Această declarație vine contrar unui val de marketing care, în ultimii doi ani, a încercat să ne convingă că AI-ul poate face aproape orice. Valoarea reală pentru ingineri nu stă în viteza pe care Siemens o vinde, ci în a ști exact unde acea viteză încetează să mai fie sigură. Tehnologia în discuție este Simcenter PhysicsAI, software-ul de învățare profundă geometrică al Siemens, despre care compania spune că poate face predicții de design de până la 1.000 de ori mai rapid decât un solver tradițional. Mecanismul din spate este esențial pentru a înțelege limitarea. În loc să calculeze fizica de la zero de fiecare dată, un model surogat învață din datele istorice ale simulărilor și prezice rezultatul pentru un nou design. Este o estimare, produsă în câteva secunde, nu un calcul complet.
Îngrijorarea evidentă este acuratețea, iar Mahalingam a abordat-o direct. Timp de decenii, inginerii au comparat simulările bazate pe fizică cu testele fizice, până când corelația devenea suficient de strânsă pentru a avea încredere. Acum, AI-ul este măsurat față de aceeași linie de bază fizică. „Ceea ce vedem este că, dacă ai suficiente date, este foarte aproape de un solver bazat pe fizică”, a spus el, referindu-se la variația de 1% până la 3% pe care Siemens o citează în propriile studii de caz. Aproape, dar nu suficient de aproape pentru a certifica un component de viață și de moarte.
Și aici Mahalingam se abate de la scenariul standard al vânzătorilor. Surogatul nu este o înlocuire a validării; este un filtru plasat în fața ei. „Explorezi mult mai multe variante de design folosind acest motor mai rapid, modelul surogat de fizică AI, te concentrezi pe două sau trei designuri care crezi că sunt bune, pe care apoi le poți detalia folosind o simulare bazată pe fizică”, a explicat el. Doar după ce aceste finaliste trec de o verificare completă bazată pe fizică, un design se îndreaptă spre producție. El a fost explicit că chiar și un exemplu de referință, un caz cu airbag-uri Continental pe care Siemens l-a prezentat, se încadrează în această graniță. „Acesta este pentru explorarea inițială a designului”, a spus el. „Nu este că validezi doar cu AI fizic și apoi spui: ok, voi recomanda acest design pentru producție. Nu, nu este cazul.”
Există o a doua limită pe care cifrele de accelerare tind să o ascundă, și a ieșit la iveală când discuția a ajuns la modul în care sunt antrenate aceste modele. Mai multe dintre rezultatele de top ale Siemens, inclusiv cazuri care implică Magna și Continental, se bazează pe AI antrenat pe date sintetice: rezultate de simulare generate de propriile solvere Siemens, nu măsurători din lumea reală. Dacă AI-ul învață doar din simulare, întrebarea este dacă poate fi vreodată mai bun decât simularea care l-a învățat. Mahalingam nu a evitat circularitatea atunci când a fost întrebat. În cazul Magna, a spus el, clientul a rulat o explorare largă de design în Simcenter HEEDS, instrumentul de căutare a designului Siemens, și a rezolvat variațiile rapid folosind Simsolid, un solver care sare peste pasul lent de construire a rețelei. Acest rezultat al simulării a fost apoi alimentat înapoi în antrenarea modelului de fizică AI. Acolo unde un client nu are date de la început, „au generat mai întâi date sintetice cu Simsolid și HEEDS, apoi s-au întors, au luat acele date, au antrenat un model de fizică AI”. Cu alte cuvinte, surogatul este doar la fel de bun ca simularea din spatele lui, o constrângere pe care a recunoscut-o, nu a dat-o la o parte.
Ce împiedică acest lucru să devină o capcană? Un mecanism de siguranță construit pentru a opri modelul să prezică pe un teren pe care nu l-a văzut niciodată. Un surogat antrenat pe variații ale unei forme va eșua dacă i se cere să prezică una radical diferită, și este proiectat să spună acest lucru. „Am pus mecanisme de siguranță prin care modelul se întoarce și spune: hei, nu pot prezice asta. Aceasta este o formă complet diferită față de cea pe care ai antrenat-o”, a spus Mahalingam. „Deci inginerul nu se poate împușca singur în picioare.”
Sinceritatea nu este auto-diminuare; este poziționare. Fiecare furnizor de simulare se grăbește acum să atașeze AI la portofoliul său, iar riscul de credibilitate este ca cumpărătorii să înceteze să mai creadă oricare dintre cifre. Marcând marginea tehnologiei – sigură pentru explorare, nu pentru semnarea finală; puternică cu date, inutilă dincolo de zona sa de antrenament – Siemens face un pariu că inginerii au mai multă încredere într-un instrument care le spune ce nu poate face. Acest lucru sună diferit venind din partea diviziei de simulare. Furnizorii de design de cipuri și de AI enterprise au petrecut ciclul de hype promițând autonomie; o companie ai cărei clienți modelează structuri de impact și motoare cu reacție insistă, în schimb, că pasul de validare umană rămâne exact unde este. Aceasta nu este o protecție împotriva AI-ului. Este o relatare mai clară a locului unde îi este locul: ca primă trecere rapidă care lărgește căutarea, cu rezolvarea bazată pe fizică păstrând ultimul cuvânt.
De ce este important:
Această poziție a Siemens este crucială pentru industria ingineriei și pentru toți cei care depind de simulări precise. Într-o eră în care AI-ul este adesea vândut ca un panaceu, delimitarea clară între explorarea rapidă și validarea finală previne erori catastrofale în domenii critice precum aerospațial, auto sau energie. Ea stabilește un standard de transparență care ar putea influența reglementările viitoare și încrederea consumatorilor. Mai mult, subliniază că AI-ul nu înlocuiește judecata umană, ci o amplifică – o lecție esențială pentru orice industrie care adoptă tehnologia. Înțelegerea acestor limite nu este doar o chestiune tehnică, ci una de responsabilitate etică și de siguranță publică.
