Maor Farid, grundare och VD för Leo AI – Intervjuserie

Dr. Maor Farid, grundare och VD för Leo AI, är en israelisk-amerikansk ingenjör, AI-forskare, social aktivist och entreprenör. Han genomförde AI- och mekanisk ingenjörsforskning vid MIT som en Fulbright-stipendiat och blev den yngsta PhD-utexaminerade i Technion – Israel Institute of Technologys historia. Han har byggt en gemenskap av 60 000+ ingenjörer och stöder underprivilegierade ungdomar genom en ideell organisation.

Leo AI är den första AI för mekanisk ingenjörskonst – ett stort mekaniskt modell för fysisk produktutformning, som möjliggör för team att omvandla idéer till produktionsklara 3D-modeller på sekunder. Plattformen hjälper företag att minska ingenjörstiden med 70 % och påskynda tiden till marknaden med 18 %. Grundat 2023 används Leo AI redan av ingenjörer på globala företag, inklusive Toyota, HP, Mobileye (av Intel (INTC )), Philips och Scania. Bara några månader efter seed-rundan (ledd av Flint Capital) ökade dess årliga återkommande intäkter med 300 % under Q1.

Du byggde din bakgrund över mekanisk ingenjörskonst, icke-linjär dynamik, AI-forskning, MIT och Technion innan du grundade Leo AI. Vad ledde dig att fokusera specifikt på att bygga AI för mekaniska ingenjörer, och vilket problem kände du att branschen fortfarande inte löste?

Ärligt talat, frustration.

Innan Leo, arbetade jag som mekanisk ingenjör inom försvar, och jag insåg något vilt: ingenjörer tillbringar en absurd mängd tid med allt utom ingenjörskonst. Allvarligt. Vi tillbringar tid med att bläddra igenom gamla mappar, leta efter standarder, manuellt återanvända gamla design, och fråga en senioringenjör som minns varför exakt detta beslut togs 2011. Du namnger det.

Programvaruingenjörer har GitHub Copilot, och författare har ChatGPT. Samtidigt var mekaniska ingenjörer fortfarande i färd med att öppna PDF:er från delade enheter som kallades “FINAL_v7_REAL_FINAL.pdf”. Branschen pratade fortfarande om “digital transformation”, men de flesta ingenjörsteam opererade fortfarande som om det vore 1998.

Det blev besattheten bakom Leo: kan vi bygga en AI som faktiskt förstår ingenjörskonst? Inte bara språk, utan geometri, begränsningar, toleranser, tillverkningslogik, fysik. Något som ingenjörer kunde lita på med riktigt arbete, inte leksaksdemos.

För om du får en marknadsföringsparagraf fel, dör ingen. Men om du får en toleransstack fel i flyg- eller medicinteknik, dör människor absolut.

Varför kämpar allmänna AI-system som ChatGPT och Gemini med mekanisk ingenjörsuppgifter som kräver verkliga fysiska fysik, begränsningar, toleranser och tillverkningsmöjlighet?

För att de aldrig byggdes för detta, eftersom generiska AI-modeller främst tränas på internet-skala text: Reddit, bloggar, Wikipedia, sociala medier och slumpmässiga forum. Det är okej om du skriver e-post eller sammanfattar dokument, men det är en katastrof om du beräknar livslängd på ett svetsat fäste som ska in i ett försvarssystem.

Mekanisk ingenjörskonst är inte autocomplete. Det är begränsat problemlösning under fysik. En generisk modell kan inte riktigt resonera om tillverkningsmöjlighet, termisk expansion, GD&T, materialbeteende, säkerhetsfaktorer eller toleransackumulering. De flesta av dem kan inte ens öppna en CAD-fil naturligt.

Den farliga delen är att trots allt detta, låter de övertygande. Ingenjörer är inte anti-AI. De är anti-BS. Just nu, när det gäller ingenjörsuppgifter, är de flesta generiska AI-system extremt flytande BS-genererare.

Därför tränade vi Leo AI annorlunda, med hjälp av över en miljon granskade ingenjörskällor. Vi integrerade det direkt i ingenjörssystem och gjorde varje svar spårbar tillbaka till standarder, formler och referenser som ingenjörer kan verifiera själva.

Mekanisk ingenjörskonst har historiskt sett varit långsammare att anta AI än programvaruutveckling. Vad är de största hindren för att förhindra att ingenjörer och tillverkare fullt ut antar AI-drivna arbetsflöden?

Jag tror att det största hindret är kulturellt förtroende. Det är inte tekniskt alls. Programvara kan misslyckas och patchas imorgon, men fysiska system fungerar inte på det sättet. Om din AI-genererade kod kraschar en app, blir användare irriterade. Om din AI-genererade ingenjörsmiss lyckas hamna i ett flygplan, en medicinsk implantat eller en fabriksrobot, är konsekvenserna mycket annorlunda.

Ingenjörer tränas från dag ett att tänka på felmoder. Vi växer upp med att höra historier om broar som kollapsar för att någon gjorde fel antagande. Så när Silicon Valley dyker upp och säger “bara vibe-engineera det”, avvisar mekaniska ingenjörer det omedelbart.

Det andra hindret är att tillverkningsföretag sitter på årtionden av odokumenterad stamkunskap som är instängd i PLM, PDF, CAD-filer, ERP-system och avgående ingenjörers huvuden. Generisk AI kan inte komma åt eller resonera över den kontexten.

Och tredje: Jag vill inte låta för brutalt, men från min synvinkel är de flesta AI-produkter för industrin i princip automatiserad teater. Fina instrumentpaneler ovanpå grunt modeller som du faktiskt inte kan ingenjörsarbeta med. Ingenjörer ser igenom det mycket snabbt.

Leo AI fokuserar på vad du kallar “Mekanisk Intelligens”. Vad betyder den konceptet för dig, och hur skiljer det sig från den breda vågen av AI-kopiloter som kommer in på företagsmarknaden?

“Mekanisk intelligens” betyder AI som förstår den fysiska världen, inte bara språk.

Som jag nämnde, är de flesta kopiloter idag i grunden textsystem. De sammanfattar, omskriver och genererar innehåll. Detta är användbart, men fortfarande opererar inom digital abstraktion. Mekanisk intelligens kräver resonemang under fysik, geometri, begränsningar, tillverkningsmöjlighet, materialbeteende, monteringslogik, kostnad, tillförlitlighet, termisk prestanda och säkerhet.

Så, för oss, betyder mekanisk intelligens att bygga system som kan ansvarsfullt delta i ingenjörsarbetsflöden. Det betyder att läsa CAD naturligt, förstå montering, lösa ekvationer, validera mot standarder och ansluta direkt till PLM- och ERP-system.

Hur nära är vi AI-system som kan oberoende designa mycket komplexa maskiner som jetmotorer, industrirobotiksystem eller humanoider?

Det är närmare än de flesta människor tror, fast inte riktigt på det sätt som Hollywood föreställer sig det.

Människor föreställer sig en hjälte som pratar med en dator och en perfekt maskin som dyker upp omedelbart. Vad som faktiskt händer är att AI gradvis tar bort repetitiva lager i ingenjörskonst, och det sker så snabbt. Så vi får en väl utformad projicering länkad till rätt dokumentation som människor kan granska och justera – och med AI, görs denna projicering på minuter istället för månader.

Kan AI generera stora delar av en jetarkitektur i nära framtiden? Absolut. Vi har testat detta på mock-simulationer med Leo AI, och vi är ganska nära. Men fullt autonom ingenjörskonst utan mänsklig tillsyn? Det kan jag inte förutse att det kommer att hända någon gång snart. AI kommer inte att ersätta ingenjörer, men ingenjörer som använder AI kan ersätta de som inte gör det.

AI-infrastruktur i sig skapar stora ingenjörsutmaningar kring energiförbrukning och termisk hantering. Hur ser du att AI-driven mekanisk ingenjörskonst bidrar till områden som avancerade kylsystem och nästa generations datacenterdesign?

Ett av de företag vi arbetar med, ZutaCore, bygger vattenlösa kylsystem för AI-datacenter, där termisk hantering blir en av de största flaskhalsarna för att skala upp AI-infrastruktur. Deras ingenjörer stod inför ett oväntat dyrt problem: varje ny distribution krävde manuell omkonstruktion av rörkonfigurationer för att passa systemet, vilket konsumerade ingenjörstid och ökade tillverkningskomplexitet.

De bad Leo om en kreativ lösning inspirerad av naturen, och Leo hjälpte till att generera en enkel, justerbar rörkoncept som eliminerade behovet av att omkonstruera systemet för varje projekt. Istället för att tillverka anpassade delar varje gång, kunde teamet använda standardiserade, färdiga delar. Det minskade kostnaderna med cirka 400 dollar per enhet och eliminerade en hel repetitiv ingenjörsfas från arbetsflödet.

Så, som vi kan se, är AI redo att lösa vissa problem som skapades av sin egen infrastruktur.

Ingenjörsfel kan ha allvarliga verkliga konsekvenser. Hur balanserar du hastigheten och automatiseringsfördelarna med AI med behovet av tillförlitlighet, validering och säkerhet i ingenjörsmiljöer?

Du tar aldrig bort ingenjören från ansvar. Aldrig. Det är den grundläggande principen. Vi tror inte på “svart låda-ingenjörskonst”: varje rekommendation som Leo ger är spårbar, förklarlig och verifierbar. Ingenjörer kan inspektera källan, formlerna, standarderna och antagandena.

I praktiken är de bästa AI-systemen i ingenjörskonst inte ersättning av rigor. De komprimerar det tråkiga arbetet runt rigor. Den farliga berättelsen just nu är “hastighet till varje pris”. Den mentaliteten fungerar tills du lämnar den digitala världen och börjar bygga fysiska system. Den fysiska världen är obarmhärtig.

Du har sagt att AI inte kommer att ersätta ingenjörer, men att ingenjörer som använder AI kan ersätta de som inte gör det. Vilka nya färdigheter tror du att nästa generation av mekaniska ingenjörer kommer att behöva för att förbli konkurrenskraftiga?

Den viktigaste färdigheten kommer att bli djupare ingenjörsbedömning.

Ironiskt nog, när AI automatiserar mer av genomförandearbetet, blir mänskliga ingenjörer mer ansvariga för att definiera begränsningar, validera utdata, förstå avvägningar och upptäcka felmoder.

Unga ingenjörer som blint litar på AI kommer att bli farliga mycket snabbt. De bästa ingenjörerna kommer att vara de som vet hur man orkestrerar AI-system samtidigt som man behåller en djup förståelse av grundprinciper.

Jag tror att vi också kommer att se en enorm förändring mot systemtänkande. Mekaniska ingenjörer kommer alltmer att arbeta, samtidigt, över programvara, elektronik, tillverkning, simulering och AI. Den isolerade mekaniska ingenjören kan försvinna, men den multidisciplinära ingenjören kommer att bli extremt värdefull.

Vi ser en ökande momentum kring robotik, inkarnerad AI och fysiska AI-system. Tror du att nästa stora genombrott i AI kommer från system som interagerar med den fysiska världen snarare än renodlade digitala kopiloter?

Ja. Jag tror att vi definitivt är på väg dit, men vi är inte riktigt där ännu.

Den första vågen av AI var om språk och information. Den nästa kommer att vara om interaktion med verkligheten. När AI lämnar skärmen och kommer in i den fysiska världen, förändras svårighetsnivån dramatiskt eftersom verkligheten introducerar friktion, osäkerhet, materialvariation och riktiga säkerhetskonsekvenser. Företagen som vinner nästa decennium av AI kommer inte bara att generera bättre. De kommer att bygga system som kan resonera om och interagera med den fysiska världen på ett tillförlitligt sätt.

När AI blir alltmer integrerat i ingenjörsarbetsflöden, vilka delar av design- och innovationsprocessen tror du alltid kommer att kräva unikt mänskligt kreativt och bedömande?

Ansvar. Det är det enda svaret. Som jag sa, den fysiska världen är obarmhärtig mot ingenjörsfel, och även på en mycket hög nivå av AI-resonemang, kommer det aldrig att kunna ersätta det mänskliga beslutsprocessen.

Ärligt talat, några av de bästa ingenjörsidéerna kommer från intuition byggd över år av misslyckanden, erfarenhet, och konstig mänsklig mönsterigenkänning som är mycket svår att formalisera. Så ja, jag tror inte att AI någonsin kommer att ersätta det mänskliga ansvaret bakom ingenjörsbeslut. Det är vad som gör det faktiskt omöjligt att ersätta.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Leo AI.