Maor Farid, Fondateur et PDG de Leo AI – Série d’entretiens

Dr. Maor Farid, fondateur et PDG de Leo AI, est un ingénieur israélo-américain, chercheur en intelligence artificielle, activiste social et entrepreneur. Il a mené des recherches en intelligence artificielle et en génie mécanique au MIT en tant que boursier postdoctoral Fulbright et est devenu le plus jeune diplômé du doctorat de l’histoire du Technion – Institut de technologie d’Israël. Il a créé une communauté de 60 000 ingénieurs et soutient les jeunes défavorisés grâce à une initiative caritative.

Leo AI est le premier système d’intelligence artificielle pour le génie mécanique – un grand modèle mécanique pour la conception de produits physiques, permettant aux équipes de transformer des idées en modèles 3D prêts pour la production en quelques secondes. La plateforme aide les entreprises à réduire le temps d’ingénierie de 70 % et à accélérer le temps de mise sur le marché de 18 %. Fondé en 2023, Leo AI est déjà utilisé par des ingénieurs dans des entreprises mondiales, notamment Toyota, HP, Mobileye (de Intel), Philips et Scania. Quelques mois seulement après le tour de financement initial (mené par Flint Capital), son chiffre d’affaires annuel récurrent a augmenté de 300 % au premier trimestre.

Vous avez construit votre parcours à travers le génie mécanique, la dynamique non linéaire, la recherche en intelligence artificielle, le MIT et le Technion avant de fonder Leo AI. Qu’est-ce qui vous a amené à vous concentrer spécifiquement sur la création d’une intelligence artificielle pour les ingénieurs mécaniciens, et quel problème sentiez-vous que l’industrie n’avait pas encore résolu ?

Honnêtement, la frustration.

Avant Leo, j’ai travaillé en tant qu’ingénieur mécanicien dans la défense, et j’ai réalisé quelque chose de surprenant : les ingénieurs passent une quantité absurde de temps à faire tout sauf de l’ingénierie. Sérieusement. Nous passons du temps à parcourir les dossiers anciens, à fouiller dans les catalogues de fournisseurs, à rechercher des normes, à réutiliser manuellement les anciennes conceptions, et à demander à un ingénieur senior qui se souvient pourquoi exactement cette décision a été prise en 2011. Vous pouvez nommer n’importe quoi.

Les ingénieurs logiciels ont GitHub Copilot, et les écrivains ont ChatGPT. Pendant ce temps, les ingénieurs mécaniciens ouvraient encore des PDF à partir de lecteurs partagés appelés « FINAL_v7_REAL_FINAL.pdf ». L’industrie continuait à parler de « transformation numérique », mais la plupart des équipes d’ingénieurs fonctionnaient toujours comme si c’était 1998.

Cela est devenu l’obsession derrière Leo : pouvons-nous créer une intelligence artificielle qui comprend vraiment l’ingénierie ? Pas seulement le langage, mais la géométrie, les contraintes, les tolérances, la logique de fabrication, la physique. Quelque chose que les ingénieurs pourraient faire confiance avec un travail réel, et non des démonstrations jouets.

Parce que si vous écrivez mal un paragraphe de marketing, personne ne meurt. Mais si vous vous trompez dans une pile de tolérances dans l’aérospatiale ou les dispositifs médicaux, les gens meurent absolument.

Pourquoi les systèmes d’intelligence artificielle générale comme ChatGPT et Gemini ont-ils du mal avec les tâches de génie mécanique qui nécessitent une physique, des contraintes, des tolérances et une fabricabilité réelles ?

Parce qu’ils n’ont pas été conçus pour cela, car les modèles d’intelligence artificielle génériques sont formés principalement sur des textes à l’échelle d’Internet : Reddit, blogs, Wikipedia, médias sociaux et forums aléatoires. C’est bien si vous écrivez des e-mails ou résumez des documents, mais c’est un désastre si vous calculez la durée de vie de fatigue sur une bride soudée destinée à un système de défense.

Le génie mécanique n’est pas l’autocomplétion. C’est la résolution de problèmes contraints sous la physique. Un modèle générique ne peut pas vraiment raisonner sur la fabricabilité, l’expansion thermique, la géométrie et la tolérance, l’accumulation de tolérances, les facteurs de sécurité ou les coûts. La plupart d’entre eux ne peuvent même pas ouvrir un fichier CAD de manière native.

La partie dangereuse est que, malgré tout cela, ils semblent convaincants. Les ingénieurs ne sont pas anti-intelligence artificielle. Ils sont anti-BS. Actuellement, lorsqu’il s’agit de tâches d’ingénierie, la plupart des systèmes d’intelligence artificielle génériques sont des générateurs de BS extrêmement fluides.

C’est pourquoi nous avons formé Leo AI différemment, en utilisant plus d’un million de sources d’ingénierie vérifiées. Nous l’avons intégré directement dans les systèmes d’ingénierie et avons rendu chaque réponse traçable jusqu’aux normes, formules et références que les ingénieurs peuvent vérifier eux-mêmes.

Le génie mécanique a historiquement été plus lent à adopter l’intelligence artificielle que le développement logiciel. Quels sont les plus grands obstacles qui empêchent les ingénieurs et les fabricants d’adopter pleinement les flux de travail impulsés par l’intelligence artificielle ?

Je pense que le plus grand obstacle est la confiance culturelle. Ce n’est pas technique du tout. Le logiciel peut échouer et être corrigé demain, mais les systèmes physiques ne fonctionnent pas de cette façon. Si votre erreur d’ingénierie générée par l’intelligence artificielle se retrouve à l’intérieur d’un avion, d’un implant médical ou d’un robot d’usine, les conséquences sont très différentes.

Les ingénieurs sont formés dès le premier jour à réfléchir aux modes de défaillance. Nous grandissons en écoutant des histoires sur les ponts qui s’effondrent parce que quelqu’un a fait une mauvaise hypothèse. Lorsque la Silicon Valley arrive et dit « juste vibrez l’ingénierie », les ingénieurs mécaniciens le rejettent immédiatement.

Le deuxième obstacle est que les entreprises de fabrication sont assises sur des décennies de connaissances tribales non documentées piégées à l’intérieur des PLM, des PDF, des fichiers CAD, des systèmes ERP et des ingénieurs à la retraite. L’intelligence artificielle générique ne peut pas accéder ou raisonner sur ce contexte.

Et troisièmement : je ne veux pas paraître trop brutal, mais de mon point de vue, la plupart des produits d’intelligence artificielle pour l’industrie sont fondamentalement du théâtre d’automatisation. Des tableaux de bord élégants sur des modèles superficiels que vous êtes incapable de vraiment ingénier. Les ingénieurs voient à travers cela très rapidement.

Leo AI se concentre sur ce que vous appelez « l’intelligence mécanique ». Qu’est-ce que ce concept signifie pour vous, et comment diffère-t-il de la vague plus large d’auxiliaires d’intelligence artificielle qui entrent sur le marché de l’entreprise ?

« L’intelligence mécanique » signifie une intelligence artificielle qui comprend le monde physique, et non seulement le langage.

Comme je l’ai mentionné, la plupart des auxiliaires d’intelligence artificielle d’aujourd’hui sont fondamentalement des systèmes de texte. Ils résument, réécrivent et génèrent du contenu. C’est utile, mais cela opère toujours à l’intérieur d’une abstraction numérique. L’intelligence mécanique nécessite une résolution de problèmes contraints sous la physique, la géométrie, les contraintes, la fabricabilité, le comportement des matériaux, la logique d’assemblage, le coût, la fiabilité, la performance thermique et la sécurité.

Donc, pour nous, l’intelligence mécanique signifie la construction de systèmes qui peuvent participer de manière responsable aux flux de travail d’ingénierie. Cela signifie lire les fichiers CAD de manière native, comprendre les ensembles, résoudre des équations, valider contre les normes et se connecter directement aux systèmes PLM et ERP.

À quel point sommes-nous proches de systèmes d’intelligence artificielle capables de concevoir de manière indépendante des machines très complexes telles que des moteurs d’avion, des systèmes de robotique industrielle ou des humanoïdes ?

C’est plus proche que ce que la plupart des gens pensent, bien que ce ne soit pas exactement comme l’imagine Hollywood.

Les gens imaginent un héros parlant à un ordinateur et une machine parfaite apparaissant instantanément. Ce qui se passe réellement, c’est que l’intelligence artificielle supprime progressivement les couches répétitives de l’ingénierie, et elle le fait si rapidement. On obtient ainsi une projection bien conçue liée à la documentation appropriée que les humains peuvent examiner et ajuster – et avec l’intelligence artificielle, cette projection est réalisée en quelques minutes au lieu de mois.

L’intelligence artificielle peut-elle générer des portions majeures de l’architecture d’un avion à l’avenir ? Absolument. Nous avons essayé cela sur des simulations fictives avec Leo AI, et nous sommes pretty proches. Mais une ingénierie entièrement autonome sans surveillance humaine ? Je ne peux pas prévoir que cela se produise bientôt. L’intelligence artificielle ne remplacera pas les ingénieurs, mais les ingénieurs qui utilisent l’intelligence artificielle peuvent remplacer ceux qui ne le font pas.

L’infrastructure d’intelligence artificielle elle-même crée de grands défis d’ingénierie en matière de consommation d’énergie et de gestion thermique. Comment voyez-vous l’intelligence artificielle mécanique contribuer à des domaines tels que les systèmes de refroidissement avancés et la conception de centres de données de nouvelle génération ?

L’une des entreprises avec lesquelles nous travaillons, ZutaCore, construit des systèmes de refroidissement sans eau pour les centres de données d’intelligence artificielle, où la gestion thermique devient l’un des principaux goulets d’étranglement pour mettre à l’échelle l’infrastructure d’intelligence artificielle. Les ingénieurs de ZutaCore ont rencontré un problème coûteux : chaque nouvelle mise en œuvre nécessitait une révision manuelle de la configuration des tuyaux pour s’adapter au système, ce qui consommait du temps d’ingénierie et augmentait la complexité de fabrication.

Ils ont demandé à Leo une solution créative inspirée de la nature, et Leo a aidé à générer un concept de tuyau simple et ajustable qui a éliminé le besoin de réviser le système pour chaque projet. Au lieu de fabriquer des pièces sur mesure à chaque fois, l’équipe pouvait utiliser des pièces normalisées prêtes à l’emploi. Cela a réduit les coûts d’environ 400 $ par unité et a éliminé une phase répétitive entière du flux de travail.

Donc, comme on peut le voir, l’intelligence artificielle est prête à résoudre certains problèmes créés par sa propre infrastructure.

Les erreurs d’ingénierie peuvent avoir des conséquences graves dans le monde réel. Comment équilibrez-vous les avantages de vitesse et d’automatisation de l’intelligence artificielle avec la nécessité de fiabilité, de validation et de sécurité dans les environnements d’ingénierie ?

Vous ne retirez jamais l’ingénieur de la responsabilité. Jamais. C’est le principe fondamental. Nous ne croyons pas en « l’ingénierie boîte noire » : chaque recommandation que Leo donne est traçable, explicite et vérifiable. Les ingénieurs peuvent inspecter la source, les formules, les normes et les hypothèses.

Dans la pratique, les meilleurs systèmes d’intelligence artificielle dans l’ingénierie ne remplacent pas la rigueur. Ils compressent le travail fastidieux autour de la rigueur. Le récit dangereux actuellement est « la vitesse à tout prix ». Cette mentalité fonctionne jusqu’à ce que vous quittiez le monde numérique et commenciez à construire des systèmes physiques. Le monde physique est impitoyable.

Vous avez dit que l’intelligence artificielle ne remplacera pas les ingénieurs, mais que les ingénieurs qui utilisent l’intelligence artificielle peuvent remplacer ceux qui ne le font pas. Quelles nouvelles compétences pensez-vous que la prochaine génération d’ingénieurs mécaniciens devra avoir pour rester compétitive ?

La compétence la plus importante deviendra en réalité un jugement d’ingénierie plus profond.

Ironiquement, à mesure que l’intelligence artificielle automatise davantage le travail d’exécution, les ingénieurs humains deviennent plus responsables de la définition des contraintes, de la validation des sorties, de la compréhension des compromis et de la détection des modes de défaillance.

Les jeunes ingénieurs qui font confiance aveuglément à l’intelligence artificielle deviendront dangereux très rapidement. Les meilleurs ingénieurs seront ceux qui savent comment orchestrer les systèmes d’intelligence artificielle tout en maintenant une compréhension approfondie des principes de base.

Je pense que nous allons également voir un grand changement vers la pensée systémique. Les ingénieurs mécaniciens travailleront de plus en plus en parallèle sur le logiciel, l’électronique, la fabrication, la simulation et l’intelligence artificielle. L’ingénieur mécanicien isolé peut disparaître, mais l’ingénieur multidisciplinaire deviendra extrêmement précieux.

Nous voyons une dynamique croissante autour de la robotique, de l’intelligence artificielle incarnée et des systèmes d’intelligence artificielle physiques. Pensez-vous que la prochaine grande avancée en intelligence artificielle proviendra de systèmes interagissant avec le monde physique plutôt que de simples auxiliaires numériques ?

Oui. Je pense que nous allons définitivement dans cette direction, mais nous n’y sommes pas encore.

La première vague d’intelligence artificielle concernait le langage et l’information. La suivante sera sur l’interaction avec la réalité. Une fois que l’intelligence artificielle quitte l’écran et entre dans le monde physique, le niveau de difficulté change dramatiquement, car la réalité introduit la friction, l’incertitude, la variabilité des matériaux et les conséquences de sécurité réelles. Les entreprises qui gagneront la prochaine décennie d’intelligence artificielle ne généreront pas seulement mieux, mais construiront des systèmes capables de raisonner sur et d’interagir avec le monde physique de manière fiable.

Lorsque l’intelligence artificielle est de plus en plus intégrée dans les flux de travail d’ingénierie, quels aspects du processus de conception et d’innovation pensez-vous nécessiteront toujours une créativité et un jugement humains uniques ?

La responsabilité. C’est la seule réponse. Comme je l’ai dit, le monde physique est impitoyable pour les erreurs d’ingénierie, et même à un niveau élevé de raisonnement d’intelligence artificielle, il ne pourra jamais remplacer le processus de prise de décision humaine.

L’intelligence artificielle peut optimiser, générer, rechercher de vastes espaces de conception plus rapidement que les humains ne le pourraient jamais – mais les humains devraient toujours décider ce qui devrait exister dans le monde, quels compromis sont acceptables, quels risques sont éthiques et quelles contraintes sont les plus importantes.

Honnêtement, certaines des meilleures idées d’ingénierie proviennent de l’intuition construite sur des années d’échec, d’expérience et de reconnaissance de modèles humains étranges qui sont très difficiles à formaliser. Donc, oui, je ne pense pas que l’intelligence artificielle remplacera jamais la responsabilité humaine derrière les décisions d’ingénierie. C’est ce qui la rend réellement impossible à remplacer.

Merci pour cette grande interview. Les lecteurs qui souhaitent en savoir plus peuvent visiter Leo AI.