BMW lærer AI at forstå crashtestsimuleringer

BMW lærer ikke AI at tale, men at læse et sammenstød.

BMW Group vil bruge egne industrielle data til at analysere crashtestsimuleringer. Ifølge selskabet kører der tusindvis af virtuelle crashtestsimuleringer hver uge i BMWs udviklingsarbejde, og gennem årene har koncernen opbygget mere end én petabyte data fra forskellige kollisionsscenarier. Dataene beskriver karrosseristrukturer, materialeadfærd og deformationsmønstre og giver dermed BMW og Mistral AI grundlaget for at træne en branchespecifik AI-model.

Crashtestsimulering er et område, hvor hver millimeter deformation i stål, aluminium, højstyrkestål, limsamlinger og batterikapslinger kan ændre belastningen af kabinen, dørenes åbningsegenskaber, sikkerhedsselernes funktion eller beskyttelsen af højvoltsbatteriet. Værdien af AI ligger ikke i dramatiske beslutninger. Den ligger i at finde mønstre i enorme mængder ingeniørdata.

Large Industry Model er BMWs svar på den generelle chatbot.

BMW beskriver den tekniske basis som en Large Industry Model-tilgang. I praksis betyder det en stor industriel model, der ikke lærer fra generelle internettekster, men fra ingeniørdata, simuleringsnet, materialemodeller og udviklingslogik fra ét specifikt område. Mistral AI beskriver partnerskabet på lignende vis: Målet er at bygge branchespecifikke AI-modeller, der begynder med crashtestsimuleringer og senere kan udvides til andre dele af BMWs værdikæde.

Det adskiller BMWs projekt fra almindelig generativ AI. En chatbot kan forklare, hvad en crashbjælke eller en sidekollision er. En industriel model skal hjælpe en ingeniør med at forstå, hvorfor et bestemt karrosseriknudepunkt svigter på den forkerte måde, hvordan kræfterne bevæger sig gennem karrosseristrukturen, og hvilke simuleringsresultater der kræver nærmere gennemgang.

Crashtestsimulering er for komplekst til lette løfter.

Et sammenstød er ikke et lineært problem. I kollisionsøjeblikket bøjer og rives materialer, komponenter mødes på nye steder, svejsninger og limsamlinger arbejder på grænsen af deres kapacitet, og hele forløbet udspiller sig på millisekunder. Ny forskning fra CarCrashNet peger på det samme: Strukturel crashtestsimulering er vanskelig på grund af store deformationer, ikke-lineær kontakt, plastisk materialeadfærd og finitte elementnet i høj opløsning.

Derfor skal løftet fra BMW og Mistral AI læses nøgternt. AI kommer ikke til at erstatte ingeniøren eller den fysiske crashtest. Den kan derimod reducere den tid, der bruges på at sortere simuleringer, finde afvigelser og sammenligne varianter. Når en ingeniør tidligere kan se, hvilken karrosseristruktur der opfører sig dårligt, kan profilform, materialetykkelse eller lastvej ændres tidligere i processen.

Europæiske sikkerhedsregler gør virtuel udvikling mere værdifuld.

BMWs projekt kommer på et relevant tidspunkt. Euro NCAP indfører et nyt vurderingssystem i 2026, hvor sikkerhed bedømmes i fire faser: sikker kørsel, kollisionsundgåelse, kollisionsbeskyttelse og sikkerhed efter kollisionen. Euro NCAP fremhæver også den voksende rolle for virtuel testning, især i fremtidige sikkerhedsvurderinger og ved vurdering af nye teknologier.

Det gør biludvikling mere krævende. En stærk frontstruktur og en god sideairbag fortæller ikke længere hele historien. I en elbil skal højvoltsbatteriet forblive isoleret efter en kollision, redningsmandskab skal hurtigt kunne åbne bilen, og dørhåndtag eller elektriske systemer må ikke hindre flugt efter et sammenstød. Euro NCAPs protokol for sikkerhed efter kollision bruger også crashtest til at kontrollere elektrisk sikkerhed i elbiler og hybridbiler.

BMWs fordel ligger i datamængden.

Alle større bilproducenter har simuleringshold og fysiske testlaboratorier. BMWs styrke her ligger i koncernens datagrundlag. Mere end én petabyte historiske crashtestsimuleringsdata betyder, at modellen ikke lærer fra et blankt udgangspunkt. Den kan studere flere års udvikling: hvilke løsninger der virkede, hvilke karrosseriknudepunkter der opførte sig dårligt, hvilke simuleringer der forudsagde fysiske testresultater godt, og hvor hullerne opstod.

Der er også en risiko. Industriel AI bliver kun nyttig, når dataene har høj kvalitet, er korrekt mærket og giver mening for ingeniørerne. En dårlig simulering eller en misforstået materialemodel kan lære AI den forkerte sammenhæng. BMWs egen ingeniørekspertise forbliver derfor central i projektet. Mistral AI leverer værktøjet, ikke en automatisk sandhedsmaskine.

Konkurrenterne bevæger sig i samme retning.

BMW er ikke alene om at se simulering og AI som en ny accelerator i udviklingsarbejdet. Bil- og luftfartsindustrien flytter mere arbejde over i virtuelle miljøer, fordi fysiske prototyper er meget dyre, og fordi hver udviklingscyklus skal blive kortere. Euronews satte nyheden ind i en bredere sammenhæng og bemærkede, at Mistral AI også har indgået et partnerskab med Airbus. Det er et tegn på, at europæisk industri vil bruge lokale AI-løsninger på strategiske områder.

For BMW er indsatsen særlig høj. Elbiler, store batteripakker, karrosserier med flere materialetyper og skrappere sikkerhedsprotokoller tvinger producenterne til at teste flere varianter hurtigere. Hvis AI hjælper BMW med at forkorte analysen af simuleringer og opdage svage punkter tidligere, kan det give en fordel i sikkerhed, udviklingstid og omkostninger.

Teknisk opsummering

BMW Group og Mistral AI udvikler AI til analyse af crashtestsimuleringer.

BMW vil bruge mere end én petabyte historiske crashtestsimuleringsdata til at træne modellerne.

Løsningen fokuserer på industrielle modeller i Large Industry Model-stil, ikke generelle chatbots.

AI skal hjælpe ingeniører med hurtigere at vurdere karrosserideformation, materialeadfærd og afvigelser i simuleringer.

For Europa får projektet ekstra betydning på grund af Euro NCAPs sikkerhedssystem fra 2026 og den voksende rolle for virtuel testning.