在本田研发部,我们正在用我们的专家知识系统将人工智能注入到我们的车身设计过程中,这是一个让我们所有的工程师都像我们一样优秀的解决方案。
“我们的目标是提高设计精确度,将后期模拟减少多达80%。 在设计过程的早期使用更好的信息将减少物理测试的失败。 - Shigeto Yasuhara,日本本田研发有限公司总工程师
我们部门的设计是为了乘客和司机的碰撞安全。 我们的工作需要严格的物理分析和模拟。 我们希望应用人工智能来帮助我们的工程师更快地找到最好的设计方案——最终为更安全、更环保的汽车做出贡献。
降低声誉和监管风险
提供不可见的专业技能
在技术进步、经济的根本性变革以及环境和安全法规之间,二十一世纪的汽车制造商面临着前所未有的挑战。
联网、自动车辆、自动驾驶、共享经济、电动汽车、零排放车辆环境法规以及旨在保护驾驶员和乘客的安全要求越来越难以满足。 按照这些标准进行设计和开发的工程师——他们必须在不影响安全和质量的前提下平衡生产和美学的复杂权衡——需要成为专家。
我们的组织只有在我们长期积累的智力资本——工程师们的智力、想象力、信息和经验的综合作用下才是好的。 随着时间的推移,我们希望在大型工程师团队中,在每个工程师的职业发展过程中,在所有本田车型、产品线、国家和语言中,增加这些知识和专业知识。 我们有创造力、才智和信息,现在我们正走在一条道路上,将它们结合在一起,这样我们的工程师就可以迅速获取和理解已有的知识,而忽略已经失效的设计路径。
我们希望我们的设计工程师能从我们的集体专业知识中获益,在最有希望的方向上激发新的想法。 为了实现这一目标,我们已经不仅仅是收集数字系统中包含的结构化和非结构化数据,而是要捕获我们的专家工程师头脑中的数据—我们称之为无形的非结构化数据—我们最深、最丰富的数据,我们人民的集体知识。
在设计过程中注入智力资本
在为现有产品创建新模型或功能时,本田工程师必须考虑许多因素,从安全到法规,从生产率到成本。 我们必须在全世界几十个地方的数百名工程师中保持相同的设计方法。
但并非所有的工程师都以相同的方式工作,为工作带来相同的经验,或以相同的方式体验技术。 我们发现,经验较少的工程师花更多的时间进行设计模拟,而经验丰富的工程师运行更少。 更有经验的、专业的工程师利用自己的经验——以及已建立的机构知识——更快地排除劣等选择,使他们能够专注于潜在的新选择。 他们以这种方式工作的能力是多年经验的产物,他们吸收并能够更直观地获得知识。
当我们意识到这一点时,我们试图给经验不足的工程师提供大量的信息,包括图片、图表、图画和照片。 但这种方法是静态的,难以进入,并孤立的设计活动内的单一车辆部件,禁止工程师设计的产品整体。
这不可避免地导致了更多的设计模拟和更高的失败率在设计过程的后期阶段。
使用人工智能收集知识
我们明白了根本的问题:资深工程师所掌握的知识必须为他们的后辈所接受。 我们联系了 IBM来帮助我们应用人工智能来解决这个挑战。
我们了解到我们的专家不会以线性方式解决问题。 相反,他们有一个相互关联的思想网络。 有些想法与更多相关的想法或相关的想法来考虑。 他们可以利用自己的隐性知识,追踪所有选择中哪一个具有最高的可信度。 现在我们使用人工智能来调整和增强他们的心理模型。
为了获取和利用我们工程组织积累的知识,我们定义了几个与不同设计阶段相关的知识层。 我们能够直接从工程师那里获取语言和概念,也就是我们所说的看不见的非结构化信息,历史上深藏在工程师头脑中的无价知识。 使用 Watson到文本的语音和专利注释语言,我们映射了这些信息来构建我们的知识模型图。
有了自然语言处理,我们的专家工程师可以自然地表达自己,甚至使用复杂的方程和解释他们如何处理一个问题。 这个系统使我们能够获取关于他们所接受的问题的信息,他们的设计约束,以及他们先前探索过的思想网络。 使用新系统,我们希望与典型的手工建模工具相比,知识建模所需的时间减少50%到80%。
“我们了解到,我们的专家不会以线性方式解决问题。 相反,他们有一个相互关联的思想网络。 有些想法与更多相关的想法或相关的想法来考虑。 他们可以利用自己的隐性知识,追踪所有选择中哪一个具有最高的可信度。 现在我们使用人工智能来调整和增强他们的心理模型。” - Shigeto Yasuhara,日本本田研发有限公司总工程师
利用人工智能设计安全和更环保的车辆
知识模型图与工程师的思维过程紧密结合,在集合中建立实体和关系,并根据专家的输入提供数据可视化,显示概念网络、领域本体和每个节点各自的可信度。
我们开发了一种专有语言来记录专家工程师的思维过程和解决问题的方法。 我们已经开始了长期的工作,将支持证据链接并验证到知识图中的每个节点,将这个有价值的、以前看不见的非结构化信息与数字结构化和非结构化数据集成在一起。
该系统帮助工程师开发更大系统的新特性。 例如,如果一位工程师正在为本田 Pilot Elite设计全景玻璃屋顶,那么设计的可能性和依赖性就不能从相关的组件中独立出来。 工程师必须知道如何设计以满足每个组件的规格和理解组件之间的关系。
为了确定某一特定特性是否可行,工程师必须通过正确设计车身刚度、碰撞试验性能、车顶厚度和其他特性来考虑驾驶性能。
我们已经测试了我们的专家知识系统,以连接每个工程师的母语,从口语到他们想要探索的思想网络。 想想有多少工程师,不管有多少经验,都会表达出一个设计问题和给定的约束。 该表达式通常是线性表达式,例如:“我需要将前保险杠面的重量减轻0.005公斤,而不需要以每小时5英里的速度通过结构构件转移载荷。”
自然语言语句通过挖掘所收集的专家知识返回适当的响应。 工程师可以看到系统返回的方法,有基本原理和支持的证据,并知道响应是可靠的。
我们利用专家知识系统中包含的知识,有足够的资讯来测试我们是否可以向系统提出设计问题,并透过资讯进行解决方案搜寻,寻找知识图解的正确路径,以及撷取正确的资讯。 这一重要发展允许任何专业水平的工程师提出问题,并检索最佳答案。
我们的目标是增加我们的设计精度,以减少后期模拟高达80%。 在设计过程的早期使用更好的信息可以减少物理测试的失败。
了解更多IBM 数据与AI解决方案请访问:
好文章,需要你的鼓励
最新数据显示,Windows 11市场份额已达50.24%,首次超越Windows 10的46.84%。这一转变主要源于Windows 10即将于2025年10月14日结束支持,企业用户加速迁移。一年前Windows 10份额还高达66.04%,而Windows 11仅为29.75%。企业多采用分批迁移策略,部分选择付费延长支持或转向Windows 365。硬件销售受限,AI PC等高端产品销量平平,市场份额提升更多来自系统升级而非新设备采购。
清华大学团队开发出LangScene-X系统,仅需两张照片就能重建完整的3D语言场景。该系统通过TriMap视频扩散模型生成RGB图像、法线图和语义图,配合语言量化压缩器实现高效特征处理,最终构建可进行自然语言查询的三维空间。实验显示其准确率比现有方法提高10-30%,为VR/AR、机器人导航、智能搜索等应用提供了新的技术路径。
新一代液态基础模型突破传统变换器架构,能耗降低10-20倍,可直接在手机等边缘设备运行。该技术基于线虫大脑结构开发,支持离线运行,无需云服务和数据中心基础设施。在性能基准测试中已超越同等规模的Meta Llama和微软Phi模型,为企业级应用和边缘计算提供低成本、高性能解决方案,在隐私保护、安全性和低延迟方面具有显著优势。
IntelliGen AI推出IntFold可控蛋白质结构预测模型,不仅达到AlphaFold 3同等精度,更具备独特的"可控性"特征。该系统能根据需求定制预测特定蛋白质状态,在药物结合亲和力预测等关键应用中表现突出。通过模块化适配器设计,IntFold可高效适应不同任务而无需重新训练,为精准医学和药物发现开辟了新路径。