Дорогие мои рыцари-джедаи инженеры-конструкторы! Возможно, наблюдая за успехами нейросетей в последнее время, вы тоже задумывались, каким образом можно применить все это великолепие для собственной работы, особенно, если ваша работа связана с передовыми разработками в науке и технике. Меня тоже постоянно терзала мысль, что лодка с самыми классными разработками в сфере машинного обучения проплывает совершенно мимо. Не в силах терпеть такое положение, я решил разобраться в современных способах применения машинного обучения в нашей сфере и подготовить обзор инструментов и технологий, пригодных в нашем нелегком труде. Если вам интересно узнать, как ИИ может помочь в инженерной деятельности, добро пожаловать под кат.

Первоначально давайте договоримся: я буду использовать термин ИИ, но под ним все-таки подразумеваю все технологии машинного обучения. Это не очень правильно, но делается для упрощения статьи.

Сначала я планировал подготовить статью для всей инженерной деятельности, однако информации оказалось столько, что мне захотелось разбить ее на цикл. Я точно решил написать статью про ИИ для CAE и, если получится, не обойти вниманием и технологов. 

В этой статье я сначала расскажу о технологиях машинного обучения, уже встроенных в современные CAD-системы, а также о тех, что доступны для тестирования на различных онлайн-ресурсах. К сожалению, среди найденных мной инструментов нет ни одного отечественного. Соответственно, попробовать многое в России будет проблематично. Тем не менее, я считаю, что полезно следить за развитием технологий. Вы можете посоветовать российским вендорам перспективные направления разработки. Онлайн-ресурсы часто доступны из России напрямую.

Генеративные модели

Начну, пожалуй, с самой, можно сказать, древней технологии машинного обучения, а именно с пресловутой топологической оптимизации. Сейчас эту технологию и ее вариации модно кличут «генеративным дизайном». Многие CAD-мэтры имеют в обойме такие технологии. Это и 3DS Generative Design, и NX Generative Design, и Solid Works Topology Study, и Autodesk Generative Design. Даже я в свое время писал топологический оптимизатор на основе Логос-Прочность.

Технология, на самом деле, не очень сложная, и, возможно, меньше всего походит на технологию машинного обучения. Сейчас, во время четвертой волны хайпа ИИ, ее настырно показывают как ту самую лучшую технологию умного помощника для CAD-инженера.

Смысл довольно прост: с помощью различных методов конечных элементов деталь адаптируется c учетом внешнего нагружения. 

На мой взгляд, технология может быть полезна только в тех случаях, когда вы учитываете больше одного нагружения, а также гармонические нагрузки, потерю устойчивости и другие возможные неприятности. Полученный дизайн можно отправить сразу в производство в довольно редких случаях: если у вас изделия из пластика, если вы обладаете дорогущими лазерными (SLS или DLMS) принтерами, ну или вам надо записать крутые ролики для инвесторов. В противном случае полученный результат можно использовать только как шаблон, по которому вы уже создаете деталь более традиционными подходами.

В наиболее продвинутых CAD-пакетах можно адаптировать детали под более традиционные способы производства. Например, в Siemens NX есть настройки для генерации деталей под производство с помощью литья. Дальше всех, судя по материалам в сети, пошел Autodesk Fusion Generative Design (раньше это называлось Project Dreamcatcher).

В Autodesk Fusion вы можете выбирать не только стандартный Additive Manufacturing, а еще пятиосевые, трехосевые, двухосевые станки и литье. Вы можете выбрать все и сразу и сравнивать результат генерации не только по массе и прочности, но и по прогнозируемой стоимости производства детали. В итоге вы получаете целый набор возможных вариантов деталей, из которых вы выбираете наиболее подходящий для дальнейшей обработки. Полагаю, это та же топологическая оптимизация + генетический алгоритм (для перебора гиперпараметров) + набор эвристических правил для разных методов производства. 

Считаю, что оценка стоимости изготовления — это очень важная фишка. Мы часто сталкивались с заказчиками, которые не гонятся за минимальным весом детали. А вот удешевление стоимости производства могло бы их заинтересовать. Только, по-моему, надо продолжать развивать правила и ограничения производства. Сейчас те детали, которые Fusion производит для станков, - … За некоторые технолог может и отпинать. Это все еще будет только набросок, по которому вы должны смоделировать нормальную геометрию.

Другая проблема топологической оптимизации: не во всех случаях результат — действительно оптимальная конструкция. Например, если напрямую «оптимизировать» конструкцию знаменитого моста Золотые Ворота, то получится нечто несуразное. Топологическая оптимизация работает преимущественно над одной деталью и by design не способна дойти до концепции металлических тросов. 

Даже, казалось бы, в простых случаях генеративный дизайн порой не может предоставить более оптимальную конструкцию, чем та, которую придумал естественный интеллект. Например, в соревновании по моделированию велосипедной рамы стандартная рама из полых трубок оказалась наиболее эффективной с точки зрения удельной прочности (отношения прочности к массе конструкции).

В итоге генеративный дизайн можно попробовать в вашем проекте, если вы застряли с каким-то сложным случаем, но это точно не лекарство от всех проблем.

Autodesk Automated Modeling

Очень похожая технология от Autodesk. Стоит отметить, что Autodesk инвестировал достаточно много в продвижение методик машинного обучения в CAD-системы. В отличие от всех остальных коммерческих разработчиков, у Autodesk много статей по этой теме. Autodesk также предоставляет некоторые большие датасеты с 3D-геометрией, чтобы обучать ваши модели.

В любом случае у Autodesk есть такая необычная и даже, можно сказать, странноватая технология генерации объемных тел. Выглядит похоже на генеративный дизайн, но работает немного по-другому. Необходимо выделить объекты, с которыми будет соединена новая геометрия, и объекты, пересечение с которыми модель должна избегать. После чего Fusion генерирует серию, так скажем, … сгустков, которые удовлетворяют нужным условиям. Это призвано подстегнуть ваше воображение и ускорить создание модели. Полученные сгустки можно изменять. Обычно это солиды с криволинейной геометрией. 

Насмотревшись на эти сгустки, я не понимаю, зачем это нужно. Cолид с такой сложной формой превращать во что-то удобоваримое довольно долго. По ссылке доступно видео: в нем автор с помощью технологии попытался создать ручку накидного ключа. Думаю, это весьма наглядный пример.

Хотя реализация хромает, подход имеет право на жизнь. Нужно лишь переделать его таким образом, чтобы он генерировал более классические детали. Для этого ИИ должен быть обучен на датасете с такой же задачей (соединить поверхности, избегая других поверхностей). Однако важно,чтобы в нем были представлены более стандартные детали. В академическом мире такие работы уже проводятся. Например, в статье SolidGen как раз показано, как по фрагменту BREP модели сгенерировать полную модель. Я, кстати, когда читал эту статью, не понимал, зачем это надо, а теперь все встало на свои места.

Думаю, основная проблема здесь — это сбор подходящего набора данных для обучения. Возможно, в будущем такие модели и датасеты еще появятся.

Автогенерация эскизов

Перейдем к тому, что чуть больше напоминает обещанные чудеса про ИИ в каждый дом. В нескольких продуктах заявлены различные методы автоматизации двумерных чертежей. 

Есть автогенерация ограничений (constraints) для эскизов. Но эта вещь с нами уже давно и, скорее всего, работает на обычных алгоритмах. Такие возможности есть у Siemens NX, 3DS Catia, Solidworks, и если там заявляют, что это AI, то у меня сомнения.

В Autodesk явно пошли дальше.

В Autodesk Fusion по мере работы модуль Autoconstrain предлагает несколько вариантов ограничений с размерами, среди которых пользователь может выбрать подходящий. Или можно нагенерировать еще. Мне нравится этот подход, потому что можно одним взглядом оценить, стоит ли принять точку зрения нейросети или лучше сделать самому. Также можно самостоятельно задать часть ограничений и размеров и затем перегенерировать оценку нейросети. Возможно, этот вариант сработает лучше. Думаю, при должном развитии этот подход способен ускорить разработку модели. Особенно если внедрить возможность дообучать модель именно на ваших эскизах. Это позволит модели меньше ошибаться и больше соответствовать вашему стилю разработки. 

Кроме того, у Autodesk Fusion также есть модуль Drawing Automation, который позволяет по существующей модели или сборке автоматически построить набор чертежей. Затем уже эти чертежи можно образмерить вручную или с помощью того же Autoconstrain.

Я ничего не могу сказать про работоспособность модулей Autodesk. У меня не было возможности попробовать. Но я знаю, что эта задача архинужная, особенно в наших реалиях. На подавляющем большинстве отечественных предприятий чертежами пользуются и будут пользоваться еще долгое время. Инженеры тратят огромное количество времени на полноценное оформление чертежей. Если бы можно было как-то ускорить этот процесс и сразу проверять, правильно ли проставлены размеры на чертеже, это было бы просто огонь. Вот прямо ничего больше от ИИ не надо, а это надо. 

Умные помощники

Продвигаемся ближе к генеративным моделям. Идея использования современных генеративных моделей (например, ChatGPT) вроде бы лежит на поверхности. Неужели никто не применяет их для улучшения опыта работы с CAD?

Autodesk Assistant Ai

Как и раньше, первыми среди крупных разработчиков CAD-софта умного помощника представили в Autodesk, но сделано это откровенно странно. У вендора есть Autodesk Assistant AI, и это помощник по … хелпу программы. То есть он лишь поможет вам с интерфейсом или подскажет, где найти нужную функцию. Если он не сможет вам помочь, то прямо из чат-интерфейса вы сможете связаться с оператором-человеком. Такой чат-бот создан по аналогии с банковскими чат-ботами или чат-ботом какого-нибудь каршеринга. Это выглядит как ужасно недокрученная идея. Понятно, что это RAG-система с контекстами, собираемыми просто из хелпа программы. Можно было бы использовать в качестве контекста набор документации пользователя. Модель оценивала бы вид рабочего окна программы или чертеж в векторном виде. Тогда получился бы по-настоящему полезный помощник, который мог бы что-то и посоветовать по детали. Эдакий CAD Copilot. Но ничего этого нет, есть RAG по хелпу. В общем, странная история. Возможно, докрутят.

Leo AI

С другой стороны, есть Web-продукт Leo AI, рекламируемый именно как инженерный copilot. Вот здесь даже рассказывается, что с ним можно взаимодействовать так же лихо, как Тони Старк с Джарвисом. Реальность, конечно, прозаичнее. Это, по-сути, тоже RAG-система, в которую еще и встроены возможности по Text-To-Mesh. 

В рекламе сказано, что Leo AI обучен на миллионах различных деталек и даже представляет детальки как токены и может из них прямо настоящие конструкции клепать (ну ничего себе). Но я таких возможностей не нашел, и в сети из блогеров никто такие возможности не демонстрировал. В любом случае я постарался его протестировать и попробую здесь свои мысли изложить.

Сначала о хорошем. Для поиска информации он работает сносно. Например, если попросить его словами поискать техническую документацию, то он может выдать как информацию по сети, так и ссылки с внутреннего хранилища текстовых pdf-документов. Плюс еще некое техническое описание. Так я смог оценить возможности RAG по поиску технической документации и остался доволен. Это действительно удобно. Правда, набор документов там только на английском, их наполнение сложно оценить, и галлюцинирует он прилично. Также я проверил его возможности по поиску детали. Попросил найти подшипник с определенными размерами и получил подходящий результат (на зарубежном сайте, конечно). 

Теперь к плохому. Попросил я его спроектировать мне отвертку.

Сложно представить худшую отвертку. Еще пример. Здесь сотрудник Leo.Ai попытался спроектировать летающий автомобиль и назвал результат будущим инженерии.  

Еще один способ использовать Leo — это нарисовать скетч детали и дать ему возможность спроектировать деталь. Я решил закинуть в него простой скетч заднего моста грузовика.

 Leo сгенерировал мне деталь и 3D-модель по этому скетчу:

Я пробовал скармливать ему качественные трехмерные изображения других узлов, но он не смог их правильно угадать.

В общем Leo.Ai — пока что стандартный пример агрессивного маркетинга. Не знаю, на что рассчитывают создатели. Инженеры 一 серьезные дядьки, и такой подход их скорее отвратит, чем заинтересует. Здесь они обещают, что в июне 2025 года выпустят возможности по созданию сборок из 3D-моделей. Наверное, имеет смысл вернуться через полгода и узнать, как у них дела. Не более.

ChatGPT

С чем не справился Leo, справился «обычный» ChatGPT. Многие топ-GPT-модели уже умеют читать PDF- и Word-документы и изображения. Стандартного обучения всему на свете для них хватает, чтобы решать некоторые инженерные задачи. Во-первых, их можно использовать для поиска технической информации в сети и в небольшом количестве своих документов. Да, они тоже галлюцинируют, и информацию приходится проверять, но по ощущениям делают это реже, чем Leo. В них можно загрузить изображение своей детали и попросить предоставить по ней нормативную документацию. Результат у меня получался довольно полезный, достаточный для первого шага. Кстати, детали ChatGPT определяет весьма четко, в отличие от Leo. Задний мост он мне определил в режиме Reasoning и даже создал верное по смыслу изображение.

Также он верно определил по изображению верхнюю мотоциклетную траверсу.

Ну и изображение отвертки получилось симпатичнее.

Если вы хотите узнать про общую эффективность работы с GPT-моделями, то в академическом мире проводилось сравнение разных GPT-моделей на понимание инженерной документации. В эксперименте оценивали извлечение частей документации по запросу, проверку соответствия изображений нормативам и распознавание элементов на модели. Сейчас лидирующие позиции с весьма достойным результатом занимает ChatGPT-4o. 

Мне кажется, современные мультимодальные модели уже можно начинать тестировать как умных помощников. Особенно они должны раскрыться в сочетании с адекватной RAG по вашей базе документов. Конечно, надо со скепсисом относиться к результатам и исключать возможность утечки чувствительной информации. 

Text-To-CAD

Речь идет об инструментах, которые по входному промпту создают параметризованную модель. Такие системы есть, но по сути существующие инструменты находятся в зачаточном состоянии. Функциональность можно попробовать в Adam Ai, СAD Scribe и Zoo Design Studio. Результат вас, вероятно, не впечатлит. Это на порядок менее ванильно, чем современный вайб-кодинг. Скорее всего на генерацию начального приближения детали у вас уйдет больше времени, чем на прямое моделирование. 

Например, если попросить Adam Ai сделать вилку для велосипеда, то получится такое:

Я дал ту же задачу Zoo Design Studio. Zoo через некоторое время написал, что сегодня ему что-то не генерится, и попросил зайти позже. Зато честно. CAD Scribe попробовать мне не удалось. Видимо, работает он по схожему принципу, что и Adam Ai (пример работы здесь).

Еще одна проблема Adam: в сложных моделях он вываливает на тебя необъятный список слайдеров, которые регулируют все на свете. Потом в этой куче очень неудобно ориентироваться.

Мой вердикт: пока что это демки, не имеющие реальной практической ценности.

Text-To-Mesh

Это модели, которые генерируют по промпту трехмерную модель, состоящую из фасеточной геометрии. Модели Text-To-Mesh гораздо более матерые, чем предыдущие. Возможно, это элементарно потому, что существует гораздо больше моделек для обучения.

Наверное, максимальную пользу от таких технологий смогут получить люди, которые занимаются 3D-принтингом или созданием моделек для игровой индустрии. Я тоже думал, что нам, инженерам, пользы не будет, пока не столкнулся с Rodin AI. Наверное, это единственный программный продукт, который подвзорвал мой мозг. 

Во-первых, в последних версиях Rodin генерирует достаточно качественные модели по промпту, т.е. движок генерации работает стабильно. Во-вторых, модель умеет  учитывать несколько изображений моделируемой геометрии. И в-третьих, модель учитывает как облако точек, так и общие габариты в формате Solid-геометрии. По моему мнению, у этой системы открывается интересное применение как вспомогательного инструмента для реверс-инжиниринга деталей. Это позволит по нескольким фотографиям и 3D-скану получить первичную модель детали. Кроме того, вместо облака точек вы можете использовать известные габариты модели. В таком случае вы получите первое приближение приемлемого качества, пригодное для ускорения разработки аналогов. 

Я нашел изображение велосипедной вилки с амортизаторами и решил получить 3D-модель с помощью Rodin:

Сеточная модель получилась с виду очень достойной. Зацените. Кстати, Rodin верно определил деталь по изображению и модифицировал промпт картинки. Да, есть артефакты в виде непонятной блямбы посередине между зубцами вилки, которая висит в воздухе. Также модель плохо обработала синюю регулировку амортизатора. Но это она сделала только по одной картинке и, возможно, сработала бы лучше, используя несколько изображений с разных ракурсов. К сожалению, проверить это в бесплатной версии невозможно. 

Есть и другие варианты Text-To-Mesh моделей, которые можно попробовать, например, Meshy AI, Charmed, 3D AI Studio. Даже Autodesk отметился в этой области своим проектом Bernini, который тоже является такой моделью, но уже давно заброшен (попробовать негде). Здесь показано сравнение работоспособности всех этих моделек на различных задачах: заметно, что Rodin там справился лучше всего. Меня особенно впечатлило, как он создал модель робота Atlas как раз по нескольким изображениям. 

Заключение

Давайте еще раз повторим. Многое из показанного выше еще недоступно в России. Я привожу это, скорее, как примеры возможных точек роста для наших CAD-разработчиков. Многие из описанных инструментов сомнительны с точки зрения пользы, поэтому у вас есть шанс первыми создать действительно полезные инструменты в работе с CAD. Здесь я почти в каждом пункте попытался объяснить, как мог бы выглядеть хороший ИИ-инструмент. 

Для себя я выделил Rodin AI и ChatGPT. Поскольку я расчетчик, навряд ли мне понадобится Rodin в профессиональной сфере, однако для домашних поделок, возможно, и воспользуюсь. А вот на ChatGPT я уже основательно подсел. Только раньше я не пытался кормить его изображениями деталей и расчетными материалами. В будущем попробую и, вероятно, расскажу в статье про ИИ для CAE-программ. 

В любом случае революционных изменений в работе инженера пока не произошло, но мне кажется возможным появление более серьезных ИИ-инструментов на горизонте нескольких лет. Буду держать руку на пульсе.

 *Статья написана в рамках ХабраЧелленджа 4.0, который прошел в ЛАНИТ весной 2025 года. О том, что такое ХабраЧеллендж, читайте здесь.