Эссе на a16z.news: ИИ-инженеры по железу близки, но упрутся в физику

Автор эссе (в доступном тексте он не назван) начинает с личной истории: свой первый FPV-дрон он собирал восемь месяцев. Детали заказал в январе, получил в феврале, вспомнил о покупке в июне, собрал и поджёг дрон в июле, пересобрал и разбил о крышу соседа в августе и только после этого, по настоянию жены, скачал симулятор полётов. «Сверхразумный ИИ наверняка справился бы лучше», пишет автор.

По его оценке, передовые нейросети сегодня ещё далеко не сверхчеловеческие, но уже умеют генерировать CAD-модели, проектировать печатные платы под заказ, подбирать готовые серийные компоненты (COTS) и описывать, как их собирать. Тесты по проектированию железа, CAD Arena, EE Bench и собственный LuxoBench автора, показывают устойчивый рост, а ставить против «Горького урока» (Bitter Lesson), по его словам, нужно быть сумасшедшим. Главный тезис: интерфейс между цифровым и физическим миром теряет информацию. Из-за этого трудно «записывать» изменения из мира битов в мир атомов и трудно «читать» физические измерения обратно в компьютер. Это определит, когда и как появятся сверхчеловеческие инженеры, и даже когда модели научатся стабильно выдавать электромеханические проекты с первого раза, работы у них останется много.

Запись: от цифрового проекта к собранным атомам. После выхода OpenAI GPT-6 Astra интернет заполнили демонстрации её 3D-проектирования: Том Крча смоделировал паровоз, Томас Рикуар сделал прогулку по фотореалистичному дому, Аншу Чимала, 3D-игру, Шариф Шамим, Дворец изящных искусств в Сан-Франциско. Инженеры по железу задались вопросом, потянет ли модель инженерный CAD: Ним Чима, сооснователь Dessn AI, попросил Astra сделать DJ-контроллер, Роберто Никсон заставил лучшие модели спроектировать, рассчитать и напечатать на 3D-принтере мосты. Автор запустил luxobench.com, где просил Astra от OpenAI, Fable 5.1 от Anthropic и Grok 4.6 от SpaceXSI помочь построить интерактивную настольную лампу. Вывод: сами по себе модели пока «не совсем готовы» к серьёзной аппаратной инженерии.

Автор делит создание железа на уровни, каждый из которых требует отдельных навыков. 101: разбить изделие на компоненты, найти серийные детали, проверить их совместимость, спроектировать механические и электрические соединения, убедиться в собираемости и закупить детали. Даже это ломает графики лучших команд: по биографии Илона Маска авторства Уолтера Айзексона, в 2006 году огневое испытание Falcon 1 задержал конденсатор, который был в наличии только в магазине примерно в 6000 миль от стартовой площадки посреди Тихого океана. 201: изготовление нестандартных деталей. Инженер не может нажать «печать», он идёт к станочнику, который переводит CAD в CAM-программу для ЧПУ-станка; это кустарный процесс, требующий мастера, выбирающего заготовку, оснастку, инструмент и стратегию резания. Он даёт вариативность, а она ведёт к ошибкам трансляции. 301: сборка сложных электромеханических узлов, где допуски «накапливаются»: каждая деталь может соответствовать чертежу, а узел всё равно не собирается; кроме того, детали делают разные команды, и требования, сроки и риски нужно согласовывать. 401: внешние поставщики. SpaceX, чемпион вертикальной интеграции, имеет 591 текущего сотрудника с должностями в цепочках поставок и смежных и ищет ещё 128. 501: всё то же в массовом масштабе; собрать один экземпляр и миллион, принципиально разные задачи: растёт чувствительность к вариативности деталей и процессов, нужно финансирование заранее, обучение людей или программирование машин, и быстро упираешься в пределы поставщиков. Все эти проблемы «записи» принципиально решаемы, но решать их надо по одной. Чистое проектирование (идеальная деталь под задачу) относительно подъёмно и может оставаться внутри машины, а проектирование под производство требует больше взаимодействия с реальным миром и, по прогнозу автора, должно даваться моделям труднее.

Чтение: наблюдение и измерение реального мира. Друг автора закупает 45 миллионов кур в неделю, но даже при тех же спецификациях, поставщиках и оборудовании недельный разброс выхода товарных продуктов после переработки (например, грудок для супермаркета) исторически доходил до 20%. Снизить его удалось только огромными усилиями: измерением каждого шага цепочки, уговорами поставщиков и сложной работой с данными; в одном случае он нашёл глубоко в цепочке поставщика, закачивавшего в кур воду перед отправкой, вес на входе сходился, но воды вместо мяса не хватало. Автор называет пять причин, по которым реальный мир трудно читать. Первая: он неоднороден и постоянно меняется, у объектов есть дефекты, свойства зависят от температуры, детали изнашиваются, даже настроенные процессы и приборы уходят в сторону. Вторая: данные разрежены; на спутниках тепловая команда хотела бы поставить термисторы почти везде, но свой голос есть и у программистов, конструкторов и производства, а при поломке часто выясняется, что не хватает какого-то неочевидного снимка или датчика. Третья: данные дороги, особенно в гонках Формулы-1 и пилотируемой космонавтике; координатно-измерительные машины (CMM) не дёшевы и медленны в закупке и работе. Четвёртая: у физического мира есть собственная задержка, плату можно термоциклировать лишь с какой-то скоростью, а усталостные испытания требуют времени. Автор вспоминает любимую машину в Astranis, установку ускоренных испытаний на ресурс (HALT), в обиходе «shake and bake», сочетающую вибрацию с быстрыми температурными циклами: даже если новые версии платы рождаются быстро, весь тест приходится прогонять заново каждый цикл. Пятая: часть информации качественная (нравится ли продукт пользователям, удобно ли держать устройство, легко ли собрать компонент), и вернуть её в цифровой цикл обучения исключительно трудно.

Эти ограничения данных, по мнению автора, главный фактор неровности («зубчатости») развития ИИ: чем количественнее и машиночитаемее результат теста, тем быстрее модели лезут в гору. Сколько эти препятствия смогут сдерживать «неудержимую силу Горького урока», пока неизвестно. Доступный текст обрывается в начале раздела о разработке железа в мире AGI: там автор отмечает, что проектирование цифровое и потому «очень понятно моделям», а аппаратная инженерия итеративна (проектируй, строй, тестируй, повторяй), и каждый виток занимает время.

Ключевые факты

Автор эссе на a16z.news ждёт сверхчеловеческих инженеров по железу «скоро, возможно очень скоро»; по его оценке, сегодняшние модели далеки от этого, но уже умеют генерировать CAD, проектировать печатные платы, подбирать серийные детали и описывать сборку.
Главный тезис: интерфейс между цифровым и физическим миром теряет информацию, трудно «записывать» проекты в атомы и «читать» измерения обратно в компьютер.
«Запись» делится на пять уровней (101-501): от закупки серийных деталей до выпуска миллиона экземпляров; все проблемы решаемы, но по отдельности. Проектирование под производство, по прогнозу автора, должно даваться моделям труднее чистого проектирования.
«Чтение» реального мира осложняют пять факторов: неоднородность и изменчивость, разрежённые данные, дорогие измерения, физическая задержка и качественная информация.
На собственном тесте LuxoBench автор просил Astra (OpenAI), Fable 5.1 (Anthropic) и Grok 4.6 (SpaceXSI) помочь построить интерактивную настольную лампу и пришёл к выводу, что модели сами по себе пока не готовы к серьёзной аппаратной инженерии.

Почему это важно

Эссе формулирует, почему проектирование железа нейросетями упирается не только в качество моделей, но и в границу между цифрой и физикой. Автор признаёт устойчивый рост на тестах CAD Arena, EE Bench и LuxoBench и не верит, что проектирование железа навсегда останется за пределами возможностей передовых моделей, но настаивает, что и после появления моделей, стабильно выдающих электромеханические проекты с первого раза, им предстоит много работы.

Кому это важно

Инженерам-аппаратчикам и руководителям аппаратных команд, которые оценивают, где ИИ сможет их заменить или усилить; специалистам по цепочкам поставок и производству (автор показывает, где именно ломаются закупки, изготовление и масштабирование); тем, кто следит за способностями передовых моделей в проектировании.

Как это применить

Практических инструкций в доступном тексте нет. Рамка автора для оценки задач: чем больше шаг остаётся внутри компьютера (чистое проектирование), тем быстрее его возьмут модели; чем больше он требует взаимодействия с реальным миром (проектирование под производство, закупки, испытания), тем медленнее. Уровни 101-501 можно использовать как чек-лист того, какие навыки нужны на каждом этапе выпуска железа.

Можно ли доверять

Это авторское эссе-мнение, а не исследование: прогнозы («скоро, возможно очень скоро», «должно оказаться труднее»), оценки автора. В доступном тексте автор не назван, он указывает собственный опыт (спутниковые программы, Astranis, любительские дроны) и свой тест LuxoBench; значений баллов CAD Arena, EE Bench и LuxoBench в тексте нет, так что тезис о «устойчивом росте» проверить по нему нельзя. История про конденсатор для Falcon 1 приведена по пересказу биографии Маска авторства Уолтера Айзексона. Доступная часть текста обрывается в начале раздела об AGI, поэтому итоговые выводы автора не видны.

Риски и подводные камни

Не стоит читать эссе как доказательство близкого срока: срок назван лишь словами «скоро, возможно очень скоро», без оценок. Часть примеров анекдотична (куры, дрон автора, Falcon 1). Тест LuxoBench принадлежит самому автору, а какая модель справилась лучше и каким получился результат с лампой, в доступном тексте не сказано. Автор и сам оговаривается, что вопрос о том, как долго ограничения данных смогут сдерживать «Горький урок», остаётся открытым.

«Интерфейс между цифровым и физическим миром теряет информацию.»

— из эссе на a16z.news (автор в тексте не назван)