Искусственный интеллект

Представьте себе продвинутую мастерскую «Сделай сам»: тут есть всё, от 3D-принтеров до лазерных резаков. Это – поле битвы. Вы – инженер. Против вас – ChatGPT. Задача: за 48 часов в ходе инженерного хакатона создать автономную машину, которая выстрелит дротик как можно дальше. Победитель получит приз, а вы узнаете: нейросети для инженера – это угроза? И что делать, чтобы ChatGPT стал для инженера, а не против него.

Хакатон

За 48 часов команды должны придумать концепцию и воплотить «в металле» установку, стреляющую NERF-дротиком. Это такой поролоновый игрушечный дротик с уплотнением на конце.

Можно стрелять дротиком сколько угодно, но только в процессе проектирования. На зачёте даётся только одна попытка.

Команда-победитель, выстрелившая дротик на максимальное расстояние, получает 1000 норвежских крон (около 93 USD на момент проведения соревнования). Почему 1000 норвежских крон? Соревнования проходили в Норвегии и приз – символический.

В хакатоне участвовало 6 команд. В первых 5 командах были учащиеся старших курсов магистратуры факультета механики Норвежского университета науки и технологии. Возраст участников 23-25 лет и у всех есть стаж работы по специальности от полугода до 2 лет.

Главные герои нашей истории: Команда №6, «Рабы ИИ». Два аспиранта по 25 лет и по 1 году стажа. Им выдали самое необычное задание в их жизни:

«Вы – биороботы. Ваша задача – слепо выполнять указания ChatGPT. Вам запрещено иметь собственное мнение. Если нейросеть прикажет вам построить катапульту из бананов – вы идёте за бананами.»

Их «хозяин» - ChatGPT 4.0. Они могли писать промты чтобы описать цели хакатона и уточнить свои задания. При этом, запрещалось «продавливать» свои идеи нейронке. Этот запрет также дублировался в промте фразой типа:

«Мы будем твоими руками и ногами на протяжении всего испытания, то есть ты будешь принимать все решения, а мы будем строить то, что ты придумал.

Нам не разрешено вносить предложения или субъективные замечания, поэтому, пожалуйста, сообщи нам об этом, если мы это сделаем, и игнорируй эти предложения и замечания.»

Все действия групп (промежуточные решения, прототипы) фиксировались. Также анализировалась переписка с ChatGPT.

В конце вторых суток хакатона организаторы зафиксировали следующие результаты титанического труда: 116 прототипов, а в чате команды с ИИ — 97 сообщений.

Команды 1 и 4. Нашли одну сильную идею и углубились в неё. Команда 1 сделала всего 9 прототипов, семь из которых были финальной шлифовкой одной концепции. Команда 4 произвела 14 прототипов, 12 из которых служили той же цели — бесконечному улучшению выбранного пути.

Команда 2. Сначала пробовали «в металле», потом доводили в цифре. Уникальная стратегия — 10 физических и 3 цифровых прототипа. Все цифровые модели создали в последний день, сочетая быстрые итерации с финальным компьютерным моделированием.

Команда 3. Чтобы найти алмаз, нужно перебрать тонны породы: абсолютные рекордсмены по объёму работы — 16 прототипов и 17,5 часов чистого времени на сборку. Они не боялись резко менять концепции в поиске самой эффективной.

Команда 5: Они поставили на количество. 22 прототипа — абсолютный рекорд! Каждый собирался в среднем за 10 минут, и ни один не занял больше получаса. Их график напоминал спринтерский забег. Главное — не останавливаться! Одна из 100 идей должна же выстрелить.

Команда 6 (ChatGPT): Сделали 15 прототипов, работая системно в ритме, похожем на команду 3. Но с ключевым отличием: их мозг был искусственным.

Вот так действия команд по работе с концепциями выглядят на инфографике.

Чаще всего команды работали с тремя основными концепциями:

• Пневматические (применение баллонов с сжатым воздухом)

• Пружинные (применение цилиндрических пружин сжатия)

• С упругими элементами (вязкоупругие материалы типа резины, силикона, латекса)

Отдельно выделили группу разработок «Остальные», связанных с использованием гелиевых шаров, бумажных самолётиков, двигателей с противоположным вращением.

А вот так выглядела их «карта усилий» — на что они на самом деле тратили своё время. Длина каждого цветного отрезка характеризует продолжительность соответствующей деятельности.

Вид деятельности выделен разными цветами:

• Усовершенствование – это процесс постепенного улучшения конструкции.

• Коммуникация — это процесс обмена информацией о конструкции и его потенциальном использовании внутри команды.

• Активное обучение — это процесс получения новых знаний о конструкции или соответствующих явлениях.

• Исследование — это процесс поиска новых концепций конструкции.

Контрольный выстрел

Время делать контрольный выстрел. Стадион университета. Золотая осень. Погода не должна помешать сделать хороший выстрел. Команды и зрители в напряжении. Судьи проверили установки – никаких запрещённых технологий не выявлено. Сигнал к старту и над стадионом пронеслись хлопки выстрелов. И вот они результаты:

Команда людей №3. Не подвели человечество! Заняла уверенное первое место! Поздравляем! Дистанция выстрела 37,66 метра!

Шесть сантиметров?! Что это за результат?! Дротик просто выпал из пусковой установки. Команда людей № 5 сильно удивила присутствующих. В чём-то просчитались.

Но и команда «Рабов ИИ» тоже удивила! Команда 6 (ChatGPT) заняла 2 место с результатом 14,8 метра. Это почти в 2 раза дальше, чем показала команда, занявшая 3 место. Есть о чём задуматься инженерам!

Разбор полётов. Как «Рабы ИИ» прошли путь от пневматики до пружины

Работа команды ChatGPT напоминала американские горки: резкие спуски вниз после каждой неудачи и отчаянные попытки взлететь с помощью нового, ещё более сложного виража.

Сразу после получения задания и списка материалов ИИ выдал первую идею: пневматическая пушка. Концепция была ясной, инструкция — подробной. Но на этапе сборки команда упёрлась в проблему: «Диаметр трубки 6 мм, а клапана — 32 мм. Что делать?».

Вместо того чтобы искать решение (например, переходник или другую трубку), ChatGPT капитулировал. Его ответ был категоричен: «Оставляем пневматику. Переходим на пружинный механизм». Так родилась вторая концепция.

Пружинный прототип показал скромные 5 метров. Команда сообщила о неудаче. Ответ ИИ? — «Усложняем!». Он предложил соленоидный спусковой механизм, затем редукторный двигатель. Прототип обрастал проводами и шестерёнками, превращаясь в хрупкого «Франкенштейна». Дальность выросла до 12 метров, но стабильность пропала. Последующие «улучшения» только ухудшали результат.

Упершись в потолок эффективности пружины, ИИ снова сменил направление, предложив пусковую установку на эластичных лентах. Результат — 10 метров и новая проблема: дротик летел не прямо. ChatGPT пытался скорректировать траекторию, но безуспешно.

Осознав, что время на исходе, а последний сложный прототип ненадёжен, команда вернулась к проверенной пружинной установке. Именно она и отправила дротик на зачётные 14,8 метра.

Какие будут выводы?

Описанный хакатон прошёл в 2023 году на факультете механики Норвежского университета науки и технологии, г. Тронхейм и более подробно описан в статье «ChatGPT as an inventor: eliciting the strengths and weaknesses of current large language models against humans in engineering design», написанной группой авторов (Daniel N. Ege, Henrik H. Øvrebø, Vegar Stubberud, Martin F. Berg, Christer Elverum, Martin Steinert and Håvard Vestad).

По итогам этого эксперимента, можно сделать следующие выводы, по-прежнему актуальные два года спустя.

Вывод 1. Главный талант у ChatGPT - не создавать новое, а быстро и эффективно перебирать уже известное. Он не изобретал велосипед, а выдавал три самых популярных модели из своего каталога: «пружинный», «пневматический» и «резиночный». Его творчество — это не полёт фантазии, а статистически выверенный ремикс на тему «что чаще всего работало у других».

Вывод 2. ChatGPT — это не упрямый альпинист, а навигатор, который при первом намёке на дорожные работы предлагает развернуться и ехать в объезд. Столкнувшись с проблемой (нестыковка диаметров трубок), он не пытался её штурмовать, подпирать или обходить. Он просто объявил всю местность «непроходимой» и отступил на знакомую, пусть и менее эффективную, тропу. Ему не хватает человеческого упрямства — той самой иррациональной веры в свою идею, которая заставляет ломать голову над проблемой до последнего.

Вывод 3. Нейросеть может страдать «маниакальным перфекционизмом». ChatGPT начинал наращивать на прототип «улучшатели» и «оптимизаторы», превращая его в хрупкого «Франкенштейна». Участники команды чувствовали это — они собирали то, что их разум уже оценил как бесполезное усложнение.

Вывод 4. Работа с ChatGPT напоминала сотрудничество с блестящим, но слепым архитектором. Он мог на словах описать величественное здание, но не видел, что его фундамент не стыкуется с реальным рельефом местности. Его чертежи были полны абстрактных «здесь должна быть опора», в то время как «рукам»-строителям приходилось на лету придумывать, как же эту опору впихнуть в алюминиевую трубку диаметром 6 мм.

Что делать инженеру?

1. Используйте ИИ как «генератор сырых идей», а не как «архитектора». Заставляйте его генерировать десятки концепций на старте. Его сила — широта, а не глубина. Он — картотека всех известных решений. Ваша задача — быть критиком и выбрать самое жизнеспособное.

2. Не позволяйте ему сдаваться при первой же проблеме. Если ИИ предлагает сменить концепцию из-за трудности, сообщи ему: «Мы не ищем лёгких путей. Реши эту проблему для текущей конструкции». Он — паникёр, который кричит «Тонем!» при первой волне. Ваша роль — шкипер, который держит штурвал и командует.

3. Задавайте ему роль «узкого специалиста», а не «генерального директора». Не спрашивайте: «Как спроектировать установку?». Спросите: «Как рассчитать жёсткость этой пружины?» или «Предложи 3 варианта спускового механизма». Он — не стратег, а толковый стажёр-отличник. Давайте ему чёткие, мелкие задачи, и он блестяще их выполнит.

4. Заставляйте его искать альтернативы. Боритесь с «зацикленностью». После каждого его предложения задавайте вопрос: «А какие есть альтернативы этому? Что мы не учли?» Его мышление — это накатанная колея. Ваши вопросы — это съезды на неизведанные территории. Рулите им.

5. Структурируйте общение. Не ведите душный диалог, а давайте чёткие инструкции. Используйте шаблоны: «Цель: [задача]. Ограничения: [материалы, время]. Требуется: [конкретный совет]». Он — педантичный чиновник. Чем чётче и формальнее ваш «запрос», тем быстрее и по делу вы получите «справку».

Мои мысли

Как специалист, который постоянно тестирует общедоступные нейросети в инженерных задачах и учит этому, я не мог пройти мимо этого эксперимента. У себя в блогах я публикую результаты таких тестов и даю рекомендации. Если интересно – заходите: Телеграм или Вконтакте, что удобнее.

Авторы не просто устроили шоу «Слабо против ИИ?» — они провели бесценную работу. Они создали вполне реальные условия, чтобы увидеть «предел прочности» ChatGPT. Результат — не поражение ИИ, а его точный «технический паспорт»: что он может, а что — нет, без прикрас.

Да, ИИ действует как «библиотекарь» или «стажёр-отличник». Он блестяще генерирует «сырьё» для идей и быстро предлагает очевидные пути. Авторы правы — его главный враг не глупость, а отсутствие упрямства. Он при «первой же неудаче» не будет искать «тайный ход». Он просто развернётся и пойдёт в другую статистически правильную сторону. Это его фундаментальное ограничение.

Мне близка идея «нейронки как узкого эксперта». Не нужно спрашивать ИИ «как построить дом?». Поручите ему роль «прочниста»: «просчитай эту балку»; или «технолога»: «как собрать этот узел без сварки?». В этой роли он становится супер-помощником. Но человеку необходимо развивать своё стратегическое мышление и навыки управления всем проектом.

С 2023 года нейросети, безусловно, стали умнее. Но их роль в инженерном проекте кардинально не изменилась: они по-прежнему мощный усилитель человеческих способностей, а не их замена. Они — идеальный помощник для преодоления творческого ступора или рутинного перебора, но финальное слово, критическая оценка и та самая «инженерная интуиция» — пока что наша, человеческая, прерогатива.

Но стоит технарям боятся другого – сотрудничества опытного инженера и нейросети! Такой тандем легко отправит «на мороз» менее опытных и более закостенелых коллег. Чем работодатель вскоре будут активно пользоваться. Как они воспользовались каким-нибудь AutoCAD и просто вычеркнули такую специальность, как «чертёжник».

А как вы считаете, кто победит в ближайшем будущем? Будет ли нейронка помогать или вредить инженеру?

Google выкатил УБИЙЦУ Sora 2 — VEO 3.1 только что раскатали во Flow.

Первые отзывы тестеров:

• Качество как в кино: cвет, природа, движения выглядят гораздо реалистичнее.

• Можно загружать опорные кадры — и ваши персонажи сохранятся.

• Нейронка не будет ругаться на людей: цензуру урезали.

• Понимает русский намного лучше.

Ссылка

Источник

▫️ Xformers устанавливать, не стал, так как он делает работу ForgeNeo не стабильной, по крайней мере на моей карте. Установить Xformers очень просто. Откройте папку system\python и в адресной строке напишите CMD и нажмите Enter. введите команду:

python -m pip install xformers

(но высока вероятность сломать сборку)

▫️ Теперь сборка 7Гб и модели 18.7Гб отдельны.

Если у вас была старая сборка, то папка models та же.

📽️ Видео обзор предыдущей сборки: YouTube (https://youtu.be/HRKqmMdYVrY?si=C1IxNFgyLa3VS0Hn) l Rutube (https://rutube.ru/video/f0a9952929deb0edbe2a37933de2623d/?r=...)

🔗 Сборку можно скачать тут: ССЫЛКА (https://huggingface.co/OreX/Automatic1111/resolve/main/Forge...)

Под капотом — 1 триллион параметров, но это не «монолит», а архитектура MoE (Mixture of Experts): активно работает около 50 миллиардов параметров на каждый токен. Такой подход экономит ресурсы и ускоряет работу. Модели понимают длинные контексты (до 64–128 тысяч символов), умеют пошагово рассуждать и используют новую методику обучения Icepop — надстройку над RLHF и RLVR, которая, по словам авторов, делает обучение устойчивее и уменьшает «галлюцинации».

По внутренним тестам разработчиков, Ring-1T показала рекордные результаты среди открытых моделей: 92,6% на олимпиадном бенче AIME-2025, высокие показатели на ARC-AGI, IMO-2025, LiveCodeBench и других задачах, требующих логики и математики. Независимых проверок пока нет, но исследователи уже разбирают датасеты и будут сравнивать с Qwen-3-Max и GPT-4o.

Для запуска у себя команда предлагает использовать vLLM или SGLang. Полноценная FP8-версия требует около 2 ТБ памяти, но сообщество уже выкладывает квантованные сборки вплоть до 3-битных — чтобы модель можно было запустить на менее мощных кластерах. То есть формально это «триллионник», но доступный тем, у кого есть хотя бы несколько хороших GPU.

Пока маркетинг звучит громко, но сам факт — важный: китайские компании начали открывать не только коды, но и веса действительно больших моделей. И пусть активных параметров меньше, чем заявлено, это всё равно шаг вперёд для открытой экосистемы ИИ. Учитывая, что в Китае одновременно идут проекты Alibaba и Baidu, «бесплатные триллионники» могут стать новой нормой — и в этот раз они действительно работают.

P.S. Поддержать меня можно подпиской на канал "сбежавшая нейросеть", где я рассказываю про ИИ с творческой стороны.

Двоякое отношение к этому. Во-первых, неясно, какие будут последствия от такого вмешательства. Во-вторых, насколько это может давать преимущества. В-третьих, такими темпами скоро и в жизни людей станут вмешиваться. И последствия - непрогнозируемые.

А вы, что думаете?

--

Мой тг-канал: ИИ by AIvengo, пишу ежедневно про искусственный интеллект