Эпоха физического ИИ: попытка Inside P-1 создать инженерный мозг

Искусственный интеллект научил машины писать прозу и генерировать картинки. Сейчас зарождается новый рубеж, когда программное обеспечение не просто интерпретирует мир, но и помогает его создавать. Это расцвет физического ИИ: систем, обучаемых не на словах или изображениях, а на грубых ограничениях реального мира, таких как трение, тепло, вибрация и сила. Одним из лидеров этого движения является новый стартап под названием P-1 AI.

Компания P-1, основанная руководителем аэрокосмической отрасли Полом Еременко, Адамом Нагелем и выпускником DeepMind Алексой Гордич, разрабатывает машину под названием Archie, цифрового ученика, предназначенную для совместной работы с инженерами над сложными задачами проектирования.

Archie создан не для того, чтобы отвечать на простые вопросы или составлять резюме. Его обучают рассуждать с помощью мультифизических систем, искать компромиссы и в конечном итоге помогать проектировать реальные машины, от систем кондиционирования воздуха до космических кораблей. В разговоре с IBM Think Гордич предвидит будущее, в котором инструменты, подобные Archie, могут даже помогать проектировать умозрительные мегаструктуры, такие как космические корабли.

Генеральный директор NVIDIA Дженсен Хуанг в нескольких недавних выступлениях подчеркнул важность этого направления, назвав физический ИИновой “промышленной революцией”. Он также описал физический ИИ как движущую силу будущего компании, подчеркнув, что слияние генеративных моделей с робототехникой и имитационным моделированием позволит машинам понимать реальный мир и ориентироваться в нем с беспрецедентными возможностями. Соответственно, NVIDIA все активнее оптимизирует свои аппаратные платформы не только для обучения большим языковым моделям (LLM), но и для задач физического мышления в таких областях, как автономное вождение, робототехника и цифровые двойники.

Платформа P-1 использует обучение с подкреплением и графические нейронные сети для создания синтетических наборов данных, вариантов дизайна моделей и имитации поведения физических систем — что она делает за миллисекунды, а не за часы.

Вместо того, чтобы заменять инструменты САПР или решатели, Archie обучается работе с ними. Он выбирает правильный инструмент для решения задачи и использует его так, как мог бы младший инженер. Традиционные рабочие процессы моделирования могут занимать часы или даже дни для тестирования одного проекта. Archie использует графические нейронные сети для аппроксимации этих симуляций за миллисекунды, что позволяет выполнять итерации гораздо быстрее. По словам Гордича, целью является не просто скорость, но отражение того, как инженеры на самом деле думают. “Речь идет о том, чтобы знать, от чего отказаться, чтобы двигаться вперед”, - говорит он. Реальное проектирование, добавляет он, часто представляет собой согласование конкурирующих ограничений, а не простую задачу оптимизации.

Первоначальная направленность компании прагматична, говорит Гордич. Поскольку центры обработки данных потребляют больше энергии и вырабатывают больше тепла, чем когда-либо, P-1 внедряет Archie в секторе промышленного охлаждения, где он может помочь в разработке более эффективных систем ОВКВ. “Это область с четкими физическими ограничениями и коммерческой срочностью”, - говорит Гордич.

Штатный научный сотрудник IBM Йоханнес Якубик видит параллели между Archie и работой, проводимой в IBM Research. В интервью он рассказывает IBM Think , что модели, подобные TerraMind, базовой модели, разработанной для спутниковых снимков и дистанционного зондирования, предназначены для устранения пробелов в данных наблюдения Земли путем создания синтетических изображений там, где отсутствуют реальные. “Вместо того, чтобы просто интерпретировать данные, мы разрабатываем модели, которые могут рассуждать на основе недостающей информации и моделировать то, что мы не могли наблюдать непосредственно”, - говорит он.

Он указывает на способность TerraMind преобразовывать данные радаров в синтетические оптические изображения как на важный шаг к созданию мультимодальных систем ИИ, которые понимают пространственный контекст. “Эти системы не просто генерируют изображения”, - говорит он. “Они выполняют своего рода физический вывод”.

Якубик также подчеркивает важность адаптации к конкретной предметной области. “Мы обнаружили, что обучающие модели с глубоким пониманием физики, стоящей за проблемой, приводят к более стабильным и надежным прогнозам”, - говорит он. “Недостаточно масштабировать модели; мы должны сделать их разумными относительно мира, в котором они работают”.

Системы охлаждения - это только начало. Гордич говорит, что P-1 стремится расширить возможности Archie во все более сложных областях производства, от электромобилей до аэрокосмической промышленности. С этой целью компания в настоящее время создает прототипы модулей, которые могли бы поддерживать структурное, тепловое и электромагнитное проектирование в рамках одной агентной среды.

Долгосрочное видение заключается в создании ИИ общего назначения, который может осмысленно сотрудничать в создании технологий, которых еще не существует. “Мы не пытаемся создать ИИ, который заменит инженеров”, - говорит Гордич. “Мы пытаемся создать такой, который поможет им исследовать больше возможностей”.

Чтобы добиться этого, P-1 пришлось преодолеть одно из самых известных узких мест в этой области: нехватку полезных обучающих данных в инженерном деле. В отличие от наборов данных на естественном языке, инженерные наборы данных редко являются общедоступными и, как правило, фрагментированы по отдельным разделам. Гордич отмечает, что даже проектирование самолетов - одна из наиболее хорошо документированных областей — имеет относительно мало доступных точек данных.

Ответ P-1 заключается в генерации синтетических данных с использованием стратегий выборки, основанных на физике. Идея заключается в создании наборов данных, охватывающих не только существующие решения, но и негативное пространство вокруг них — области пространства проектирования, которые обычно недостаточно изучены или игнорируются. “Иногда самые интересные проекты - это те, которые изначально выглядят неправильно”, - говорит Гордич.

Якубик разделяет это мнение. “Одна из самых захватывающих частей работы с ИИ в физических науках - это его способность выявлять крайние случаи”, - говорит он. “Это области, которые люди часто упускают из виду, потому что они лежат за пределами обычной эвристики”.

Он добавляет, что ИИ может тестировать больше проектов за меньшее время, уменьшая зависимость от интуиции. “В сложных системах мы часто принимаем решения, основанные на упрощениях”, - говорит он. “ИИ дает нам способ бросить вызов этим упрощениям с помощью реальных данных и смоделированных результатов”.

В IBM исследователи также сотрудничают с моделями климата и погоды, такими как Prithvi WxC, которые компания разработала в партнерстве с НАСА. Якубик объясняет, что в этой модели используются архитектуры на основе transformer для параллельного анализа сотен переменных. “Это позволяет нам моделировать развитие экстремальных событий, затрачивая значительно меньше вычислительных ресурсов, чем традиционные методы моделирования”, - говорит он.

Якубик подчеркивает, что системы искусственного интеллекта предназначены для расширения человеческих возможностей, а не для их вытеснения. “ИИ достиг той точки, когда он может дополнять научные и инженерные открытия, но постановка проблемы по-прежнему должна исходить от экспертов в предметной области”, - говорит он.

Он считает, что ИИ особенно эффективен на ранних стадиях проектирования и проверки гипотез. “Это моменты, когда неопределенность наиболее высока, а стоимость неправильных действий наименьшая”, - говорит он. “Искусственный интеллект может предлагать более широкий спектр первоначальных идей и подвергать их стресс-тестированию быстрее, чем команда людей, работающих в одиночку”.

Еще одна компания, занимающаяся физическим ИИ, - это Lila Sciences, биотехнологический стартап, возникший из флагманской компании Pioneer. Lila разрабатывает автономные лаборатории, управляемые системами искусственного интеллекта, которые могут генерировать гипотезы и проводить тысячи экспериментов параллельно. Благодаря финансированию в 200 миллионов долларов и цели создания того, что компания называет “научным сверхразумом”, платформа Lila недавно поразила научное сообщество, обнаружив новые катализаторы для производства экологически чистого водорода всего за четыре месяца — процесс, который, по предварительным оценкам, занимал годы.

Путь Гордича, Наэля и Еременко к основанию P-1 был сформирован годами работы в исследовательской среде с высокими ставками. Еременко возглавлял офис тактических технологий DARPA и был техническим директором как в Airbus, так и в United Technologies. Гордич провел годы в DeepMind и Microsoft, сосредоточившись на пересечении машинного обучения и структурированного мышления.

Они увидели пробел на рынке: большинство языковых моделей общего назначения плохо подходили для инженерии, которая требует не только синтаксиса и семантики, но также причинно-следственных связей и соблюдения законов физики.

“Большие языковые модели отлично подходят для обобщения документов”, - говорит Гордич. “Но чтобы спроектировать ракету, вам нужно понимать, как поток топлива взаимодействует с давлением в камере. Это другой уровень рассуждений. ”

P-1 привлекла 23 миллиона долларов начального финансирования от Radical Ventures, Village Global и инвесторов из OpenAI и Google. Компания активно набирает сотрудников и рассчитывает начать внедрение пилотных проектов в отрасли в течение года. В настоящее время в штате компании работают выпускники аэрокосмической отрасли, автомобилестроения и передовых компьютерных технологий.

Изменят ли эти усилия в конечном итоге рабочие процессы инженеров или потерпят неудачу из-за сложности ограничений реального мира, еще предстоит выяснить.

“Мы находимся в самом начале того, что может сделать физический ИИ”, - говорит Гордич. “Но если мы сделаем все правильно, это может стать основой для того, как мы будем проектировать все в будущем”.