PrometheusCore
Сможет ли нейросеть заменить инженера,
правда и мифы ИИ в проектировании
С каждым годом искусственные нейронные сети становятся всё более продвинутыми, и мы всё чаще задумываемся: сможет ли нейросеть не просто помочь проектировщику, а полностью заменить его. Особенно интересный вопрос встает, когда речь идёт о задачах строительной механики и конструирования. Разберёмся, насколько далеко мы можем зайти и какое количество нейронов в сети потребуется, чтобы превзойти человека и традиционные методы.
Сравнение мозга и нейросети
Человеческий мозг обладает невероятной сложностью и универсальностью. В одном кубическом сантиметре коры головного мозга содержится от 50 до 100 миллионов нейронов, и каждый из них связан с тысячами других нейронов, что создаёт колоссальные возможности для обработки информации. В то же время нейросети, такие как FEMnet, которые используются в проекте PromCore, включают порядка одного миллиона нейронов и обучены для решения специфических задач, связанных с методом конечных элементов.
Нейросети, конечно, пока не могут сравниться с уровнем гибкости и креативности человека, однако их способность к решению конкретных инженерных задач уже поражает. Использование таких технологий позволяет значительно ускорить расчёты и выполнять оптимизацию каркасов зданий с высокой степенью точности.
Стохастический характер прогнозов или продвинутый инструмент ?
В профессиональных кругах можно услышать, что нейросеть FEMnet подвергается критике за вероятностный подход к решению. Некоторые инженеры полагают, что классический метод конечных элементов всегда даёт абсолютно верное решение, в то время как нейросети могут работать с некоторыми приближёнными результатами и опираться на вероятностные вычисления.
Однако важно понимать, что классический метод конечных элементов сам по себе содержит множество допущений. Например, упрощения геометрии, линейное поведение материалов и другие предположения, которые часто необходимы для упрощения сложных расчетов. В отличие от этого, нейросети, такие как FEMnet, обучаются на большом объёме данных, что позволяет им учитывать широкий спектр сценариев и адаптироваться к различным условиям. Это делает их инструментом, который может не только соперничать с классическим методом, но и превосходить его в некоторых аспектах, таких как скорость расчетов и способность учитывать нелинейные эффекты.
Кроме того, FEMnet обучена на решениях, полученных с использованием метода конечных элементов, что означает, что её решения совпадают с классическими, но выполняются значительно быстрее. Это делает её полезным инструментом для предварительного анализа и оптимизации, когда скорость критически важна.
Пузырь ИИ технологий
В последние годы на рынке IT наблюдается рост интереса к применению технологий искусственного интеллекта. По открытым данным, подавляющее большинство компаний пытаются использовать нейросети для развития своего бизнеса, чаще всего используя готовые решения, такие как языковые модели или генераторы изображений. Однако многие из этих компаний сталкиваются с проблемами, так как применяют нейросети в областях, для которых они изначально не подходят. Это приводит к созданию определённого "пузыря" в области ИИ, так как готовые решения зачастую не могут дать требуемого уровня качества и эффективности, а компании не готовы инвестировать в долгосрочные исследования и разработки (НИОКР), чтобы адаптировать технологии под свои конкретные задачи.
FEMnet разрабатывалась в течение восьми лет, и на неё ушли тысячи генотипов нейросети, прежде чем удалось найти рабочую версию, которую можно было дальше развивать. Это был долгий и сложный процесс, требующий значительных ресурсов и терпения. Основная проблема больших компаний в том, что они готовы инвестировать в такие разработки только в течение одного финансового года. Длительные вложения, подобные тем, которые были сделаны в FEMnet, редко могут себе позволить, кроме как монополисты отрасли, такие как Nvidia, Google или Microsoft. Эти компании способны на долгосрочные инвестиции в исследования и разработку специализированных решений, однако большинство игроков на рынке выбирают более простые и неэффективные пути.
Существует также проблема кадров. Далеко не каждый профессиональный программист способен с нуля создать математическую модель нейросети. Это требует не только глубоких знаний в области программирования, но и понимания сложных математических моделей, методов оптимизации, а также специфики предметной области. Разработка FEMnet потребовала команду специалистов, включающую математиков, инженеров, и программистов, которые тесно сотрудничали для создания эффективной модели, способной решать сложные инженерные задачи. Это ещё один фактор, который ограничивает большинство компаний в создании специализированных нейросетей — дефицит кадров с необходимыми знаниями и опытом.
Для большинства строительных и проектных компаний в России разработка специализированных нейросетей, подобных FEMnet, является практически недостижимой задачей. По приблизительным оценкам, менее 2% компаний в строительной отрасли могут позволить себе подобные инвестиции в разработку и исследования, учитывая высокие затраты на НИОКР, необходимость длительных вложений и нехватку квалифицированных кадров. Такие вложения требуют долгосрочного планирования и значительных ресурсов, что зачастую доступно только крупным корпорациям или компаниям, поддерживаемым государством в течении многих лет.
В отличие от этого подхода, FEMnet была разработана с нуля специально для задач строительной механики и метода конечных элементов. Эта специализированная нейросеть обучена на большом объёме инженерных данных, что позволяет ей учитывать все специфические особенности строительных расчётов. Благодаря этому FEMnet не просто применяется "как есть", а представляет собой инструмент, разработанный для решения реальных задач, с которыми сталкиваются инженеры в процессе проектирования. Это и есть её ключевое конкурентное преимущество — глубокая адаптация под конкретную область и способность эффективно решать узкоспециализированные задачи, что невозможно достичь с помощью универсальных моделей.
Сколько нейронов потребуется для превосходства ?
Предположим, мы хотим создать нейросеть, которая не только могла бы конкурировать с инженерами, но и превосходить их, решая все возможные задачи проектирования. Сколько нейронов для этого понадобится?
Согласно текущим оценкам, для такой цели потребуются нейросети с гораздо большим числом нейронов, чем в FEMnet. Вероятно, их количество должно быть на уровне десятков миллионов или даже миллиардов. Для сравнения, современные языковые модели, такие как GPT-3, содержат порядка 175 миллиардов параметров, что делает их способными к обучению на данных, охватывающих различные аспекты человеческой жизни. Для задачи полной замены инженера-расчётчика в строительной механике достаточно будет нескольких миллиардов параметров, учитывая необходимость точного понимания сложных физических процессов и взаимодействий.
Когда нейросеть заменит человека в проектировании ?
Если учитывать текущий темп роста вычислительных мощностей и совершенствование технологий машинного обучения, можно сделать осторожный прогноз. Согласно закону Мура, мощности компьютеров удваиваются примерно каждые 18-24 месяца. При этом также наблюдается значительный прогресс в оптимизации архитектур нейросетей и создании более эффективных алгоритмов.
Предположительно, через 10-15 лет нейросети могут достичь уровня, когда они смогут полностью заменить человека в задачах проектирования, включая сложные расчёты и принятие решений. Однако, это также будет зависеть от доступности качественных данных, развития специализированных алгоритмов и повышения уровня доверия к ИИ в индустрии.
Что касается бюджета, то разработка нейросети, способной заменить человека в проектировании, потребует значительных вложений. Учитывая текущие расходы на НИОКР и развитие ИИ, такая разработка будет стоить от 500 миллионов до 1 миллиарда долларов США. Эти средства будут направлены на создание мощных вычислительных кластеров, разработку и обучение моделей, а также на обеспечение инфраструктуры и кадров.
Вред от псевдоразработчиков ИИ
В условиях ажиотажа вокруг искусственного интеллекта, на рынке появились многочисленные компании и разработчики, которые используют ИИ исключительно в маркетинговых целях, фактически применяя классические методы программирования вместо реальных технологий машинного обучения. Такие "псевдоразработчики" ИИ вводят в заблуждение клиентов, обещая решения, которые не обладают заявленной интеллектуальной способностью, что приводит к разочарованию и снижению доверия к технологиям ИИ в целом.
Использование классического программирования под видом ИИ может нанести значительный ущерб индустрии, так как это снижает ценность настоящих разработок и формирует ложные ожидания у потребителей. Когда компании сталкиваются с неработающими или недостаточно эффективными решениями, которые называются "ИИ", они начинают воспринимать весь рынок ИИ как ненадежный и переоценённый. Это тормозит внедрение действительно полезных и инновационных технологий в области проектирования и инженерии.
FEMnet, в отличие от подобных псевдорешений, является результатом многолетних исследований и разработок, нацеленных на создание реальной интеллектуальной системы для инженерного проектирования. Эта нейросеть была обучена на специфичных данных и оптимизирована для решения реальных задач, что делает её настоящим инструментом искусственного интеллекта, способным приносить ощутимую пользу в проектировании и предварительных расчётов строительных конструкций.
Невозможность заменить существующие IT-решения псевдо-ИИ
На современном рынке IT-продуктов уже представлено множество решений, которые эффективно справляются с поставленными задачами. Попытки заменить их псевдо-ИИ, который не обладает полноценными интеллектуальными возможностями, просто бессмысленны. Псевдо-ИИ не вносит значимых улучшений в процессы и зачастую даже ухудшает производительность из-за ложных ожиданий и недостаточного качества решений.
Чтобы действительно внедрить искусственный интеллект, который способен заменить существующие решения и кардинально улучшить процессы проектирования, необходимы долгосрочные инвестиции в полноценные разработки. Это требует многолетних исследований, создания качественных архитектур нейросетей, обучения на больших наборах данных и привлечения специалистов высокого уровня. Только такие решения могут принести значительные изменения и обеспечить улучшение результатов, которые превзойдут возможности существующих IT-продуктов.
Важность качества данных и архитектуры
Однако, не только количество нейронов играет роль в решении задачи. Важно и качество данных, на которых обучается нейросеть, а также её архитектура. Глубокие нейросети с большим числом слоёв и продуманными связями могут достичь высокого уровня точности и научиться учитывать огромное количество различных сценариев, что сделает их сравнимыми с опытом и знаниями инженера.
В результате можно сказать, что хотя точное количество нейронов, необходимое для превосходства над человеком, сложно определить, очевидно одно — использование нейросетей в проектировании уже сейчас позволяет значительно ускорить расчёты и улучшить качество решений. В будущем, по мере увеличения числа нейронов и улучшения архитектур сетей, можно ожидать, что нейросети будут способны решать все более сложные задачи, постепенно заменяя ручной труд инженеров и классические методы расчёта.
PromCore и будущее проектирования
Проект PromCore активно развивает возможности использования нейросетей в строительной механике, помогая ускорять и улучшать процессы проектирования. FEMnet, применяемая в PromCore, уже сейчас демонстрирует впечатляющие результаты, и, вероятно, с дальнейшим развитием технологии мы сможем увидеть ещё более значимые достижения.
Автоматизация и ИИ — это не только способ сэкономить время инженера, но и шанс выйти на новый уровень проектирования, где решения принимаются быстрее, точнее и с учётом всех возможных факторов.
