты, поскольку позволяет проводить интересные исследования.

3. Привлекайте клиентов по-другому

Перестаньте спрашивать клиентов, чего они хотят в рамках текущих парадигм. Конечно, они скажут, что хотят большего запаса хода, более быстрой зарядки, более удобных сидений. Это вопросы оптимизации.

Вместо этого покажите им, что возможно. Tesla не спрашивала фокус-группы, нужен ли им 17-дюймовый сенсорный экран вместо всех физических органов управления. Они создали его, и клиенты обнаружили, что он им очень нравится. Иногда нужно показать людям будущее, а не просить их представить его.

Лучший подход:

• Создавайте концептуальные автомобили, бросающие вызов предположениям
• Позвольте клиентам попробовать принципиально разные дизайны
• Измеряйте реакцию на реальные прототипы, а не на описания
• Фокус-группы должны реагировать на прототипы, а не воображать возможности

4. Осознайте, в какую игру вы на самом деле играете

Конкуренция заключается не в том, кто быстрее оптимизирует. А в том, кто готов подвергать сомнению то, что мы оптимизируем.

Исследование McKinsey показало, что 63% руководителей автомобильных компаний считают себя «продвинутыми» в области внедрения ИИ, ссылаясь в первую очередь на примеры его использования для оптимизации. Тем временем, кто-то другой, используя ту же технологию, задаётся вопросом: нужны ли нам рули, следует ли владеть транспортными средствами или предоставлять к ним доступ, следует ли оптимизировать транспорт для отдельных лиц или сообществ.

Это вопросы переосмысления. И если вы их не задаёте, значит, задаёт кто-то другой.

Попробуйте сами: практическое применение

Хотите поэкспериментировать с этими концепциями? Вот практическая отправная точка с использованием общедоступных инструментов и данных.

Набор данных и методология

Примеры кода в этой статье используют синтетические данные для демонстрационных целей. Для читателей, желающих поэкспериментировать с реальным генеративным дизайном:

Публичные наборы данных, которые вы можете использовать:

• Thingi10K : 10 000 3D-моделей для тестирования генеративных алгоритмов (доступно по адресу https://ten-thousand-models.appspot.com/)
• ABC Dataset : 1 миллион моделей САПР для глубокого геометрического обучения (https://deep-geometry.github.io/abc-dataset/)

Инструменты и фреймворки:

• PyTorch или TensorFlow для реализации нейронной сети
• Trimesh для обработки 3D-сеток в Python
• OpenFOAM для моделирования CFD (с открытым исходным кодом)
• FreeCAD с Python API для параметрического проектирования

Начиная:

# Установка требуемых пакетов # pip install torch trimesh numpy matplotlib import trimesh import numpy as np import torch # Загрузка 3D-модели из Thingi10K или создание простой формы def load_or_create_design(): «»» # Загрузка 3D-модели или создание простой параметрической формы «»» # Вариант 1: Загрузка из файла # mesh = trimesh.load('path/to/model.stl') # Вариант 2: Создание простой параметрической формы mesh = trimesh.creation.box(extents=[1.0, 0.5, 0.3]) return mesh# Преобразование сетки в воксельное представление def mesh_to_voxels(mesh, resolution=32): «»» Преобразование 3D-сетки в сетку вокселей для обработки ИИ «»» voxels = mesh.voxelized(pitch=mesh.extents.max()/resolution) return voxels.matrix # Визуализация дизайна def visualize_design(voxels): «»» Простая визуализация воксельного дизайна «»» import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D fig = plt.figure(figsize=(10, 10)) ax = fig.add_subplot(111, projection='3d') # Построить заполненные воксели filled = np.where(voxels > 0.5) ax.scatter(filled[0], filled[1], filled[2], c='blue', marker='s', alpha=0.5) ax.set_xlabel('X') ax.set_ylabel('Y')

Источник: towardsdatascience.com