Μαόρ Φαρίντ, Ιδρυτής και Διευθύνων Σύμβουλος της Leo AI – Σειρά Συνεντεύξεων

Δρ. Μαόρ Φαρίντ, ιδρυτής και διευθύνων σύμβουλος της Leo AI, είναι Ισραηλινός-Αμερικανός μηχανικός, ερευνητής της τεχνητής νοημοσύνης, κοινωνικός ακτιβιστής και επιχειρηματίας. Διεξήγαγε έρευνα για την τεχνητή νοημοσύνη και τη μηχανολογία στο MIT ως μεταδιδακτορικός ερευνητής Fulbright και έγινε ο νεότερος απόφοιτος διδάκτωρ στην ιστορία του Τεχνολογικού Ινστιτούτου Ισραήλ. Έχει δημιουργήσει μια κοινότητα 60.000+ μηχανικών και υποστηρίζει τους νέους που έχουν ανάγκη μέσω μιας μη κερδοσκοπικής πρωτοβουλίας.

Leo AI είναι η πρώτη τεχνητή νοημοσύνη για τη μηχανολογία – ένα μεγάλο μηχανολογικό μοντέλο για τη σχεδίαση φυσικών προϊόντων, που επιτρέπει στις ομάδες να μετατρέψουν τις ιδέες σε μοντέλα παραγωγής σε δευτερόλεπτα. Η πλατφόρμα βοηθά τις εταιρείες να μειώσουν τον χρόνο μηχανολογικής σχεδίασης κατά 70% και να επιταχύνουν τον χρόνο εισαγωγής στην αγορά κατά 18%. Ιδρυθείσα το 2023, η Leo AI χρησιμοποιείται ήδη από μηχανικούς σε παγκόσμιες εταιρείες, συμπεριλαμβανομένων των Toyota, HP, Mobileye (από την Intel), Philips και Scania. Μόλις quelques μήνες μετά τη σπορική στροφή (η οποία οδηγήθηκε από την Flint Capital), το ετήσιο ρυθμισμένο έσοδο (ARR) αυξήθηκε κατά 300% στο πρώτο τρίμηνο.

Διαμόρφωσες το υπόβαθρό σου σε μηχανολογία, μη γραμμική δυναμική, έρευνα τεχνητής νοημοσύνης, MIT και Τεχνολογικό Ινστιτούτο Ισραήλ πριν ιδρύσεις την Leo AI. Τι σε οδήγησε να εστιάσεις συγκεκριμένα στη δημιουργία τεχνητής νοημοσύνης για μηχανικούς, και ποιο πρόβλημα ένιωθες ότι η βιομηχανία δεν είχε ακόμη λύσει;

Ειλικρινά, η απογοήτευση.

Πριν από τη Leo, εργαζόμουν ως μηχανικός αμύνης, και συνειδητοποίησα κάτι παράξενο: οι μηχανικοί περνούν ένα απίστευτο ποσό χρόνου κάνουν τα πάντα εκτός από μηχανολογία. Σοβαρά. Ξοδεύουμε χρόνο ψάχνοντας παλιά φακέλους, αναζητώντας καταλόγους προμηθευτών, ψάχνοντας πρότυπα, επαναχρησιμοποιώντας χειρωνακτικά παλιά σχέδια και ρωτώντας έναν ανώτερο μηχανικό που θυμάται γιατί ακριβώς αυτή η απόφαση λήφθηκε το 2011. Ονομάστε το.

Οι προγραμματιστές έχουν το GitHub Copilot, και οι συγγραφείς έχουν το ChatGPT. Εν τω μεταξύ, οι μηχανικοί ήταν ακόμη ανοίγοντας αρχεία PDF από κοινές μονάδες με το όνομα “ΤΕΛΙΚΟ_v7_ΠΡΑΓΜΑΤΙΚΟ_ΤΕΛΙΚΟ.pdf”. Η βιομηχανία συνέχιζε να μιλάει για “ψηφιακή μεταμόρφωση”, αλλά οι περισσότερες ομάδες μηχανικών λειτουργούσαν ακόμη σαν να ήταν το 1998.

Αυτό έγινε η εμμονή πίσω από τη Leo: μπορούμε να χτίσουμε μια τεχνητή νοημοσύνη που πραγματικά καταλαβαίνει τη μηχανολογία; Όχι μόνο τη γλώσσα, αλλά τη γεωμετρία, τις περιοριστικές συνθήκες, τις ανοχές, τη λογική κατασκευής, τη φυσική. Κάτι που οι μηχανικοί θα μπορούσαν να εμπιστευτούν με πραγματική δουλειά, όχι με παιχνίδια.

Διότι αν κάνεις λάθος ένα παραγραφο σε μια εμπορική σελίδα, κανείς δεν πεθαίνει. Αλλά αν κάνεις λάθος μια στοίβα ανοχών σε αεροδιαστημική ή ιατρικές συσκευές, οι άνθρωποι πεθαίνουν απολύτως.

Γιατί τα γενικά συστήματα τεχνητής νοημοσύνης όπως το ChatGPT και το Gemini δυσκολεύονται με εργασίες μηχανολογίας που απαιτούν πραγματική φυσική, περιοριστικές συνθήκες, ανοχές και κατασκευασιμότητα;

Διότι δεν χτίστηκαν για αυτό, καθώς τα γενικά μοντέλα τεχνητής νοημοσύνης εκπαιδεύονται κυρίως σε κείμενο διαδικτύου: Reddit, ιστολόγια, Βικιπαίδεια, κοινωνικά μέσα και τυχαίες φόρουμ. Αυτό είναι εντάξει αν γράφεις emails ή συνοψίζεις έγγραφα, αλλά είναι καταστροφή αν υπολογίζεις τη διάρκεια ζωής σε μια συνδεδεμένη βάση που εισάγεται σε ένα σύστημα αμύνης.

Η μηχανολογία δεν είναι αυτόματη συμπλήρωση. Είναι περιορισμένη επίλυση προβλημάτων υπό φυσική. Ένα γενικό μοντέλο δεν μπορεί πραγματικά να συλλογιστεί για την κατασκευασιμότητα, τη θερμική επέκταση, το GD&T, τη συμπεριφορά του υλικού, τους παράγοντες ασφαλείας, ή την συσσώρευση ανοχών. Τα περισσότερα δεν μπορούν ούτε καν να ανοίξουν ένα αρχείο CAD φυσικά.

Το επικίνδυνο μέρος είναι ότι παρά όλα αυτά, ακούγονται πειστικά. Οι μηχανικοί δεν είναι αντί-τεχνητής νοημοσύνης. Είναι αντί-ανοησίες. Τώρα, όταν πρόκειται για εργασίες μηχανολογίας, τα περισσότερα γενικά συστήματα τεχνητής νοημοσύνης είναι εξαιρετικά ευφάνταστα BS-παραγωγοί.

Γι’ αυτό εκπαιδεύσαμε τη Leo AI διαφορετικά, χρησιμοποιώντας πάνω από ένα εκατομμύριο ελεγμένες πηγές μηχανολογίας. Ενοποιήσαμε τη λειτουργία απευθείας σε συστήματα μηχανολογίας και κάναμε κάθε απάντηση αναγώγιμη πίσω σε πρότυπα, формулές και αναφορές που οι μηχανικοί μπορούν να ελέγξουν οι ίδιοι.

Η μηχανολογία έχει ιστορικά υιοθετήσει την τεχνητή νοημοσύνη πιο αργά από την ανάπτυξη λογισμικού. Ποια είναι τα μεγαλύτερα εμπόδια που εμποδίζουν τους μηχανικούς και τους κατασκευαστές από το να υιοθετήσουν πλήρως τις ροές εργασίας που οδηγούνται από την τεχνητή νοημοσύνη;

Πιστεύω ότι το μεγαλύτερο εμπόδιο είναι η πολιτιστική εμπιστοσύνη. Δεν είναι τεχνικό. Το λογισμικό μπορεί να αποτυγχάνει και να διορθώνεται αύριο, αλλά τα φυσικά συστήματα δεν λειτουργούν così. Αν το AI-γενικό κώδικα συντρίβει μια εφαρμογή, οι χρήστες γίνονται ενοχλημένοι. Αν το AI-γενικό λάθος μηχανολογικής κατασκευής τελικά βρίσκεται μέσα σε ένα αεροσκάφος, μια ιατρική εμφύτευση ή ένα βιομηχανικό ρομπότ, οι συνέπειες είναι πολύ διαφορετικές.

Οι μηχανικοί εκπαιδεύονται από την πρώτη μέρα να σκέφτονται για τρόπους αποτυχίας. Μεγαλώνουμε ακούγοντας ιστορίες για γέφυρες που καταρρέουν επειδή κάποιος έκανε την λάθος υπόθεση. Όταν η Silicon Valley εμφανίζεται και λέει “απλώς βιμπράντ μηχανικός”, οι μηχανικοί απορρίπτουν αμέσως.

Το δεύτερο εμπόδιο είναι ότι οι εταιρείες κατασκευής καθίστανται σε δεκαετίες μη τεκμηριωμένης φυλετικής γνώσης που είναι παγιδευμένη μέσα σε PLM, PDF, αρχεία CAD, συστήματα ERP και τα κεφάλια των συνταξιοδοτούμενων μηχανικών. Η γενική τεχνητή νοημοσύνη δεν μπορεί να αποκτήσει πρόσβαση ή να συλλογιστεί πάνω από αυτό το контέκστ.

Και τρίτο: δεν θέλω να ακούγεται πολύ βίαιος, αλλά από την οπτική μου, τα περισσότερα προϊόντα τεχνητής νοημοσύνης για τη βιομηχανία είναι βασικά αυτοματισμοί θεάτρου. Εντυπωσιακές οθόνες επάνω από ρηχά μοντέλα που δεν μπορείς πραγματικά να μηχανικής με. Οι μηχανικοί βλέπουν μέσα από αυτό πολύ γρήγορα.

Η Leo AI εστιάζει σε αυτό που ονομάζεις “Μηχανολογική Νοημοσύνη”. Τι σημαίνει αυτή η έννοια για σένα, και πώς διαφέρει από το ευρύτερο κύμα των πιλότων τεχνητής νοημοσύνης που εισέρχονται στην αγορά επιχειρήσεων;

“Μηχανολογική νοημοσύνη” σημαίνει τεχνητή νοημοσύνη που καταλαβαίνει τον φυσικό κόσμο, όχι μόνο τη γλώσσα.

Όπως ανέφερα, τα περισσότερα πιλότα σήμερα είναι ουσιαστικά συστήματα κειμένου. Συνοψίζουν, ξαναγράφουν και γεννών κείμενο. Αυτό είναι χρήσιμο, αλλά ακόμη λειτουργεί μέσα στη ψηφιακή αφαίρεση. Η μηχανολογική νοημοσύνη απαιτεί συλλογισμό υπό φυσική, γεωμετρία, περιοριστικές συνθήκες, κατασκευασιμότητα, συμπεριφορά υλικού, λογική συναρμολόγησης, κόστος, αξιοπιστία, θερμική απόδοση και ασφάλεια.

Για μας, η μηχανολογική νοημοσύνη σημαίνει την κατασκευή συστημάτων που μπορούν να συμμετάσχουν υπεύθυνα στις ροές εργασίας μηχανολογίας. Σημαίνει ανάγνωση CAD φυσικά, κατανόηση συναρμολογήσεων, επίλυση εξισώσεων, επαλήθευση έναντι προτύπων και σύνδεση απευθείας σε συστήματα PLM και ERP.

Πόσο κοντά είμαστε σε συστήματα τεχνητής νοημοσύνης που μπορούν να σχεδιάσουν ανεξάρτητα πολύπλοκες μηχανές όπως κινητήρες αεροσκαφών, βιομηχανικά ρομπότ ή ανθρωπόμορφα;

Είναι πιο κοντά από ότι πιστεύουν οι περισσότεροι άνθρωποι, αν και όχι ακριβώς όπως το φαντασιώνεται η Hollywood.

Οι άνθρωποι φαντάζονται έναν ήρωα που μιλάει σε einen υπολογιστή και μια τέλεια μηχανή εμφανίζεται αμέσως. Τι πραγματικά συμβαίνει είναι ότι η τεχνητή νοημοσύνη αφαιρεί σταδιακά τις επαναλαμβανόμενες στρώσεις στη μηχανολογία, και το κάνει τόσο γρήγορα. Έτσι, παίρνουμε μια καλά σχεδιασμένη προβολή συνδεδεμένη με την κατάλληλη τεκμηρίωση που οι άνθρωποι μπορούν να ελέγξουν και να調整 – και με την τεχνητή νοημοσύνη, αυτή η προβολή γίνεται σε λεπτά αντί για μήνες.

Μπορεί η τεχνητή νοημοσύνη να παράγει σημαντικά τμήματα μιας αρχιτεκτονικής αεροσκαφών στο κοντινό μέλλον; Απόλυτα. Έχουμε δοκιμάσει αυτό με τη Leo AI, και είμαστε khá κοντά. Αλλά πλήρως αυτόνομη μηχανολογία χωρίς ανθρώπινη επιτήρηση; Δεν μπορώ να το προβλέψω να συμβεί σε κοντινό μέλλον. Η τεχνητή νοημοσύνη δεν θα αντικαταστήσει τους μηχανικούς, αλλά οι μηχανικοί που χρησιμοποιούν τεχνητή νοημοσύνη μπορεί να αντικαταστήσουν εκείνους που δεν το κάνουν.

Η υποδομή της τεχνητής νοημοσύνης herself δημιουργεί μεγάλες μηχανολογικές προκλήσεις γύρω από την κατανάλωση ενέργειας και τη διαχείριση θερμότητας. Πώς βλέπεις την τεχνητή νοημοσύνη να συμβάλλει σε περιοχές όπως τα προηγμένα συστήματα ψύξης και το σχεδιασμό των επόμενων κέντρων δεδομένων;

Μια από τις εταιρείες με τις οποίες συνεργαζόμαστε, η ZutaCore, κατασκευάζει συστήματα ψύξης χωρίς νερό για κέντρα δεδομένων τεχνητής νοημοσύνης, όπου η διαχείριση θερμότητας γίνεται ένας από τους μεγαλύτερους κολλώδεις σε σκαλοπάτι για την κλίμακα της τεχνητής νοημοσύνης. Οι μηχανικοί της εταιρείας αντιμετώπισαν ένα εκπληκτικά ακριβό πρόβλημα: κάθε νέα ανάπτυξη απαιτούσε χειροκίνητη ανασχεδίαση των διαμορφώσεων σωλήνων για να ταιριάζει στο σύστημα, το οποίο κατανάλωνε χρόνο μηχανολογίας και αυξάνε την πολυπλοκότητα κατασκευής.

Ζήτησαν από τη Leo μια δημιουργική λύση που εμπνέεται από τη φύση, και η Leo βοήθησε να παράγει μια απλή, προσαρμόσιμη концепция σωλήνων που εξαφάνισε την ανάγκη να ξανασχεδιάσει το σύστημα για κάθε έργο. Αντί να κατασκευάζουν ένα προσαρμοσμένο για κάθε έργο, η ομάδα μπορούσε να χρησιμοποιήσει стандαρδποιημένα εξαρτήματα off-the-shelf. Αυτό μειώθηκε το κόστος κατά περίπου 400 δολάρια ανά μονάδα και εξαφάνισε ολόκληρη την επαναλαμβανόμενη φάση μηχανολογίας από τη ροή εργασίας.

Έτσι, όπως βλέπουμε, η τεχνητή νοημοσύνη είναι έτοιμη να λύσει κάποια προβλήματα που δημιουργήθηκαν από την ίδια της την υποδομή.

Οι λάθη μηχανολογίας μπορούν να έχουν σοβαρές πραγματικές συνέπειες. Πώς ισορροπείς την ταχύτητα και τα οφέλη της αυτοματοποίησης της τεχνητής νοημοσύνης με την ανάγκη για αξιοπιστία, επαλήθευση και ασφάλεια σε περιβάλλοντα μηχανολογίας;

Δεν αφαιρείς ποτέ τον μηχανικό από την ευθύνη. Ποτέ. Αυτό είναι το βασικό principio. Δεν πιστεύουμε στη “μαύρη κιβωτό” μηχανολογίας: κάθε σύσταση που δίνει η Leo είναι αναγώγιμη, εξηγημένη και επαλήθευτη. Οι μηχανικοί μπορούν να ελέγξουν την πηγή, τις формулές, τα πρότυπα και τις υποθέσεις.

Στην πράξη, τα καλύτερα συστήματα τεχνητής νοημοσύνης στη μηχανολογία δεν αντικαθιστούν τη σχολαστικότητα. Τα συστήματα αυτά συμπιέζουν τη δουλειά που είναι Skilled γύρω από τη σχολαστικότητα. Η επικίνδυνη αφήγηση τώρα είναι “ταχύτητα με κάθε κόστος”. Αυτή η νοοτροπία λειτουργεί μέχρι να αφήσεις τον ψηφιακό κόσμο και να αρχίσεις να κατασκευάζεις φυσικά συστήματα. Ο φυσικός κόσμος είναι αμείλικτος.

Έχεις πει ότι η τεχνητή νοημοσύνη δεν θα αντικαταστήσει τους μηχανικούς, αλλά οι μηχανικοί που χρησιμοποιούν τεχνητή νοημοσύνη μπορεί να αντικαταστήσουν εκείνους που δεν το κάνουν. Ποια νέα δεξιότητες πιστεύεις ότι η επόμενη γενιά μηχανικών θα χρειαστεί για να παραμείνει ανταγωνιστική;

Η πιο σημαντική δεξιότητα θα γίνει η βαθύτερη μηχανολογική κρίση.

Παράξενα, καθώς η τεχνητή νοημοσύνη αυτοματοποιεί περισσότερη από τη δουλειά εκτέλεσης, οι ανθρώπινοι μηχανικοί γίνονται πιο υπεύθυνοι για τον ορισμό περιορισμών, την επαλήθευση εξόδων, την κατανόηση των ανταλλαγών, και την αναγνώριση των τρόπων αποτυχίας.

Οι νέοι μηχανικοί που εμπιστεύονται τυφλά την τεχνητή νοημοσύνη θα γίνουν επικίνδυνοι πολύ γρήγορα. Οι καλύτεροι μηχανικοί θα είναι εκείνοι που ξέρουν πώς να ορχηστρώνουν συστήματα τεχνητής νοημοσύνης ενώ διατηρούν ακόμη μια βαθιά κατανόηση των πρώτων αρχών.

Πιστεύω ότι θα δούμε μια τεράστια μετατόπιση προς τη σκέψη συστημάτων. Οι μηχανικοί θα εργάζονται όλο και περισσότερο, ταυτόχρονα, σε λογισμικό, ηλεκτρονική, κατασκευή,模拟 και τεχνητή νοημοσύνη. Ο απομονωμένος μηχανικός μπορεί να εξαφανιστεί, αλλά ο διεπιστημονικός μηχανικός θα γίνει εξαιρετικά πολύτιμος.

Βλέπουμε αυξανόμενη ροή γύρω από ρομπότ, ενσωματωμένη τεχνητή νοημοσύνη και φυσικά συστήματα τεχνητής νοημοσύνης. Πιστεύεις ότι η επόμενη μεγάλη ανακάλυψη στην τεχνητή νοημοσύνη θα έρθει από συστήματα που αλληλεπιδρούν με τον φυσικό κόσμο αντί για καθαρά ψηφιακά πιλότα;

Ναι. Πιστεύω ότι κινούμαστε σ’ αυτή τη κατεύθυνση, αλλά δεν είμαστε ακόμη εκεί.

Η πρώτη κυμαία της τεχνητής νοημοσύνης ήταν για γλώσσα και πληροφορίες. Η επόμενη θα είναι για αλληλεπίδραση με την πραγματικότητα. Όταν η τεχνητή νοημοσύνη αφήνει την οθόνη και μπαίνει στον φυσικό κόσμο, το επίπεδο δυσκολίας αλλάζει δραματικά γιατί η πραγματικότητα εισάγει τριβή, αβεβαιότητα, μεταβλητότητα υλικού και πραγματικές συνέπειες ασφαλείας. Οι εταιρείες που θα κερδίσουν την επόμενη δεκαετία της τεχνητής νοημοσύνης δεν θα είναι απλά αυτές που θα παράγουν καλύτερα. Θα είναι αυτές που θα χτίσουν συστήματα που μπορούν να συλλογισθούν και να αλληλεπιδράσουν με τον φυσικό κόσμο με αξιοπιστία.

Όσο η τεχνητή νοημοσύνη γίνεται όλο και περισσότερο ενσωματωμένη στις ροές εργασίας μηχανολογίας, ποια μέρη της διαδικασίας σχεδιασμού και καινοτομίας πιστεύεις ότι θα χρειαστούν πάντα μοναδική ανθρώπινη δημιουργικότητα και κρίση;

Η ευθύνη. Αυτή είναι η μόνη απάντηση. Όπως είπα, ο φυσικός κόσμος είναι αμείλικτος για τα λάθη μηχανολογίας, και ακόμη και σε ένα πολύ υψηλό επίπεδο συλλογισμού της τεχνητής νοημοσύνης, δεν θα μπορέσει ποτέ να αντικαταστήσει τη διαδικασία λήψης αποφάσεων των ανθρώπων.

Η τεχνητή νοημοσύνη μπορεί να βελτιστοποιήσει, να παράγει, να ερευνήσει τεράστιους χώρους σχεδιασμού γρηγορότερα από τους ανθρώπους – αλλά οι άνθρωποι πρέπει ακόμη να αποφασίζουν τι πρέπει να υπάρχει στον κόσμο, ποια ανταλλαγή είναι αποδεκτή, ποιοι κίνδυνοι είναι ηθικοί, και ποιοι περιορισμοί έχουν τη μεγαλύτερη σημασία.

Ειλικρινά, κάποιες από τις καλύτερες μηχανολογικές ιδέες έρχονται από την直觉 που χτιζόταν πάνω από χρόνια αποτυχίας, εμπειρίας και παράξενης ανθρώπινης αναγνώρισης προτύπων που είναι πολύ δύσκολο να формαλιστεί. Έτσι, ναι, δεν πιστεύω ότι η τεχνητή νοημοσύνη θα αντικαταστήσει ποτέ την ανθρώπινη ευθύνη πίσω από τις αποφάσεις μηχανολογίας. Αυτό είναι που την κάνει πραγματικά αδύνατο να αντικατασταθεί.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που θέλουν να μάθουν περισσότερα πρέπει να επισκεφθούν τη Leo AI.