Модели генеративного ИИ, в которых приоритет отдается сходству, дают сбой, когда их просят спроектировать что-то совершенно новое.
ChatGPT и другие глубокие генеративные модели оказались сверхъестественными имитаторами. Эти супермодели с искусственным интеллектом могут сочинять стихи, заканчивать симфонии и создавать новые видео и изображения, автоматически изучая миллионы примеров предыдущих работ.
Эти чрезвычайно мощные и универсальные инструменты превосходно создают новый контент, похожий на все, что они видели раньше.
Но, как говорят инженеры MIT в новом исследовании, сходства недостаточно для того, чтобы по-настоящему внедрять инновации в инженерные задачи.
«Глубокие генеративные модели (DGMS) очень многообещающи, но также по своей сути несовершенны», — говорит автор исследования Лайл Регенветтер, аспирант-механик Массачусетского технологического института. «Цель этих моделей — имитировать набор данных. Но как инженеры и дизайнеры, мы часто не хотим создавать дизайн, который уже существует».
Он и его коллеги считают, что, если инженерам-механикам нужна помощь ИИ в генерации новых идей и дизайнов, им сначала придется переориентировать эти модели за пределы «статистического сходства».
«Производительность многих из этих моделей явно связана с тем, насколько статистически сгенерированная выборка похожа на то, что модель уже видела», — говорит соавтор Фаез Ахмед, доцент кафедры машиностроения Массачусетского технологического института. «Но в дизайне может быть важно отличаться, если вы хотите внедрять инновации».
В своем исследовании Ахмед и Регенветтер раскрывают подводные камни глубоких генеративных моделей, когда им приходится решать задачи инженерного проектирования. На примере проектирования велосипедных рам команда показывает, что эти модели генерируют новые рамы, которые имитируют предыдущие проекты, но уступают техническим характеристикам и требованиям.
Когда исследователи представили DGMs ту же проблему с велосипедной рамой, которую они специально разработали с учетом инженерных задач, а не только статистического сходства, эти модели создали более инновационные, более производительные рамы.
Результаты команды показывают, что модели ИИ, ориентированные на сходство, не совсем реализуются применительно к инженерным задачам. Но, как также подчеркивают исследователи в своем исследовании, при некотором тщательном планировании соответствующих задаче показателей модели ИИ могут стать эффективным «вторым пилотом» проектирования.
«Речь идет о том, как ИИ может помочь инженерам лучше и быстрее создавать инновационные продукты», — говорит Ахмед. «Чтобы сделать это, мы должны сначала понять требования. Это один шаг в этом направлении».
Новое исследование команды недавно появилось в Сети и будет опубликовано в декабрьском печатном выпуске журнала Computer Aided Design. Исследование является результатом сотрудничества компьютерщиков MIT-IBM Watson AI Lab и инженеров-механиков из MIT’s DeCoDe Lab. В число соавторов исследования входят Акаш Шривастава и Дэн Гутройнд из MIT-IBM Watson AI Lab.