人工智能迅速转变了软件工程。生成式AI和大型语言模型（LLMs）能够创建大量代码和文档；机器学习算法能够监控性能并检测安全漏洞。然而，当任务是构思、设计和制造复杂的物理系统，如喷气发动机时，这些AI工具是否同样具有变革性？
在过去的一个学期，JARVIS挑战（喷气发动机AI研究与验证强化冲刺）探讨了AI是否能够压缩设计-制造-测试周期，要求麻省理工学院的本科生探索AI是否能帮助他们更快、更好地制造。
“JARVIS挑战显示，AI可以显著加速安全关键硬件工程，但工程判断仍然是决定性差异因素。AI原生工程师并不是通过使用AI来定义，而是通过领导AI——知道何时信任，何时质疑，以及如何将AI输出转化为可工作的硬件。”麻省理工学院燃气涡轮实验室主任Zolti Spakovszky教授说。
挑战给本科生们提供了四周的时间来设计、制造、组装和测试一个小型燃气涡轮航空发动机，AI作为他们的主要工程伙伴。目标是建造一个“JARVIS级”单转子喷气发动机，产生50-100磅的推力，使用Jet-A燃料，完成五次60秒的运行。团队在设计、材料和制造上享有完全自由。
31名学生组织成七个团队，几乎涵盖了工程学院的每个系，从全新生到高年级组都有。许多参赛者最初对涡轮机械、可压缩流动或热力学几乎没有经验。在报名参加之前，许多人甚至没有见过燃气涡轮的内部。
他们可以使用麻省理工的机械车间和制造供应商；包括Concepts NREC、SolidWorks和ABAQUS等商业软件；以及用于表征和组装单个组件的各种测试设备。团队还可以访问MIT Parley，这是一个新推出的平台，通过单一接口聚合前沿大型语言模型。通过Parley，JARVIS的领导者可以直接看到学生们如何使用AI工具，包括他们的提示、每个提示的成本、使用的特定LLM以及其他关键信息。
在JARVIS领导者的推动下，所有参与者都获得了Parley的早期访问权限，并得到了来自麻省理工林肯实验室、机械工程系以及企业赞助商Safran、Voyager Technologies和Beehive Industries的财务支持，学生们几乎可以无限制地使用AI。
“我们认为这是工程的未来。”Voyager Technologies的Ryan（Hal）Hefron对学生们说。“你们正在磨练的不仅是可有可无的技能，而是将成为工程工作中的未来基础。”Safran Tech的董事总经理Vincent Garnier兴奋地观看了比赛的过程。“JARVIS是一个真正的实验，一个学习的努力。坦率地说，我们不知道会从学生或AI模型那里得到什么。让我印象深刻的是学生们的热情探索；然后，随着项目的进展，他们都冷静地意识到AI能或不能帮助他们，然后几乎立刻适应。”
教授团队——航空航天系的Zachary Cordero、Zolti Spakovszky、Masha Folk和Andreea Bobu，以及林肯实验室的工程师和一组助教——确保安全。在每周的进展评审中，他们将批判性地评估学生的进展，并评估学生如何使用AI。Spakovszky开发了一种谨慎的技术，指导团队朝着正确的方向前进，而不透露答案或提供帮助。在一个团队的展示后，他可能会问：“你知道什么是凹槽配合吗？考虑一下这个评论。”
随着比赛的进行，团队们发现AI的帮助和局限。到第一周末时，一个团队退出了比赛；其他团队则以不同程度的成功制定了燃气涡轮的初步设计。不同的团队使用AI总结教科书，教他们使用设计软件，寻找供应商，创建Excel表，回答特定问题，寻找参考资料，以及对设计决策进行比较分析。有一个团队在Parley中创建了一个代理，并将其任务设定为项目经理。
到第二周，团队们开始进行详细的CAD设计、订购零件和原型制作。这时，团队们开始感受到AI使用中的局限性。虽然Claude和ChatGPT在提供设计替代方案和填补知识空白方面表现良好，但团队们发现生成式AI所特有的幻觉、阿谀奉承和缺乏物理理解的特性正在削弱他们的信心并拖慢进度。
“AI是一个有用的工具，善于寻找信息、帮助组织事务，并且写作能力强，但它无法进行设计。”811 Crew的成员Elizabeth Tupaj说。“当工程师不知道发生了什么，而AI掌控时，设计就变得不可靠，至少以目前AI的能力而言。”助教John Zhang指出，“亲眼看到这一点让我想起了第一印象的重要性。如果学生一开始无法从AI那里获得答案，他们会迅速感到沮丧，并形成持久的看法，阻碍他们后续的使用。”
在最后几周，决赛选手们遇到了一个AI无法解决的障碍：与供应商的合作。“AI搜索找到了我们没有关系的供应商，他们对我们的紧迫时间表没有兴趣。”学生们报告说。“能成功的供应商是我们团队有个人关系的。”在三名决赛选手中，只有Fast和Fractured成功点燃了他们的迷你燃烧室。该团队在贸易研究和架构比较中大量使用AI，尽管他们之前没有燃气涡轮经验，仍然达成了可行的设计。
“JARVIS挑战展示了当你将AI启用的设计与积极进取的学生和快速实验的文化结合时可能发生的事情。”麻省理工学院航空航天与航天系的Charles Stark Draper职业发展教授Masha Folk说。“最让我印象深刻的时刻是，第一个学生设计的燃烧室安装在测试台上。它点燃顺利，达到全功率，成功过渡到双燃料操作，然后在100% Jet-A燃料上保持稳定燃烧。这证明我们可以大幅加速设计、制造和测试的周期，同时让学生获得真实工程挑战的实践经验。”
随着到5月底，两个高年级团队——Fast和Fractured以及811 Crew——完成了完整的发动机测试。Fast和Fractured团队利用AI辅助设计，尽管因为供应商问题延误了一周，但最终还是进行了测试。不幸的是，他们的热火测试因转子与固定外壳摩擦而中断。然而，811 Crew团队则由于对涡轮机械和推进概念的更多接触而取得了胜利。他们的发动机成功启动，顺利过渡到Jet-A，并产生了净推力。
“当我们站在那里，听着他们的发动机转速上升，看到火焰喷出时，我的心几乎要跳出来了。可能出现的错误太多了！这些学生在如此短的时间内取得的成就简直令人惊叹。”博士生Joe Chiapperi说道。811团队在比赛中对使用AI持保留态度，而是信任他们的基础知识和团队合作。“我们有一些对设计软件有一定了解的人，懂得如何制造任何东西的机械工程师，以及修过燃气涡轮发动机设计课程的航空航天工程师。”Tupaj说。
在JARVIS挑战开始时，年轻学生使用Parley的频率和技巧更高，而高年级学生则利用更深厚的经验。“JARVIS教会我，从AI获取价值需要两样东西：足够的专业知识来判断它告诉你的内容并在其出错时纠正，以及足够的好奇心去依赖它能帮助的地方。”教授Andreea Bobu说。“在冲刺中移动最快的团队是经验丰富的团队，他们在此过程中大量依赖AI；而最终获胜的团队对AI的依赖较少；他们有专业知识，但这种怀疑使他们的速度变慢。理想的状态似乎是既要知道如何掌握工具，又要有足够的热情去主动使用它。在我看来，这才是真正的机会：培养下一代工程师，使他们具备指导这些AI工具的判断力和主动使用的本能。”
比赛的最清晰发现是：工程经验是一个乘数，人为因素仍然是一个至关重要的元素。掌握基本原理和基本概念能培养良好的工程判断力，帮助在面对不完整信息时做出艰难决策。而在构建安全关键的物理系统时，任何事情都无法替代人类的双手和人类的责任。
“JARVIS表明，AI副驾驶可以对工程生产力产生乘数效应，而判断力和第一原理思维是团队之间的关键差异因素。”助教Kyle Woody补充道。但AI在航空航天领域的影响是深远的。如果小团队使用良好管理的AI副驾驶能够将设计-制造-测试周期从几年压缩到几周，那么对劳动力结构、研发时间表和竞争动态的影响可能是巨大的。
参与JARVIS挑战的学生们是第一批将这些风险纳入现实的工程师，不再是思想实验，而是在机器车间中，面对喷气发动机的测试台。“JARVIS突显了AI在物理系统设计中的力量。”Cordero说，麻省理工学院燃气涡轮实验室副主任。“但它也表明，释放这一力量的关键在于教育，包括课程、实习和像麻省理工赛车和火箭团队这样的实践课外活动。JARVIS的表现与学年强烈相关。我的主要收获是，在AI时代，教育比以往任何时候都更有价值。