BMW uči umetno inteligenco razumeti simulacije trkov

BMW umetne inteligence ne uči govoriti, temveč brati trk.

BMW Group bo za analizo simulacij trkov uporabil lastne industrijske podatke. Po navedbah podjetja med razvojem BMW vsak teden izvedejo na tisoče virtualnih simulacij trkov, v letih pa se je nabralo več kot en petabajt podatkov iz različnih scenarijev trkov. Ti podatki opisujejo karoserijske strukture, obnašanje materialov in vzorce deformacij, s tem pa BMW in Mistral AI dobita osnovo za učenje industrijsko specifičnega modela umetne inteligence.

Simulacija trkov je področje, kjer lahko vsak milimeter deformacije jekla, aluminija, visokotrdnostnega jekla, lepljenih spojev in ohišij baterij spremeni obremenitve potniške kabine, način odpiranja vrat, delovanje varnostnih pasov ali zaščito visokonapetostne baterije. Vrednost umetne inteligence tu ni v dramatičnem odločanju, temveč v iskanju vzorcev v ogromni količini inženirskih podatkov.

Large Industry Model je BMW-jev odgovor na splošni klepetalnik.

BMW tehnično osnovo opisuje kot pristop Large Industry Model. V praksi to pomeni velik industrijski model, ki se ne uči iz splošnih internetnih besedil, temveč iz inženirskih podatkov, simulacijskih mrež, materialnih modelov in razvojne logike z enega specifičnega področja. Mistral AI partnerstvo opisuje podobno: cilj je zgraditi industrijsko specifične modele umetne inteligence, ki se začnejo pri simulacijah trkov in bi se lahko pozneje razširili na druge dele BMW-jeve vrednostne verige.

S tem se BMW-jev projekt razlikuje od običajne generativne umetne inteligence. Klepetalnik lahko razloži, kaj pomenita nosilec pri trku ali bočni nalet. Industrijski model pa mora inženirju pomagati razumeti, zakaj določeno vozlišče karoserije odpove na napačen način, kako se obremenitve prenašajo skozi strukturo karoserije in kateri rezultat simulacije zahteva podrobnejši pregled.

Simulacija trkov je preveč zapletena za lahke obljube.

Trk ni linearen problem. V trenutku udarca se materiali upogibajo in trgajo, sestavni deli se srečajo na novih mestih, zvari in lepljeni spoji delujejo na meji svojih zmogljivosti, celoten proces pa poteka v milisekundah. Nedavna raziskava CarCrashNet poudarja isto: strukturna simulacija trka je zahtevna zaradi velikih deformacij, nelinearnega stika, plastičnega obnašanja materialov in visokoločljivih mrež končnih elementov.

Zato je treba obljubo BMW-ja in Mistral AI brati trezno. Umetna inteligenca ne bo nadomestila inženirja ali fizičnega preskusa trka. Lahko pa skrajša čas, porabljen za razvrščanje simulacij, iskanje nepravilnosti in primerjavo različic. Ko inženir prej vidi, katera karoserijska struktura se obnaša slabo, lahko prej v procesu spremeni obliko profila, debelino materiala ali pot prenosa obremenitev.

Evropska varnostna pravila povečujejo vrednost virtualnega razvoja.

BMW-jev projekt prihaja ob pravem času. Euro NCAP leta 2026 prehaja na novo ocenjevalno shemo, ki varnost obravnava v štirih fazah: varna vožnja, preprečevanje trkov, zaščita pri trku in varnost po trku. Euro NCAP poudarja tudi vse večjo vlogo virtualnega preskušanja, zlasti pri prihodnjih varnostnih ocenah in presoji novih tehnologij.

Razvoj avtomobilov je zato zahtevnejši. Močan sprednji del in dobra bočna zračna blazina ne povesta več celotne zgodbe. Pri električnem avtomobilu mora visokonapetostna baterija po trku ostati izolirana, reševalci morajo vozilo hitro odpreti, kljuke vrat ali električni sistemi pa po udarcu ne smejo ovirati izhoda. Protokol Euro NCAP za varnost po trku uporablja tudi preskuse trkov za preverjanje električne varnosti električnih in hibridnih vozil.

BMW-jeva prednost je v obsegu podatkov.

Vsak večji proizvajalec avtomobilov ima simulacijske ekipe in laboratorije za fizične preskuse. BMW-jeva moč je tu v podatkovni zalogi. Več kot en petabajt zgodovinskih podatkov iz simulacij trkov pomeni, da se model ne uči z nepopisanega lista. Preuči lahko leta razvoja: katere rešitve so delovale, katera vozlišča karoserije so se obnašala slabo, katere simulacije so dobro napovedale rezultate fizičnih preskusov in kje so se pojavile vrzeli.

Obstaja tudi tveganje. Industrijska umetna inteligenca postane uporabna šele, ko so podatki kakovostni, pravilno označeni in inženirjem smiselni. Slaba simulacija ali napačno razumljen materialni model bi lahko umetno inteligenco naučila napačne povezave. BMW-jevo lastno inženirsko znanje zato ostaja v središču projekta. Mistral AI zagotavlja orodje, ne samodejnega stroja za resnico.

Konkurenca gre v isto smer.

BMW ni edini, ki v simulacijah in umetni inteligenci vidi nov pospeševalnik razvoja. Avtomobilska in letalsko-vesoljska industrija vse več dela prenašata v virtualna okolja, ker fizični prototipi veliko stanejo, vsak razvojni cikel pa mora postati krajši. Euronews je novico umestil v širši kontekst in zapisal, da je Mistral AI sklenil tudi partnerstvo z Airbusom, kar kaže, da želi evropska industrija v strateških področjih uporabljati lokalne rešitve umetne inteligence.

Za BMW so vložki še posebej visoki. Električni avtomobili, veliki baterijski sklopi, večmaterialne karoserije in strožji varnostni protokoli od proizvajalcev zahtevajo, da hitreje preskusijo več različic. Če umetna inteligenca BMW-ju pomaga skrajšati analizo simulacij in prej odkriti šibke točke, bi mu to lahko prineslo prednost pri varnosti, razvojnem času in stroških.

Tehnični povzetek.

BMW Group in Mistral AI razvijata umetno inteligenco za analizo simulacij trkov.

BMW bo za učenje modelov uporabil več kot en petabajt zgodovinskih podatkov iz simulacij trkov.

Rešitev se osredotoča na industrijske modele v slogu Large Industry Model, ne na splošne klepetalnike.

Umetna inteligenca naj bi inženirjem pomagala hitreje oceniti deformacije karoserije, obnašanje materialov in nepravilnosti v simulacijah.

Za Evropo projekt dodatno pridobiva pomen zaradi varnostne sheme Euro NCAP za leto 2026 in vse večje vloge virtualnega preskušanja.