Репортаж от Wedoany，9 июня Сет ДеЛанд, менеджер по маркетингу продуктов американской инженерной софтверной компании MathWorks, заявил, что агентный ИИ открывает для инженеров более широкое пространство задач. Соответствующие взгляды сосредоточены на MATLAB, Simulink, модельно-ориентированном проектировании, верификации симуляций и автоматизации выполнения задач, что отражает переход инженерных софтверных компаний от использования возможностей генеративного ИИ для помощи в написании кода к внедрению его в исполняемые и верифицируемые инженерные процессы.
Ключевое изменение агентного ИИ заключается в «циклическом выполнении». После того как инженер задает цели задачи и критерии успеха, ИИ-агент может непрерывно итеративно выполнять написание кода, вызов моделей, запуск симуляций, исправление ошибок и проверку результатов.
В традиционных сценариях помощи инженерам с помощью генеративного ИИ инженеру обычно нужно ввести задачу в чат-интерфейс, затем скопировать сгенерированный код в MATLAB или другую среду разработки для запуска, а после возникновения ошибки снова вернуться в диалоговый интерфейс, описать проблему, получить предложения по исправлению и продолжить тестирование. Недавно опубликованные MathWorks материалы об агентном ИИ для MATLAB и Simulink показывают, что агентный ИИ через протокол контекста модели и набор инструментов соединяет большие языковые модели с инженерными вычислениями, средами симуляции и локальными данными, позволяя ИИ-агенту вызывать функции MATLAB, запускать модели Simulink, считывать данные из рабочей области, выполнять код, анализировать ошибки и продолжать исправлять результаты. Эта модель превращает ИИ, «дающий советы», в ИИ, «способный выполнять задачи», и фокус работы инженера смещается на постановку целей, определение ограничений, верификацию моделей и анализ результатов. Для таких областей, как системы управления, встроенное ПО, обработка сигналов, механическое проектирование, автономное вождение, робототехника и разработка промышленного оборудования, если ИИ-агент может работать в рамках существующей цепочки инженерных инструментов, он может взять на себя больше повторяющихся экспериментов, настройки параметров, соединения моделей и генерации отчетов, позволяя инженерной команде сосредоточиться на системной архитектуре, граничных условиях, верификации безопасности и выборе решений.
В технических материалах MathWorks также подчеркивается, что после внедрения агентного ИИ в инженерные процессы надежность и прослеживаемость остаются ключевыми проблемами. Инженерная разработка не может полагаться на «интуитивное кодирование»; встроенные системы, контроллеры и промышленное ПО требуют четких требований, повторного использования проверенных моделей и инструментариев, а также подтверждения результатов с помощью симуляций и поэтапного тестирования.
Этот вывод оказывает прямое влияние на рынок инженерного ПО. MATLAB и Simulink долгое время обслуживают автомобильную, аэрокосмическую, телекоммуникационную, энергетическую, промышленную автоматизацию и научно-исследовательские институты; процессы разработки многих клиентов основаны на модельно-ориентированном проектировании, симуляции, генерации кода и тестировании. Если агентный ИИ останется лишь в универсальном чат-интерфейсе, ему будет трудно проникнуть в высокоограниченные инженерные среды; но когда ИИ-агент сможет подключаться к профессиональным инструментам, понимать структуру моделей, вызывать среды симуляции и выдавать проверяемые результаты, ценность инженерных софтверных платформ значительно возрастет. Поставщикам ПО необходимо предоставлять интерфейсы, предметные навыки, интеграцию с инструментальными цепочками и контроль доступа для ИИ-агентов, а корпоративным исследовательским группам — перепроектировать процессы взаимодействия человека и машины, объединяя генерацию ИИ, автоматическое выполнение, проверку инженером и замкнутый цикл контроля качества.
Внедрение агентного ИИ в инженерной сфере также изменит структуру компетенций инженеров. Инженерам по-прежнему придется выполнять определение системы, анализ физических принципов, разработку планов тестирования, подтверждение соответствия нормативным требованиям и нести конечную ответственность, но часть базового кодирования, массовых экспериментов, обработки данных и итеративной верификации может быть выполнена с помощью ИИ-агента. Для разработки сложных продуктов это означает, что команда сможет исследовать больше проектных решений за то же время, сократить путь от концептуального моделирования до симуляционной верификации и на ранних этапах выявлять проблемы в параметрах, стратегиях управления и моделях. Последующие переменные сосредоточены на безопасности корпоративных данных, управлении правами доступа к моделям, адаптации к многозвенным инструментальным цепочкам, верификации сгенерированных результатов и границах инженерной ответственности; только после установления четких правил на этих этапах агентный ИИ сможет перейти от демонстрационного инструмента к масштабному инженерному производственному процессу.
Данный материал скомпилирован платформой Wedoany. При цитировании материалов, созданных с помощью искусственного интеллекта (ИИ), необходимо обязательно указывать источник — «Wedoany». В случае выявления нарушения прав или иных проблем просим своевременно информировать нас. Сайт оперативно внесёт изменения или удалит материал.Электронная почта: news@wedoany.com
