โครงการ JARVIS-Challenge จาก MIT พิสูจน์ให้เห็นว่า AI สามารถลดเวลาการวางคอนเซปต์เครื่องยนต์เจ็ทได้จริงใน 4 สัปดาห์ แต่กลับสร้างข้อจำกัดเมื่อเข้าสู่ขั้นตอน CAD และการจัดซื้อชิ้นส่วน ผู้ผลิตและวิศวกรไทยในกลุ่มชิ้นส่วนยานยนต์และเครื่องจักรกลจึงควรใช้ AI เป็นเครื่องมือช่วยวิเคราะห์ โดยยังต้องอาศัยวิจารณญาณทางวิศวกรรมของมนุษย์ในการตัดสินใจขั้นสุดท้าย
การพัฒนาฮาร์ดแวร์ที่เน้นความปลอดภัยขั้นสูงมักใช้เวลาและทรัพยากรมหาศาล สถาบันเทคโนโลยีแมสซาชูเซตส์ (MIT) จึงท้าทายขีดจำกัดนี้ด้วยการทดสอบให้วิศวกรสร้างเครื่องยนต์เจ็ทภายใน 4 สัปดาห์โดยใช้ปัญญาประดิษฐ์ (AI) เข้ามาช่วยออกแบบ ผลลัพธ์ชี้ให้เห็นว่า AI สามารถย่นระยะเวลาทำงานได้จริง แต่ความเชี่ยวชาญของมนุษย์ยังคงเป็นตัวตัดสินความสำเร็จที่แท้จริง
อุตสาหกรรมวิศวกรรมเครื่องกลและโรงงานกำลังถกเถียงกันอย่างกว้างขวางเกี่ยวกับศักยภาพของ AI เพื่อหาคำตอบว่า AI สามารถย่นระยะเวลาในวงจรการพัฒนา สร้าง และทดสอบผลิตภัณฑ์ทางกายภาพได้จริงหรือไม่ MIT Gas Turbine Laboratory จึงได้จัดการแข่งขัน ‘JARVIS-Challenge’ (Jet-engine AI Research and Validation Intensive Sprint) ขึ้น
โจทย์สำหรับทีมที่เข้าร่วม คือ การออกแบบ ผลิต ประกอบ และทดสอบเครื่องยนต์กังหันก๊าซขนาดเล็ก (Single-Shaft Jet Engine) ภายในเวลาเพียง 4 สัปดาห์ โดยมีข้อกำหนดที่เข้มงวด ได้แก่ ต้องสร้างแรงขับ 50 ถึง 100 ปอนด์ (ประมาณ 222 ถึง 444 นิวตัน) ใช้เชื้อเพลิง Jet-A และต้องผ่านการทดสอบเดินเครื่อง 60 วินาทีให้ได้ 5 รอบ ทั้งนี้ วิศวกรมีอิสระอย่างเต็มที่ในการออกแบบ การเลือกใช้วัสดุ และกระบวนการผลิต
ผสานเครื่องมือวิศวกรรมเข้ากับการเข้าถึง AI
นอกจากเครื่องมือทางวิศวกรรมแบบดั้งเดิมอย่าง Solidworks สำหรับการออกแบบ CAD, Abaqus สำหรับการคำนวณ FEM และ Concepts NREC สำหรับการออกแบบเครื่องจักรเทอร์โบแล้ว ทีมงานยังมีอินเทอร์เฟซ AI ที่พัฒนาขึ้นใหม่ชื่อว่า ‘MIT Parley’ ซึ่งรวบรวม Large Language Models (LLMs) ขั้นสูงอย่าง Chat-GPT และ Claude ไว้ด้วยกัน การสนับสนุนจากภาคอุตสาหกรรม เช่น Safran และ Boom Technology ทำให้ทีมงานสามารถเข้าถึงทรัพยากร AI เหล่านี้ได้แบบไร้ขีดจำกัด คำถามสำคัญของการทดสอบนี้คือ: AI จะสามารถชดเชยการขาดประสบการณ์เชิงลึกด้านอุณหพลศาสตร์ (Thermodynamics) และกลศาสตร์ของไหล (Fluid Mechanics) ได้หรือไม่?
AI เร่งความเร็วช่วงวางคอนเซปต์ แต่สะดุดที่การออกแบบ CAD
ในช่วงแรกของโครงการ AI ทำหน้าที่เป็นตัวเร่งความเร็วได้อย่างมหาศาล ทีมงานใช้โมเดลภาษาในการค้นคว้าข้อมูล เรียนรู้ซอฟต์แวร์ CAD และ CAE สร้างสูตรคำนวณ Excel และที่สำคัญที่สุดคือการศึกษาแนวคิดเพื่อเปรียบเทียบทางเลือกต่างๆ แต่เมื่อเข้าสู่สัปดาห์ที่สองซึ่งต้องลงรายละเอียดการออกแบบ CAD และสร้างต้นแบบห้องเผาไหม้ AI กลับเจอข้อจำกัดอย่างหนัก ทีมงานพบว่าอาการหลอน (Hallucinations) ที่มักเกิดกับ AI การยืนยันสมมติฐานที่ผิดพลาดโดยไม่มีการตรวจสอบ และการขาดความเข้าใจพื้นฐานทางฟิสิกส์ของตัวโมเดล ทำให้กระบวนการออกแบบต้องหยุดชะงัก
“AI เป็นเครื่องมือที่มีประโยชน์ มันเก่งมากในการค้นหาและจัดโครงสร้างข้อมูล แต่มันไม่สามารถออกแบบได้” Elizabeth Tupaj สมาชิกของทีมที่ชนะเลิศกล่าวสรุป “ในวินาทีที่วิศวกรไม่รู้แน่ชัดว่ากำลังเกิดอะไรขึ้นและปล่อยให้ AI เข้ามาควบคุม การออกแบบนั้นก็จะไม่น่าเชื่อถืออีกต่อไป”
การจัดซื้อและการผลิตยังคงเป็นคอขวด
อีกหนึ่งอุปสรรคที่ระบบอัลกอริทึมไม่สามารถก้าวข้ามได้ คือ การจัดการห่วงโซ่อุปทาน (Supply Chain Management) แม้ AI จะเสนอรายชื่อผู้ผลิตให้ แต่ซัพพลายเออร์เหล่านั้นกลับไม่สนใจร่วมงานด้วยเนื่องจากกรอบเวลา 4 สัปดาห์ที่กระชั้นชิด ทีมงานจึงตระหนักได้ว่าความสัมพันธ์ส่วนตัวและการติดต่อโดยตรงกับผู้รับจ้างผลิต (Contract Manufacturers) มีประสิทธิภาพมากกว่ารายชื่อที่ AI สร้างขึ้น ท้ายที่สุดแล้ว การผลิตชิ้นงานจริงต่างหากที่เป็นปัจจัยจำกัดความเร็วของโครงการนี้ ไม่ใช่การออกแบบทางเทคนิค
ความรู้เฉพาะทางเอาชนะความเชื่อมั่นใน AI แบบหลับหูหลับตา
ผลลัพธ์ของการแข่งขันครั้งนี้น่าสนใจอย่างยิ่ง ทีมที่พึ่งพา AI ในการออกแบบมากที่สุดสามารถดำเนินการได้เร็วที่สุดและสามารถจุดระเบิดเครื่องยนต์ได้เป็นทีมแรก แต่กลับล้มเหลวในการทดสอบการเดินเครื่องด้วยความร้อน (Hot Fire) เนื่องจากตัวโรเตอร์เสียดสีกับตัวเรือนและเกิดการติดขัด
ในทางกลับกัน ชัยชนะตกเป็นของทีมที่มีความรู้พื้นฐานด้าน CAD และเครื่องจักรเทอร์โบมากกว่าตั้งแต่ต้น ทีมนี้มีมุมมองที่กังขาต่อ AI มากกว่า และพึ่งพาความรู้พื้นฐานทางวิศวกรรม (‘First Principles’) รวมถึงวิธีการคำนวณที่ได้รับการยอมรับ เครื่องยนต์ของพวกเขาสตาร์ทได้อย่างราบรื่น สามารถเปลี่ยนไปใช้ระบบเชื้อเพลิง และสร้างแรงขับสุทธิได้ตามที่กำหนด
AI เป็นเพียงตัวคูณ (Multiplier)
“การแข่งขัน JARVIS-Challenge แสดงให้เห็นว่า AI สามารถเร่งการพัฒนาฮาร์ดแวร์ที่มีความสำคัญต่อความปลอดภัยได้อย่างมาก แต่ดุลยพินิจทางเทคนิคยังคงเป็นปัจจัยสร้างความแตกต่างที่สำคัญที่สุด” ศาสตราจารย์ Zolti Spakovszky ผู้อำนวยการ MIT Gas Turbine Laboratory อธิบาย
วิศวกรออกแบบยุคใหม่ไม่ได้โดดเด่นเพียงเพราะพวกเขาใช้ AI แต่เป็นเพราะพวกเขาสามารถควบคุมมันได้อย่างเชี่ยวชาญ พวกเขาต้องรู้ว่าเมื่อใดควรเชื่อถือผลลัพธ์ เมื่อใดควรตั้งคำถาม และจะแปลแนวคิดจาก AI ให้ออกมาเป็นฮาร์ดแวร์ที่ผลิตได้จริงอย่างไร คณาจารย์ของ MIT สรุปว่า ทางสายกลางที่สมบูรณ์แบบคือการมีความรู้เฉพาะทาง (Domain Knowledge) มากพอที่จะควบคุมโมเดล CAD ได้ แต่ในขณะเดียวกันก็เปิดกว้างพอที่จะใช้ AI อย่างมีประสิทธิภาพในขั้นตอนการค้นคว้าและวางแนวคิด
MM
MIT
