Maor Farid, grundlægger og administrerende direktør for Leo AI – Interviewserie

Dr. Maor Farid, grundlægger og administrerende direktør for Leo AI, er en israelsk-amerikansk ingeniør, AI-forsker, social aktivist og iværksætter. Han har udført AI- og maskinteknisk forskning på MIT som Fulbright-stipendiat og blev den yngste ph.d.-uddannede i historien på Technion – Israel Institute of Technology. Han har bygget en fællesskab af 60.000+ ingeniører og støtter underrepræsenterede unge gennem en nonprofit-initiativ.

Leo AI er det første AI-system til maskinteknik – et stort mekanisk model til fysisk produkt-design, der giver hold mulighed for at omdanne ideer til produktionsklare 3D-modeller på få sekunder. Platformen hjælper virksomheder med at reducere ingeniørtiden med 70% og accelerere tid til marked med 18%. Grundlagt i 2023 er Leo AI allerede i brug hos ingeniører på globale virksomheder, herunder Toyota, HP, Mobileye (fra Intel), Philips og Scania. Kun få måneder efter seed-runden (ledet af Flint Capital), voksede dens årlige omsætning med 300% i Q1.

Du har bygget din baggrund på tværs af maskinteknik, ikke-lineær dynamik, AI-forskning, MIT og Technion før du grundlagde Leo AI. Hvad førte dig til at fokusere specifikt på at bygge AI til maskiningeniører, og hvilket problem følte du, at industrien stadig ikke løste?

Ærligt talt, frustration.

Før Leo, arbejdede jeg som maskiningeniør i forsvar, og jeg indså noget vildt: ingeniører bruger en absurd mængde tid på alt andet end ingeniørarbejde. Alvorligt. Vi bruger tid på at gennemse gamle mapper, grave i leverandørkataloger, lede efter standarder, genbruge gamle designs manuelt og spørge en senior ingeniør, der husker, hvorfor denne beslutning blev truffet i 2011. Du navne det.

Software-ingeniører har GitHub Copilot, og forfattere har ChatGPT. Imens var maskiningeniører stadig ved at åbne PDF’er fra delte drev kaldet “FINAL_v7_REAL_FINAL.pdf”. Branchen talte om “digital transformation”, men de fleste ingeniørhold opererede stadig, som om det var 1998.

Det blev besættelsen bag Leo: kan vi bygge en AI, der faktisk forstår ingeniørarbejde? Ikke kun sprog, men geometri, begrænsninger, tolerancer, fremstillingslogik, fysik. Noget, som ingeniører kan stole på med rigtigt arbejde, ikke legetøj-demos.

Fordi hvis du får en markedsføringsparagraf forkert, dør ingen. Men hvis du får en tolerancestak forkert i luftfart eller medicinske apparater, dør folk absolut.

Hvorfor kæmper generelle formål AI-systemer som ChatGPT og Gemini med maskintekniske opgaver, der kræver virkelige fysik, begrænsninger, tolerancer og fremstillingsmulighed?

Fordi de aldrig blev bygget til dette, da generiske AI-modeller er trænet mest på internettets skala: Reddit, blogs, Wikipedia, sociale medier og tilfældige fora. Det er fint, hvis du skriver e-mails eller sammenfatter dokumenter, men det er en katastrofe, hvis du beregner fatigue-liv på en svetset krampe, der går ind i et forsvarssystem.

Maskinteknik er ikke autocomplete. Det er begrænsnings-problemløsning under fysik. En generisk model kan ikke rigtigt resonere om fremstillingsmulighed, termisk udvidelse, GD&T, materialeopførsel, sikkerhedsfaktorer eller tolerancakkumulation. De fleste af dem kan ikke engang åbne en CAD-fil naturligt.

Den farlige del er, at på trods af alt dette, lyder de overbevisende. Ingenerne er ikke imod AI. De er imod BS. Lige nu, når det kommer til ingeniør-opgaver, er de fleste generiske AI-systemer ekstremt fluen BS-genererere.

Det er derfor, vi trænede Leo AI anderledes, ved hjælp af over en million verificerede ingeniørkilder. Vi integrerede det direkte i ingeniørsystemer og gjorde hver svar sporbart tilbage til standarder, formler og referencer, som ingeniører kan verificere selv.

Maskinteknik har historisk set været langsommere til at antage AI end softwareudvikling. Hvad er de største barrierer for at forhindre ingeniører og producenter i at fuldt ud antage AI-drevne arbejdsprocesser?

Jeg tror, den største barriere er kulturel tillid. Det er ikke teknisk overhovedet. Software kan fejle og blive rettet i morgen, men fysiske systemer fungerer ikke på den måde. Hvis din AI-genererede kode krascher en app, bliver brugerne irriterede. Hvis din AI-genererede ingeniørfejl ender inden i et fly, en medicinsk implantat eller en fabriksrobot, er konsekvenserne meget forskellige.

Ingeniører er trænet fra dag én til at tænke på fejlmoder. Vi vokser op med at høre historier om broer, der kollapser, fordi nogen gjorde den forkerte antagelse. Så når Silicon Valley dukker op og siger “just vibe ingeniør det”, afviser maskiningeniører det straks.

Den anden barriere er, at produktionsvirksomheder sidder på årtiers ukendt stammeviden fanget inde i PLM’er, PDF’er, CAD-filer, ERP-systemer og pensionerede ingeniørers hoveder. Generisk AI kan ikke få adgang til eller resonere over denne kontekst.

Og tredje: Jeg vil ikke lyde for brutalt, men fra mit perspektiv er de fleste AI-produkter til industrien grundlæggende automatiserings-teater. Fancy dashboards på toppen af overfladiske modeller, du ikke kan ingeniøre med. Ingenerne ser igennem det meget hurtigt.

Leo AI fokuserer på, hvad du kalder “Mechanical Intelligence”. Hvad betyder dette begreb for dig, og hvordan adskiller det sig fra den bredere bølge af AI-kopiloter, der indtager markedet?

“Mekanisk intelligens” betyder AI, der forstår den fysiske verden, ikke kun sprog.

Som jeg nævnte, er de fleste kopiloter i dag grundlæggende tekstsystemer. De sammenfatter, omskriver og genererer indhold. Dette er nyttigt, men fungerer stadig inden for digital abstraktion. Mekanisk intelligens kræver resonnering under fysik, geometri, begrænsninger, fremstillingsmulighed, materialeopførsel, samling logik, omkostninger, pålidelighed, termisk præstation og sikkerhed.

For os betyder mekanisk intelligens at bygge systemer, der kan ansvarligt deltage i ingeniør-arbejdsprocesser. Det betyder at læse CAD naturligt, forstå samlinger, løse ligninger, validere mod standarder og forbinde direkte til PLM- og ERP-systemer.

Hvor tæt er vi på AI-systemer, der kan uafhængigt designe meget komplekse maskiner som jetmotorer, industrielle robot-systemer eller humanoide?

Det er tættere, end de fleste mennesker tror, omend ikke helt som Hollywood forestiller sig det.

Mennesker forestiller sig en helt, der taler med en computer, og en perfekt maskine dukker op øjeblikkeligt. Det, der faktisk sker, er, at AI langsomt fjerner repetitive lag i ingeniørarbejde, og det sker så hurtigt. Så vi får en vel-designet projection forbundet med den korrekte dokumentation, som mennesker kan gennemgå og justere – og med AI bliver denne projection gjort på minutter i stedet for måneder.

Kan AI generere store dele af en jetarkitektur i den nærmeste fremtid? Absolut. Vi har prøvet det af på simuleringsforsøg med Leo AI, og vi er ret tæt. Men fuldstændig autonom ingeniørarbejde uden menneskelig overvågning? Jeg kan ikke forudse, at det sker noget tid snart. AI vil ikke erstatte ingeniører, men ingeniører, der bruger AI, kan erstatte dem, der ikke gør.

AI-infrastruktur selv skaber store ingeniør-udfordringer omkring energiforbrug og termisk styring. Hvordan ser du AI-drevet maskinteknik bidrage til områder som avancerede kølesystemer og næste generations datacenter-design?

En af de virksomheder, vi arbejder med, ZutaCore, bygger vandløse kølesystemer til AI-datacentre, hvor termisk styring bliver en af de største flaskehalse for at skala AI-infrastruktur. Deres ingeniører stod over for et overraskende dyrt problem: hver ny installation krævede manuel redesign af rørkonfigurationer for at passe systemet, hvilket forbrugte ingeniørtid og øgede fremstillingskompleksitet.

De bad Leo om en kreativ løsning inspireret af naturen, og Leo hjalp med at generere en enkel, justerbar rørkoncept, der eliminerede behovet for at redesigne systemet for hvert projekt. I stedet for at fremstille brugerdefinerede dele hver gang kunne holdet bruge standardiserede, købsklare dele. Det reducerede omkostningerne med cirka 400 $ pr. enhed og eliminerede en hel repetitiv ingeniør-fase fra arbejdsprocessen.

Så, som vi kan se, er AI klar til at løse nogle problemer, der blev skabt af sin egen infrastruktur.

Ingeniørfejl kan have alvorlige virkelige konsekvenser. Hvordan balancerer du hastigheden og automatiseringsfordelene ved AI med behovet for pålidelighed, validering og sikkerhed i ingeniør-miljøer?

Du fjerner aldrig ingeniøren fra ansvar. Aldrig. Det er den grundlæggende princip. Vi tror ikke på “sort boks ingeniørarbejde”: hvert råd, Leo giver, er sporbart, forklareligt og verificerbart. Ingenerne kan inspicere kilden, formlerne, standarderne og antagelserne.

I praksis er de bedste AI-systemer i ingeniørarbejde ikke erstatter for rigorøsitet. De komprimerer det kedelige arbejde omkring rigorøsitet. Den farlige narrative lige nu er “hastighed til enhver pris”. Den mentalitet fungerer, indtil du forlader den digitale verden og begynder at bygge fysiske systemer. Den fysiske verden er uforgivende.

Du har sagt, at AI ikke vil erstatte ingeniører, men ingeniører, der bruger AI, kan erstatte dem, der ikke gør. Hvilke nye færdigheder tror du, den næste generation af maskiningeniører vil have brug for for at forblive konkurrencedygtige?

Den vigtigste færdighed bliver faktisk dybere ingeniør-dømmekraft.

Ironisk nok, da AI automatiserer mere af udførelsesarbejdet, bliver menneskelige ingeniører mere ansvarlige for at definere begrænsninger, validere udfald, forstå kompromiser og fange fejlmoder.

Unge ingeniører, der blindt stoler på AI, bliver farlige meget hurtigt. De bedste ingeniører bliver dem, der ved, hvordan man orkestrerer AI-systemer, mens man stadig opretholder en dyb forståelse af grundlæggende principper.

Jeg tror, vi også vil se en enorm skift mod systemtænkning. Maskiningeniører vil i stigende grad arbejde på tværs af software, elektronik, fremstilling, simulation og AI. Den isolerede maskiningeniør kan forsvinde, men den multidisciplinære ingeniør bliver ekstremt værdifuld.

Vi ser en stigende momentum omkring robotteknologi, inkarneret AI og fysiske AI-systemer. Tror du, den næste store gennembrud i AI kommer fra systemer, der interagerer med den fysiske verden, snarere end ren digitale kopiloter?

Ja. Jeg tror, vi bevæger os i den retning, men vi er ikke helt der endnu.

Den første bølge af AI var om sprog og information. Den næste vil være om interaktion med virkeligheden. Når AI forlader skærmen og træder ind i den fysiske verden, ændrer sværhedsgraden sig dramatisk, fordi virkeligheden introducerer friktion, usikkerhed, materialevariation og rigtige sikkerheds-konsekvenser. De virksomheder, der vinder den næste årti af AI, vil ikke kun generere bedre, men bygge systemer, der kan resonere om og interagere med den fysiske verden pålideligt.

Når AI bliver dybere integreret i ingeniør-arbejdsprocesser, hvilke dele af design- og innovationsprocessen tror du altid vil kræve unikt menneskeligt kreativitet og dømmekraft?

Ansvar. Det er det eneste svar. Som jeg sagde, er den fysiske verden uforgivende over for ingeniørfejl, og selv på et meget højt niveau af AI-resonnering vil det aldrig kunne erstatte den menneskelige beslutningsproces.

AI kan optimere, generere, forskning enormt design-rum hurtigere end mennesker nogensinde kunne – men mennesker skal stadig beslutte, hvad der skal eksistere i verden, hvilke kompromiser der er acceptable, hvilke risici der er etiske, og hvilke begrænsninger der betyder mest.

Ærligt talt, nogle af de bedste ingeniør-idéer kommer fra intuition bygget over år af fejl, erfaring og underlig menneskelig mønster-genkendelse, der er meget svær at formalisere. Så ja, jeg tror ikke, AI nogensinde vil erstatte det menneskelige ansvar bag ingeniør-beslutninger. Det er, hvad gør det faktisk umuligt at erstatte.

Tak for det fantastiske interview, læsere, der ønsker at lære mere, skal besøge Leo AI.