Künstliche Intelligenz hat die Softwareentwicklung rasant verändert. Generative KI und große Sprachmodelle (LLMs) können riesige Mengen an Code und Dokumentation erstellen; Algorithmen für maschinelles Lernen können die Leistung überwachen und Sicherheitslücken erkennen. Aber sind diese KI-Werkzeuge gleichermaßen transformativ, wenn es darum geht, ein komplexes physikalisches System wie ein Düsentriebwerk zu konzipieren, zu entwerfen und herzustellen?
Im vergangenen Semester ging es bei der JARVIS Problem (Jet-engine AI Analysis and Validation Intensive Dash) darum, zu untersuchen, ob KI den Design-Construct-Check-Zyklus komprimieren kann, und forderte MIT-Studenten auf, herauszufinden, ob KI ihnen dabei helfen kann, schneller und besser zu bauen.
„Die JARVIS-Herausforderung hat gezeigt, dass KI die Entwicklung sicherheitskritischer {Hardware} erheblich beschleunigen kann, aber das technische Urteilsvermögen bleibt das entscheidende Unterscheidungsmerkmal. Ein KI-nativer Ingenieur wird nicht dadurch definiert, dass er KI nutzt, sondern indem er sie leitet – er weiß, wann er ihr vertrauen, wann er sie herausfordern und wie er KI-Ausgaben in funktionierende {Hardware} umwandeln kann. Die Fertigung – nicht technisches Design oder Analyse – blieb der grundlegende geschwindigkeitsbegrenzende Schritt“, sagt Professor Zolti Spakovszky, Direktor des MIT Gasturbinenlabor.
Die Groups, die Werkzeuge, die Aufgabe
Die Herausforderung gab Studenten vier Wochen Zeit, um ein kleines Gasturbinen-Flugtriebwerk zu entwerfen, herzustellen, zu montieren und zu testen, wobei sie KI als primären technischen Associate nutzten. Das Ziel: ein Single-Spulen-Jet-Triebwerk der „JARVIS-Klasse“ zu bauen, das 50–100 Pfund Schub erzeugt, mit Jet-A läuft und fünf 60-Sekunden-Läufe absolviert. Die Groups hatten völlige Freiheit bei Design, Materialien und Herstellung.
31 Studenten, die quick alle Abteilungen der Fakultät für Ingenieurwissenschaften repräsentierten, waren in sieben Groups organisiert, von allen Erstklässlern bis hin zu Seniorengruppen. Viele der Teilnehmer hatten zunächst wenig Erfahrung mit Turbomaschinen, kompressiblen Strömungen oder, im Fall der jüngeren Studenten, sogar mit Thermodynamik. Viele hatten noch nie das Innere einer Gasturbine gesehen, bevor sie sich zum Bau einer solchen angemeldet hatten.
Zu ihrer Verfügung: die Maschinenwerkstätten und Fertigungslieferanten des MIT; kommerzielle Software program einschließlich Ideas NREC, SolidWorks und ABAQUS; und verschiedene Prüfstände zur Charakterisierung und Montage einzelner Komponenten.
Auch die Groups hatten Zugriff darauf MIT Parleyeine neu eingeführte Plattform, die grenzüberschreitende große Sprachmodelle über eine einzige Schnittstelle aggregiert. Durch Parley konnten JARVIS-Leiter direkt sehen, wie die Studenten die KI-Instruments nutzten, einschließlich ihrer Eingabeaufforderungen, der Kosten professional Eingabeaufforderung, der spezifischen verwendeten LLMs und anderer wichtiger Informationen. Die JARVIS-Leiter sicherten allen Teilnehmern einen frühen Zugang zu Parley, und mit finanzieller Unterstützung des MIT Lincoln Laboratory, der Abteilung für Maschinenbau und der Unternehmenssponsoren Safran, Voyager Applied sciences, Beehive Industries und Increase Expertise hatten die Studenten Zugang zu einer praktisch unbegrenzten Nutzung von KI.
Die Sponsoren wurden durch das Interesse und die echte Neugier angezogen, wie KI technische Arbeitsabläufe verändern könnte.
„Wir sehen darin die Zukunft des Ingenieurwesens“, sagte Ryan (Hal) Hefron von Voyager Applied sciences den Studenten. „Sie verbessern Fähigkeiten, die nicht nur „good to have“ sind – sie werden die künftige Grundlage in der Ingenieursarbeitswelt bilden.“
Vincent Garnier, Geschäftsführer von Safran Tech, verfolgte den Wettbewerb mit Spannung. „JARVIS struggle ein echtes Experiment, ein Lernvorhaben. Wir wussten ehrlich gesagt nicht, was wir erwarten sollten, weder von den Studenten noch von den KI-Modellen. Was mich von den Studenten beeindruckte, struggle: Zuerst die Begeisterung für die Erkundung; dann, als sich das Projekt entwickelte, kamen sie alle zu der kühlen Erkenntnis, bei was KI ihnen helfen konnte und was nicht, und passten sich dann quick augenblicklich darauf an“, sagt er. „Ich bin zuversichtlich, dass diese Technology führender Ingenieure wahrscheinlich nicht dem einfachen und kurzsichtigen Einsatz von KI zum Opfer fallen wird und dies tun wird, indem sie immer mehr mit Experimenten in Kontakt bleibt – physikalischen Experimenten oder Gedankenexperimenten.“
Die Fakultätsleitung – die Professoren Zachary Cordero, Zolti Spakovszky, Masha People und Andreea Bobu von der Abteilung für Luft- und Raumfahrt sowie Ingenieure des Lincoln Laboratory und ein Group von Lehrassistenten – waren vor Ort, um für die Sicherheit zu sorgen. In wöchentlichen Fortschrittsüberprüfungen bewerteten sie kritisch die Fortschritte der Schüler und beurteilten, wie die Schüler KI nutzten.
Spakovszky entwickelte eine sorgfältige Technik, um Groups in die richtige Richtung zu leiten, ohne Antworten zu verraten oder Hilfe zu leisten. Nach der Präsentation eines Groups könnte er fragen: „Wissen Sie, was eine Falzpassung ist? Nehmen Sie den Kommentar zur Kenntnis.“
Wo KI hilft und weh tut
Am Ende der ersten Woche zog sich ein Group aus dem Wettbewerb zurück; die anderen hatten mit unterschiedlichem Erfolg einen ersten Entwurf für ihre Gasturbinen entwickelt. Verschiedene Groups nutzten KI, um Lehrbücher zusammenzufassen, ihnen den Umgang mit Designsoftware beizubringen, Anbieter zu finden, Excel-Tabellen zu erstellen, spezifische Fragen zu beantworten, Referenzen zu finden und vergleichende Analysen zwischen Designentscheidungen zu erstellen. Ein Group erstellte einen Agenten in Parley und beauftragte ihn mit der Funktion als Projektmanager.
In Woche 2 mussten die Groups mit der Arbeit an detaillierten CAD-Entwürfen, der Bestellung von Teilen und der Prototypenerstellung ihrer Brennkammern beginnen. Hier stießen die Groups beim Einsatz von KI an Grenzen. Während Claude und ChatGPT intestine darin waren, Designalternativen anzubieten und Wissenslücken zu schließen, stellten die Groups fest, dass die Halluzinationen, die Speichelleckerei und der Mangel an körperlichem Verständnis, die zu berüchtigten Merkmalen der generativen KI geworden sind, ihr Selbstvertrauen untergruben und sie verlangsamten.
„KI ist ein hilfreiches Werkzeug, eignet sich hervorragend zum Auffinden von Informationen, hilft beim Organisieren von Dingen und kann intestine schreiben, aber sie kann kein Design“, sagt Elizabeth Tupaj, Mitglied des Groups 811 Crew. „In dem Second, in dem der Ingenieur nicht weiß, was vor sich geht, und die KI das Sagen hat, wird das Design unzuverlässig, zumindest wenn die KI ihre derzeitigen Fähigkeiten ausschöpft.“
Der Lehrassistent John Zhang bemerkt: „Als ich dies aus erster Hand mit den Schülern sah, wurde ich daran erinnert, wie wichtig der erste Eindruck ist. Wenn die Schüler schon früh keine Antworten von der KI erhalten konnten, waren sie schnell frustriert und bildeten sich eine dauerhafte Meinung, die sie davon abhielt, sie später zu verwenden.“
In den letzten Wochen stießen die Finalisten auf ein weiteres Hindernis, das keine KI lösen konnte: die Zusammenarbeit mit Anbietern. „Bei KI-Suchen wurden Anbieter gefunden, zu denen wir keine Beziehung hatten und die kein Interesse an unserem engen Zeitplan hatten“, berichteten Studenten. „Die Anbieter, die durchkamen, waren diejenigen, mit denen unser Group persönliche Beziehungen hatte.“
Von den drei Finalisten gelang es nur Quick und Fractured, ihre Minibrennkammer im ersten Versuch zu zünden. Das Group hatte KI intensiv für Handelsstudien und Architekturvergleiche eingesetzt und kam zu einem realisierbaren Entwurf, obwohl keiner von ihnen über Erfahrung mit Gasturbinen verfügte.
„Die JARVIS Problem hat gezeigt, was möglich ist, wenn man KI-gestütztes Design mit motivierten Studenten und einer Kultur des schnellen Experimentierens kombiniert“, sagt Masha People, Charles Stark Draper Profession Improvement Professor für Luft- und Raumfahrt. „Der Second, der am meisten herausragte, struggle, als die erste von Studenten entworfene Brennkammer auf dem Prüfstand installiert wurde. Sie zündete einwandfrei, erreichte die volle Leistung, ging in den Twin-Gasoline-Betrieb über und sorgte dann für eine stabile Verbrennung mit 100 Prozent Jet-A-Treibstoff. Das struggle der Beweis dafür, dass wir den Zyklus von Design, Bau und Checks drastisch beschleunigen können, während wir den Studenten praktische Erfahrungen mit einer echten technischen Herausforderung ermöglichen.“
An der Spitze der KI-nativen Technik
Bis Ende Mai hatten die beiden älteren Groups – Quick and Fractured und 811 Crew – die vollständigen Triebwerkstests abgeschlossen. Quick und Fractured mit ihrem KI-gestützten Design wurden Woche für Woche durch Probleme der Anbieter verzögert, schafften es aber schließlich zum Testen. Leider wurde ihr heißes Feuer abgebrochen, als der Rotor am feststehenden Gehäuse rieb und festsaß. Group 811 Crew, das vor dem Wettbewerb mehr Erfahrung mit Turbomaschinen und Antriebskonzepten hatte, ging jedoch als Sieger hervor. Ihr Motor startete, wechselte erfolgreich zu Jet-A und erzeugte Nettoschub.
„Als wir mit dem Luftstarter dastanden, hörten, wie ihre Motoren anliefen, und zusahen, wie sie Feuer spuckten, fühlte es sich an, als würde mir das Herz bis zum Hals rasen. Es gab so viele Möglichkeiten, wie etwas schiefgehen konnte! Was diese Studenten in so kurzer Zeit erreicht haben, ist geradezu erstaunlich“, sagt Doktorand Joe Chiapperi.
Das 811-Group hatte sich während des gesamten Wettbewerbs gegen den Einsatz von KI gewehrt und stattdessen auf seine Grundlagen und Teamarbeit vertraut. „Wir hatten Leute, die mit der Konstruktionssoftware zumindest einigermaßen vertraut waren, Maschinenbauingenieure, die wussten, wie man alles baut, und Luft- und Raumfahrtingenieure, die Kurse speziell für die Konstruktion von Gasturbinentriebwerken besucht hatten“, sagt Tupaj.
Von Beginn der JARVIS Problem an nutzten jüngere Schüler Parley häufiger und geschickter, während die jüngeren und älteren Schüler auf umfassendere Erfahrungen zurückgriffen.
„JARVIS hat mir beigebracht, dass es zwei Dinge braucht, um einen Nutzen aus der KI zu ziehen: genügend Fachwissen, um zu beurteilen, was sie einem sagt, und zu erkennen, wenn etwas falsch ist, und genug Neugier, um sich tatsächlich darauf zu stützen, wo sie helfen könnte“, sagt Professor Andreea Bobu. „Das Group, das sich im Dash am schnellsten bewegte, struggle erfahren und stützte sich stark auf KI, um dorthin zu gelangen. Das Group, das schließlich gewann, struggle resistenter gegen KI; es verfügte über das nötige Fachwissen, aber diese Skepsis machte es langsamer. Der Candy Spot scheint darin zu liegen, dass man genug wusste, um die Kontrolle über das Werkzeug zu behalten, und eifrig genug struggle, es überhaupt in die Hand zu nehmen. Für mich liegt darin die wahre Probability, die vor uns liegt: die nächste Technology von Ingenieuren auszubilden, die das Urteilsvermögen haben, diese KI-Werkzeuge zu steuern, und den Instinkt, nach ihnen zu greifen.“
Das deutlichste Ergebnis des Wettbewerbs: Ingenieurserfahrung ist ein Multiplikator und der Faktor Mensch bleibt ein entscheidender Faktor. Die Beherrschung der ersten Prinzipien und grundlegenden Konzepte führt zu einem guten technischen Urteilsvermögen und der Fähigkeit, angesichts unvollständiger Informationen durch eine Reihe schwieriger Entscheidungen zu navigieren. Und wenn es um den Bau sicherheitskritischer physischer Systeme geht, kann nichts menschliche Hände und menschliche Verantwortung ersetzen.
„JARVIS hat gezeigt, dass KI-Copiloten einen multiplikativen Effekt auf die technische Produktivität haben können, wobei Urteilsvermögen und First-Prinzipien-Denken als wichtigste Unterscheidungsmerkmale zwischen Groups dienen“, fügt der Lehrassistent Kyle Woody hinzu.
Aber die Auswirkungen der KI auf die Luft- und Raumfahrt sind erheblich. Wenn kleine Groups mit intestine verwalteten KI-Copiloten die Design-Construct-Check-Zyklen von Jahren auf Wochen verkürzen können, könnten die Folgen für die Personalstruktur, die F&E-Zeitpläne und die Wettbewerbsdynamik erheblich sein. Die Studenten, die sich der JARVIS Problem stellten, gehören zu den ersten Ingenieuren, die sich mit diesen Herausforderungen nicht als Gedankenexperiment, sondern in einer Maschinenwerkstatt mit einem Strahltriebwerk auf dem Prüfstand auseinandersetzen.
„JARVIS hat die Leistungsfähigkeit der KI beim Entwurf physikalischer Systeme hervorgehoben“, sagt Cordero, stellvertretender Direktor des MIT Gasoline Turbine Laboratory. „Es hat sich aber auch gezeigt, dass Bildung der Schlüssel zur Erschließung dieser Macht ist, und zwar durch Kursarbeit, Praktika und praktische außerschulische Aktivitäten wie MIT Motorsports und Rocket Group. Die Leistung bei JARVIS korrelierte stark mit dem Schuljahr. Meine wichtigste Erkenntnis ist, dass Bildung im KI-Zeitalter wertvoller denn je ist.“