Fizyka według algorytmów: Siemens stawia twarde granice sztucznej inteligencji

W inżynierii przemysłowej czas to nie tylko pieniądz, to rynkowe być albo nie być. Siemens, gigant oprogramowania inżynierskiego, ogłosił właśnie, że jego technologia PhysicsAI potrafi analizować tysiące wariantów projektowych do 1000 razy szybciej niż tradycyjne solvery. Jednak za tymi imponującymi wskaźnikami kryje się zaskakująco trzeźwe podejście do granic możliwości maszyn.

Dlaczego to ważne właśnie teraz? W dobie powszechnego entuzjazmu wobec modeli generatywnych, Siemens przypomina, że w fizyce nie ma dróg na skróty. Choć algorytmy błyskawicznie przewidują zachowanie materiałów, firma otwarcie przyznaje, że technologia ta nie zastąpi fizycznej walidacji ani rygorystycznych testów bezpieczeństwa w krytycznych systemach.

Sam Mahalingam, kierujący rozwojem technologii w Siemens Digital Industries Software, ucina spekulacje dotyczące pełnej autonomii w procesach certyfikacji. „Czy to rozwiązanie nadaje się do certyfikacji elementów o krytycznym znaczeniu dla bezpieczeństwa? Nie” – stwierdził bez wahania podczas konferencji Realize LIVE Asia-Pacific. To mocne słowa w branży, która zwykle woli obiecywać rewolucję.

Szybkość to tylko estymacja

Mechanizm działania Simcenter PhysicsAI wyjaśnia, skąd bierze się ta ostrożność. Zamiast obliczać zjawiska fizyczne od podstaw, oprogramowanie wykorzystuje modele zastępcze (surrogate models). Uczą się one na historycznych symulacjach i przewidują wyniki dla nowych geometrii. To, co inżynier widzi na ekranie po sekundzie, jest jedynie statystyczną prognozą.

Mimo że Siemens deklaruje wysoką precyzję, zachowując margines błędu na poziomie 1-3% względem klasycznych metod, ta niewielka różnica wyklucza AI z ostatecznego zatwierdzania części. W lotnictwie czy motoryzacji trzy procent błędu to przepaść dzieląca sukces od katastrofy.

Pułapka danych syntetycznych

Istotnym ograniczeniem jest pochodzenie paliwa dla tych modeli. Wiele sukcesów PhysicsAI opiera się na danych syntetycznych – informacjach wygenerowanych przez inne programy komputerowe, a nie z realnych testów fizycznych. Mahalingam słusznie zauważa, że „model jest tylko tak dobry, jak dane, które go karmią”. Rodzi to pytanie o „szklany sufit”: czy AI może kiedykolwiek stać się mądrzejsza od systemu, który sam ją wytrenował?

Aby chronić projektantów przed nadmiernym zaufaniem do „czarnej skrzynki”, system wyposażono w cyfrowe barierki ochronne. Jeśli inżynier wprowadzi kształt radykalnie odbiegający od tych, na których model był szkolony, oprogramowanie po prostu odmówi wydania prognozy. To bezpiecznik, który ma zapobiegać halucynacjom algorytmu w świecie, gdzie prawa fizyki nie podlegają negocjacjom.

Uczciwość zamiast marketingu

Podejście Siemensa różni się od powszechnego optymizmu firm z Doliny Krzemowej. Tutaj AI nie zastępuje walidacji, lecz służy jako filtr. Inżynierowie tacy jak ci z Continentala czy firmy Magna mogą sprawdzić setki koncepcji, by wyłonić dwie najbardziej obiecujące. Dopiero one trafiają do żmudnego, tradycyjnego solvera. Strategia firmy jest jasna: wiarygodność u inżynierów projektujących silniki odrzutowe jest cenniejsza niż chwilowy zachwyt giełdy nad kolejnym narzędziem „autonomicznym”.