AI w inżynierii: co eksperyment MIT pokazuje polskim firmom tough-tech
31 studentów MIT zaprojektowało turbinę gazową w cztery tygodnie z pomocą AI. Jak narzędzia sztucznej inteligencji wspierają inżynierów w tough-tech i jakie…
Jak wygląda współpraca człowieka i AI w projektowaniu sprzętu?
Eksperyment MIT JARVIS (Jet-engine AI Research and Validation Intensive Sprint) pokazał, że narzędzia AI mogą skrócić cykl projekt–budowa–test w inżynierii sprzętowej. Siedem zespołów studentów miało cztery tygodnie na zaprojektowanie jednowałowej turbiny gazowej o ciągu 50–100 lbf, zasilanej paliwem Jet-A. Zespoły korzystały z dużych modeli językowych do streszczania podręczników, nauki CAD/CAE, analizy wariantów i wyszukiwania dostawców [1].
Zwycięski zespół 811 Crew uruchomił silnik i uzyskał ciąg netto. Drugi zespół, Fast and Fractured, intensywnie korzystał z AI i zapalił komorę spalania przy pierwszej próbie, ale jego pełny test zakończył się zatarciem wirnika. Różnica pokazała, że samo użycie AI nie gwarantuje sukcesu — liczy się doświadczenie, pierwsza zasada fizyki i odpowiedzialność człowieka [1].
Gdzie AI rzeczywiście pomogła, a gdzie zawaliła?
AI okazała się skuteczna w fazach koncepcji i przeszukiwania rozwiązań. Modele pomagały w streszczaniu dokumentacji technicznej, sugerowaniu dostawców komponentów i organizacji pracy zespołu. Problem pojawił się przy szczegółowym projektowaniu CAD, tolerancjach, produkcji i relacjach z dostawcami [1].
Modele halucynowały — proponowały rozwiązania, które wyglądały logicznie, ale były niemożliwe do wykonania w praktyce. Studenci musieli ręcznie weryfikować każdą sugestię AI, porównując ją z rzeczywistymi możliwościami produkcji i dostępnością materiałów. To zajęło znaczną część czasu projektu [1].
Czym tough-tech różni się od zwykłych zastosowań AI?
Tough-tech to branże, gdzie błędy są kosztowne: lotnictwo, energetyka, medycyna, obronność. W tych sektorach AI nie trenuje się na milionach rekordów — dane są rzadkie i drogie. W JARVIS Challenge studenci mieli dostęp do zaledwie kilkunastu pełnych testów silnika. To mało, ale wystarczyło, bo dane były wysokiej jakości [1].
Regulacje są restrykcyjne. W lotnictwie każda zmiana w projekcie musi być zatwierdzona przez agencje jak EASA czy FAA. AI może zaproponować optymalizację, ale nie zastąpi certyfikacji. Dla polskich firm z branży tough-tech — od producentów dronów po firmy energetyczne — oznacza to, że AI staje się narzędziem wspierającym, a nie rozwiązaniem samodzielnym [1].
Jakie kompetencje muszą mieć inżynierowie, by pracować z AI?
Studenci MIT musieli nauczyć się trzech kluczowych umiejętności. Pierwsza to interpretacja wyników AI — zrozumienie, dlaczego model zaproponował konkretne rozwiązanie i czy ma ono sens w kontekście fizyki i produkcji. Druga to zarządzanie danymi — zbieranie, czyszczenie i przygotowywanie danych do trenowania modeli. Trzecia to współpraca z modelem — wiedza o tym, jak działa, jakie ma ograniczenia i kiedy można mu zaufać [1].
Bez tych umiejętności AI staje się czarną skrzynką, a projekty kończą się na pilotażach. W JARVIS Challenge zespoły, które rozumiały ograniczenia AI i potrafiły je obejść, osiągnęły lepsze wyniki niż te, które ślepo ufały sugestiom modeli [1].
Czy polskie firmy są gotowe na AI w tough-tech?
Polskie MŚP z branży tough-tech mają dostęp do podobnych narzędzi AI co studenci MIT. Problem leży gdzie indziej: w braku strategii, danych i kompetencji. Wiele firm testuje AI w izolowanych projektach, ale nie integruje jej z istniejącymi systemami. Bez jasnych celów (np. "skrócić czas projektowania o 20%") i wsparcia zarządu projekty kończą się na pilotażach [1].
Drugą barierą jest brak danych. W tough-tech dane z testów fizycznych są rzadkie i drogie. Firmy, które nie mają systemów do gromadzenia i analizy danych z produkcji, nie mogą trenować modeli AI. To wymaga inwestycji w infrastrukturę i zmianę kultury organizacyjnej [1].
Trzecią barierą jest opór pracowników. Inżynierowie obawiają się, że AI ich zastąpi. W JARVIS Challenge część zespołu tradycyjnego była sceptyczna wobec wyników AI — aż do momentu, gdy zobaczyli, że silnik działa. Zarządzanie zmianą jest kluczowe, ale wiele firm go pomija [1].
Jak wdrażać AI w tough-tech — praktyczne kroki
Zacznij od jasnego celu. Nie wdrażaj AI "bo wszyscy to robią". Wybierz konkretny problem — np. optymalizacja geometrii komponentu, przeszukiwanie dostawców czy analiza danych z testów. Cel powinien być mierzalny [1].
Drugim krokiem jest zbieranie danych. Jeśli Twoja firma nie ma systemu do gromadzenia danych z produkcji, zacznij od tego. Bez danych AI jest ślepa. Trzecim krokiem jest pilotaż z małym zespołem. Wybierz zespół, który rozumie zarówno AI, jak i inżynierię. Pozwól im eksperymentować i uczyć się na błędach [1].
Czwartym krokiem jest integracja z istniejącymi systemami. Jeśli AI działa tylko w izolowanym projekcie, nigdy nie trafi do produkcji. Piątym krokiem jest szkolenie. Inżynierowie muszą wiedzieć, jak pracować z AI, jakie są jej ograniczenia i kiedy warto jej ufać [1].
Najczęstsze pytania
Czy AI zastąpi inżynierów w tough-tech?
Nie. Eksperyment MIT pokazał, że AI wspiera inżynierów, ale nie zastępuje ich. Modele halucynują, proponują rozwiązania niemożliwe do wykonania i nie rozumieją kontekstu produkcji. Inżynierowie muszą weryfikować każdą sugestię AI i podejmować ostateczne decyzje [1].
Ile czasu zajmuje wdrożenie AI w tough-tech?
Zależy od skali projektu. W JARVIS Challenge studenci zaprojektowali turbinę w cztery tygodnie, ale mieli dostęp do gotowych komponentów i danych z wcześniejszych projektów. W rzeczywistej firmie wdrożenie AI może trwać kilka miesięcy — od zbierania danych, przez pilotaż, do integracji z systemami produkcji [1].
Jakie narzędzia AI są najlepsze dla tough-tech?
Nie ma uniwersalnego narzędzia. Studenci MIT używali dużych modeli językowych do różnych zadań — od streszczania dokumentacji po analizę wariantów. Wybór narzędzia zależy od konkretnego problemu. Ważne jest, aby zespół rozumiał, jak działa narzędzie i jakie ma ograniczenia [1].
Czy polskie firmy mogą uczyć się z eksperymentu MIT?
Tak. Główna lekcja to: AI przyspiesza pracę w fazach koncepcji i przeszukiwania rozwiązań, ale wymaga weryfikacji człowieka przy szczegółowym projektowaniu i produkcji. Dla polskich MŚP oznacza to, że wdrożenie AI powinno zacząć się od jasnego celu, zbierania danych i szkolenia zespołu [1].
Jakie są bariery dla wdrożenia AI w polskich firmach tough-tech?
Główne bariery to brak strategii, rzadkie dane, brak kompetencji i opór pracowników. Wiele firm testuje AI w izolowanych projektach, ale nie integruje jej z systemami produkcji. Zarządzanie zmianą i wsparcie zarządu są kluczowe dla sukcesu [1].