JARVIS挑战赛：AI能否胜任喷气发动机的工程设计？

AI正在迅速改变软件工程领域。生成式 AI与大语言模型可以生成海量代码与文档，机器学习算法也能监控系统性能并发现安全漏洞。然而，当任务变成构想、设计并制造一台喷气发动机这样复杂的物理系统时，这些AI工具还能同样发挥革命性的作用吗？

上个学期，JARVIS挑战赛（喷气发动机AI研究与验证集训冲刺赛）正式启动，旨在探索AI能否压缩设计—制造—测试的周期，邀请麻省理工学院（MIT）的本科生验证AI是否真能帮助他们造得更快、造得更好。

MIT燃气轮机实验室主任、教授Zolti Spakovszky表示："JARVIS挑战赛表明，AI可以显著加速安全关键型硬件工程的进展，但工程判断力仍是决定性的差异所在。所谓'AI原生工程师'，并非指一味使用AI，而是懂得主导AI——清楚何时信任它、何时质疑它，以及如何将AI的输出转化为可用的实体硬件。归根结底，制造环节——而非工程设计或分析——仍是整个流程中最根本的速率瓶颈。"

团队、工具与任务

本次挑战赛要求本科生在四周内，以AI为主要工程伙伴，完成一台小型燃气涡轮航空发动机的设计、制造、装配与测试。目标是打造一台"JARVIS级"单轴喷气发动机：推力50至100磅，使用航空煤油（Jet-A）燃料，并完成五次各60秒的运行测试。各团队在设计方案、材料选择和制造方式上拥有完全自主权。

31名来自麻省理工学工学院各系的学生，组成了七支队伍，成员构成从清一色大一新生到以高年级学生为主不等。许多参赛者起初对涡轮机械、可压缩流动等领域知识知之甚少，年级较低的学生甚至尚未学过热力学。不少人在报名之前，从未见过燃气轮机的内部构造。

参赛工具包括：MIT的机械工厂与制造商资源；Concepts NREC、SolidWorks和ABAQUS等商业软件；以及用于单个零部件表征与装配的各类测试台架。

各团队还可以使用MIT Parley——一个新上线的平台，通过统一界面整合了多个前沿大语言模型。通过Parley，JARVIS的负责人可以直接观察学生使用AI工具的情况，包括提示词内容、每次提示的费用、所选用的大语言模型等关键信息。JARVIS团队为所有参赛者争取到了提前使用Parley的资格，在MIT林肯实验室、机械工程系以及Safran、Voyager Technologies、Beehive Industries等企业赞助商的资金支持下，学生们几乎可以无限制地使用AI工具。

各赞助商之所以参与其中，既出于招聘需求，也源于对AI如何重塑工程工作流程的真正好奇。

"我们认为这就是工程的未来，"Voyager Technologies的Ryan（Hal）Hefron对学生们说，"你们正在磨练的技能，不只是锦上添花——它们将成为未来工程人才的基本素质。"

Safran Tech总监Vincent Garnier全程关注着这场竞赛的进展，深感振奋："JARVIS是一场真实的实验，一次学习的尝试。坦率地说，我们不知道会从学生那里，或者从AI模型那里看到什么。最令我印象深刻的是：起初他们充满探索热情，随着项目推进，所有人都冷静地认识到了AI能帮什么、不能帮什么，并几乎立刻做出了调整。这让我相信，这一代领军工程师很可能不会轻易落入浅尝辄止地使用AI的陷阱，而且会更加注重与实验的接触——无论是动手实验还是思想实验。"

来自航空航天系的教授Zachary Cordero、Zolti Spakovszky、Masha Folk和Andreea Bobu，以及林肯实验室的工程师和助教团队，全程为安全保驾护航。在每周的进度评审中，他们会对学生的进展及AI使用情况进行严格评估。

Spakovszky还形成了一套引导方法：在不直接给出答案或提供帮助的前提下，推动各团队思考正确方向。比如在某次团队汇报结束后，他会问："你们知道什么是止口配合吗？好好思考一下这个问题。"

AI的能与不能

第一周结束时，一支团队退出了比赛；其余团队则以不同程度的成功，完成了各自燃气轮机的初步方案设计。各团队将AI用于总结教材、学习设计软件的使用方法、联系供应商、创建Excel表格、解答专业问题、查找参考资料，以及对不同设计方案进行对比分析。其中一支团队还在Parley中搭建了一个智能体，专门负责项目管理工作。

到了第二周，各团队需要开始深化CAD设计、订购零部件并对燃烧室进行原型验证。也正是在这一阶段，团队们开始遭遇AI使用上的局限。Claude和ChatGPT虽然擅长提供设计备选方案和填补知识空白，但生成式 AI广为人知的"幻觉"问题、迎合倾向以及对物理规律的理解缺失，正在逐渐动摇学生的信心，并拖慢整体进度。

"AI是一个很有用的工具，擅长检索信息、协助梳理思路、文字表达也不错，但它无法胜任真正的设计工作，"811 Crew团队成员Elizabeth Tupaj说，"一旦工程师不再清楚自己在做什么，任由AI主导，设计就会变得不可靠——至少以AI目前的能力来说是这样。"

助教John Zhang指出："亲眼目睹学生经历这些，让我深刻体会到第一印象有多重要。如果学生在早期无法从AI那里得到想要的答案，他们很快就会产生挫败感，并形成根深蒂固的看法，从此不再愿意使用它。"

到了最后几周，进入决赛的队伍又遭遇了一个AI无法解决的难题：与供应商打交道。"AI搜索到的供应商和我们毫无交情，对我们紧迫的时间节点也不感兴趣，"学生们反映，"最终帮了我们的，都是团队成员有私人关系的供应商。"

在三支决赛队伍中，只有"Fast and Fractured"实现了微型燃烧室的首次点火。该团队在权衡研究和总体方案对比上大量借助了AI，最终完成了可行的设计——尽管团队成员此前均无燃气轮机相关经验。

"JARVIS挑战赛展示了将AI辅助设计与积极进取的学生、快速迭代的实验文化相结合的可能性，"航空航天系Charles Stark Draper职业发展教授Masha Folk说，"最令我难忘的时刻，是第一台学生自主设计的燃烧室被安装到测试台架上的那一刻——它点火顺利，平稳提升至全功率，完成了双燃料切换，并在100%航空煤油状态下维持了稳定燃烧。这有力证明，我们完全可以大幅压缩设计—制造—测试的周期，同时让学生在真实的工程挑战中积累宝贵的实践经验。"

站在AI原生工程的前沿

到五月底，两支资历较深的团队——"Fast and Fractured"和"811 Crew"——均完成了整机测试。"Fast and Fractured"虽凭借AI辅助完成了设计，却被供应商问题一拖再拖，但最终还是走上了测试台。遗憾的是，由于转子与静止机壳发生摩擦并卡死，他们的热点火测试被迫中止。反观"811 Crew"，凭借赛前更为扎实的涡轮机械与推进技术基础，最终赢得了比赛——他们的发动机成功启动，顺利完成了向航空煤油的燃料切换，并产生了净推力。

"当我们站在那里，听着他们的发动机转速拉升、喷出火焰，我感觉心都要跳出来了。有太多地方可能出差错！这些学生能在如此短的时间内取得这样的成就，真的令人叹为观止，"博士生Joe Chiapperi说。

811团队在整个比赛过程中对AI始终保持审慎态度，更多依赖自身的专业基础和团队协作。"我们有人对设计软件至少比较熟悉，有机械工程师懂得如何制造任何东西，还有航空航天工程师专门上过燃气轮机发动机设计的课程，"Tupaj说。

从挑战赛一开始，低年级学生就更频繁、更灵活地使用Parley，而大三、大四的学生则更多依靠深厚的专业积累。

"JARVIS让我明白，要真正从AI身上获得价值，需要具备两点：一是足够的专业能力，让你能判断AI的输出是否正确，并在它出错时及时纠偏；二是足够的好奇心，愿意在AI真正能帮上忙的地方主动借力，"Andreea Bobu教授说，"冲刺阶段跑得最快的团队，既有扎实的经验，又大量借助AI来推进进度；而最终夺冠的团队虽对AI持更审慎的态度，专业实力同样过硬，但这种谨慎也让他们的节奏偏慢。理想的状态似乎是：既懂得足够多，能始终掌控这个工具；又有足够的主动意愿，愿意伸手去用。在我看来，这才是真正的未来机遇所在——培养出一批既有判断力、能主导AI工具，又有直觉、愿意主动拿起它的新一代工程师。"

这场比赛揭示的最清晰的结论是：工程经验是一个乘数因子，人的因素依然是不可或缺的核心。扎实掌握第一性原理和基本概念，才能形成良好的工程判断力，才能在信息不完整的情况下做出一系列正确的关键决策。而在构建安全关键型物理系统时，没有任何东西可以替代人的双手与人的责任担当。

"JARVIS表明，AI副驾驶能够对工程效率产生乘数级的提升效果，而判断力和第一性原理思维，才是决定各团队成败的关键差异，"助教Kyle Woody补充说。

然而，AI在航空航天领域的影响意义深远。如果小型团队借助管理得当的AI副驾驶，能够将设计—制造—测试的周期从数年压缩至数周，那么对人力资源结构、研发周期和市场竞争格局的冲击将不可小觑。参与JARVIS挑战赛的学生们，是最早亲身直面这些现实考验的工程师——不是纸上谈兵，而是在机械工厂里，在测试台架上，与一台真实的喷气发动机面对面。

"JARVIS充分展示了AI在物理系统设计中的强大潜力，"MIT燃气轮机实验室副主任Cordero说，"但同时也表明，释放这种潜力的关键在于教育本身——无论是课堂学习、实习实践，还是MIT赛车队、火箭队这类动手型课外活动。JARVIS的成绩与学生的年级高度正相关。我最深的感悟是：在AI时代，教育比以往任何时候都更有价值。"

Q&A

Q1：JARVIS挑战赛的目标是什么？

A：JARVIS挑战赛要求MIT本科生在四周内，以AI为主要工程伙伴，完成一台小型燃气涡轮航空发动机的设计、制造、装配与测试。目标是打造推力50至100磅、使用航空煤油的单轴喷气发动机，并完成五次各60秒的运行测试，旨在探索AI能否有效压缩工程设计—制造—测试的周期。

Q2：AI在喷气发动机设计中能帮上什么忙，有哪些局限？

A：AI在总结教材、学习设计软件、联系供应商、创建分析表格、对比设计方案等方面表现出色。但在深度设计工作中，AI的"幻觉"问题、迎合倾向和对物理规律理解不足的缺陷明显。此外，AI无法替代与供应商的真实人际关系，也无法完全替代工程师的专业判断和第一性原理思维。

Q3：最终哪支团队赢得了JARVIS挑战赛？靠的是什么？

A：811 Crew团队最终夺冠。该团队成员具备较为扎实的涡轮机械和推进技术基础，在比赛过程中对AI保持审慎态度，更多依赖专业知识和团队协作。他们的发动机成功启动，完成了燃料切换并产生了净推力，最终赢得比赛。