Giới hạn của AI vật lý: nơi Siemens khẳng định con người vẫn giữ vai trò chủ đạo

AI vật lý hiện có thể khám phá hàng nghìn biến thể thiết kế trong khoảng thời gian mà một mô phỏng truyền thống chỉ xử lý được một vài biến thể. Theo Siemens, tốc độ này nhanh hơn chính xác tới 1.000 lần. Tuy nhiên, AI vật lý không thể phê duyệt một bộ phận quan trọng về an toàn. Đối với vấn đề này, công nghệ có một giới hạn rõ ràng, và ông Sam Mahalingam, người đứng đầu bộ phận phát triển công nghệ này tại Siemens Digital Industries Software, đã khẳng định điều đó một cách dứt khoát. “Liệu điều này có tốt cho các ứng dụng quan trọng về an toàn không?”, ông nói bên lề sự kiện Realize LIVE Asia-Pacific tại Bengaluru. “Không, không phải vậy.” Điều này quan trọng vì câu trả lời đi ngược lại hai năm ngành công nghiệp này khẳng định AI của họ có thể làm được gần như mọi thứ. Giá trị đối với các kỹ sư không nằm ở tốc độ mà Siemens đang quảng bá, mà ở việc biết chính xác giới hạn an toàn của tốc độ đó. AI vật lý thực sự làm gì và không làm gì Công nghệ được đề cập là Simcenter PhysicsAI, phần mềm học sâu hình học của Siemens, mà công ty cho biết có thể đưa ra dự đoán thiết kế nhanh hơn tới 1.000 lần so với một bộ giải truyền thống. Cơ chế này rất quan trọng để hiểu rõ hạn chế. Thay vì tính toán vật lý từ đầu mỗi lần, một mô hình thay thế (surrogate model) học từ dữ liệu mô phỏng lịch sử và dự đoán kết quả cho một thiết kế mới. Đây là một ước tính, được tạo ra trong vài giây, không phải là một phép tính đầy đủ. Mối lo ngại rõ ràng là về độ chính xác, và ông Mahalingam đã trực tiếp giải quyết vấn đề này. Ông giải thích, trong nhiều thập kỷ, các kỹ sư đã đánh giá mô phỏng dựa trên vật lý so với thử nghiệm vật lý cho đến khi mối tương quan đủ chặt chẽ để tin cậy. AI hiện đang được đo lường dựa trên cùng một tiêu chuẩn vật lý đó. “Những gì chúng tôi thấy là nếu bạn có đủ dữ liệu, nó rất gần với một bộ giải dựa trên vật lý,” ông nói, với sự sai lệch từ 1% đến 3% mà Siemens đưa ra trong các nghiên cứu điển hình của mình. Gần đúng, nhưng chưa đủ gần để chứng nhận một thành phần sống còn. Và đây là điểm mà ông Mahalingam khác biệt so với kịch bản tiêu chuẩn của các nhà cung cấp. Mô hình thay thế không phải là sự thay thế cho việc xác thực; nó là một bộ lọc được đặt trước quá trình xác thực. “Bạn khám phá nhiều biến thể thiết kế hơn bằng cách sử dụng công cụ nhanh hơn này, mô hình thay thế AI vật lý, tập trung vào hai hoặc ba thiết kế mà bạn cảm thấy tốt, sau đó bạn có thể thực hiện thiết kế chi tiết hơn bằng cách sử dụng mô phỏng dựa trên vật lý,” ông nói. Chỉ khi những thiết kế cuối cùng đó vượt qua kiểm tra vật lý đầy đủ, thiết kế mới được chuyển sang giai đoạn sản xuất. Ông đã nói rõ rằng ngay cả một ví dụ nổi bật, vỏ túi khí Continental mà Siemens đã giới thiệu, cũng nằm trong giới hạn đó. “Điều này dành cho việc khám phá thiết kế ban đầu,” ông nói. “Không phải là bạn chỉ xác thực bằng AI vật lý và bạn nói, được rồi, tôi sẽ đề xuất thiết kế đó để sản xuất. Không, không phải vậy.” Sự phụ thuộc mà các con số tốc độ không đề cập đến Có một giới hạn thứ hai mà các con số về tốc độ thường che khuất, và nó xuất hiện khi cuộc trò chuyện chuyển sang cách các mô hình này được đào tạo. Một số kết quả nổi bật của Siemens, bao gồm các trường hợp liên quan đến Magna và Continental, dựa trên AI được đào tạo bằng dữ liệu tổng hợp: đầu ra mô phỏng được tạo ra bởi các bộ giải của chính Siemens chứ không phải từ các phép đo thực tế. Nếu AI chỉ học từ mô phỏng, câu hỏi đặt ra là liệu nó có thể tốt hơn mô phỏng đã dạy nó hay không. Khi được hỏi, ông Mahalingam không né tránh vấn đề tính tuần hoàn. Ông cho biết, trong trường hợp của Magna, khách hàng đã thực hiện một cuộc khám phá thiết kế rộng rãi trong Simcenter HEEDS, công cụ tìm kiếm thiết kế của Siemens, và giải quyết các biến thể một cách nhanh chóng bằng Simsolid, một bộ giải bỏ qua bước xây dựng lưới chậm. Đầu ra mô phỏng đó sau đó được đưa trở lại để huấn luyện mô hình AI vật lý. Đối với trường hợp khách hàng không có dữ liệu ban đầu, "họ đã tạo dữ liệu tổng hợp bằng Simsolid và HEEDS, sau đó họ quay lại, lấy dữ liệu đó, huấn luyện một mô hình AI vật lý." Nói cách khác, mô hình thay thế chỉ tốt bằng mô phỏng bên dưới nó, một hạn chế mà ông đã thừa nhận thay vì bỏ qua. Ông lập luận rằng điều ngăn chặn việc này trở thành một cái bẫy là một rào chắn được xây dựng để ngăn mô hình dự đoán trên những lĩnh vực mà nó chưa từng thấy. Một mô hình thay thế được huấn luyện trên các biến thể của một hình dạng sẽ thất bại nếu được yêu cầu dự đoán một hình dạng hoàn toàn khác, và nó được thiết kế để báo hiệu điều đó. "Chúng tôi đã đặt các rào chắn để nó quay lại và nói rằng, này, tôi không thể dự đoán điều này. Đây hoàn toàn là một hình dạng khác so với những gì bạn đã huấn luyện nó," ông Mahalingam nói. "Vì vậy, kỹ sư không thể tự gây hại cho mình." Tại sao sự trung thực lại là câu chuyện Sự thẳng thắn không phải là sự tự ti; đó là sự định vị. Mọi nhà cung cấp mô phỏng hiện đang chạy đua để gắn AI vào danh mục sản phẩm của mình, và rủi ro về uy tín là người mua sẽ ngừng tin vào bất kỳ con số nào. Bằng cách đánh dấu giới hạn của công nghệ – an toàn cho việc khám phá, không phải để phê duyệt cuối cùng; mạnh mẽ với dữ liệu, vô dụng ngoài phạm vi huấn luyện của nó – Siemens đang đặt cược rằng các kỹ sư sẽ tin tưởng một công cụ hơn khi nó cho họ biết những gì nó không thể làm. Điều này có ý nghĩa khác khi đến từ phía mô phỏng. Các nhà cung cấp thiết kế chip và AI doanh nghiệp đã dành cả chu kỳ cường điệu để hứa hẹn về quyền tự chủ; một công ty có khách hàng mô hình hóa cấu trúc va chạm và động cơ phản lực thay vào đó lại nhấn mạnh rằng bước xác nhận của con người vẫn giữ nguyên vị trí của nó. Đó không phải là một sự phòng ngừa chống lại AI. Đó là một cái nhìn rõ ràng hơn về vị trí của nó, như một bước đầu tiên nhanh chóng mở rộng phạm vi tìm kiếm, với bộ giải dựa trên vật lý vẫn giữ vai trò quyết định đối với bất kỳ điều gì cần phải chính xác. Đó là một tuyên bố hẹp hơn so với những gì thị trường thường nghe, và bền vững hơn. Siemens đang bán khả năng tăng 1.000 lần, nhưng điều có giá trị hơn mà họ đang cung cấp cho các kỹ sư là ranh giới xung quanh nó. Xem thêm: Siemens giới thiệu hệ thống AI cho kỹ thuật tự động hóa Bạn muốn tìm hiểu thêm về AI và dữ liệu lớn từ các nhà lãnh đạo ngành? Hãy tham khảo AI & Big Data Expo diễn ra tại Amsterdam, California và London. Sự kiện toàn diện này là một phần của TechEx và được tổ chức cùng với các sự kiện công nghệ hàng đầu khác.