Лаборатория компьютерных наук и искусственного интеллекта MIT (CSAIL) представила PhysiOpt — систему, которая объединяет генеративный ИИ с физическими симуляциями для создания функциональных 3D-объектов. Пользователю достаточно ввести текстовое описание или загрузить изображение желаемого предмета — и через 30 секунд система выдаёт готовый к 3D-печати дизайн, который не развалится при реальном использовании. Это принципиально новый подход: обычные генеративные модели создают красивые, но хрупкие объекты, потому что не понимают законов физики.
PhysiOpt решает эту проблему, запуская симуляцию методом конечных элементов (finite element analysis) для стресс-тестирования каждого дизайна. Система создаёт тепловую карту 3D-модели, показывающую структурно слабые места, и автоматически усиливает их, сохраняя при этом эстетику оригинального замысла. Итеративный процесс оптимизации использует предобученные генеративные модели с «формальными приоритетами» (shape priors), что позволяет обходиться без дополнительного обучения нейросети.
Исследователи продемонстрировали впечатляющие примеры: стимпанк-держатель для ключей с замысловатыми роботизированными крючками, стол в форме жирафа с плоской спинкой для хранения предметов, а также стакан в форме фламинго, ручка и основание которого напоминают ноги тропической птицы. Все эти объекты были успешно напечатаны на 3D-принтере и выдерживают повседневное использование — в отличие от аналогов, созданных обычными ИИ-генераторами.
«PhysiOpt — автоматическая система, которая делает форму физически пригодной к производству без дополнительного обучения», — объяснила Мина Конакович-Лукович, доцент MIT и руководитель лаборатории. Разработкой руководили аспиранты MIT EECS Сяо Шон Чжан и Клеман Жамбон при участии Кенни Нг из MIT-IBM Watson AI Lab и студента-исследователя Эвана Томпсона.
В сравнительных тестах PhysiOpt оказалась почти в 10 раз быстрее на каждой итерации, чем ближайший конкурент DiffIPC — метод, который также симулирует и оптимизирует формы. При этом объекты, созданные системой MIT, выглядели значительно реалистичнее. Ключевое преимущество — отсутствие необходимости в обучении: система использует уже существующие предобученные модели, что делает её доступной для массового применения.
Разработка MIT открывает путь к персонализированному производству мебели и предметов интерьера: любой пользователь сможет описать словами уникальный предмет и получить готовый файл для 3D-печати. В контексте бурного роста рынка ИИ в производстве — с $1,1 млрд в 2020 году до прогнозных $16,7 млрд к 2026 году — PhysiOpt может стать мостом между генеративным дизайном и реальным изготовлением мебели, устраняя главный барьер: разрыв между красивой картинкой и функциональным изделием.
