iDesignGPT улучшает концептуальное проектирование с помощью агентных рабочих процессов больших языковых моделей

Почему важны более умные инструменты проектирования

От электромобилей до аварийных дронов — каждый сложный продукт начинается как грубая идея на белой доске. Ранние проектные решения часто заранее определяют большую часть стоимости, безопасности и характеристик продукта, однако на этом этапе по‑прежнему сильно полагаются на экспертную интуицию, долгие совещания и разрозненные документы. В этой статье представлена iDesignGPT — новая рамочная система на базе ИИ, цель которой превратить большие языковые модели — те же инструменты, что лежат в основе современных чат‑ботов — в дисциплинированных соавторов инженеров, помогая и экспертам, и новичкам систематичнее исследовать идеи, собирать информацию и оценивать ранние концепции.

Проблемы ранней стадии инженерии

Концептуальное проектирование — это «нечеткий передний край» инженерии: командам нужно решить, что должна делать система, как она может работать и вообще реализуема ли она, притом информация фрагментарна. Исследования показывают, что до 80% жизненного цикла стоимости фиксируется на этом этапе, и ошибки позже могут стоить очень дорого. Традиционные методы — такие как структурированные таблицы требований и справочники по решению задач — были разработаны для более узких промышленных условий и часто требуют глубокой специальной подготовки. В то же время средства автоматизированного проектирования и симуляции в основном полезны, когда уже есть подробная компоновка, оставляя пробел в поддержке самой ранней, самой креативной фазы. По мере того как продукты становятся более многодисциплинарными и компании стремятся привлекать менее специализированных проектировщиков, эти ограничения становятся все более заметными.

Что современные ИИ делают правильно — и что нет

Современные большие языковые модели (LLM), такие как GPT-4o и DeepSeek, продемонстрировали впечатляющие способности к рассуждению и уже могут помогать в задачах вроде составления отчетов или мозговых штурмов. Их также можно превратить в «агентов», которые планируют шаги, вызывают инструменты и обращаются к внешним базам данных. Однако «из коробки» они испытывают трудности с инженерным проектированием: им не хватает узкоспециализированных знаний, они могут неверно интерпретировать намерения пользователя и склонны к «галлюцинациям» — уверенным, но неверным утверждениям. Существующие ИИ‑помощники в проектировании обычно фокусируются на одном шаге, например генерации идей, и чувствительны к тому, насколько хорошо пользователь формулирует подсказки. Это затрудняет их доверие для решений с высокой ставкой или для поддержки новичков, которые не всегда могут заметить тонкие технические ошибки.

Структурированный партнёр‑ИИ для проектировщиков

iDesignGPT решает эти проблемы, интегрируя LLM‑агентов в полный, основанный на методах процесс проектирования. Построенная на открытой платформе, система организует ассистентов ИИ в кластеры с разными ролями — аналитики, офицеры информации, инноваторы и оценщики — связанных с четырьмя этапами: определение проблемы, сбор информации, генерация концепций и оценка вариантов. В режиме «Копилот» разговорный агент работает с пользователем, уточняя цели и дорабатывая требования через естественный диалог, принимая текст и изображения. В режиме «Агент» специализированные агенты автоматически применяют устоявшиеся техники проектирования, такие как анализ потребностей и матрицы качества‑функции, чтобы превратить пожелания заказчика в взвешенные инженерные цели. База знаний интегрирует патенты, академические статьи и примеры отмеченных наградами продуктов, а защитные механизмы и агенты для перекрестной проверки помогают снизить количество галлюцинаций и сделать процесс прозрачным.

Практическая проверка системы

Чтобы понять, работает ли эта рамочная система на практике, авторы протестировали iDesignGPT на высокопрофильной задаче: проектировании компактного спасательного летательного аппарата, способного автономно летать в чрезвычайных ситуациях. Система сначала расширила и реорганизовала исходный список требований, убрав узкие тестовые детали и выведя более общие потребности, такие как безопасность и автономность. Затем она искала по патентам, научным статьям и базам данных призовых проектов и использовала несколько креативных методов — биомимикрию, мозговой штурм, структурную рекомбинацию и анализ изобретательских принципов — чтобы сформировать модульные варианты решений. Наконец, она оценила и отобрала комбинированную концепцию. Количественные метрики показали, что процесс расширил исследуемое пространство проектирования и увеличил разнообразие и новизну идей на ранних этапах, затем сместившись к уточнению. При сравнении полученной концепции с 22 победителями конкурса её показатель удовлетворенности заказчиками оказался примерно в верхней четверти.

Сравнение с другими рабочими процессами ИИ

Команда также протестировала iDesignGPT против стандартных конфигураций LLM — простых подсказок, цепочки рассуждений и модели, ориентированной на выводы — на шести публичных инженерных задачах от агентств, таких как NASA и Министерство энергетики США. Используя объективные метрики, основанные на инженерной практике, они оценивали решения по новизне, оригинальности (насколько они отличаются от существующих патентов), рациональности, технической зрелости и модульности. iDesignGPT последовательно порождал более оригинальные и модульные концепции при сохранении высокой рациональности, хотя его идеи иногда были чуть менее готовыми к немедленной реализации, чем у наиболее консервативных моделей. Экспертные рецензенты в целом подтвердили эти тенденции. В пользовательских исследованиях с 48 участниками — от студентов до профессиональных инженеров — помощь ИИ в целом снижала умственную нагрузку по сравнению с чисто людским проектированием, а iDesignGPT в частности давал новичкам более ясное руководство по процессу, выявлял упущенные потребности и поддерживал принятие решений без необходимости в продвинутых навыках составления подсказок.

Что это означает для будущих проектировщиков

Для неспециалистов главный вывод заключается в том, что инструменты вроде iDesignGPT не направлены на замену инженеров, а на то, чтобы сделать ранние, хаотичные этапы проектирования более доступными, прозрачными и исследовательскими. Упаковав строгие методы проектирования в многoагентные рабочие процессы ИИ, система помогает пользователям сформулировать реальные потребности, исследовать более широкий круг возможностей и сравнивать варианты по явным критериям. Хотя у неё по‑прежнему есть ограничения — особенно в жестко ограниченных задачах и за пределами концептуальной фазы — она дает представление о среде проектирования, где студенты, универсалисты и эксперты могут совместно создавать сложные системы с ИИ, который ведет себя не как болтливый помощник, а как методичный, хорошо обученный соавтор.

Цитирование: Liu, S., Shen, Y., Zhang, Y. et al. iDesignGPT enhances conceptual design via large language model agentic workflows. Nat Commun 17, 1997 (2026). https://doi.org/10.1038/s41467-026-68672-1

Ключевые слова: инженерное проектирование, инструменты ИИ для проектирования, большие языковые модели, генерация концепций, взаимодействие человека и ИИ