Как AI ускоряет разработку автомобилей

Стерлинг Андерсон, нынешний директор по продукту General Motors, до 2024 года занимал ту же должность в Aurora, стартапе по разработке беспилотного вождения, который он сооснователь в 2016 году после работы в Tesla. По словам Андерсона в интервью Ars Technica, история инженерии делится на три эпохи, и автопром сейчас входит в третью.

Три эпохи инженерии по Андерсону

Первая эпоха длилась столетия. Андерсон описывает её так: люди смотрели на птиц, копировали форму крыльев и медленно, методом проб и ошибок, добирались до чего-то «едва работающего». Это чисто эмпирический процесс: построил прототип, проверил, подправил, повторил.

Первые несколько сотен лет изобретательства были эпохой эмпирической итеративной разработки. Люди начинали с того, что знали или видели, строили прототип, который выглядел похоже, надеялись, что он будет работать лучше, тестировали и снова угадывали. : Стерлинг Андерсон, директор по продукту General Motors

Вторая эпоха пришла с компьютерами. Появились виртуальные инструменты для отдельных дисциплин: CFD (вычислительная гидродинамика, расчёт обтекания воздухом) помогала аэродинамикам, FEA (метод конечных элементов, расчёт прочности) помогала конструкторам. Но сама логика «эстафеты» осталась прежней: дизайн передавал задачу аэродинамике, аэродинамика передавала конструкторам, те возвращали обратно, если находили проблему. Каждая передача стоила времени.

Третья эпоха, по словам Андерсона, начинается сейчас. ИИ и машинное обучение позволяют не просто ускорить каждый этап, а убрать саму последовательную цепочку. Отдельные задачи, которые раньше занимали 15 часов, теперь решаются за минуту.

Что понадобится

Если вы хотите применить похожий подход в своей работе над продуктом или контентом, связанным с автомобилестроением:

• Понимание базовой логики: что такое итеративная разработка и почему «эстафета» между отделами замедляет процесс
• Доступ к ИИ-инструментам для генерации и анализа: подойдут открытые модели для экспериментов или коммерческие сервисы
• Конкретная повторяющаяся задача, которую вы сейчас делаете вручную и последовательно
• Время на первый тест: 2 часа на постановку задачи и один прогон

Пошаговая инструкция

1. Определите свою «эстафету». Выпишите цепочку действий, где результат одного этапа уходит на вход следующему. В GM это была цепочка «дизайн, аэродинамика, прочность, возврат». У автора Дзена это может быть «исследование темы, написание, редактура, оформление».

2. Найдите самое медленное звено. GM обнаружила, что отдельные расчёты занимали по 15 часов. Замерьте, сколько времени у вас уходит на каждый этап.

3. Сформулируйте задачу для ИИ на языке входа и выхода. Не «сделай лучше», а «на входе такие-то параметры, на выходе нужен такой-то результат». Пример промпта для анализа технической статьи:

Роль: ты инженер-аналитик автомобильной отрасли.
Вход: текст пресс-релиза GM о новой платформе.
Задача: выдели 5 ключевых технических решений,
для каждого укажи, какую проблему оно решает
и есть ли аналог в российском автопроме.
Формат: таблица.

1. Прогоните один цикл и сравните. Сколько заняло вручную, сколько с ИИ. Запишите не только время, но и качество: что ИИ упустил, где добавил лишнее.

2. Уберите последовательность там, где возможно. Главный урок GM не в скорости одного шага, а в параллельности. Если ИИ-агент (программа, которая сама выполняет цепочку действий) может одновременно проверять и стиль, и факты, и оформление, не гоняйте файл по кругу.

Что делать с этим прямо сейчас, по ролям

Авторам Дзена. Тема «ИИ в автопроме» даёт стабильный поисковый трафик. Используйте структуру «три эпохи» из интервью Андерсона как готовый сторителлинг-каркас для статьи. Но пишите по источнику, а не по пересказам.

Маркетологам. Если вы продвигаете автомобильные продукты или услуги, акцент смещается: клиенту уже не нужно объяснять, что такое ИИ в машине. Нужно объяснять, что конкретно стало быстрее или дешевле и почему это надёжно.

Предпринимателям в РФ и СНГ. Российские автопроизводители (АвтоВАЗ, КамАЗ, «Москвич») работают в условиях кадрового дефицита инженеров и ограниченного доступа к западному ПО для виртуального моделирования. Подход GM показывает направление, но локальные барьеры серьёзны: нужны собственные обучающие данные (массивы информации, на которых модель учится), вычислительные мощности и специалисты по машинному обучению. Из доступных в РФ инструментов для экспериментов подойдут открытые модели и отечественные облачные платформы, но до уровня GM путь пока длинный.

Главный вывод из опыта GM не в конкретной цифре ускорения, а в принципе: найдите в своём процессе последовательную цепочку, которую можно сделать параллельной, и начните с самого медленного звена. Это работает и в автопроме, и в контент-производстве.

По материалам Ars Technica AI