毛尔·法里德，Leo AI 的创始人和 CEO – 采访系列

毛尔·法里德博士，Leo AI 的创始人和 CEO，是一位以色列-美国工程师，人工智能研究员，社会活动家和企业家。他曾在麻省理工学院作为富布赖特博士后研究员进行人工智能和机械工程研究，并成为以色列理工大学历史上最年轻的博士毕业生。他建立了一个由 60,000 多名工程师组成的社区，并通过非营利倡议支持弱势青年。

Leo AI 是第一个机械工程的人工智能平台 – 一个用于物理产品设计的大型机械模型，能够让团队在几秒钟内将想法转化为生产就绪的 3D 模型。该平台帮助公司将工程时间减少 70%，并将上市时间加快 18%。成立于 2023 年的 Leo AI 已被包括丰田、惠普、Mobileye（英特尔）、飞利浦和斯堪尼亚在内的全球公司的工程师使用。在种子轮（由 Flint Capital 领投）仅几个月后，其 ARR 增长了 300%。

您在机械工程、非线性动力学、人工智能研究、麻省理工学院和以色列理工大学等领域拥有背景，之后创立了 Leo AI。是什么让您专注于为机械工程师构建人工智能，您认为该行业仍然未能解决什么问题？

说实话，就是沮丧。

在 Leo 之前，我曾在国防领域担任机械工程师，我意识到了一件很奇怪的事情：工程师们花了大量时间做除了工程以外的所有事情。说真的。我们花时间浏览旧文件夹，查找供应商目录，寻找标准，手动重用旧设计，并询问一位记得 2011 年为什么做出某个决定的资深工程师。您可以随便说。

软件工程师有 GitHub Copilot，作家有 ChatGPT。与此同时，机械工程师仍然在打开名为“FINAL_v7_REAL_FINAL.pdf”的共享驱动器上的 PDF 文件。该行业一直在谈论“数字化转型”，但大多数工程团队仍然像 1998 年一样运作。

这就是 Leo 的痴迷：我们能否构建一个真正理解工程的 AI？不仅仅是语言，还包括几何、约束、公差、制造逻辑、物理。工程师可以信任它来完成真正的工作，而不是玩具演示。

因为如果您弄错了一个营销段落，没人会死。但如果您在航空航天或医疗设备中弄错了公差堆栈，人们绝对会死。

为什么像 ChatGPT 和 Gemini 这样的通用人工智能系统在处理需要真实物理、约束、公差和可制造性的机械工程任务时会挣扎？

因为它们不是为此而构建的，通用 AI 模型主要是在互联网规模的文本上训练的：Reddit、博客、维基百科、社交媒体和随机论坛。这对于撰写电子邮件或总结文档来说是可以的，但对于计算焊接支架的疲劳寿命而言，这是一个灾难。

机械工程不是自动补全。它是在物理学约束下的有约束问题解决。一个通用模型无法真正推理可制造性、热膨胀、GD&T、材料行为、安全系数或公差累积。大多数模型甚至无法本地打开 CAD 文件。

危险的部分是，尽管如此，它们听起来很有说服力。工程师们不反对人工智能，他们反对的是胡说八道。目前，当谈到工程任务时，大多数通用人工智能系统都是非常流利的胡说八道生成器。

这就是为什么我们以不同的方式训练了 Leo AI，使用了超过一百万个经过验证的工程源。我们将其直接集成到工程系统中，并使每个答案可追溯到标准、公式和参考资料，工程师可以自行验证。

机械工程的采用人工智能的速度一直比软件开发慢。阻止工程师和制造商完全接受人工智能驱动的工作流程的最大障碍是什么？

我认为最大的障碍是文化上的信任。这根本不是技术问题。软件可以崩溃并在第二天修复，但物理系统不行。如果人工智能生成的代码崩溃了一个应用程序，用户会感到沮丧。如果人工智能生成的工程错误出现在飞机、医疗植入物或工厂机器人中，后果会有很大差异。

工程师从第一天开始就被训练去思考故障模式。我们从小就听说过关于桥梁坍塌的故事，因为有人做出了错误的假设。当硅谷说“只要让工程师处理它”的时候，机械工程师会立即拒绝。

第二个障碍是制造公司拥有几十年的未记录的部落知识，这些知识被困在 PLM、PDF、CAD 文件、ERP 系统和即将退休的工程师的脑海中。通用人工智能无法访问或推理这些背景。

第三，我不想听起来太残忍，但从我的角度来看，工业界的大多数人工智能产品基本上都是自动化剧场。漂亮的仪表盘上面覆盖着肤浅的模型，你无法真正用它们来进行工程设计。工程师很快就会看穿这一点。

Leo AI 专注于您所说的“机械智能”。这个概念对您来说意味着什么，它与企业市场中涌现的其他人工智能协同系统有何不同？

“机械智能”意味着理解物理世界的 AI，而不仅仅是语言。

正如我提到的，大多数现今的协同系统从根本上来说都是基于文本的系统。它们总结、重写和生成内容。这在某些方面是有用的，但仍然在数字抽象中运行。机械智能需要在物理学、几何、约束、可制造性、材料行为、装配逻辑、成本、可靠性、热性能和安全性方面进行推理。

对于我们来说，机械智能意味着构建能够在工程工作流中负责任地参与的系统。这意味着可以本地读取 CAD 文件、理解装配、求解方程、验证标准并直接连接到 PLM 和 ERP 系统。

我们距离拥有能够独立设计复杂机器（如喷气发动机、工业机器人系统或人形机器人）的 AI 系统有多远？

比大多数人想象的要近，尽管不是好莱坞式的想象。

人们想象着一个英雄与计算机交谈，完美的机器瞬间出现。实际发生的是，人工智能正在从工程中去除重复的层次，而且速度非常快。因此，我们得到一个经过良好设计的投影，链接到适当的文档，人类可以审查和调整 – 而有了人工智能，这个投影是在几分钟内完成的，而不是几个月。

人工智能是否能够在不久的将来生成大型飞机架构的主要部分？绝对可以。我们已经在模拟中尝试过使用 Leo AI，我们已经非常接近了。但是，没有人工智能的完全自治工程？我无法预见这会在不久的将来发生。人工智能不会取代工程师，但使用人工智能的工程师可能会取代那些不使用的人。

人工智能基础设施本身正在为能源消耗和热管理创造重大工程挑战。您如何看待人工智能驱动的机械工程为先进冷却系统和下一代数据中心设计等领域做出的贡献？

我们合作的一家公司 ZutaCore 建立了用于人工智能数据中心的无水冷却系统，在那里，热管理成为人工智能基础设施扩展的最大瓶颈之一。他们的工程师面临着一个令人惊讶的昂贵问题：每次新部署都需要手动重新设计管道配置以适应系统，这消耗了工程时间并增加了制造复杂性。

他们要求 Leo 提供一个受自然启发的创造性解决方案，Leo 帮助生成了一个简单、可调节的管道概念，消除了每个项目都需要重新设计系统的需要。相反，团队可以使用标准的现成零件。这样可以将每个单位的成本降低约 400 美元，并从工作流程中消除了整个重复的工程阶段。

因此，我们可以看到，人工智能已经准备好解决它自己的基础设施所带来的某些问题。

工程错误可能会产生严重的现实世界后果。您如何平衡人工智能在工程环境中的速度和自动化优势与可靠性、验证和安全性的需求？

您永远不会将工程师从责任中移除。永远不会。这个是核心原则。我们不相信“黑盒工程”：Leo 提出的每个建议都是可追溯的、可解释的和可验证的。工程师可以检查源代码、公式、标准和假设。

在实践中，最佳的 AI 系统在工程中不是取代严谨性。它们正在压缩周围的繁琐工作。当前最危险的叙述是“无论如何都要速度”。这种心态在您离开数字世界并开始构建物理系统之前是有效的。物理世界是无情的。

您曾说过，人工智能不会取代工程师，但使用人工智能的工程师可能会取代那些不使用的人。您认为下一代机械工程师需要具备哪些新技能才能保持竞争力？

最重要的技能实际上将成为更深入的工程判断。

具有讽刺意味的是，随着人工智能自动化更多的执行工作，人类工程师变得更加负责定义约束、验证输出、理解权衡和捕捉故障模式。

盲目信任人工智能的年轻工程师将会变得非常危险。最好的工程师将是那些知道如何编排人工智能系统，同时仍然保持对第一原理的深入理解的人。

我认为我们还将看到系统思维发生巨大的转变。机械工程师将越来越多地在软件、电子、制造、模拟和人工智能等领域同时工作。孤立的机械工程师可能会消失，但跨学科的工程师将变得非常有价值。

我们正在看到机器人、具身人工智能和物理人工智能系统的势头越来越大。您是否认为人工智能的下一个重大突破将来自与物理世界交互的系统，而不是纯粹的数字协同系统？

是的。我认为我们绝对正在朝这个方向发展，但我们还没有完全到达那里。

人工智能的第一波浪潮是关于语言和信息的。下一个浪潮将是关于与现实的交互。一旦人工智能离开屏幕并进入物理世界，难度级别就会发生戏剧性的变化，因为现实会引入摩擦、不确定性、材料可变性和真正的安全后果。赢得人工智能未来十年的公司不仅会生成更好的结果，还会构建能够可靠地推理和与物理世界交互的系统。

随着人工智能越来越深入地融入工程工作流程，您认为哪些设计和创新过程的部分将永远需要独特的人类创造力和判断力？

责任。这是唯一的答案。正如我所说，物理世界对工程错误是无情的，即使在人工智能推理的很高层次上，它也永远无法取代人类的决策过程。

人工智能可以优化、生成、研究巨大的设计空间，比人类更快——但人类应该决定什么应该存在于世界上，什么权衡是可以接受的，什么风险是合乎道德的，什么约束最重要。

说实话，一些最好的工程创意来自于多年积累的直觉、经验和奇怪的人类模式识别，这很难形式化。所以，是的，我不认为人工智能会取代工程决策背后的人类责任。这就是使其实际上无法取代的原因。

感谢这次精彩的采访，希望了解更多的读者可以访问 Leo AI。