Интеграция больших языковых моделей
в современные CAD-системы и промышленное проектирование
Комплексное исследование архитектурных ограничений трансформерных моделей, механизмов геометрических и физических ошибок, отраслевых проявлений, экономических и правовых последствий, а также перспективных подходов к преодолению выявленных барьеров.
От фундаментальных ошибок токенизации до мировых моделей и будущего проектирования
К марту 2026 года индустрия автоматизированного проектирования переживает один из самых парадоксальных периодов в своей истории. Большие языковые модели — GPT-5, Gemini 2.5 Pro, Claude 4.5 Sonnet — достигли беспрецедентного уровня в генерации программного кода и обработке естественного языка. Однако, несмотря на этот прогресс, в отрасли сохраняется фундаментальный разрыв между способностью модели генерировать синтаксически корректный код и её способностью понимать физическую реальность проектируемых изделий.
Проектирование реальных конструкций — будь то металлические каркасы для зданий и транспорта или мебель для массового производства — требует не просто манипулирования геометрическими примитивами, но глубокого понимания механики сплошных сред, металлургии, нелинейных процессов разрушения, эргономики и производственных ограничений. Все эти области знаний остаются за пределами статистического горизонта современных трансформеров.
Наиболее характерные проявления этого разрыва — концептуальная путаница между метрическими единицами измерения (миллиметрами) и угловыми величинами (градусами), систематическая генерация физически невозможных объектов (неманифольдная геометрия, самопересекающиеся поверхности), а также алгоритмы обработки, нарушающие фундаментальные законы топологии, сопротивления материалов и элементарного инженерного здравого смысла.
Синтаксически корректные параметрические скрипты, профессиональная терминология, структура кода, генерация документации, автоматизация шаблонов
Физическое заземление, топологическая верификация, анализ усталости, учёт гравитации, производственные ограничения, различение метрических и угловых единиц
Ошибки токенизации, семантическая близость единиц измерения и авторегрессионное накопление ошибок
Одна из фундаментальных причин низкой точности современных LLM в проектировании физических объектов — сама природа токенизации числовых данных. Модели обрабатывают информацию как дискретные единицы — токены, — что принципиально противоречит непрерывной природе физических величин в CAD-системах. Стандартные алгоритмы токенизации вроде Byte-Pair Encoding (BPE) разрушают семантическую целостность числовых данных, превращая координаты и допуски в набор несвязанных символов.
Когда модель сталкивается с числом, обозначающим радиус скругления или толщину стального листа, это число разбивается на токены по частоте их встречаемости в обучающем корпусе, а не по математическому смыслу. Например, значение «10.5mm» может быть токенизировано как «10», «.», «5» и «mm». Математическая суть величины утрачена — она превращается в набор символов, где связь между числом и его физическим значением становится стохастической.
где εM(i) — ошибка авторегрессионной зависимости на каждом шаге генерации токена
Классическое проявление этого сбоя математического рассуждения — широко известная неспособность многих передовых моделей правильно ответить на тривиальный вопрос: «Какое число больше: 9,9 или 9,11?» Модели часто выбирают 9,11, потому что токен «11» несёт больший статистический «вес» в текстовом корпусе по сравнению с «9». В CAD-проектировании это означает, что модель генерирует координаты и размеры на основе не их истинного положения на числовой прямой, а их лексической популярности.
| Тип ошибки | Механизм | Проектное последствие |
|---|---|---|
| Дискретизационный шум | Преобразование непрерывных координат в конечные наборы символов | Нарушение допусков в прецизионных сборках (авиакосмическая отрасль) |
| Авторегрессионное накопление | Ошибка в одном десятичном разряде искажает все последующие предсказания | Геометрический дрейф и рассогласование элементов конструкций |
| Потеря топологической связности | Разрыв семантической связи между соседними точками в пространстве | Неманифольдные рёбра и невозможные геометрии |
| Масштабная инвариантность | Неспособность отличить микродефекты от макрофункций | Слепота к концентраторам напряжений в сварных соединениях |
| Фрагментация чисел | Расщепление десятичных дробей на независимые токены | Ошибки на порядок величины (0,1 вместо 0,01) |
Разрыв в числовых эмбеддингах ведёт к глубокому непониманию моделью природы физических величин. Векторные представления слов «миллиметр» и «градус» формируются исключительно на основе их контекстной смежности в технической литературе, патентах, форумах и репозиториях кода. Поскольку оба термина регулярно сопровождают числовые параметры в описаниях чертежей и скриптах параметрического моделирования, их векторы располагаются крайне близко друг к другу в многомерном латентном пространстве языковой модели.
Эта семантическая конвергенция порождает опасные ошибки при переводе инженерного замысла в исполняемый код. Модель может корректно «понять» текстовый промпт, требующий повернуть деталь на 30 градусов вокруг оси Z, но из-за статистической близости токенов и высокой вероятности функции перемещения в схожих контекстах сгенерированный скрипт может содержать операцию перемещения на 30 миллиметров вместо операции поворота на 30 градусов.
blade_2 = blade.translate(x=120 mm, y=0 mm, z=0 mm)
blade_3 = blade.translate(x=240 mm, y=0 mm, z=0 mm)
# Лопасти не сходятся в центре — линейный массивblade_2 = blade.rotate(angle=120 deg, az=1)
blade_3 = blade.rotate(angle=240 deg, az=1)
# Три лопасти сходятся на валу — пропеллерВероятностная логика LLM создаёт дополнительный уровень проблем. Модели оптимизированы на предсказание следующего наиболее вероятного токена, формируя лингвистические последовательности, имеющие смысл синтаксически, но совершенно лишённые физической достоверности. В традиционных геометрических ядрах вроде OpenCascade каждая операция строго детерминирована: система вычисляет пересечения граничных представлений, использует конструктивную блочную геометрию и немедленно сигнализирует об ошибке при нарушении законов топологии. LLM, напротив, работают «вслепую», генерируя текстовый код без встроенного симулятора физического пространства или механизма верификации.
| Характеристика | Алгоритмические CAD-ядра (OpenCascade) | Большие языковые модели (LLM) |
|---|---|---|
| Природа вычислений | Детерминированная, аналитическая геометрия | Вероятностная, статистическое предсказание токенов |
| Обработка параметров | Строгая типизация (длины, углы, радиусы несут конкретный смысл) | Языковые эмбеддинги (числа — это просто текст) |
| Топологический контроль | Непрерывная проверка целостности B-Rep | Отсутствует; только внешние инструменты |
| Связь с физикой | Встроенные ограничения на самопересечения и нулевую толщину | Игнорирует физические законы ради лексической связности |
Современные CAD-системы используют граничное представление (B-Rep) для описания 3D-объектов. B-Rep — это сложная структура, в которой топологические сущности (грани, рёбра, вершины) связаны с геометрическими поверхностями и кривыми. Проблема стандартных LLM в том, что они воспринимают CAD-модели как последовательности текстовых команд (скрипты OpenSCAD или CadQuery), полностью игнорируя пространственные взаимосвязи между элементами.
В 2026 году это описывается как «парадигменный разрыв»: параметрическое моделирование в CAD-системах неразрывно связано с B-Rep, поскольку операции вроде «фаски» или «скругления» требуют явного выбора B-Rep-примитивов из промежуточного состояния модели в момент выполнения команды. LLM, не имея доступа к ядру геометрического моделирования в процессе своего «рассуждения», часто предсказывают операции над несуществующими или неверно идентифицированными гранями.
Конвертация B-Rep в токены, понятные языковой модели, сталкивается с проблемой накопления ошибок. Даже небольшая неточность координат при генерации параметров скругления и фаски приводит к нарушению топологической целостности модели, делая её невозможной для открытия в стандартных CAD-пакетах.
Для решения парадигменного разрыва к началу 2026 года были разработаны специализированные архитектуры, такие как Pointer-CAD и FutureCAD. Они используют графовые нейронные сети (GNN) для кодирования B-Rep в виде неориентированного графа смежности граней G(V, E), где узлы представляют грани, а рёбра — общие границы.
Формула обновления признаков узлов GNN-энкодера для B-Rep
Эта формула позволяет модели «видеть» топологию изделия перед генерацией следующей команды. Использование механизма указателей на существующие геометрические примитивы позволяет модели «привязываться» к рёбрам и граням, сокращая ошибки сегментации на два порядка по сравнению с чисто авторегрессионными методами. Pointer-CAD демонстрирует значительное улучшение в генерации сложных конструкций — фасок и скруглений, — критически важных для промышленного проектирования, но ранее ненадёжных при генерации через LLM.
Современные 3D-LLM часто заявляют о способности понимать трёхмерные сцены. Однако детальный анализ показывает, что значительная часть этого прогресса иллюзорна. Исследования начала 2026 года выявили критическую зависимость моделей от лингвистических «текстовых шорткатов». При оценке на популярных бенчмарках вроде SQA3D модели показывают высокие результаты, которые, как выяснилось, могут быть достигнуты простой дообучением текстовой модели на парах «вопрос-ответ» без использования каких-либо 3D-данных. Это указывает на то, что модели не выполняют подлинный 3D-анализ, а лишь эксплуатируют статистические закономерности в описаниях объектов.
Разрыв между декларативным знанием и физическим заземлением подтверждается результатами более строгих тестов, таких как Real-3DQA. Этот бенчмарк исключает вопросы, угадываемые из контекста, и вводит строгую таксономию аспектов 3D-рассуждения. В этих условиях производительность существующих 3D-LLM падает более чем на 60%, а тесты на устойчивость к смене точки наблюдения демонстрируют почти полный отказ системы.
Результаты на март 2026 года подтверждают: масштаб модели не конвертируется автоматически в пространственный интеллект.
| Категория задачи | Точность (IoU-0.50) | Основной фактор ошибки |
|---|---|---|
| Идентификация объекта по названию | 82,4% | Зависимость от текстовых описаний |
| Определение относительного положения | 21,7% | Ошибки пространственной навигации |
| Оценка абсолютного расстояния | 4,1% | Отсутствие метрического заземления |
| Предсказание устойчивости сборки | 3,2% | Гравитация и масса игнорируются |
| Топологическая корректность B-Rep | 0,8% | Ошибки квантования координат |
«Модели лишены того “чувства физики”, которое у человека является продуктом эволюционного взаимодействия с физическим миром.» — MBZUAI Research, 2026
Проектирование металлических изделий требует учёта специфических свойств материалов: предела текучести, модуля упругости, пластичности и — что наиболее критично — сопротивления усталости. LLM часто демонстрируют «внутренние галлюцинации» — ошибки рассуждения, основанные на ложном внутреннем заземлении знаний. Модель может предложить конструкцию стальной балки на основе данных статической прочности, полностью игнорируя циклическое нагружение, которое приведёт к усталостному разрушению.
Усталость металла — это процесс накопления повреждений при знакопеременных напряжениях. Ключевой параметр — кривая Вёлера (S-N кривая), описывающая зависимость между амплитудой напряжений и числом циклов до разрушения. LLM не понимают нелинейный характер этих кривых и часто интерполируют запасы прочности линейно — практика, недопустимая в инженерии.
Исследования марта 2026 года подтверждают, что LLM не способны адекватно оценить влияние концентраторов напряжений, таких как точки сварки в T-образных профилях автомобильного шасси. Модель может визуально правильно расположить сварные швы, но не учтёт того, что изменение толщины элемента всего в 1,2 раза может ускорить распространение усталостной трещины в 8,5 раз.
| Марка стали | Предел текучести (МПа) | Характеристики разрушения, игнорируемые LLM |
|---|---|---|
| Е36 (судостроительная) | ~355 | Высокая чувствительность сварных соединений к хрупкому разрушению при низких температурах |
| DC04 (листовая сталь) | ~210–270 | Сильная зависимость от деформационного упрочнения при гибке |
| AISI 316L (аддитивная) | ~290 | Анизотропия свойств в зависимости от направления построения на 3D-принтере |
| S500MC (высокопрочная) | ~500 | Склонность к образованию трещин в зоне термического влияния при сварке |
Сварка металлоконструкций — это сложный термомеханический процесс, вызывающий значительные остаточные напряжения и геометрические деформации. Обычные LLM не обладают «мировыми моделями», способными предсказать, как тепло дуги изменит геометрию изделия после остывания.
LLM часто ошибаются в последовательности сварки. Для крупных конструкций порядок сварочных проходов критичен для контроля деформаций. Статистическая модель может предложить симметричную последовательность из «эстетических» соображений, но не учтёт реальное распределение температурного поля — что приведёт к короблению балки за пределы допусков. В 2025–2026 годах активно развивается область ИИ-программирования роботов-сварщиков, использующих «AI Driven Similarities» для распознавания геометрии изделий и привязки к верифицированным базам данных сварочных параметров. Однако фундаментальное понимание процесса остаётся за специализированными пространственно-временными графовыми нейронными сетями (STGNN), обученными на данных физических симуляций МКЭ для предсказания термических историй.
LLM обладают тем, что исследователи называют «текстурой экспертного дискурса» — они используют профессиональные термины вроде «изгибающий момент», не понимая стоящей за ними физики.
Полевые отчёты за 2026 год описывают случаи, когда системы проектировали тяжёлые каменные столешницы на опорах с низкой жёсткостью, не осознавая, что конструкция рухнет мгновенно. Модели не понимают концепции пути нагрузки, который должен непрерывно соединять массу объекта с основанием.
LLM «знают», что «стандартная высота стола — 75 см». Но при генерации параметрических скриптов модель часто теряет пропорциональные зависимости между деталями.
Стул может получить глубину сиденья 20 см при высоте спинки 1,5 м. В отчётах зафиксирован барный стул с подножкой на высоте 85 см — физически недоступной для ног. Причина: отсутствие воплощённости — модель никогда не сидела на стуле.
В секторе ИИ-интерьеров (Planner 5D, Foyr Neo) главным вызовом 2026 года остаётся разрыв между визуализацией и реальными изделиями.
Пользователи сталкиваются с «рандомностью игрового автомата» — каждая генерация непредсказуемо меняет размеры мебели. Решения включают объектное редактирование «на месте» и привязку каждого визуализированного токена к реальным SKU поставщиков для мгновенной проверки наличия, цены и размеров.
Состояние, при котором геометрическая модель не может существовать в реальном физическом мире — она не образует единый замкнутый объём. Рёбра, разделяемые тремя и более гранями, изолированные вершины, парящие в пустоте, внутренние грани, пересекающие замкнутый объём.
Когда ИИ генерирует 2D-эскиз, линии которого пересекаются сами с собой, а затем пытается применить операцию экструзии. Традиционные CAD-ядра выдают ошибку; вероятностные ИИ-генераторы создают фантомные объёмы.
Возникают из-за недостаточной точности расчёта координат при объединении сложных поверхностей, особенно в аппроксимации Безье и NURBS. Делают модели непригодными для 3D-печати и механической обработки.
Разрыв между лингвистическим интеллектом и физическим миром наиболее ярко проявляется через ошибки аффордансов — когда модель генерирует действия или свойства объектов, физически невозможные. LLM оперируют словами, а не материалами. Исследовательский проект, тестировавший способности генеративных моделей к проектированию велосипедных рам, обнаружил, что ИИ, оптимизированный на структурное сходство с обучающими данными, генерировал рамы инновативного внешнего вида. Однако элементы рамы перекрывались или пересекались способами, делающими физическую сборку невозможной — ИИ полностью игнорировал конструктивные ограничения и допуски посадок.
Истинный масштаб неспособности ИИ к физическому моделированию проявляется при тестировании моделей на задачах обработки реальных деталей. Оценка передовых моделей (Gemini 2.5 Pro, GPT-4o, Claude 3.7) при создании технологического плана токарно-фрезерной обработки латунной детали выявила катастрофические пробелы в базовом инженерном мышлении:
ИИ регулярно предлагает зажать заготовку, выполнить первичное фрезерование, затем повернуть сам зажимной блок на 90° для сверления — не понимая, что металлическое приспособление полностью блокирует доступ инструмента.
При отношении длины к диаметру более 10:1 ИИ игнорирует риск прогиба. Когда на это указывают, абсурдно предлагает жёсткий поджим задней бабкой — что мгновенно согнёт тонкостенную латунную трубу.
Модели рекомендуют инструменты, чьи физические размеры не позволяют проникнуть в зону обработки — например, генерируют код для обработки внутреннего уступа 90° вплотную к цанге стандартным инструментом.
ИИ предлагает установить Z0 на необработанной поверхности заготовки вместо предварительно подрезанного торца, делая невозможным достижение микронных допусков.
В промышленном проектировании действует эмпирическое правило: стоимость исправления инженерной ошибки возрастает в геометрической прогрессии на каждом последующем этапе жизненного цикла изделия. Ошибка, на исправление которой требуется минута на этапе CAD-моделирования, обходится в десятки тысяч долларов при обнаружении на производстве и может стоить миллиарды, если дефектная продукция попадёт к потребителям.
Компания внедрила автоматизированную передачу данных из CAD в ERP. Из-за ошибки ИИ в интерпретации десятичной точки в спецификацию материалов (BOM) попали некорректные данные. Завод заказал стальные листы толщиной 15 мм вместо требуемых 1,5 мм. Ошибка была обнаружена только после того, как материалы на $23 000 были доставлены и частично нарезаны — что привело к двухнедельной задержке производства и поставило под угрозу отношения с ключевым клиентом.
В 3D-печати неманифольдная геометрия может вызвать столкновение печатающей головки и возгорание экструдера. При фрезеровании на ЧПУ неверно интерпретированные единицы могут направить фрезу в рабочий стол на полной скорости. Средняя стоимость производственного сбоя, связанного с некорректными CAD-файлами, достигает 6,98 млн канадских долларов (IBM, 2025).
Ключевой фактор, превращающий теоретические ограничения LLM в реальные производственные катастрофы. Когда инженер получает синтаксически безупречный, визуально корректный код от LLM, критическое мышление притупляется. Исследования подтверждают, что подходы «человек в контуре» становятся неэффективными — скорость и объём генерации ИИ перегружают человеческое восприятие. Инженеры постепенно теряют «чутьё к металлу», необходимое для обнаружения скрытых геометрических парадоксов.
| Проектный параметр | Ошибка LLM | Производственное последствие |
|---|---|---|
| Допуски | Нулевой зазор или перепутанные единицы | Детали невозможно собрать; спекание при печати |
| Толщина стенки | Стенки тоньше физического предела | Хрупкость, пропуск слоёв, разрушение детали |
| Ориентация | Ориентация по визуальной эстетике | Низкая межслойная адгезия, разрушение под нагрузкой |
| Булевы операции | Перекрытие тел без вычитания полости | Отсутствие функциональных отверстий в объекте |
EU AI Act, вступающий в активную фазу реализации в 2025–2026 годах, классифицирует ИИ в критической инфраструктуре (включая проектирование металлоконструкций для зданий и транспорта) как системы высокого риска. Требования включают системы управления рисками, детальную техническую документацию, автоматическое журналирование событий и человеческий надзор. Штрафы за несоответствие достигают €35 млн или 7% мирового оборота.
| Барьер данных | Суть проблемы | Влияние на интеллект LLM |
|---|---|---|
| Режим коммерческой тайны | CAD-данные защищены NDA, никогда не попадают в открытый доступ | Модели обучаются на упрощённых учебных примерах, а не реальных изделиях |
| Модальный разрыв | Несоответствие текста документации и геометрии изделия | Модель знает «как описать» дефект, но не «как увидеть» его в 3D |
| EU AI Act | Требования к прозрачности и качеству наборов данных | Ограничивает использование синтетических данных для критических систем |
| Ответственность агента | Неясное распределение вины за ошибки | Корпоративная осторожность в делегировании полномочий LLM |
Если генеративный дизайн, созданный ИИ, содержит конструктивный дефект, ведущий к катастрофе, ответственность полностью ложится на инженера и проектную организацию. ИИ не может нести ответственность и не способен заменить годы обучения и профессиональное суждение. Проблема заключается в непрозрачности LLM (эффект «чёрного ящика»): в случае разрушения детали экспертная комиссия не сможет проследить причинно-следственную связь и установить, почему алгоритм выбрал именно эту геометрию. Отсутствие объяснимости делает применение «чистых» LLM в критических системах не только опасным, но и юридически недопустимым.
PINN, нейросимволический ИИ, CAD-Tokenizer и мировые модели — четыре пути к физическому заземлению
Критическое ограничение LLM — их «чёрный ящик»: они минимизируют ошибку предсказания текста, а не нарушения физических законов. PINN, напротив, встраивают управляющие дифференциальные уравнения (PDE) — такие как уравнения Навье-Стокса или теплопроводности — непосредственно в функцию потерь.
где Lphys — невязка дифференциального уравнения, штрафующая за нарушения законов сохранения
Для проектирования мебели это позволяет модели оценивать напряжения и деформации элементов без дорогостоящего конечно-элементного анализа (МКЭ). Для расчёта рам используется теория балки Эйлера–Бернулли:
w — прогиб, E — модуль упругости, I — момент инерции сечения, q — распределённая нагрузка
| Параметр | Традиционный МКЭ | Подход PINN (2026) |
|---|---|---|
| Требуется сетка | Необходима сложная дискретизация | Бессеточный метод |
| Работа с зашумлёнными данными | Чувствителен к ошибкам геометрии | Устойчив к зашумлённым измерениям |
| Скорость параметрического исследования | Низкая (полный пересчёт) | Высокая (быстрая аппроксимация) |
| Интеграция с LLM | Затруднена (разные домены) | Нативная через функции потерь |
| Точность единичного расчёта | Высокая | Растущая, требует настройки весов |
Использование гибридных фреймворков, где LLM выступает «агентом-планировщиком», а PINN оптимизирует результат, может сократить время проектирования на 40–85% при сохранении физической достоверности.
Наиболее перспективный ответ на метрическую путаницу и топологические галлюцинации — концепция нейросимволического ИИ (NSAI). Этот подход объединяет интуитивную, творческую мощь нейронных сетей со строгой, детерминированной логикой классического символьного вычисления (CAD-ядер, МКЭ-симуляторов, физических движков).
Пользователь описывает деталь → LLM пишет черновой скрипт проектирования
Код → геометрическое ядро → проверка самопересечений → МКЭ → соответствие допускам
Математический отчёт об ошибке → коррекция LLM → цикл до сходимости
| Парадигма | Роль нейронной сети | Контроль физики и геометрии | Вероятность фатальной ошибки |
|---|---|---|---|
| Чистая LLM-генерация | Создаёт финальный продукт из промпта | Отсутствует | Крайне высокая |
| Нейросимволический ИИ | Перевод намерений, генерация гипотез, итеративная коррекция | Строгий; внешние МКЭ/CAD-решатели блокируют некорректный код | Низкая |
В строительном проектировании интеллектуальный ассистент на основе гибридной связки LLM + детерминированные алгоритмы достиг 94% точности генерации спецификаций, полностью устранив опасные для жизни галлюцинации при сохранении высокой скорости работы.
Инновационный подход CAD-Tokenizer переводит геометрические конструкции в модально-специфические токены. Система использует векторно-квантованные вариационные автоэнкодеры (VQ-VAE), обученные на CAD-последовательностях. VQ-VAE сжимает пары операций (например, «создать 2D-эскиз» + «операция экструзии») в единые дискретные токены, сохраняя семантику на уровне базовых геометрических примитивов.
При генерации применяется стратегия декодирования на основе конечного автомата (FSA). Этот алгоритм принудительно встраивает строгую формальную грамматику CAD в процесс генерации ответа моделью. Если ИИ пытается сгенерировать токен, который привёл бы к самопересечению эскиза или нарушению топологии B-Rep, автомат блокирует этот путь, вынуждая модель выбрать физически реализуемый вариант.
Дополнительно внедряются алгоритмы адаптивного распределения вычислений. Новые методы адаптивного рассуждения позволяют ИИ анализировать сложность задачи и динамически «обдумывать» несколько путей решения, оценивая вероятность успеха каждой геометрической конструкции.
Будущее проектирования — в переходе от языковых моделей к «мировым моделям». К марту 2026 года такие компании, как World Labs (Marble) и NVIDIA (Cosmos), начали развёртывание систем, которые воспринимают физическую среду не через текст, а через визуально-геометрическую симуляцию.
NVIDIA Cosmos 3 — первая фундаментальная мировая модель, объединяющая синтетическую генерацию миров, визуальное рассуждение и симуляцию действий. World Labs развивает концепцию «3D как код», где трёхмерное пространство становится универсальным интерфейсом для генерации, редактирования и симуляции миров.
Мировые модели позволяют ИИ предсказывать, как сцена или объект изменятся под действием внешних сил, учитывать физические ограничения (кинематику, свойства материалов) при планировании действий, а также использовать «латентное рассуждение» для оптимизации проектирования в векторном пространстве без генерации промежуточного текста — в 30 раз быстрее традиционных подходов «цепочки рассуждений».
Для проектирования мебели это означает возможность «проигрывать» сценарии использования: как распределится нагрузка, если человек сядет на край стула; заблокирует ли открытая дверца шкафа проход при конкретной планировке; как изменятся тени и освещение в комнате при перемещении источника света.
AutoConstrain + обучение с подкреплением
Проект AutoConstrain использует методы обучения с подкреплением, адаптированные из исследований LLM, для автоматического наложения геометрических ограничений. Это позволяет машине понимать «проектный замысел»: если пользователь меняет ширину стола, ИИ автоматически сохраняет симметрию ножек, потому что понимает их функциональную роль — а не только геометрические координаты.
RL-модель создала полностью ограниченные эскизы в 93% случаев против 8,9% для базовой модели.
Виртуальные компаньоны LEO и MARIE
Dassault Systèmes представила ассистент AURA — специализированную LLM, работающую в защищённом облачном окружении с доступом к обширной базе технических стандартов. К 2026 году появились виртуальные компаньоны:
LEO специализируется на механическом проектировании и симуляции, генерируя структуры сборок и устраняя проектные ошибки в STEP-файлах. MARIE привносит глубокие знания в области материаловедения и химии, помогая инженерам в разработке гипотез и подборе материалов для сложных условий эксплуатации.
Проектирование в 2026 году начинает использовать «subdivision-native» рабочие процессы, в которых дизайнеры работают с управляющей сеткой, а ИИ в реальном времени обновляет конечно-элементную сетку и выполняет проверки прочности и технологичности, не прерывая творческий процесс. Это означает конец эпохи LLM как простых чат-ботов и начало эпохи интегрированных инженерных партнёров, обладающих заземлённым пониманием физического мира.
Настоящее исследование подтверждает, что современные LLM по состоянию на март 2026 года остаются мощными помощниками (копилотами) в написании скриптов и автоматизации документации, но не являются полноценными инженерами-конструкторами. Их слабое понимание физики обусловлено архитектурными ограничениями токенизации, отсутствием прямой связи с геометрическими ядрами CAD и недостатком доступа к проприетарным физическим данным.
Галлюцинации LLM, проявляющиеся как путаница между угловыми и метрическими единицами, а также генерация физически бессмысленных конструкций, — это не временные программные ошибки, а системные технологические ограничения, обусловленные доминированием алгоритмов токенизации естественного языка над принципами аналитической геометрии и законами физического взаимодействия материалов.
Экономические и производственные последствия слепого доверия к данным, сгенерированным ИИ, могут быть катастрофическими. Феномен предвзятости автоматизации притупляет инженерную бдительность, позволяя микроскопическим ошибкам проникать на производственные линии.
Используйте LLM исключительно для генерации базовой структуры параметрического кода (CadQuery, Dynamo, OpenSCAD) с обязательной последующей ручной проверкой геометрической логики.
Внедряйте нейросимволические архитектуры, где выходные данные LLM проходят через фильтры PINN или классические МКЭ-решатели (Parasolid, OpenCASCADE).
Контролируйте «дрейф модели» и галлюцинации в числовых допусках и свойствах материалов с помощью специализированных инструментов обнаружения галлюцинаций.
Переходите на специализированные CAD-токенизаторы и графовые представления (Pointer-CAD, CAD-Tokenizer) для более глубокого пространственного заземления ИИ в топологии.
Принудительно оборачивайте все генерируемые числовые значения в строго типизированные классы — Length(90) vs Angle(90) — блокируя исполнение на уровне синтаксиса.
Обеспечьте соответствие требованиям EU AI Act при использовании ИИ в проектировании критической инфраструктуры — системы управления рисками, техническая документация и человеческий надзор.
Проектирование требует точности, которая в нынешней парадигме LLM является статистической случайностью, а не физической необходимостью. Переход к подлинному физическому интеллекту потребует фундаментального пересмотра принципов обработки данных в нейронных сетях — от дискретных токенов к непрерывным пространственным представлениям. Будущее автоматизированного проектирования — не в расширении словаря универсальных LLM, а в создании специализированных систем, где вероятностная природа нейронных сетей жёстко контролируется детерминированными математическими CAD-ядрами.
Будущее автоматизированного проектирования — не в расширении словаря универсальных LLM, а в создании специализированных систем, где вероятностные нейронные сети жёстко контролируются детерминированными математическими CAD-ядрами.
Когнитивный разрыв и физическое заземление · Аналитический отчёт · Март 2026 · Консолидированное исследование · 40+ источников