Dieser Artikel wurde von Maor Farid, Mitbegründer und CEO von Leo AI, geschrieben und zu Engineering.com beigetragen. Alle Meinungen sind seine eigenen.
Im Oktober 1950 stellte Alan Turing, der als Gründervater der Informatik gilt, eine Frage, die er nicht zu beantworten beabsichtigte: Können Maschinen denken? In seinem Aufsatz „Computing Machinery and Intelligence“ ging er diese Frage nicht mit einer numerischen oder quantitativen Schwelle an, sondern mit einer Erfahrung, mit einem Spiel: Man setzt eine Person an ein Ende eines Fernschreibgeräts und eine Maschine an das andere, und wenn die Person nicht zuverlässig sagen kann, welches welches ist, ist das philosophische Argument auf andere Weise geklärt. Der Turing-Test war geboren – ein menschlicher Litmus-Test, um ein anderes Wesen als intelligent zu klassifizieren.
Heute, 76 Jahre später, haben wir immer noch kein gutes quantitatives Maß für Intelligenz – weder künstlich noch menschlich (mein Doktorvater sagte einst, Intelligenz sei wie Pornografie; man kann sie nicht definieren, aber wenn man sie sieht, weiß man es). Aber KI entwickelt sich trotzdem weiter. In der Software-Entwicklung sehen wir KI-Werkzeuge, die komplette Softwareprodukte, Websites und Videos aus einem einzigen Prompt erstellen. In der Regel können wir nicht unterscheiden, ob es von einem Menschen oder einer Gruppe von KI-Agenten geschaffen wurde – es besteht unser Turing-Test.
Als Maschinenbauingenieur, inspiriert von Turing und der KI-Revolution in der Software-Entwicklung, habe ich die letzten drei Jahre damit verbracht, Leo AI aufzubauen und zu fragen, wie der entsprechende Moment für physische Produkte aussieht. Heute glaube ich, dass KI endlich physische Produkte auf eine Weise herstellen kann, die von Menschen nicht zu unterscheiden ist.
Der mechanische Turing-Test wurde bestanden.
Wie bewerten wir den mechanischen Turing-Test?
Ohne eine rigorose mathematische Definition des Turing-Tests bleibt uns das subjektive menschliche Erleben als Bewertungsinstrument. Aber subjektive Erfahrung kann immer noch aggregiert gemessen werden. Seit wir Leo für den allgemeinen Zugriff geöffnet haben, haben wir Hunderte von Maschinenbauingenieuren befragt und interviewt, die es in der Produktion einsetzen, und auf ein spezifisches Signal geachtet: den Punkt, an dem sie berichten, dass sie nicht mehr sagen können, ob eine Baugruppe von einem Menschen oder einer KI gebaut wurde. Im Juli stiegen die positiven Rückmeldungen zu diesem Maß um 791 Prozent. Das war der Moment, in dem wir schlossen, dass der Test bestanden war.
Unten ist ein Video eines typischen Benutzer-Workflows.
Ich beginne mit einem Prompt: „Entwirf mir einen koaxialen, gegenläufigen Propellantrieb für eine marine Umgebung.“ Wie ein menschlicher Ingenieur stellt Leo leitende Fragen, um sicherzustellen, dass die Aufgabe verstanden wurde. Dann zieht er die maßgeblichen Gleichungen ausschließlich aus hochpräzisen Quellen, da das Wissen, eine Quelle nach Genauigkeit zu ranken, selbst Teil des Domänenwissens ist.
Von dort aus löst Leo die Gleichungen, leitet die relevanten Abmessungen ab, holt Bauteile aus meinem eigenen Bestand und aus vertrauenswürdigen Lieferantenkatalogen, erzeugt die verbleibende Geometrie und liefert eine DFM-konforme, fertigungsbereite Baugruppe, die sowohl die gesammelte Praxis meiner Organisation als auch die Standards meiner Branche widerspiegelt.
Als Maschinenbauingenieur kann ich beim Durchgehen des fertigen Designs nicht sagen, ob ein Mensch oder Leo es gebaut hat. Das ist der mechanische Turing-Test, und ich denke, Leo besteht ihn.
Definition des mechanischen Turing-Tests
Jetzt zerlegen wir diese Erfahrung rigoros.
Ein 3D-Modell aus einem Text-Prompt zu generieren ist nicht der Test. Das ist seit einiger Zeit in gewisser Form möglich, und das Ergebnis ist meist ein Mesh, das zu einem herstellbaren Teil ungefähr dem Screenshot von Code zu einem Code-Base entspricht. Wenn wir Turing-s Struktur übernehmen, muss die Messlatte die Erfahrung mit dem System sein, nicht das Artefakt, das es zurückgibt.
Hier ist die Version, die ich vorlegen würde, abgeleitet aus etwa 900 Interviews, die mein Team mit praktizierenden Maschinenbauingenieuren in den USA geführt hat, bevor wir eine einzige Produktzeile programmierten.
Der Input ist funktional, nicht geometrisch. Sie geben an, was das Teil tun muss und unter welchen Bedingungen. Sie beschreiben nicht die Form, die Sie bereits im Kopf haben.
Es stellt die richtigen Fragen, wenn Sie vage sind. Fragen Sie nach einem koaxialen, gegenläufigen Propellantrieb für eine marine Umgebung, und jeder kompetente Ingenieur stoppt sofort: welche Getriebekonfiguration, Kegelrad oder epizyklisch? Wenn das System bei einer unzureichend spezifizierten Vorgabe nicht zurückfragt, ist es kein Schließen, sondern höfliches Raten.
Es schließt aus Quellen, die es benennen kann. Die maßgeblichen Gleichungen stammen aus den Handbüchern und Normen, die unser Beruf seit zwei Jahrhunderten festhält, plus allen internen Richtlinien Ihrer Organisation. Die Berechnung wird gezeigt. Die Quellen werden zitiert. Ein Ingenieur kann die Kette von Anforderung zu Dimension nachprüfen.
Es bezieht Bauteile so, wie ein erfahrener Ingenieur Bauteile bezieht. Wiederverwenden zuerst, Kataloge zweitens, Design zuletzt. Wir fertigen unsere eigenen Kugellager nicht. Wenn ein 50 mm-Bohrungs-Lager bereits in drei Versandprodukten vorkommt, ist das das zu wählende Lager. Dies ist das am wenigsten glamouröse Kriterium und wahrscheinlich das diagnostischste, weil hier das domänenspezifische Urteil liegt.
Der Output übersteht die Prüfung. Native Festkörpergeometrie mit Feature-Baum, editierbar, mit Materialeigenschaften versehen, öffnet im CAD-System, das Ihr Team bereits nutzt. Wenn ein Prüfer nicht sagen kann, ob ein Kollege oder eine Maschine es gebaut hat, ist das Turings Bedingung, neu formuliert für unsere Disziplin.
Wir haben am 1. Juli ein größeres Update der Baugruppengenerierung von Leo veröffentlicht. Die Nutzung dieser Fähigkeit wuchs in den folgenden Wochen fast um das Zehnfache, ein Signal, dem ich tatsächlich vertraue, weil es bedeutet, dass Ingenieure reale Arbeit darüber laufen lassen, statt von einer Demo beeindruckt zu sein.
Die Inspektions-Seite derselben Medaille ist weiter fortgeschritten und weniger diskutiert. Ein Kunde von uns, ein großer Öl- und Gasbetreiber in Texas, gibt jährlich etwa 200 000 neue Teile frei und muss sie zweimal jährlich gegen API-Normen auditieren. Diese Durchsicht kostete früher Dutzende von Personen monatelang. Jetzt läuft sie in Stunden über die Modellbibliothek, wobei der lange Schwanz der Legacy-Geometrie ein bis zwei Tage beansprucht. Niemand musste einen Turing-Test bestehen, um das nützlich zu machen. Es musste nur richtig sein.
Den Test zu bestehen überträgt nicht die Verantwortung
Hier weiche ich von der überschwänglichen Version dieser Geschichte ab.
Stellen Sie sich für einen Moment die KI aus dem Bild. Stellen Sie sich vor, hinter dem System steckt einfach Joe, ein brillanter Ingenieur am anderen Ende des Flurs. Sie fragen Joe, welche Legierung für eine Strukturverbindung zu verwenden ist, und er sagt 316 Edelstahl. Sie denken, es sollte 6061 Aluminium sein. Sie können mit Joe bis März diskutieren, aber Sie sind es, der die Zeichnung unterschreibt, und die Verantwortung liegt bei Ihnen und bleibt bei Ihnen. Das ist keine Einschränkung des Werkzeugs. Das ist der Beruf.
Die rechtliche Frage, die vor zwei Jahren ständig aufkam, ist weitgehend geklärt. Die Nutzungsbedingungen der großen Modell-Anbieter und unsere eigenen Verträge sind eindeutig: Was Sie mit diesen Werkzeugen entwerfen, gehört Ihnen. Die schwierigere Frage ist kultureller Natur. Maschinenbauingenieure arbeiten unter einer Prämisse, die Software-Ingenieure meist nicht teilen: Wenn wir falsch liegen, kann jemand sterben. Nicht nur in der Luft- und Raumfahrt. Ein Stuhl bricht und ein Kind fällt. Wir sind keine Künstler, die Formen in drei Dimensionen rendern. Wir sind Entscheidungsträger, und der Wert eines sehr schnellen, sehr gut gelesenen Mitarbeiters ist, dass er uns mehr Zeit zum guten Entscheiden gibt, nicht die Erlaubnis, nicht mehr zu entscheiden.
Können Sie eines dieser Systeme auf 200 000 Teile richten und ihm sagen, alles ohne Nachschauen zu korrigieren? Technisch, ja. Ich würde Sie bitten, das nicht zu tun.
Der Teil, der Sie nachts wachhalten sollte – im guten Sinne
Was bestanden wurde, ist ein Test an Unterbaugruppen und Mechanismen. Getriebe. Antriebe. Vorrichtungen. Halterungen und Gehäuse, die reale Last tragen. Niemand übergibt ein komplettes Flugzeug, und wer das behauptet, verkauft etwas.
Aber schauen Sie auf die Form der Kurve, nicht auf den Punkt darauf. Software wechselte in etwa vier Jahren von Funktions- zu Produktebene. Das physische Design beginnt denselben Aufstieg mit einem Vorteil, den Software nicht hatte: einem jahrhundertelang kodifizierten Ingenieurwissen, und einem Nachteil, den Software nicht hatte: unsere Artefakte müssen dem physischen Kontakt standhalten.
Nehmen wir an, der Aufstieg dauert doppelt so lang. Das würde immer noch ein Klasse-II-Medizinprodukt, einen Satelliten-Bus, eine unbemannte Bodenplattform innerhalb der Arbeitslebensdauer jedes Ingenieurs, der das hier liest, ermöglichen. Die interessanten Implikationen gehen nicht um Personalzahlen. Es geht darum, was zum Engpass wird, wenn Design nicht mehr das einzige ist. Zertifizierung und physikalische Tests sind bereits der lange Pol in den meisten ernsthaften Programmen. Komprimieren Sie den Design-Loop um einen Faktor zehn und Sie erhalten nicht Produkte zehnmal schneller, sondern eine Disziplin, die sich um Validierung neu organisiert, Normungsorganisationen, die sich mit einer Geschwindigkeit bewegen müssen, die sie nie zuvor kannten, und eine Generation von Ingenieuren, deren Fähigkeit Urteil statt Ausführung ist.
Für mich war der interessanteste Teil von Turings Test nie die Maschine. Es war die Position, in die sie uns versetzt, sobald wir den Unterschied nicht mehr erkennen können. Unser Beruf steht kurz davor, zu erfahren, wie sich das anfühlt.
Über den Autor
Dr. Maor Farid hat einen BSc, MSc und PhD in Maschinenbau und war als Maschinenbauingenieur und später als KI-Forscher in Unit 8200 der Israelischen Verteidigungsstreitkräfte tätig. Er war Fulbright-Postdoktorand am MIT, wo er an Anwendungen von Machine Learning auf mechanische Systeme arbeitete, und war der bestbewertete Dozent an der Fakultät für Maschinenbau des Technion. Er ist Absolvent des Executive-Programms der Harvard Business School und Forbes-30-Under-30-Preisträger. Er ist Mitbegründer und CEO von Leo AI.
Der Beitrag Opinion: AI has passed the mechanical Turing test erschien zuerst auf Engineering.com.
