JARVIS挑戰賽：AI能否勝任噴氣發動機的工程設計？

AI正在迅速改變軟件工程領域。生成式 AI與大語言模型可以生成海量代碼與文檔，機器學習算法也能監控系統性能并發現安全漏洞。然而，當任務變成構想、設計并制造一臺噴氣發動機這樣復雜的物理系統時，這些AI工具還能同樣發揮革命性的作用嗎？

上個學期，JARVIS挑戰賽（噴氣發動機AI研究與驗證集訓沖刺賽）正式啟動，旨在探索AI能否壓縮設計—制造—測試的周期，邀請麻省理工學院（MIT）的本科生驗證AI是否真能幫助他們造得更快、造得更好。

MIT燃氣輪機實驗室主任、教授Zolti Spakovszky表示："JARVIS挑戰賽表明，AI可以顯著加速安全關鍵型硬件工程的進展，但工程判斷力仍是決定性的差異所在。所謂'AI原生工程師'，并非指一味使用AI，而是懂得主導AI——清楚何時信任它、何時質疑它，以及如何將AI的輸出轉化為可用的實體硬件。歸根結底，制造環節——而非工程設計或分析——仍是整個流程中最根本的速率瓶頸。"

團隊、工具與任務

本次挑戰賽要求本科生在四周內，以AI為主要工程伙伴，完成一臺小型燃氣渦輪航空發動機的設計、制造、裝配與測試。目標是打造一臺"JARVIS級"單軸噴氣發動機：推力50至100磅，使用航空煤油（Jet-A）燃料，并完成五次各60秒的運行測試。各團隊在設計方案、材料選擇和制造方式上擁有完全自主權。

31名來自麻省理工學工學院各系的學生，組成了七支隊伍，成員構成從清一色大一新生到以高年級學生為主不等。許多參賽者起初對渦輪機械、可壓縮流動等領域知識知之甚少，年級較低的學生甚至尚未學過熱力學。不少人在報名之前，從未見過燃氣輪機的內部構造。

參賽工具包括：MIT的機械工廠與制造商資源；Concepts NREC、SolidWorks和ABAQUS等商業軟件；以及用于單個零部件表征與裝配的各類測試臺架。

各團隊還可以使用MIT Parley——一個新上線的平臺，通過統一界面整合了多個前沿大語言模型。通過Parley，JARVIS的負責人可以直接觀察學生使用AI工具的情況，包括提示詞內容、每次提示的費用、所選用的大語言模型等關鍵信息。JARVIS團隊為所有參賽者爭取到了提前使用Parley的資格，在MIT林肯實驗室、機械工程系以及Safran、Voyager Technologies、Beehive Industries等企業贊助商的資金支持下，學生們幾乎可以無限制地使用AI工具。

各贊助商之所以參與其中，既出于招聘需求，也源于對AI如何重塑工程工作流程的真正好奇。

"我們認為這就是工程的未來，"Voyager Technologies的Ryan（Hal）Hefron對學生們說，"你們正在磨練的技能，不只是錦上添花——它們將成為未來工程人才的基本素質。"

Safran Tech總監Vincent Garnier全程關注著這場競賽的進展，深感振奮："JARVIS是一場真實的實驗，一次學習的嘗試。坦率地說，我們不知道會從學生那里，或者從AI模型那里看到什么。最令我印象深刻的是：起初他們充滿探索熱情，隨著項目推進，所有人都冷靜地認識到了AI能幫什么、不能幫什么，并幾乎立刻做出了調整。這讓我相信，這一代領軍工程師很可能不會輕易落入淺嘗輒止地使用AI的陷阱，而且會更加注重與實驗的接觸——無論是動手實驗還是思想實驗。"

來自航空航天系的教授Zachary Cordero、Zolti Spakovszky、Masha Folk和Andreea Bobu，以及林肯實驗室的工程師和助教團隊，全程為安全保駕護航。在每周的進度評審中，他們會對學生的進展及AI使用情況進行嚴格評估。

Spakovszky還形成了一套引導方法：在不直接給出答案或提供幫助的前提下，推動各團隊思考正確方向。比如在某次團隊匯報結束后，他會問："你們知道什么是止口配合嗎？好好思考一下這個問題。"

AI的能與不能

第一周結束時，一支團隊退出了比賽；其余團隊則以不同程度的成功，完成了各自燃氣輪機的初步方案設計。各團隊將AI用于總結教材、學習設計軟件的使用方法、聯系供應商、創建Excel表格、解答專業問題、查找參考資料，以及對不同設計方案進行對比分析。其中一支團隊還在Parley中搭建了一個智能體，專門負責項目管理工作。

到了第二周，各團隊需要開始深化CAD設計、訂購零部件并對燃燒室進行原型驗證。也正是在這一階段，團隊們開始遭遇AI使用上的局限。Claude和ChatGPT雖然擅長提供設計備選方案和填補知識空白，但生成式 AI廣為人知的"幻覺"問題、迎合傾向以及對物理規律的理解缺失，正在逐漸動搖學生的信心，并拖慢整體進度。

"AI是一個很有用的工具，擅長檢索信息、協助梳理思路、文字表達也不錯，但它無法勝任真正的設計工作，"811 Crew團隊成員Elizabeth Tupaj說，"一旦工程師不再清楚自己在做什么，任由AI主導，設計就會變得不可靠——至少以AI目前的能力來說是這樣。"

助教John Zhang指出："親眼目睹學生經歷這些，讓我深刻體會到第一印象有多重要。如果學生在早期無法從AI那里得到想要的答案，他們很快就會產生挫敗感，并形成根深蒂固的看法，從此不再愿意使用它。"

到了最后幾周，進入決賽的隊伍又遭遇了一個AI無法解決的難題：與供應商打交道。"AI搜索到的供應商和我們毫無交情，對我們緊迫的時間節點也不感興趣，"學生們反映，"最終幫了我們的，都是團隊成員有私人關系的供應商。"

在三支決賽隊伍中，只有"Fast and Fractured"實現了微型燃燒室的首次點火。該團隊在權衡研究和總體方案對比上大量借助了AI，最終完成了可行的設計——盡管團隊成員此前均無燃氣輪機相關經驗。

"JARVIS挑戰賽展示了將AI輔助設計與積極進取的學生、快速迭代的實驗文化相結合的可能性，"航空航天系Charles Stark Draper職業發展教授Masha Folk說，"最令我難忘的時刻，是第一臺學生自主設計的燃燒室被安裝到測試臺架上的那一刻——它點火順利，平穩提升至全功率，完成了雙燃料切換，并在100%航空煤油狀態下維持了穩定燃燒。這有力證明，我們完全可以大幅壓縮設計—制造—測試的周期，同時讓學生在真實的工程挑戰中積累寶貴的實踐經驗。"

站在AI原生工程的前沿

到五月底，兩支資歷較深的團隊——"Fast and Fractured"和"811 Crew"——均完成了整機測試。"Fast and Fractured"雖憑借AI輔助完成了設計，卻被供應商問題一拖再拖，但最終還是走上了測試臺。遺憾的是，由于轉子與靜止機殼發生摩擦并卡死，他們的熱點火測試被迫中止。反觀"811 Crew"，憑借賽前更為扎實的渦輪機械與推進技術基礎，最終贏得了比賽——他們的發動機成功啟動，順利完成了向航空煤油的燃料切換，并產生了凈推力。

"當我們站在那里，聽著他們的發動機轉速拉升、噴出火焰，我感覺心都要跳出來了。有太多地方可能出差錯！這些學生能在如此短的時間內取得這樣的成就，真的令人嘆為觀止，"博士生Joe Chiapperi說。

811團隊在整個比賽過程中對AI始終保持審慎態度，更多依賴自身的專業基礎和團隊協作。"我們有人對設計軟件至少比較熟悉，有機械工程師懂得如何制造任何東西，還有航空航天工程師專門上過燃氣輪機發動機設計的課程，"Tupaj說。

從挑戰賽一開始，低年級學生就更頻繁、更靈活地使用Parley，而大三、大四的學生則更多依靠深厚的專業積累。

"JARVIS讓我明白，要真正從AI身上獲得價值，需要具備兩點：一是足夠的專業能力，讓你能判斷AI的輸出是否正確，并在它出錯時及時糾偏；二是足夠的好奇心，愿意在AI真正能幫上忙的地方主動借力，"Andreea Bobu教授說，"沖刺階段跑得最快的團隊，既有扎實的經驗，又大量借助AI來推進進度；而最終奪冠的團隊雖對AI持更審慎的態度，專業實力同樣過硬，但這種謹慎也讓他們的節奏偏慢。理想的狀態似乎是：既懂得足夠多，能始終掌控這個工具；又有足夠的主動意愿，愿意伸手去用。在我看來，這才是真正的未來機遇所在——培養出一批既有判斷力、能主導AI工具，又有直覺、愿意主動拿起它的新一代工程師。"

這場比賽揭示的最清晰的結論是：工程經驗是一個乘數因子，人的因素依然是不可或缺的核心。扎實掌握第一性原理和基本概念，才能形成良好的工程判斷力，才能在信息不完整的情況下做出一系列正確的關鍵決策。而在構建安全關鍵型物理系統時，沒有任何東西可以替代人的雙手與人的責任擔當。

"JARVIS表明，AI副駕駛能夠對工程效率產生乘數級的提升效果，而判斷力和第一性原理思維，才是決定各團隊成敗的關鍵差異，"助教Kyle Woody補充說。

然而，AI在航空航天領域的影響意義深遠。如果小型團隊借助管理得當的AI副駕駛，能夠將設計—制造—測試的周期從數年壓縮至數周，那么對人力資源結構、研發周期和市場競爭格局的沖擊將不可小覷。參與JARVIS挑戰賽的學生們，是最早親身直面這些現實考驗的工程師——不是紙上談兵，而是在機械工廠里，在測試臺架上，與一臺真實的噴氣發動機面對面。

"JARVIS充分展示了AI在物理系統設計中的強大潛力，"MIT燃氣輪機實驗室副主任Cordero說，"但同時也表明，釋放這種潛力的關鍵在于教育本身——無論是課堂學習、實習實踐，還是MIT賽車隊、火箭隊這類動手型課外活動。JARVIS的成績與學生的年級高度正相關。我最深的感悟是：在AI時代，教育比以往任何時候都更有價值。"

Q&A

Q1：JARVIS挑戰賽的目標是什么？

A：JARVIS挑戰賽要求MIT本科生在四周內，以AI為主要工程伙伴，完成一臺小型燃氣渦輪航空發動機的設計、制造、裝配與測試。目標是打造推力50至100磅、使用航空煤油的單軸噴氣發動機，并完成五次各60秒的運行測試，旨在探索AI能否有效壓縮工程設計—制造—測試的周期。

Q2：AI在噴氣發動機設計中能幫上什么忙，有哪些局限？

A：AI在總結教材、學習設計軟件、聯系供應商、創建分析表格、對比設計方案等方面表現出色。但在深度設計工作中，AI的"幻覺"問題、迎合傾向和對物理規律理解不足的缺陷明顯。此外，AI無法替代與供應商的真實人際關系，也無法完全替代工程師的專業判斷和第一性原理思維。

Q3：最終哪支團隊贏得了JARVIS挑戰賽？靠的是什么？

A：811 Crew團隊最終奪冠。該團隊成員具備較為扎實的渦輪機械和推進技術基礎，在比賽過程中對AI保持審慎態度，更多依賴專業知識和團隊協作。他們的發動機成功啟動，完成了燃料切換并產生了凈推力，最終贏得比賽。