Содержание
AI уже помогает инженерам, но не заменяет инженерное мышление
MIT рассказал о JARVIS Challenge — эксперименте, в котором 31 студент за четыре недели должен был спроектировать, изготовить, собрать и испытать небольшой газотурбинный реактивный двигатель. Участники использовали AI как основного инженерного помощника: через платформу MIT Parley им были доступны разные frontier-модели, включая ChatGPT и Claude, а организаторы могли видеть промпты, стоимость запросов и выбранные модели.
Задача была намеренно сложной: двигатель должен был выдавать 50-100 фунтов тяги, работать на авиационном топливе Jet-A и пройти пять 60-секундных запусков. Команды применяли нейросети для изучения теории, сравнения архитектур, поиска поставщиков, подготовки таблиц, документации и даже для роли проектного менеджера.
Где AI оказался полезен
По словам организаторов, AI заметно ускорял первые этапы: помогал быстро закрывать пробелы в знаниях, делать trade-off анализ, структурировать проект и подсказывать варианты конструкции. Особенно активно нейросети использовали младшие студенты, у которых еще не было большого инженерного опыта.
Одна из команд с помощью AI дошла до жизнеспособной конструкции, хотя почти не имела опыта в газотурбинных системах. Это важный сигнал для бизнеса и образования: нейросети становятся сильным ускорителем для входа в сложные предметные области, если рядом есть люди, которые умеют проверять выводы модели.
Где модели ломались
На этапе детального CAD-проектирования, закупки деталей и сборки участники уперлись в типичные ограничения генеративного AI: галлюцинации, чрезмерную уверенность и слабое понимание физики. Студенты отмечали, что модель может хорошо объяснять и искать информацию, но опасно передавать ей ответственность за реальную инженерную конструкцию.
Еще один неожиданный вывод — AI почти не помогал там, где нужны реальные связи и операционная работа. Поиск поставщиков через модели не заменил личные контакты: детали в итоге приходили от тех вендоров, с которыми у команд уже были отношения.
Почему это важно
Эксперимент показывает более зрелую картину AI-автоматизации: нейросети полезны не как магическая кнопка, а как слой ускорения вокруг эксперта. Они помогают быстрее учиться, сравнивать варианты, оформлять расчеты и вести проект, но финальное решение, проверка безопасности и работа с реальным миром остаются за человеком.
Для авторов, предпринимателей и команд это хороший практический вывод: внедрять AI стоит там, где есть понятные критерии качества и экспертная проверка. Чем ближе задача к физическому миру, безопасности, деньгам или юридической ответственности, тем важнее держать человека в контуре и не путать уверенный ответ модели с доказанной истиной.