Maor Farid, grunnlegger og CEO av Leo AI – Intervju-serie

Dr. Maor Farid, grunnlegger og CEO av Leo AI, er en israelsk-amerikansk ingeniør, AI-forsker, sosial aktivist og entreprenør. Han har utført AI- og maskinteknisk forskning ved MIT som Fulbright-stipendiat og ble den yngste PhD-graduen i historien til Technion – Israel Institute of Technology. Han har bygget en samfunn av 60K+ ingeniører og støtter underbetjente ungdommer gjennom en non-profit-initiativ.

Leo AI er det første AI-systemet for maskinteknikk – et stort mekanisk modell for fysisk produktutforming, som gjør det mulig for team å omdanne ideer til produksjonsklare 3D-modeller på sekunder. Plattformen hjelper bedrifter med å redusere ingeniørarbeidstiden med 70% og akselerere tid til markedet med 18%. Grunnlagt i 2023, brukes Leo AI allerede av ingeniører i globale selskaper, inkludert Toyota, HP, Mobileye (av Intel), Philips og Scania. Bare noen måneder etter seed-runden (ledet av Flint Capital), økte deres ARR med 300% i Q1.

Du bygde din bakgrunn over maskinteknikk, ikke-lineær dynamikk, AI-forskning, MIT og Technion før du grunnla Leo AI. Hva ledet deg til å fokusere spesifikt på å bygge AI for maskiningeniører, og hva problem følte du at industrien fortsatt ikke løste?

Ærlig talt, frustrasjon.

Før Leo, arbeidet jeg som maskiningeniør i forsvar, og jeg innsett noe vilt: ingeniører bruker en absurd mengde tid på alt annet enn ingeniørarbeid. Alvorlig. Vi bruker tid på å gjennomgå gamle mapper, grave gjennom leverandørkataloger, lete etter standarder, manuelt gjenbruke gamle design, og spørre en senior ingeniør som husker hvorfor nettopp denne beslutningen ble tatt i 2011. Du navngi det.

Software-ingeniører har GitHub Copilot, og forfattere har ChatGPT. I mellomtiden var maskiningeniører fortsatt åpne PDF-er fra delt enheter kalt “FINAL_v7_REAL_FINAL.pdf”. Industrien fortsatte å snakke om “digital transformasjon”, men de fleste ingeniørteamene opererte fortsatt som om det var 1998.

Det ble besettelsen bak Leo: kan vi bygge en AI som virkelig forstår ingeniørarbeid? Ikke bare språk, men geometri, begrensninger, toleranser, produksjonslogikk, fysikk. Noe som ingeniører kan stole på med virkelig arbeid, ikke bare demonstrasjoner.

Fordi hvis du får en markedsføringsparagraf feil, dør ingen. Men hvis du får en toleransefeil i luftfart eller medisinske enheter, dør folk absolutt.

Hvorfor klarer generelle AI-systemer som ChatGPT og Gemini seg dårlig med maskintekniske oppgaver som krever virkelig fysikk, begrensninger, toleranser og produsentens krav?

Fordi de aldri ble bygget for dette, som generiske AI-modeller er trent mest på internett-skala tekst: Reddit, blogger, Wikipedia, sosiale medier og tilfeldige forum. Dette er greit hvis du skriver e-poster eller summerer dokumenter, men det er en katastrofe hvis du regner ut slitetal på en sveiset klamp som går inn i et forsvarssystem.

Maskinteknikk er ikke autokomplettering. Det er begrenset problem løsning under fysikk. En generisk modell kan ikke virkelig resonnere om produsentens krav, termisk utvidelse, GD&T, materialeoppførsel, sikkerhetsfaktorer eller toleranseakkumulering. De fleste av dem kan ikke engang åpne en CAD-fil naturlig.

Den farlige delen er at til tross for all dette, lyder de overbevisende. Ingenerører er ikke anti-AI. De er anti-BS. Nå, når det gjelder ingeniørarbeid, er de fleste generiske AI-systemer ekstremt flytende BS-generatore.

Det er derfor vi trente Leo AI annerledes, ved å bruke over en million verifiserte ingeniørkilder. Vi integrerte det direkte i ingeniør-systemer og gjorde hver svar sporbart tilbake til standarder, formularer og referanser som ingeniører kan verifisere selv.

Maskinteknikk har historisk sett vært saktere til å adoptere AI enn programvareutvikling. Hva er de største hindrene for å forhindre ingeniører og produsenter fra å fullt ut nyte AI-drevne arbeidsflyter?

Jeg tror det største hindret er kulturell tillit. Det er ikke teknisk i det hele tatt. Programvare kan feile og fikses i morgen, men fysiske systemer fungerer ikke på den måten. Hvis AI-generert kode krasjer en app, blir brukerne irriterte. Hvis AI-generert ingeniørfeil havner inni et fly, en medisinsk implantat eller en fabrikkrobot, er konsekvensene svært forskjellige.

Ingeniører er trent fra dag én til å tenke på feilmoder. Vi vokser opp med å høre historier om broer som kollapser fordi noen tok feil antagelse. Så når Silicon Valley dukker opp og sier “bare vibe-ingeniør det”, avviser maskiningeniører det umiddelbart.

Det andre hindret er at produsentbedrifter sitter på tiår med udokumentert stamme-kunnskap fanget inni PLM-er, PDF-er, CAD-filer, ERP-systemer og pensjonerte ingeniørers hoder. Generisk AI kan ikke aksessere eller resonnere over denne konteksten.

Og tredje: Jeg vil ikke lyde for brutalt, men fra mitt perspektiv er de fleste AI-produktene for industri i realiteten automatiserings-teater. Flotte dashboards på toppen av overfladiske modeller du ikke kan virkelig ingeniør med. Ingenerører ser gjennom dette svært raskt.

Leo AI fokuserer på det du kaller “Mechanical Intelligence”. Hva betyr dette begrepet for deg, og hvordan skilles det fra den bredere bølgen av AI-kopiloter som går inn i bedriftsmarkedet?

“Mechanical intelligence” betyr AI som forstår den fysiske verden, ikke bare språk.

Som jeg nevnte, er de fleste kopiloter i dag fundamentalt tekst-systemer. De summerer, omskriver og genererer innhold. Dette er nyttig, men opererer fortsatt innenfor digital abstraksjon. Mechanical intelligence krever resonnement under fysikk, geometri, begrensninger, produsentens krav, materialeoppførsel, monteringslogikk, kost, pålitelighet, termisk ytelse og sikkerhet.

Så, for oss, mechanical intelligence betyr å bygge systemer som kan ansvarlig delta i ingeniørarbeidsflyter. Det betyr å lese CAD naturlig, forstå monteringer, løse ligninger, verifisere mot standarder og koble direkte inn i PLM- og ERP-systemer.

Hvor nærme er vi til AI-systemer som kan uavhengig designe svært komplekse maskiner som jetmotorer, industrielle robot-systemer eller humanoide?

Det er nærmere enn de fleste mennesker tror, selv om ikke helt på den måten Hollywood forestiller seg det.

Mennesker forestiller seg en helt som snakker med en datamaskin og en perfekt maskin dukker opp umiddelbart. Hva som faktisk skjer, er at AI gradvis fjerner repetitive lag i ingeniørarbeid, og det skjer så raskt. Så vi får en vel-designet prosjektering koblet til riktig dokumentasjon som mennesker kan gjennomgå og justere – og med AI, blir denne prosjekteringen gjort på minutter i stedet for måneder.

Kan AI generere store deler av en jet-arkitektur i nær fremtid? Absolutt. Vi har prøvd dette ut på mock-simuleringer med Leo AI, og vi er ganske nær. Men fullt autonomt ingeniørarbeid uten menneskelig tilsyn? Jeg kan ikke forutse at dette skjer noen gang snart. AI vil ikke erstatte ingeniører, men ingeniører som bruker AI kan erstatte de som ikke gjør det.

AI-infrastruktur selv skaper store ingeniør-utfordringer rundt energiforbruk og termisk håndtering. Hvordan ser du på AI-drevet maskinteknikk bidrar til områder som avanserte kjølingssystemer og neste-generasjons data-senter-design?

En av selskapene vi arbeider med, ZutaCore, bygger vannløse kjølingssystemer for AI-data-sentre, hvor termisk håndtering blir en av de største flaskene for å skalerer AI-infrastruktur. Deres ingeniører møtte et overraskende dyrt problem: hver ny installasjon krevde manuell redesign av rørkonfigurasjoner for å passe systemet, noe som forbrukte ingeniør-tid og økte produksjonskompleksitet.

De ba Leo om en kreativ løsning inspirert av naturen, og Leo hjalp til å generere en enkel, justerbar rørkonsept som eliminerte behovet for å redesigne systemet for hver prosjekt. I stedet for å tilpasse produksjon hver gang, kunne teamet bruke standardiserte av-hylle-deler. Det reduserte kostnadene med omtrent 400 dollar per enhet og eliminerte en hel repetitiv ingeniør-fase fra arbeidsflyten.

Så, som vi kan se, er AI klar til å løse noen problemer som ble skapt av sin egen infrastruktur.

Ingeniør-feil kan ha alvorlige virkelige konsekvenser. Hvordan balanserer du hastigheten og automatiseringsfordelene med AI med behovet for pålitelighet, validering og sikkerhet i ingeniør-miljøer?

Du fjerner aldri ingeniøren fra ansvar. Aldri. Det er det grunnleggende prinsippet. Vi tror ikke på “black box-ingeniørarbeid”: hver anbefaling Leo gir er sporbart, forklarlig og verifiserbar. Ingenerører kan inspisere kilde, formularer, standarder og antagelser.

I praksis er de beste AI-systemene i ingeniørarbeid ikke erstatter rigor. De komprimerer det kjedelige arbeidet rundt rigor. Den farlige narrativen nå er “hastighet til enhver pris”. Den mentaliteten fungerer til du forlater den digitale verden og begynner å bygge fysiske systemer. Den fysiske verden er uforgjørlig.

Du har sagt at AI ikke vil erstatte ingeniører, men ingeniører som bruker AI kan erstatte de som ikke gjør det. Hva nye ferdigheter tror du den neste generasjonen av maskiningeniører vil trenge for å forbli konkurransedyktige?

Den viktigste ferdigheten vil faktisk bli dypere ingeniør-dømmekraft.

Ironisk nok, mens AI automatiserer mer av gjennomføringsarbeidet, blir menneskelige ingeniører mer ansvarlige for å definere begrensninger, verifisere utdata, forstå kompromisser og fange feilmoder.

Unge ingeniører som blindt stoler på AI vil bli farlige svært raskt. De beste ingeniører vil være de som vet hvordan å orkestrere AI-systemer samtidig som de fortsatt opprettholder en dyp forståelse av første prinsipper.

Jeg tror vi også vil se en enorm skift mot system-tenkning. Maskiningeniører vil i økende grad arbeide, samtidig, over software, elektronikk, produksjon, simulering og AI. Den isolerte maskiningeniøren kan forsvinne, men den multidisiplinære ingeniøren vil bli ekstremt verdifull.

Vi ser økende momentum rundt robotikk, inkarnert AI og fysiske AI-systemer. Tror du at den neste store gjennombruddet i AI kommer fra systemer som samhandler med den fysiske verden i stedet for ren digitale kopiloter?

Ja. Jeg tror vi beveger oss i den retningen, men vi er ikke helt der enda.

Den første bølgen av AI var om språk og informasjon. Den neste vil være om interaksjon med virkeligheten. Når AI forlater skjermen og går inn i den fysiske verden, endrer vanskelighetsnivået dramatisk fordi virkeligheten introduserer friksjon, usikkerhet, materiale-variabilitet og reelle sikkerhetskonsekvenser. Selskapene som vinner den neste tiårs AI vil ikke bare generere bedre, men bygge systemer som kan resonnere om og samhandle med den fysiske verden pålitelig.

Når AI blir mer dypt integrert i ingeniør-arbeidsflyter, hvilke deler av design- og innovasjonsprosessen tror du alltid vil kreve unikt menneskelig kreativitet og dømmekraft?

Ansvar. Det er det eneste svaret. Som jeg sa, den fysiske verden er uforgjørlig for ingeniør-feil, og selv på et svært høyt nivå av AI-resonnement, vil det aldri kunne erstatte den menneskelige beslutningsprosessen.

AI kan optimere, generere, forsknings-enorme design-rom raskere enn mennesker noen gang kunne — men mennesker bør fortsatt bestemme hva som skal eksistere i verden, hva kompromisser er akseptable, hva risiko er etisk, og hva begrensninger betyr mest.

Ærlig talt, noen av de beste ingeniør-ideene kommer fra intuisjon bygget over år av feil, erfaring og merkelig menneskelig mønster-gjenkjenning som er svært vanskelig å formalisere. Så ja, jeg tror ikke AI noen gang vil erstatte den menneskelige ansvar bak ingeniør-beslutninger. Det er det som gjør det faktisk umulig å erstatte.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Leo AI.