Вашингтонский университет исследовал, как с помощью ИИ быстрее подбирать параметры 3D-печати для медного сплава
GRCop-42, который используют, например, в ракетных камерах сгорания. Вместо перебора более 100 млн возможных сочетаний исследователи построили замкнутый цикл: ИИ выбирал небольшую серию параметров для проверки, детали печатали и измеряли, после чего результаты возвращались в модель, и она предлагала следующие варианты. При бюджете всего в 40 экспериментов удалось найти шесть рабочих конфигураций на разных мощностях лазера и впервые стабильно печатать этот материал при 500 Вт.
https://news.wsu.edu/news/2026/08/24/researchers-use-ai-to-democratize-3d-printing-of-crucial-metal-alloy/Исходная работа получила Innovative Deployed Application Award на AAAI-26.
https://ojs.aaai.org/index.php/AAAI/article/view/41428Одновременно опубликована работа
Сколтеха по машинно-обучаемым межатомным потенциалам для расчёта механических свойств сложных материалов. Метод сочетает момент-тензорные потенциалы с активным обучением: модель сама обнаруживает локальные атомные конфигурации, где её прогноз ненадёжен, отправляет только эти небольшие фрагменты на дорогой DFT-расчёт и затем дообучается. На композитах WC–Co удалось перейти от систем в сотни атомов, характерных для прямого DFT, к десяткам тысяч атомов, сохраняя близкую к DFT точность. Это интересно для CAE прежде всего как пример перехода от «ИИ после расчёта» к многоуровневому моделированию, где дорогой физический решатель автоматически вызывается лишь там, где машинная модель выходит за область уверенного прогноза.
https://ai.cnews.ru/news/line/2026-08-24_metallokeramika_pod_kontrolem———
Берлинская компания
SPREAD AI, которая строит над существующим инженерным ПО единый слой данных, связей и ИИ, описала свой подход к «PLM нового поколения», и по сути он строится вокруг уже знакомой идеи: не заменять существующие PLM, ALM, ERP, MES и CAE, а создать над ними общий интеллектуальный слой. Он связывает требования, функции изделия, версии программного обеспечения, детали, испытания и изменения в единую модель взаимосвязей. Благодаря этому ИИ работает не просто с отдельными документами, а понимает, как инженерные объекты связаны между собой, и каждый его вывод можно проверить по исходным данным.
https://www.spread.ai/resources/stories/ai-native-plmПо сути тоже самое что я описал вчера
https://t.me/BOM_Voyage/347Чуть дальше пошла
Enlil, небольшая частная американская компания из Кремниевой долины, работающая на стыке инженерного ПО и медицинской техники, — они представили архитектуру
Governed AI Foundation для разработки медицинских изделий. Это один из наиболее точных найденных аналогов нашей концепции. Платформа связывает PLM, требования, управление рисками, качество, закупки и производство; общий ИИ-слой в первую очередь читает данные и оценивает межсистемные последствия, но не изменяет рабочие системы. Специализированные агенты получают только ограниченные права и действуют через заданные процессы и обязательные точки согласования. Для каждого результата сохраняются происхождение данных, полномочия агента, его действия и решения человека. То есть присутствуют почти все основные элементы: межсистемный контекст, «читать широко — изменять узко», проверяемые основания, ограниченная автономность и история решений. Отличие главным образом в узкой ориентации на регулируемую MedTech-среду.
https://www.prnewswire.com/news-releases/enlil-unveils-governed-ai-foundation-to-ready-medical-device-makers-for-ai-assisted-regulatory-review-302853600.html——
В Китае вышел большой обзор развития агентной инфраструктуры за предыдущую неделю и из него вытекает тот же вывод: конкуренция смещается от качества модели к постоянному состоянию агента, собственной идентичности, делегированию полномочий, согласованиям, восстановлению после ошибок, идемпотентности и аудиту. Отдельно отметили от агентов, которыми человек постоянно управляет в чате, к постоянно работающим организационным единицам, где человек вмешивается только в критических точках — утверждает, приостанавливает или перехватывает выполнение.
https://wujiaming88.github.io/2026/08/24/global-ai-agent-weekly.html (китайский)
Кстати стартапов в публичном поле в Китае маловато, но может я как-то не так смотрю. Такое чувство что там вся энергия (а её у них ух) уходит сугубо в физический ИИ, практически полностью в робототехнику. Ну и на унижение американцев на рынке LLM. Результат у них на лицо, но и риск локального перепроизводства гуманоидных роботов первого поколения ("забавно, продолжайте, сейчас купим только штучно побаловаться") просто запредельный.
