生成式AI与大语言模型正在深刻改变软件工程领域，从自动生成代码和文档，到监控系统性能、识别安全漏洞，无不体现出其强大能力。然而，当任务变成设计并制造一台喷气发动机这样高度复杂的物理系统时，这些AI工具是否同样能大显身手？
麻省理工学院（MIT）近期开展了一项名为JARVIS挑战赛（喷气发动机AI研究与验证冲刺项目）的实验，旨在探索AI能否压缩设计-制造-测试的周期，并邀请MIT本科生亲身验证AI能否帮助他们更快、更好地完成工程任务。
MIT燃气轮机实验室主任Zolti Spakovszky教授总结道："JARVIS挑战赛表明，AI能够大幅提升安全关键型硬件工程的效率，但工程判断力仍然是决定性因素。所谓'AI原生工程师'，并不是简单地使用AI，而是能够驾驭AI——知道何时信任它、何时质疑它，以及如何将AI的输出转化为实际可用的硬件。而制造环节，而非工程设计或分析环节，始终是整个流程中最根本的速率瓶颈。"
参赛团队与任务设定
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、装配和测试。目标是构建一台"JARVIS级"单轴喷气发动机，推力达到50至100磅，燃料使用航空煤油Jet-A，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享有完全自主权。
来自麻省理工学院工学院几乎所有系科的31名学生组成七支参赛队伍，从全员大一新生到以高年级学生为主的团队均有涵盖。许多参赛者最初对涡轮机械、可压缩流或热力学几乎一无所知，不少低年级学生此前甚至从未见过燃气轮机的内部构造。
参赛团队可以使用的资源包括：MIT机械加工车间及外部制造商、Concepts NREC、SolidWorks和ABAQUS等商业软件，以及用于各部件特性分析和组装的多种测试台架。
与此同时，各团队还获得了访问MIT Parley平台的权限。这是一个新推出的平台，通过统一界面整合了多个前沿大语言模型。借助Parley，JARVIS项目负责人可以直接追踪学生使用AI工具的情况，包括提示词内容、每条提示的费用、所调用的大语言模型类型等关键信息。赛事方还为所有参赛者争取到了Parley的早期访问资格，并在MIT林肯实验室、机械工程系以及Safran、Voyager Technologies、Beehive Industries和Boom Technology等企业赞助商的资金支持下，确保学生几乎可以不受限制地使用AI工具。
各赞助方的参与，一方面源于对招募优秀人才的兴趣，另一方面也出于对AI如何重塑工程工作流程的真切好奇。
Voyager Technologies的Ryan（Hal）Hefron在向学生们发表讲话时表示："我们认为这就是工程的未来。你们正在磨砺的技能，将不只是加分项，而是未来工程领域的基本标配。"
Safran Tech总经理Vincent Garnier全程参与并见证了这场比赛。他感慨道："JARVIS是一场真实的实验，是一段探索之旅。说实话，我们对学生和AI模型的表现都没有太多预期。让我印象深刻的是：学生们首先展现出探索的热情，随着项目推进，他们都冷静地意识到了AI能做什么、不能做什么，并几乎在第一时间做出了调整。这让我相信，这一代优秀的工程师很可能不会被AI的便利所迷惑、不会陷入短视，而是会通过不断接触实验——无论是实体实验还是思想实验——来保持清醒的判断。"
航空航天系的Zachary Cordero、Zolti Spakovszky、Masha Folk和Andreea Bobu教授，以及林肯实验室的工程师和一支助教团队，共同负责项目的整体安全保障。在每周进度审查中，他们会对学生进展进行深入评估，并考察AI的使用方式。
Spakovszky发展出一套引导技巧，在不直接给出答案的情况下帮助团队找准方向。在某次团队汇报结束后，他会问道："你们知道什么是榫槽配合吗？把这个问题带回去思考。"
AI的助力与局限
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设计方案。各团队借助AI完成了多项任务：归纳整理教材内容、学习设计软件的使用方法、寻找供应商、制作Excel表格、解答具体技术问题、检索参考资料，以及对不同设计方案进行对比分析。其中一支团队还在Parley中创建了一个智能体，并让其承担项目管理职责。
进入第二周，各团队开始着手完善CAD详细设计、订购零部件，并对燃烧室进行原型测试。这一阶段，AI使用的局限性开始集中显现。尽管Claude和ChatGPT在提供设计替代方案、弥补知识空白方面表现不俗，但生成式AI所固有的幻觉、讨好倾向以及对物理世界理解的不足，严重削弱了学生的信心，也拖慢了进度。
811 Crew团队成员Elizabeth Tupaj表示："AI是一个实用的工具，擅长信息检索、内容组织和文字写作，但它无法完成设计工作。一旦工程师不清楚状况、而让AI来主导，设计就会变得不可靠——至少在AI目前的能力水平下是这样。"
助教John Zhang也分享了他的观察："亲眼看到这一幕让我深刻感受到第一印象的重要性。如果学生在早期无法从AI那里获得有用的答案，他们很快就会感到沮丧，并形成一种持久的负面印象，进而在后续阶段拒绝使用AI。"
在最后几周，进入决赛的团队遭遇了另一个AI无能为力的障碍：与供应商的沟通协调。学生们反映："AI搜索找到的供应商，我们和他们毫无合作基础，对方根本不在意我们紧迫的时间节点。真正帮到我们的，是那些团队成员本身有私人关系的供应商。"
在三支决赛团队中，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方案对比中大量借助AI，在没有任何燃气轮机设计经验的前提下，最终实现了可行的设计方案。
航空航天系Charles Stark Draper职业发展教授Masha Folk说："JARVIS挑战赛展示了将AI辅助设计与有动力的学生群体、快速试验文化相结合所能达到的高度。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——它点火顺畅，功率稳步上升，顺利切换至双燃料模式，最终实现了100%航空煤油Jet-A的稳定燃烧。这证明我们完全可以大幅压缩设计-制造-测试的周期，同时让学生获得真实工程挑战的亲身经历。"
AI原生工程师的前沿探索
五月底，两支相对资深的团队——"Fast and Fractured"和"811 Crew"——均完成了整机测试。"Fast and Fractured"团队凭借AI辅助设计稳步推进，但供应商问题一再延误进度，好不容易进入测试阶段，却因转子与静止机匣之间发生摩擦卡死，热点火测试被迫中止。而"811 Crew"团队凭借更为扎实的涡轮机械和推进理论基础，最终赢得比赛——他们的发动机成功启动，顺利切换至航空煤油Jet-A运行，并产生了净推力。
博士生Joe Chiapperi难掩激动："当我们站在那里，握着气动启动装置，听着发动机转速逐渐升高，看着火焰喷射而出，我感觉心跳都要飞出来了。可能出错的地方太多了！这些学生在如此短的时间内取得的成就，真的令人叹为观止。"
"811 Crew"团队在整个比赛过程中对AI始终保持审慎态度，更多依赖扎实的基本功和团队协作。Tupaj解释道："我们团队里有人至少对设计软件有所了解，有机械工程背景、能够搞定任何制造问题的同学，还有专门学过燃气轮机发动机设计课程的航空工程师。"
从一开始，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赖深厚的专业积累。
Andreea Bobu教授总结道："JARVIS让我明白，要从AI中真正获益，需要两样东西：足够的专业积累，以便判断AI给出的答案是否正确、及时发现错误；以及足够的好奇心，愿意在AI能够帮忙的地方主动借力。冲刺阶段推进最快的团队，既有经验积累，又大量借助AI；而最终获胜的团队，虽然对AI更为抵触，凭借扎实的专业能力胜出，但这种怀疑态度也让他们的节奏相对慢了下来。最理想的状态，似乎是既对工具有足够的掌控力，又有主动拿起它的意愿。在我看来，这才是真正的机遇所在：培养下一代工程师，让他们既具备驾驭AI工具的判断力，又拥有本能去主动运用这些工具。"
本次竞赛最核心的发现是：工程经验是一个倍增器，人的因素依然不可或缺。扎实掌握第一性原理和基础概念，能够培养出良好的工程判断力，以及在信息不完整的情况下应对一系列艰难决策的能力。面对安全关键型物理系统的构建，任何技术都无法替代人的亲身实践和责任担当。
助教Kyle Woody补充说："JARVIS表明，AI副驾驶能够对工程生产力产生倍增效应，而判断力与第一性原理思维，是区分团队水平的关键变量。"
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，那么对人才结构、研发周期和竞争格局而言，其影响将是深远而巨大的。参与JARVIS挑战赛的学生，是最早以不仅仅是思想实验的方式直面这一问题的工程师群体——他们站在机械加工车间里，面对测试台架上的喷气发动机，用实际行动给出了自己的答案。
MIT燃气轮机实验室副主任Cordero说："JARVIS彰显了AI在物理系统设计中的强大潜力，但同时也表明，释放这种潜力的关键在于教育——包括课程学习、实习经历，以及MIT赛车队、火箭队这类实践性课外活动。JARVIS中的表现与学生的年级高度相关。我最大的感悟是：在AI时代，教育比以往任何时候都更有价值。"
Q&A
Q1：JARVIS挑战赛是什么？它要求学生做什么？
A：JARVIS挑战赛（喷气发动机AI研究与验证冲刺项目）是MIT开展的一项实验性竞赛，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发动机的设计、制造、装配和测试。目标是构建推力达50至100磅、使用航空煤油Jet-A燃料、并完成五次各60秒运行测试的"JARVIS级"单轴喷气发动机。
Q2：AI在喷气发动机设计中有哪些明显局限？
A：在实际工程中，AI暴露出多项局限：生成式AI存在幻觉、讨好倾向以及对物理世界理解不足等问题，会削弱工程师的判断信心。AI无法独立完成设计决策，一旦工程师对设计状态不清晰而完全依赖AI，方案的可靠性就会大打折扣。此外，AI推荐的供应商往往缺乏合作基础，无法满足紧迫的时间要求，真正可靠的资源来自团队自身的人脉关系。
Q3：最终哪支团队赢得了JARVIS挑战赛？他们是如何获胜的？
A：最终获胜的是811 Crew团队。他们在整个比赛中对AI保持审慎态度，更多依赖扎实的专业基础和团队协作。团队成员涵盖熟悉设计软件的成员、擅长制造的机械工程师，以及具备燃气轮机设计课程背景的航空工程师。他们的发动机成功启动，顺利切换至航空煤油运行，并产生了净推力，最终赢得比赛。
