Автор материала, много лет участвующий в проекте Formula Student в качестве судьи дисциплины «Защита конструкции», обратил внимание на участившиеся признания студентов в том, что сложные инженерные расчёты они выполняют с помощью искусственного интеллекта. Чтобы проверить обоснованность таких заявлений, он решил провести собственный эксперимент, взяв за основу знакомую задачу — расчёт тормозной системы для карта. Целью было выяснить, сможет ли современная языковая модель выдать корректный результат, пригодный для реального проектирования, и насколько принятые ею допущения соответствуют инженерным стандартам. Эксперимент проводился с моделью GPT-6 Astra, которая, по словам автора, показала неожиданные результаты. Важно понимать контекст: речь идёт не о развлечении, а о реальной инженерной практике, где цена ошибки в допущениях может быть высока, а сам автор на момент начала работы не имел профильного опыта в расчёте тормозных систем — в вузе он учился по направлению газотурбинных двигателей.

Исходная задача состояла в том, чтобы определить, достаточна ли эффективность установленных на карте тормозов для блокировки всех четырёх колёс. Автор потратил около трёх вечеров на изучение материалов, видеолекций коллег-судей и статей, после чего создал простую Excel-модель, вычислявшую требуемый диаметр поршней суппортов. Этот процесс включал самостоятельный вывод формул и проверку логики, что заняло значительное время. Когда же он попросил ChatGPT выполнить аналогичный расчёт, модель справилась с задачей за считанные минуты, предоставив не только числовой ответ, но и развёрнутое объяснение с промежуточными выкладками. Более того, в ходе диалога ИИ указал на неточность в исходных данных, которую автор ранее не заметил, что привело к пересмотру результатов и выявлению ошибки в собственном расчёте. Этот эпизод принципиально важен: он показывает, что модель способна не просто выдавать числа, но и участвовать в диалоге, уточняя постановку задачи и обращая внимание пользователя на слабые места в его логике. При этом автор подчёркивает, что именно его собственная экспертиза позволила распознать ценность замечания ИИ — без базового понимания физики процесса подсказка могла остаться незамеченной.

Технически ChatGPT продемонстрировал способность не только производить вычисления, но и генерировать код для визуализации и создания интерактивных приложений. В частности, по запросу автора модель написала программу на JavaScript, которая в браузере позволяет изменять параметры тормозной системы и наглядно отображает результаты расчёта. Это свидетельствует о том, что современные ИИ-системы могут выступать не только в роли калькулятора, но и в качестве инструмента для быстрого прототипирования инженерных приложений. Однако автор отмечает, что качество результата напрямую зависит от корректности постановки задачи и уровня экспертизы пользователя, который должен проверять допущения и интерпретировать полученные данные. Иными словами, модель не отменяет необходимости разбираться в предмете — она лишь меняет распределение времени между рутинными выкладками и содержательным анализом.

В контексте Formula Student использование ИИ студентами становится всё более распространённым: они сообщают о расчёте систем охлаждения, впуска и выпуска двигателя, а также анализа поглотителей энергии за две недели вместо традиционного семестра. Это вызывает обеспокоенность у судей, поскольку оценка знаний на соревнованиях строится на умении участников обосновывать принятые инженерные решения, а не на конечном результате. Если студент не может объяснить, почему выбраны те или иные допущения и как проводилась валидация модели, это ставит под сомнение качество его подготовки. Автор подчёркивает, что ИИ — мощный инструмент, но его использование без глубокого понимания процесса может привести к поверхностным знаниям и ошибкам в реальных проектах. Показательно, что сам судья придерживается гибкого подхода к оценке: даже нестандартное конструктивное решение заслуживает хорошей оценки, если студент приводит достаточное количество доводов, расчётов и результатов их валидации, а решение согласуется с общей концепцией болида и целями команды на сезон.

Для российского инженерного образования и рынка труда этот случай имеет важное значение. С одной стороны, доступность ИИ-помощников снижает порог входа в сложные расчёты и позволяет студентам быстрее осваивать новые области — особенно в условиях, когда новые команды Formula Student часто ограничены в ресурсах и опыте. С другой стороны, возникает риск формирования ложного чувства компетентности, когда за блестящими отчётами скрывается непонимание физических процессов. Вузам и организаторам соревнований, таким как Formula Student, предстоит адаптировать критерии оценки, возможно, сместив акцент на защиту проектов и проверку умения критически анализировать результаты, полученные с помощью ИИ. Отраслевые эксперты уже отмечают, что подобные инструменты требуют нового уровня цифровой грамотности и ответственности от инженеров. Для российской практики это особенно актуально: доступ к зарубежному специализированному ПО может быть ограничен, и универсальные ИИ-ассистенты становятся альтернативным каналом получения знаний — что повышает цену ошибки при некритичном использовании.

По сравнению с традиционными методами расчёта, где инженер вручную выводит формулы и проверяет каждый шаг, использование ChatGPT даёт значительное ускорение, но не отменяет необходимости верификации. Альтернативные подходы, такие как специализированное программное обеспечение (например, MATLAB, Ansys), требуют от пользователя понимания основ моделирования и не генерируют готовых решений «под ключ». ChatGPT же выступает в роли универсального помощника, способного объяснить ход решения, что может быть полезно для обучения. Однако, как показывает случай с обнаруженной ошибкой, модель может как помочь найти неточность, так и сама допустить ошибку, если входные данные некорректны. Поэтому ключевым остаётся участие человека-эксперта, способного оценить правдоподобность результата. Отдельный вопрос — воспроизводимость: ручная Excel-модель автора была прозрачна и проверяема, тогда как диалог с ИИ требует дисциплины фиксации допущений, чтобы результат можно было защитить перед судьями.

В перспективе автор планирует продолжить эксперименты с ИИ в инженерных задачах и призывает коллег по цеху делиться опытом использования таких инструментов. Открытым остаётся вопрос, как интегрировать ИИ в образовательный процесс, чтобы он служил подспорьем, а не заменой фундаментальных знаний. Также неясно, будут ли организаторы Formula Student ужесточать правила в отношении ИИ-ассистентов или, наоборот, поощрять их использование при условии прозрачности методологии. В любом случае, случай с расчётом тормозов демонстрирует, что граница между помощью и самостоятельной работой размывается, и инженерному сообществу предстоит выработать новые этические и профессиональные нормы. Пока же главный вывод автора остаётся практическим: ИИ ускоряет путь к результату, но ценность инженера определяется способностью обосновать каждое допущение — и именно это, по всей видимости, станет новым критерием оценки.