La inteligencia artificial ha transformado rápidamente la ingeniería de software. La IA generativa y los grandes modelos de lenguaje (LLM) pueden crear enormes volúmenes de código y documentación; Los algoritmos de aprendizaje automático pueden monitorear el rendimiento y detectar vulnerabilidades de seguridad. Pero cuando la tarea es concebir, diseñar y fabricar un sistema físico complejo como un motor a reacción, ¿son esas herramientas de IA igualmente transformadoras?
El semestre pasado, el JARVIS Challenge (Sprint intensivo de investigación y validación de IA de motores a reacción) se propuso explorar si la IA puede comprimir el ciclo de diseño-construcción-prueba, pidiendo a los estudiantes universitarios del MIT que descubrieran si la IA puede ayudarlos a construir más rápido y mejor.
“El desafío JARVIS demostró que la IA puede acelerar sustancialmente la ingeniería de hardware crítico para la seguridad, pero el criterio de ingeniería sigue siendo el diferenciador decisivo. Un ingeniero nativo de IA no se define por usar IA, sino por liderarla: saber cuándo confiar en ella, cuándo desafiarla y cómo traducir los resultados de la IA en hardware funcional. La fabricación, no el diseño o análisis de ingeniería, siguió siendo el paso fundamental que limita la velocidad”, dice el profesor Zolti Spakovszky, director del Laboratorio de Turbinas de Gas del MIT.
Los equipos, las herramientas, la tarea.
El desafío dio a los estudiantes universitarios cuatro semanas para diseñar, fabricar, ensamblar y probar un pequeño motor aeronáutico de turbina de gas, utilizando la IA como su principal socio de ingeniería. El objetivo: construir un motor a reacción de un solo carrete “clase JARVIS” que produzca entre 50 y 100 libras de empuje, funcione con Jet-A y complete cinco carreras de 60 segundos. Los equipos tenían total libertad sobre el diseño, los materiales y la fabricación.
En representación de casi todos los departamentos de la Escuela de Ingeniería, 31 estudiantes se organizaron en siete equipos, desde grupos de primer año hasta grupos de último año. Al principio, muchos de los competidores tenían poca experiencia en turbomáquinas, flujos compresibles o, en el caso de los estudiantes más jóvenes, incluso en termodinámica. Muchos nunca habían visto el interior de una turbina de gas antes de apuntarse a construir una.
A su disposición: los talleres mecánicos y los proveedores de fabricación del MIT; software comercial que incluye Concepts NREC, SolidWorks y ABAQUS; y varios bancos de pruebas para caracterizar y ensamblar componentes individuales.
Los equipos también tuvieron acceso a MIT Parley, una plataforma recientemente lanzada que agrega modelos de lenguajes de gran frontera a través de una única interfaz. A través de Parley, los líderes de JARVIS pudieron ver directamente cómo los estudiantes estaban usando las herramientas de IA, incluidas sus indicaciones, el costo por indicación, los LLM específicos que se estaban utilizando y otra información crítica. Los líderes de JARVIS aseguraron el acceso temprano a Parley para todos los participantes, y con el apoyo financiero del Laboratorio Lincoln del MIT, el Departamento de Ingeniería Mecánica y los patrocinadores corporativos Safran, Voyager Technologies y Beehive Industries, los estudiantes tuvieron acceso a un uso esencialmente ilimitado de la IA.
Los patrocinadores se sintieron atraídos por el interés en el reclutamiento y la curiosidad genuina sobre cómo la IA podría remodelar los flujos de trabajo de ingeniería.
“Vemos esto como el futuro de la ingeniería”, dijo a los estudiantes Ryan (Hal) Hefron de Voyager Technologies. “Estás perfeccionando habilidades que no sólo es bueno tener, sino que serán la base futura en la fuerza laboral de ingeniería”.
Vincent Garnier, director general de Safran Tech, observó con entusiasmo el desarrollo de la competición. “JARVIS fue un experimento genuino, un esfuerzo de aprendizaje. Francamente, no sabíamos qué esperar, de los estudiantes o de los modelos de IA. Lo que me llamó la atención de los estudiantes fue: primero, el entusiasmo por explorar; luego, a medida que se desarrolló el proyecto, todos se dieron cuenta con serenidad de en qué la IA podía ayudarlos o no, y luego se adaptaron casi instantáneamente a eso”, dice. “Me hace confiar en que esta generación de ingenieros líderes probablemente no será víctima del uso fácil y miope de la IA, y lo hará manteniéndose cada vez más en contacto con experimentos, físicos o mentales”.
Los líderes del cuerpo docente (los profesores Zachary Cordero, Zolti Spakovszky, Masha Folk y Andreea Bobu del Departamento de Aeronáutica y Astronáutica, junto con los ingenieros del Laboratorio Lincoln y un equipo de asistentes docentes) estaban allí para garantizar la seguridad. En las revisiones de progreso semanales, evaluarían críticamente el progreso de los estudiantes y evaluarían cómo los estudiantes estaban usando la IA.
Spakovszky desarrolló una técnica cuidadosa para guiar a los equipos en la dirección correcta sin revelar respuestas ni brindar ayuda. Después de la presentación de un equipo, podría preguntar: “¿Sabes qué es un ajuste de rebaje? Toma nota del comentario”.
Donde la IA ayuda y perjudica
Al final de la semana 1, un equipo se retiró de la competición; los demás habían desarrollado, con distintos grados de éxito, un diseño inicial para sus turbinas de gas. Diferentes equipos utilizaron IA para resumir libros de texto, enseñarles a usar software de diseño, buscar proveedores, crear hojas de Excel, responder preguntas específicas, encontrar referencias y crear análisis comparativos entre decisiones de diseño. Un equipo creó un agente en Parley y le asignó la tarea de actuar como director de proyecto.
En la semana 2, los equipos tuvieron que comenzar a trabajar en diseños CAD detallados, ordenar piezas y crear prototipos de sus cámaras de combustión. Aquí es donde los equipos comenzaron a encontrar limitaciones en el uso de la IA. Si bien Claude y ChatGPT fueron buenos para ofrecer alternativas de diseño y llenar vacíos de conocimiento, los equipos descubrieron que las alucinaciones, la adulación y la falta de comprensión física que se han convertido en características notorias de la IA generativa estaban minando su confianza y frenándolos.
“La IA es una herramienta útil, excelente para encontrar información, ayudar a organizar cosas y puede escribir bien, pero no puede diseñar”, dice Elizabeth Tupaj, miembro del equipo 811 Crew. “En el momento en que el ingeniero no sabe lo que está pasando y la IA está a cargo, es el momento en que el diseño deja de ser confiable, al menos con la IA en sus capacidades actuales”.
El profesor asistente John Zhang señala: “Ver esto de primera mano con los estudiantes me recordó lo mucho que importan las primeras impresiones. Si los estudiantes no podían obtener respuestas de la IA desde el principio, rápidamente se frustraban y formaban una opinión duradera que les impedía utilizarla más adelante”.
En las últimas semanas, los finalistas se toparon con otro obstáculo que la IA no pudo resolver: trabajar con proveedores. “Las búsquedas de IA encontraron proveedores con los que no teníamos ninguna relación, que no tenían interés en nuestro ajustado cronograma”, informaron los estudiantes. “Los proveedores que acudieron fueron con quienes nuestro equipo tenía relaciones personales”.
De los tres finalistas, sólo Fast y Fractured lograron el primer intento de encendido de su minicombustión. El equipo había utilizado intensamente la IA para estudios comerciales y comparaciones de arquitectura, y llegó a un diseño viable a pesar de que ninguno de ellos tenía experiencia previa en turbinas de gas.
“El Desafío JARVIS demostró lo que es posible cuando se combina un diseño basado en IA con estudiantes motivados y una cultura de experimentación rápida”, dice Masha Folk, profesora de desarrollo profesional de Aeronáutica y Astronáutica Charles Stark Draper. “El momento que más se destacó fue cuando se instaló en el banco de pruebas la primera cámara de combustión diseñada por estudiantes. Se encendió sin problemas, aumentó a máxima potencia, pasó a funcionamiento con combustible dual y luego mantuvo una combustión estable con combustible 100 por ciento Jet-A. Esta fue la prueba de que podemos acelerar dramáticamente el ciclo de diseño, construcción y prueba mientras brindamos a los estudiantes experiencia práctica con un verdadero desafío de ingeniería”.
A la vanguardia de la ingeniería nativa de IA
A finales de mayo, los dos equipos más veteranos, Fast and Fractured y 811 Crew, habían completado pruebas completas de motor. Fast and Fractured, con su diseño asistido por IA, se retrasó por dolores de cabeza de los proveedores semana tras semana, pero finalmente logró probarse. Desafortunadamente, su ardiente fuego se vio interrumpido cuando el rotor rozó y se agarró contra la carcasa estacionaria. Sin embargo, el equipo 811 Crew, que tenía más exposición a los conceptos de turbomaquinaria y propulsión antes de la competición, salió victorioso. Su motor arrancó, realizó con éxito la transición al Jet-A y generó empuje neto.
“Mientras estábamos allí con el motor de arranque neumático, escuchando sus motores arrancar y viéndolos escupir fuego, sentí como si mi corazón se saliera de mi pecho. ¡Había tantas maneras en que podía salir mal! Lo que estos estudiantes lograron en tan poco tiempo es nada menos que sorprendente”, dice el estudiante de doctorado Joe Chiapperi.
El equipo 811 se había resistido al uso de la IA durante toda la competencia, confiando en cambio en sus fundamentos y trabajo en equipo. “Teníamos gente que estaba al menos algo familiarizada con el software de diseño, ingenieros mecánicos que sabían construir cualquier cosa e ingenieros aeroespaciales que habían tomado clases específicamente sobre el diseño de motores de turbina de gas”, dice Tupaj.
Desde el comienzo del Desafío JARVIS, los estudiantes más jóvenes utilizaron Parley con mayor frecuencia e inteligencia, mientras que los estudiantes de tercer y cuarto año aprovecharon una experiencia más profunda.
“JARVIS me enseñó que obtener valor de la IA requiere dos cosas: suficiente experiencia para juzgar lo que dice y detectarlo cuando está mal, y suficiente curiosidad para apoyarse en ella en lo que pueda ayudar”, dice la profesora Andreea Bobu. “El equipo que se movió más rápido en el sprint tenía experiencia y se apoyó en gran medida en la IA para llegar allí. El equipo que finalmente ganó fue más resistente a la IA; tenían la experiencia, pero ese escepticismo los hizo más lentos. El punto óptimo parece ser saber lo suficiente para mantenerse a cargo de la herramienta, y estar lo suficientemente ansioso para aprenderla en primer lugar. Para mí, esa es la verdadera oportunidad que tenemos por delante: capacitar a la próxima generación de ingenieros que tengan el juicio para dirigir estas herramientas de IA y el instinto para alcanzarlas”.
La conclusión más clara del concurso: la experiencia en ingeniería es un multiplicador y el factor humano sigue siendo un elemento vital. Dominar los primeros principios y conceptos fundamentales genera un buen juicio de ingeniería y la capacidad de navegar por una serie de decisiones difíciles frente a información incompleta. Y cuando se trata de construir sistemas físicos críticos para la seguridad, nada puede reemplazar las manos y la responsabilidad humanas.
“JARVIS ha demostrado que los copilotos de IA pueden tener un efecto multiplicativo en la productividad de la ingeniería, siendo el criterio y el pensamiento de primeros principios los diferenciadores clave entre los equipos”, añade el profesor asistente Kyle Woody.
Pero las implicaciones de la IA en el sector aeroespacial son significativas. Si los equipos pequeños que utilizan copilotos de IA bien administrados pueden comprimir los ciclos de diseño, construcción y pruebas de años a semanas, las consecuencias para la estructura de la fuerza laboral, los cronogramas de I+D y la dinámica competitiva podrían ser sustanciales. Los estudiantes que abordaron el Desafío JARVIS se encuentran entre los primeros ingenieros en lidiar con esos desafíos no como un experimento mental, sino en un taller de maquinaria, con un motor a reacción en el banco de pruebas.
“JARVIS destacó el poder de la IA en el diseño de sistemas físicos”, afirma Cordero, director asociado del Laboratorio de Turbinas de Gas del MIT. “Pero también demostró que la clave para desbloquear ese poder es la educación, a través de cursos, pasantías y actividades extracurriculares prácticas como MIT Motorsports y Rocket Team. El rendimiento en JARVIS se correlaciona fuertemente con el año escolar. Mi principal conclusión es que en la era de la IA, la educación es más valiosa que nunca”.