از کدنویسی تا طراحی هواپیما؛ هوش مصنوعی چگونه ساخت محصولات فیزیکی را متحول می‌کند؟

هوش مصنوعی با سرعتی چشمگیر در حال نفوذ به یکی از پیچیده‌ترین و حساس‌ترین حوزه‌های مهندسی صنایع است: طراحی، شبیه‌سازی و آزمایش محصولات فیزیکی. غول‌های فناوری و توسعه‌دهندگان نرم‌افزارهای مهندسی نظیر انویدیا، زیمنس، کیدنس (Cadence) و سینوپسیس (Synopsys) روی سیستم‌های هوش مصنوعی پیشرفته‌ای کار می‌کنند که محاسبات سنگین شبیه‌سازی را سرعت می‌بخشند، گردش‌کارهای مهندسی را خودکار می‌کنند و در طراحی همه‌چیز، از تراشه‌های نیمه‌رسانا گرفته تا هواپیماهای مسافربری، به یاری مهندسان می‌آیند.

در همین راستا، به‌تازگی زیمنس از قابلیت‌های مبتنی بر هوش مصنوعی جدیدی برای کارخانه‌ها رونمایی کرد و شرکت فرانسوی میسترال (Mistral AI) نیز از گسترش همکاری راهبردی خود با انویدیا خبر داد؛ مشارکتی که هدف آن تلفیق مدل‌های وزن‌باز هوش مصنوعی، مدل‌سازی قوانین فیزیک و ایجنت‌های مهندسی خودران در صنایع پیشرفته است.

پیامدهای این تحول می‌تواند بنیادین باشد. شبیه‌سازی‌های مهندسی که به‌شکل سنتی ساعت‌ها یا روزها زمان می‌برند، همواره مانع بزرگی بر سر ارزیابی گزینه‌های متعدد طراحی پیش از ساخت نمونه‌های اولیه گران‌قیمت و شروع خط تولید بوده‌اند. مدل‌های فیزیک مبتنی بر هوش مصنوعی وعده داده‌اند این چرخه‌های طولانی را به‌شدت فشرده کنند تا مهندسان بتوانند طرح‌های جایگزین بیشتری را بررسی کنند، ایرادات فنی را در مراحل ابتدایی بیابند و هزینه‌های تحقیق و توسعه را به طرز چشمگیری کاهش دهند.

برای صنایعی چون هوافضا، خودروسازی، نیمه‌رساناها و سایر بخش‌های پیچیده تولیدی، این فرصت فراتر از صرفاً افزایش سرعت مهندسی است؛ هوش مصنوعی می‌تواند کل مسیر تکامل یک محصول از ایده اولیه تا طرح نهایی و آماده تولید را دگرگون کند.

با این حال، زمانی که هوش مصنوعی از نگارش کد و تولید محتوا به سمت تصمیم‌گیری درباره سیستم‌های فیزیکی گام برمی‌دارد، پیامدهای هرگونه اشتباه بسیار سنگین‌تر خواهد بود. آیا ایجنت‌های هوش مصنوعی می‌توانند وظایف پیچیده مهندسی را بدون ایجاد خطاهای پرهزینه یا خطرناک به انجام برسانند؟ آیا مدل‌های باز و تلاش‌های فزاینده اروپا برای دستیابی به حاکمیت هوش مصنوعی (Sovereign AI) می‌توانند پلتفرم‌های نرم‌افزاری باسابقه این صنعت را با چالشی جدی روبه‌رو کنند؟ و در نهایت، کنترل مدل‌ها، فناوری شبیه‌سازی و فرآیندهای مهندسی که ستون فقرات ساخت محصولات فیزیکی آینده هستند در دست چه کسانی خواهد بود؟

هوش مصنوعی به سراغ کندترین فرآیندهای مهندسی می‌رود

بخش عمده‌ای از مهندسی مدرن به شبیه‌سازی وابسته است. مهندسان هوافضا جریان عبور هوا از روی بال‌های هواپیما را مدل‌سازی می‌کنند، خودروسازان سناریوهای تصادف و تغییر شکل ساختار بدنه خودرو را شبیه‌سازی می‌نمایند و طراحان نیمه‌رسانا اثرات حرارت، سیگنال‌های الکتریکی و محدودیت‌های فیزیکی را روی تراشه‌های فوق‌العاده پیچیده محاسبه می‌کنند.

این محاسبات می‌توانند بسیار هزینه‌بر و زمان‌بر باشند. مهندسان معمولاً تمایل دارند هزاران حالت مختلف طراحی را آزمایش کنند، اما محدودیت منابع پردازشی در دسترس مانع از آن می‌شود که بتوانند در عمل تعداد زیادی از گزینه‌ها را به‌طور دقیق بررسی نمایند.

هوش مصنوعی در حوزه فیزیک (Physics AI) این تنگنا را از میان برمی‌دارد؛ آن هم از طریق مدل‌هایی که برای پیش‌بینی رفتار سیستم‌های فیزیکی آموزش دیده‌اند. یک مدل آموزش‌دیده به‌جای اجرای مکرر محاسبات سنگین و کامل ریاضی، می‌تواند نتایج مشخصی را در کسری از ثانیه تخمین بزند.

شرکت میسترال سرمایه‌گذاری گسترده‌ای در این بخش انجام داده است. این شرکت در ماه مه، خرید شرکت Emmi AI را اعلام کرد؛ استارتاپی اتریشی که تخصص آن توسعه مدل‌های هوش مصنوعی برای دینامیک سیالات، مکانیک سازه و شبیه‌سازی‌های چندفیزیکی (Multiphysics) است.

تازه‌ترین همکاری میسترال با انویدیا این مسیر را یک گام جلوتر می‌برد و مدل هوش مصنوعی Mistral Large 4 را با مدل‌سازی فیزیک، فرآیندهای تولید داده، کتابخانه‌های CUDA-X و فریمورک Nvidia Warp ادغام می‌کند. این دو شرکت قصد دارند مدل‌های هوش مصنوعی را به نرم‌افزارهای شبیه‌سازی و ابزارهای طراحی مهندسی، از جمله کتابخانه‌های پلتفرم Nvidia Omniverse برای محیط‌های سه‌بعدی، متصل کنند.

نیل اشتون، نایب‌رئیس بخش مهندسی محاسباتی در میسترال، در بیانیه این شرکت تأکید کرد: «برای سالیان متمادی، سرعت پیشرفت مهندسی تحت سلطه سرعت شبیه‌سازی‌ها بوده است.»

ایده کلی بسیار شفاف و روشن است؛ به‌جای اینکه مهندسان تک‌تک مراحل طراحی، شبیه‌سازی و ارزیابی را به‌صورت دستی مدیریت و هماهنگ کنند، ایجنت‌های هوش مصنوعی در نهایت می‌توانند بخش عمده این وظایف را بر عهده بگیرند. یک ایجنت هوشمند می‌تواند بخشی از قطعه را تغییر دهد، شبیه‌سازی مهندسی را اجرا کند، نتایج به‌دست‌آمده را تحلیل نماید و اصلاحیه بعدی را پیشنهاد دهد.

با این همه، رساندن چنین سیستم‌هایی به سطحی از پایداری و اطمینان‌پذیری، چالشی به‌مراتب دشوارتر از تعریف نظری وظایف آن‌هاست.

رقابت بزرگ انویدیا، زیمنس و کیدنس برای خودکارسازی مهندسی

میسترال وارد بازاری می‌شود که هم‌اکنون نیز سرمایه‌گذاری‌های سنگینی را از سوی غول‌های نرم‌افزارهای صنعتی به‌سوی خود جلب کرده است.

در ماه ژوئیه، انویدیا با افزودن قابلیت‌های PhysicsNeMo و کتابخانه‌های CUDA-X، جعبه‌ابزار ایجنت خود (Agent Toolkit) را گسترش داد تا به توسعه‌دهندگان در ساخت ایجنت‌های مهندسی خودران کمک کند.

شرکت کیدنس از فناوری انویدیا در ابرایجنت هوش مصنوعی AuraStack و پلتفرم Millennium M2000 برای بسته‌بندی پیشرفته تراشه‌ها و طراحی بردهای مدار چاپی (PCB) بهره می‌گیرد. بنا بر گزارش انویدیا، کیدنس در کاربردهای مرتبط توانسته به عملکردی تا ۲۰ برابر سریع‌تر در شبیه‌سازی‌های چندفیزیکی دست یابد.

تأثیر این تحول بر صنعت طراحی تراشه فوق‌العاده چشمگیر است. نیمه‌رساناهای مدرن میلیاردها ترانزیستور را در خود جای داده‌اند و مهندسان ناچارند حجم عظیمی از محدودیت‌های الکتریکی، حرارتی و مکانیکی را ارزیابی کنند. تحلیل سریع‌تر این پارامترها می‌تواند زمان مورد نیاز برای آزمایش طرح‌ها پیش از آغاز فرآیند ساخت و لیتوگرافی را به‌شکل محسوسی کاهش دهد.

در روز ۱۹ اکتبر، زیمنس از کاربردهای جدیدی رونمایی کرد که با همکاری انویدیا در کارخانه الکترونیک این شرکت در ارلانگن آلمان توسعه یافته‌اند. زیمنس گزارش داد که شبیه‌سازی مجازی فرآیند راه‌اندازی خط تولید می‌تواند تلاش‌های مهندسی را تا ۸۵ درصد کاهش دهد؛ ضمن اینکه برنامه‌ریزی تولید مبتنی بر ایجنت‌ها صرفه‌جویی هزینه‌ای تا ۲۰ درصد را در کاربردهای گزارش‌شده به‌همراه داشته است.

در این نمونه‌ها، کیدنس هوش مصنوعی را برای مهندسی سیستم‌های الکترونیکی به کار می‌گیرد، در حالی که زیمنس از آن در عملیات ساخت و برنامه‌ریزی کارخانه‌ها استفاده می‌کند. از سوی دیگر، میسترال قصد دارد هوش مصنوعی همه‌منظوره را به مدل‌های فیزیک و ابزارهای مهندسی متصل سازد.

این سه رویکرد در نهایت می‌توانند در یک نقطه با یکدیگر تلاقی پیدا کنند: محصولی که با کمک هوش مصنوعی طراحی شده است، از طریق شبیه‌سازی‌های فوق‌سریع هوش مصنوعی آزمایش می‌شود و در نهایت در کارخانه‌ای به تولید می‌رسد که تمامی فرآیندهای آن توسط ایجنت‌های هوش مصنوعی هدایت و هماهنگ می‌شوند.

شرط‌بندی میسترال روی هوش مصنوعی تخصصی به‌جای مدل‌های بزرگ‌تر

ورود پرقدرت میسترال به حوزه مهندسی صنایع، همگام با مجموعه‌ای از اقدامات این شرکت برای تثبیت جایگاه خود به‌عنوان ارائه‌دهنده راهکارهای هوش مصنوعی سازمانی صورت می‌گیرد.

این شرکت در روز ۶ اکتبر، مدل چندوجهی Mistral Large 4 با نام مستعار Le Chonk را معرفی کرد؛ مدلی با حدود یک تریلیون پارامتر کل و ۵۲ میلیارد پارامتر فعال (بر اساس اطلاعیه ۲۱ اکتبر، ۴۹ میلیارد پارامتر فعال). این مدل با استفاده از ۳٬۸۰۰ پردازنده گرافیکی Nvidia Grace Blackwell در دیتاسنترهای تحت مدیریت میسترال در اروپا آموزش دیده است و این شرکت قصد دارد وزن‌های مدل را در اواخر ماه اکتبر به‌صورت عمومی منتشر کند.

میسترال در ماه سپتامبر نیز یک مرکز تحقیقات هوش مصنوعی صنعتی در مونیخ افتتاح کرد که منحصراً بر هوش مصنوعی فیزیک و کاربردهای مهندسی تمرکز دارد. این شرکت از همکاری نزدیک خود با شرکت خودروسازی ب‌ام‌و (BMW) در زمینه شبیه‌سازی تصادفات و با زیمنس انرژی در حوزه کاربردهای صنعتی پرده برداشت.

بلندپروازی‌های میسترال در ماه سپتامبر با جذب یک دور سرمایه‌گذاری ۳ میلیارد یورویی به رهبری سامسونگ الکترونیکس و با ارزش‌گذاری بیش از ۲۱ میلیارد یورو، تقویت مالی چشمگیری پیدا کرد. فهرست سرمایه‌گذاران این شرکت شامل نام‌های بزرگی چون اِی‌اس‌ام‌ال (ASML) و انویدیا است؛ غول‌هایی که منافع بنیادینی در فناوری نیمه‌رساناها و پردازش‌های صنعتی دارند.

مدل‌های زبانی عمومی با رقابتی بسیار فشرده و نفس‌گیر بر سر قیمت، سرعت و عملکرد روبه‌رو هستند. به همین دلیل، حوزه مهندسی صنایع فرصتی کاملاً متفاوت پیش روی فعالان فناوری قرار می‌دهد؛ زیرا شرکت‌های صنعتی در طول دهه‌ها فعالیت، انبوهی از داده‌های اختصاصی طراحی، نتایج شبیه‌سازی و دانش تولید را انباشته‌اند که می‌تواند مبنایی بی‌نظیر برای خلق سیستم‌های هوش مصنوعی تخصصی باشد.

مدلی که برای شناخت دقیق تجهیزات یک کارخانه، محدودیت‌های مهندسی و سوابق شبیه‌سازی‌های آن آموزش دیده باشد، ارزشی خلق می‌کند که هیچ چت‌بات عمومی به‌سادگی قادر به بازتولید آن نیست. البته دستیابی به این سطح از تخصص هزینه‌بر است و نیازمند دسترسی به داده‌های حساس فنی، تخصص مهندسی عمیق، زیرساخت‌های محاسباتی قدرتمند و مشتریانی است که حاضر باشند فرآیندهای حیاتی کسب‌وکار خود را به هوش مصنوعی بسپارند.

مدل‌های باز و خیز اروپا برای دستیابی به حاکمیت هوش مصنوعی

بلندپروازی‌های میسترال پیوند عمیقی با تلاش‌های روزافزون قاره اروپا برای کاهش وابستگی به ارائه‌دهندگان خارجی هوش مصنوعی دارد.

ابتکار اروپایی OpenEuroLLM در حال توسعه مدل‌های زبانی چندزبانه با منابع آموزشی، مجموعه‌داده‌ها و چارچوب‌های ارزیابی باز است. این پروژه تا سپتامبر ۲۰۲۶ اعلام کرد فهرستی شامل ۲۵۰ ترابایت داده آموزشی، ۴٫۸ تریلیون توکن ساختگی در ۳۶ زبان مختلف و صدها چک‌پوینت از مدل‌ها را گردآوری کرده است.

انویدیا نیز از طریق فریمورک PhysicsNeMo فناوری‌های بازی را در اختیار حوزه هوش مصنوعی مهندسی قرار می‌دهد؛ ابزاری که توسعه‌دهندگان می‌توانند از آن برای ساخت مدل‌های سفارشی از سیستم‌های فیزیکی استفاده کنند.

میسترال و انویدیا با برنامه‌ریزی برای انتشار بنچمارک‌های عمومی و مجموعه‌داده‌های باز در زمینه هوش مصنوعی فیزیک و ایجنت‌های مهندسی، این رویکرد را گسترش می‌دهند. این ارزیابی‌ها با هدف سنجش دقت فنی، موفقیت در انجام وظایف مهندسی چندمرحله‌ای، زمان اجرا و هزینه‌های محاسباتی طراحی شده‌اند. بنچمارک‌های باز به تولیدکنندگان این امکان را می‌دهند که رویکردهای مختلف را بدون اتکای صرف به ادعاهای تبلیغاتی شرکت‌های سازنده با یکدیگر مقایسه کنند.

با این حال، تفاوت بسیار مهمی میان انتشار وزن‌های یک مدل هوش مصنوعی با کاملاً باز بودن یک سامانه هوش مصنوعی صنعتی وجود دارد. یک شرکت ممکن است مدلی با وزن‌های باز را به‌صورت محلی اجرا کند، اما همچنان به نرم‌افزارهای شبیه‌سازی انحصاری، اکوسیستم پردازنده‌های گرافیکی انویدیا و مجموعه‌داده‌های تخصصی مهندسی که امکان انتشار عمومی ندارند وابسته باشد. دسترسی به وزن‌های مدل هرگز این وابستگی‌های ساختاری را از میان نمی‌برد.

تولیدکنندگان اروپایی احتمالاً ترجیح می‌دهند از سیستم‌های هوش مصنوعی استفاده کنند که داده‌های اختصاصی مهندسی را تحت کنترل خودشان نگه می‌دارد و بر بستر زیرساخت‌های اروپایی اجرا می‌شود. میسترال با ترسیم نقشه راه محاسباتی با ظرفیت یک گیگاوات تا سال ۲۰۳۰، سرمایه‌گذاری سنگینی روی تحقق این هدف انجام داده است.

با این وجود، بخش اعظم این زیرساخت برنامه‌ریزی‌شده به سخت‌افزارها و نرم‌افزارهای شرکت آمریکایی انویدیا متکی است. به این ترتیب، اروپا ممکن است بر مدل‌ها، فرآیندهای استقرار و داده‌های خود تسلط بیشتری پیدا کند، اما این به معنای استقلال واقعی از فناوری تراشه‌های پیشرفته آمریکایی نخواهد بود.

توسعه‌دهندگان سنتی نرم‌افزارهای مهندسی، دهه‌ها زمان صرف خلق ابزارهای تخصصی و ایجاد روابط پایدار با تولیدکنندگان صنعتی کرده‌اند. اکنون توسعه‌دهندگان هوش مصنوعی به دنبال آن هستند که اجرای وظایف سنگین مهندسی از طریق این ابزارها را خودکار سازند. این عرصه رقابتی به یکی از جذاب‌ترین و سرنوشت‌سازترین میدان‌های نبرد فناوری بدل شده است که باید تحولات آن را از نزدیک دنبال کرد.