Siemens cảnh báo giới hạn của AI vật lý: Con người vẫn là chốt chặn cuối cùng cho các bộ phận an toàn

Physics AI hiện có thể khám phá hàng nghìn biến thể thiết kế trong khoảng thời gian mà một mô phỏng truyền thống chỉ mới xử lý được vài trường hợp. Theo Siemens, tốc độ này nhanh hơn tới 1.000 lần. Tuy nhiên, công nghệ này không thể dùng để phê duyệt các bộ phận quan trọng liên quan đến an toàn. Về điểm này, công nghệ có một giới hạn cứng và Sam Mahalingam, người đứng đầu bộ phận phát triển công nghệ này tại Siemens Digital Industries Software, đã khẳng định điều đó một cách thẳng thắn mà không hề né tránh.

“Liệu công nghệ này có phù hợp cho các ứng dụng quan trọng về an toàn không?” ông nói bên lề sự kiện Realize LIVE Asia-Pacific tại Bengaluru. “Câu trả lời là không.”

Điều này rất quan trọng vì câu trả lời đi ngược lại với xu hướng của ngành công nghiệp trong hai năm qua, khi họ luôn khẳng định AI có thể làm được gần như mọi thứ. Giá trị đối với các kỹ sư không nằm ở tốc độ mà Siemens đang quảng bá, mà nằm ở việc biết chính xác đâu là giới hạn mà tốc độ đó không còn an toàn để tin cậy.

Physics AI thực sự làm được gì và không làm được gì

Công nghệ được nhắc đến là Simcenter PhysicsAI, phần mềm học sâu hình học (geometric deep-learning) của Siemens, mà công ty cho biết có thể đưa ra các dự đoán thiết kế nhanh hơn tới 1.000 lần so với trình giải (solver) truyền thống. Cơ chế này rất quan trọng để hiểu về các lưu ý đi kèm. Thay vì tính toán vật lý từ đầu mỗi lần, một mô hình thay thế (surrogate model) sẽ học từ dữ liệu mô phỏng lịch sử và dự đoán kết quả cho một thiết kế mới. Đây là một ước tính được tạo ra trong vài giây, không phải là một phép tính đầy đủ.

Mối lo ngại rõ ràng nhất là độ chính xác, và Mahalingam đã đối mặt trực diện với vấn đề này. Ông giải thích rằng trong nhiều thập kỷ, các kỹ sư đã đối chiếu mô phỏng dựa trên vật lý với thử nghiệm vật lý cho đến khi độ tương quan đủ chặt chẽ để tin tưởng. AI hiện đang được đo lường dựa trên cùng một tiêu chuẩn vật lý đó. “Những gì chúng tôi thấy là nếu bạn có đủ dữ liệu, kết quả sẽ rất gần với trình giải dựa trên vật lý,” ông nói, đề cập đến mức sai lệch từ 1% đến 3% mà Siemens trích dẫn trong các nghiên cứu điển hình của mình.

Gần, nhưng chưa đủ gần để chứng nhận một linh kiện sinh tử. Và đây là điểm mà Mahalingam khác biệt so với kịch bản thông thường của các nhà cung cấp. Mô hình thay thế không phải là sự thay thế cho việc xác thực; nó là một bộ lọc đặt phía trước quá trình đó. “Bạn khám phá nhiều biến thể thiết kế hơn bằng cách sử dụng công cụ nhanh hơn này – mô hình thay thế Physics AI – để khoanh vùng hai hoặc ba thiết kế mà bạn cảm thấy tốt, sau đó bạn có thể thực hiện thiết kế chi tiết hơn bằng mô phỏng dựa trên vật lý,” ông nói. Chỉ khi những thiết kế lọt vào vòng chung kết này vượt qua quá trình kiểm tra dựa trên vật lý đầy đủ, thiết kế đó mới được chuyển sang giai đoạn sản xuất.

Ông khẳng định rõ ràng rằng ngay cả một ví dụ tiêu biểu như túi khí Continental mà Siemens đã giới thiệu cũng nằm trong giới hạn đó. “Đây là dành cho giai đoạn khám phá thiết kế ban đầu,” ông nói. “Không phải là bạn chỉ xác thực bằng Physics AI rồi nói rằng, được rồi, tôi sẽ đề xuất thiết kế đó để sản xuất. Không, không phải như vậy.”

Sự phụ thuộc mà các con số về tốc độ không đề cập đến

Có một giới hạn thứ hai mà các con số về tốc độ thường che giấu, và nó xuất hiện khi cuộc trò chuyện chuyển sang cách các mô hình này được huấn luyện. Một số kết quả nổi bật của Siemens, bao gồm các trường hợp liên quan đến Magna và Continental, dựa trên AI được huấn luyện bằng dữ liệu tổng hợp (synthetic data): kết quả mô phỏng được tạo ra bởi chính các trình giải của Siemens thay vì đo lường từ thế giới thực. Nếu AI chỉ học từ mô phỏng, câu hỏi đặt ra là liệu nó có bao giờ tốt hơn chính mô phỏng đã dạy nó hay không.

Mahalingam không né tránh tính tuần hoàn này khi được hỏi. Trong trường hợp của Magna, ông cho biết khách hàng đã thực hiện khám phá thiết kế trên diện rộng trong Simcenter HEEDS, công cụ tìm kiếm thiết kế của Siemens, và giải quyết các biến thể với tốc độ cao bằng Simsolid, một trình giải bỏ qua bước tạo lưới (mesh-building) chậm chạp. Kết quả mô phỏng đó sau đó được đưa ngược lại để huấn luyện mô hình Physics AI. Khi khách hàng không có dữ liệu ban đầu, “họ tạo ra dữ liệu tổng hợp bằng Simsolid và HEEDS trước, sau đó họ quay lại, lấy dữ liệu đó để huấn luyện mô hình Physics AI.” Nói cách khác, mô hình thay thế chỉ tốt bằng chính mô phỏng tạo ra nó, một hạn chế mà ông thừa nhận thay vì phủ nhận.

Ông lập luận rằng điều ngăn cản nó trở thành một cái bẫy là các rào cản (guardrail) được xây dựng để ngăn mô hình đưa ra dự đoán trên những phạm vi nó chưa từng thấy. Một mô hình thay thế được huấn luyện trên các biến thể của một hình dạng sẽ thất bại nếu được yêu cầu dự đoán một hình dạng hoàn toàn khác, và nó được thiết kế để thông báo điều đó. “Chúng tôi đã đặt ra các rào cản để hệ thống phản hồi rằng, này, tôi không thể dự đoán điều này. Đây là một hình dạng hoàn toàn khác so với những gì bạn đã huấn luyện cho tôi,” Mahalingam nói. “Vì vậy, kỹ sư không thể tự làm khó chính mình.”

Tại sao sự trung thực lại là câu chuyện chính

Sự thẳng thắn này không phải là khiêm tốn; đó là chiến lược định vị. Mọi nhà cung cấp mô phỏng hiện đang chạy đua để tích hợp AI vào danh mục sản phẩm của họ, và rủi ro về uy tín là người mua sẽ ngừng tin tưởng vào bất kỳ con số nào. Bằng cách vạch ra ranh giới của công nghệ – an toàn cho việc khám phá, không dùng để phê duyệt cuối cùng; mạnh mẽ với dữ liệu, vô dụng ngoài phạm vi huấn luyện – Siemens đang đặt cược rằng các kỹ sư sẽ tin tưởng một công cụ hơn khi nó cho họ biết những gì nó không thể làm.

Điều này mang lại cảm giác khác biệt khi đến từ phía các công ty mô phỏng. Các nhà cung cấp AI doanh nghiệp và thiết kế chip đã dành cả chu kỳ cường điệu để hứa hẹn về sự tự động hóa; trong khi một công ty có khách hàng chuyên mô phỏng cấu trúc va chạm và động cơ phản lực lại khẳng định rằng bước xác thực của con người vẫn phải giữ nguyên vị trí. Đó không phải là sự né tránh AI. Đó là một cái nhìn sáng suốt hơn về vị trí của nó: là bước đi nhanh đầu tiên giúp mở rộng phạm vi tìm kiếm, trong khi trình giải dựa trên vật lý vẫn là người đưa ra quyết định cuối cùng cho bất cứ thứ gì cần sự chính xác tuyệt đối.

Đó là một tuyên bố hẹp hơn so với những gì thị trường thường nghe, nhưng lại bền vững hơn. Siemens đang bán tốc độ nhanh gấp 1.000 lần, nhưng điều giá trị hơn mà họ mang đến cho các kỹ sư chính là ranh giới bao quanh tốc độ đó.

Xem thêm: Siemens giới thiệu hệ thống AI cho kỹ thuật tự động hóa

Bạn muốn tìm hiểu thêm về AI và dữ liệu lớn từ các nhà lãnh đạo ngành? Hãy tham khảo sự kiện AI & Big Data Expo diễn ra tại Amsterdam, California và London. Sự kiện toàn diện này là một phần của TechEx và được tổ chức cùng với các sự kiện công nghệ hàng đầu khác bao gồm Cyber Security & Cloud Expo. Nhấp vào đây để biết thêm thông tin.

AI News được vận hành bởi TechForge Media. Khám phá các sự kiện và hội thảo trực tuyến về công nghệ doanh nghiệp sắp tới tại đây.