Листогибочный станок своими руками с чертежами фото: чертежи и инструкция по сборке устройства

Adblock
detector

Искусство не умерло, оно создано машинами

распространенное мнение, что творчество станет последним оплотом человеческой изобретательности перед лицом автоматизации, на самом деле гораздо проще автоматизировать довольно сложные творческие задачи, чем автоматизировать относительно простые задачи программирования. Чтобы понять это, мы сравним два наиболее популярных варианта использования генеративного ИИ: генерация кода и генерация изображений. Но мы считаем, что это утверждение справедливо в более общем плане, даже когда генеративные модели расширяются до более сложных приложений.

Краткая версия аргумента (который мы рассмотрим более подробно ниже) заключается в том, что, хотя такой продукт, как GitHub Copilot, в его нынешнем виде может сделать кодирование несколько более эффективным, он не устраняет необходимость в способных разработчиках программного обеспечения с знание программирования. Одна из важных причин заключается в том, что когда дело доходит до создания программы, ее правильность действительно имеет значение. Если ИИ создает программу, ему все равно требуется, чтобы человек проверил ее правильность — усилие почти того же уровня, что и ее создание с самого начала.

С другой стороны, любой, кто умеет печатать, может использовать такую ​​модель, как Stable Diffusion, для создания высококачественных, уникальных изображений за считанные минуты и на много порядков дешевле. Продукты творческой работы часто не имеют строгих ограничений на правильность, а результаты моделей потрясающе полны. Трудно не увидеть полного фазового сдвига в отраслях, которые полагаются на творческие визуальные эффекты, потому что для многих применений визуальные эффекты, которые ИИ может создавать сейчас, уже достаточны, а мы все еще находимся в самом начале развития технологии.

Мы полностью осознаем, что трудно быть уверенным в каких-либо прогнозах с учетом темпов развития поля. Однако прямо сейчас мы с большей вероятностью увидим приложения, полные творческих изображений, созданных исключительно программистами, чем приложения с искусственным дизайном, созданные исключительно создателями.

Почему шумиха и почему сейчас?

Прежде чем мы перейдем к особенностям генерации кода и генерации изображений, полезно получить представление о том, насколько популярен ИИ в целом и генеративный ИИ в частности.

Генеративный ИИ переживает самое быстрое освоение разработчиками, которое мы когда-либо видели. Пока мы пишем это, Stable Diffusion легко лидирует в рейтингах репозиториев GitHub с большим отрывом. Его рост намного опережает любые современные технологии в инфраструктуре или криптовалюте (см. рисунок выше). Почти ежедневно появляются объявления о запуске и финансировании стартапов, использующих эту технологию, а социальные сети наводняются контентом, созданным с помощью генеративных моделей.

Общий уровень инвестиций в ИИ за последнее десятилетие также сложно переоценить. С середины 2010-х годов мы наблюдаем экспоненциальный рост количества публикаций (см. рисунок ниже). Сегодня около 20% всех статей, размещенных на arXiv, посвящены ИИ, машинному обучению и НЛП. Важно отметить, что теоретические результаты преодолели критический порог, после которого они стали легко потребляемыми и спровоцировали кембрийский взрыв новых технологий, программного обеспечения и стартапов.

Самый последний всплеск на приведенном выше рисунке во многом связан с генеративным искусственным интеллектом. За одно десятилетие мы прошли путь от моделей искусственного интеллекта только для экспертов, которые могли классифицировать изображения и создавать встраивания слов, к общедоступным моделям, которые могут писать эффективный код и создавать удивительно точные изображения, используя подсказки на естественном языке. Неудивительно, что темпы инноваций только ускорились, и неудивительно, что генеративные модели начинают проникать в другие области, где когда-то доминировали люди.

Генеративный ИИ и программирование

Одно из первых применений генеративного ИИ было в помощь программисту. Это работает так: модель обучается на большом корпусе кода (например, на всех общедоступных репозиториях в GitHub), а затем делает предложение программисту по мере того, как он кодирует. Результаты выдающиеся. Настолько, что разумно, что этот подход станет синонимом программирования в будущем.

Однако прирост производительности был скромным по сравнению с созданием изображений, о котором мы расскажем ниже. Отчасти причина этого, как упоминалось выше, заключается в том, что правильность имеет решающее значение в программировании (и, конечно, в инженерных проблемах в более широком смысле, но в этом посте мы сосредоточимся на программировании). Например, недавнее исследование показало, что для сценариев, соответствующих CWE с высоким уровнем риска (перечисление общих слабых мест), 40% сгенерированного ИИ кода содержали уязвимости.

Таким образом, пользователь должен найти баланс между созданием достаточного количества кода, чтобы обеспечить значительный прирост производительности, и в то же время ограничить его, чтобы можно было проверить правильность. В результате Copilot помог повысить производительность разработчиков — недавние исследования (здесь и здесь) показали прирост порядка 2x или меньше — но до уровня, сравнимого с тем, что мы видели в предыдущих достижениях языков разработчика и инструментов. . Переход с ассемблера на C, например, по некоторым оценкам повысил производительность в 2-5 раз.

Для более опытных программистов проблемы могут выходить за рамки правильности кода и касаться общего качества кода. Как объяснил Джереми Ховард из fast.ai в отношении последних версий модели OpenAI Codex: «[Я] не пишу многословный код, потому что он генерирует в среднем кодов. Для меня взять средний код и превратить его в код, который мне нравится и я знаю, что он правильный, гораздо медленнее, чем просто писать его с нуля — по крайней мере, на языках, которые я хорошо знаю».

Таким образом, хотя очевидно, что генеративное программирование является ступенчатой ​​функцией производительности разработчиков, неясно, существенно ли улучшение отличается от того, что мы видели раньше. Генеративный ИИ делает программистов лучше, но они все равно должны программировать.

Генеративный ИИ и визуальные эффекты

С другой стороны, влияние генеративных моделей на результаты творческой работы, например создание изображений, чрезвычайно велико. Это привело к повышению эффективности и затрат на многие порядки, и трудно не заметить, что это знаменует собой фазовый сдвиг в масштабах всей отрасли.

Способ работы генеративного ИИ в этом пространстве заключается в том, чтобы принимать от пользователя простые текстовые данные, называемые подсказками, а затем модель генерирует визуальный вывод. В настоящее время существуют модели для создания многих форматов вывода, включая изображения, видео, 3D-модели и текстуры.

Что особенно интересно, так это то, как эти модели могут быть расширены для создания новых или предметно-ориентированных изображений практически без творческого вмешательства. Например, Гвидо (один из авторов) взял предварительно обученную модель изображения и переобучил ее на нескольких десятках своих фотографий. Оттуда он смог генерировать изображения, используя в подсказке. Ниже приведены фотографии, сгенерированные из следующих подсказок: « как Капитан Америка », « в Париже », « в картине ».

В то время как генерация изображений является массовым отходом от генерации кода в бизнес-контексте, это степень, в которой генеративный ИИ меняет экономические расчеты. Чтобы создать приведенные выше изображения, Гвидо обучил модель нескольким фотографиям стоимостью около 0,50 долларов в ресурсах инфраструктуры. После обучения генерация изображений стоит около 0,001 доллара США в вычислительных ресурсах и может выполняться в облаке или на ноутбуке последнего поколения. Кроме того, создание изображения занимает всего несколько секунд.

Без генеративного ИИ единственный способ получить собственное изображение — либо нанять художника, либо сделать это самостоятельно. Даже если мы начнем с предположения, что человек может создать полностью индивидуальное фотореалистичное изображение за один час за 10 900 000 долларов, генеративный подход ИИ легко на четыре порядка дешевле и на порядок быстрее. Если говорить более реалистично, то любой заказной рисунок или проект графического дизайна, скорее всего, займут дни или недели и будут стоить сотни, если не тысячи долларов.

Подобно вышеперечисленным средствам программирования, генеративный ИИ будет принят художниками в качестве инструмента , и оба требуют некоторой степени контроля со стороны пользователя. Но трудно переоценить разницу в экономике, созданную способностью модели изображения имитировать полную продукцию художника. Используя модель генерации кода, написание даже очень простой функциональной программы, выполняющей стандартную вычислительную задачу, требует просмотра, редактирования и добавления тестов для многих фрагментов кода. Но для простого изображения ввод подсказки и выбор изображения из дюжины предложений можно выполнить менее чем за минуту.

Возьмем, к примеру, нашего собственного художника-карикатуриста (и партнера по инвестициям) Йоко Ли (@stuffyokodraws). Мы обучили модель, используя 70 ее предыдущих изображений, и модель смогла создать изображения с жутким уровнем мимикрии. Каждый художник должен выяснить, что создавать дальше, и она даже обнаружила, что обученные модели могут предложить больше вариантов, чем то, что они имели в виду — по крайней мере, когда их заставляют создать что-то в течение заданного периода времени. Есть сотни способов нарисовать один и тот же объект, но генеративные модели сразу сделали очевидным, какие пути стоит исследовать.

Итак, когда дело доходит до таких задач, мы не утверждаем, что компьютеры обязательно лучше людей в соотношении 1:1. Но, как и во многих других задачах, когда компьютеры могут выполнять полную работу, они просто убивают нас по шкале .

Попробуйте угадать, какие из рисунков ниже были нарисованы непосредственно Йоко, а какие были сгенерированы.

Значительное улучшение экономики, гибкость в возможности создавать новые стили и концепции, а также способность генерировать полный или почти полный результат работы говорят нам о том, что мы готовы увидеть заметные изменения во всех отраслях, где творческие активы основная часть бизнеса. И это касается не только изображений, но и всей области дизайна. Например:

• Генеративный ИИ может создавать 2D-графику, текстуры, 3D-модели и помогать с дизайном уровней для игр.
• В маркетинге он готов заменить стоковые изображения, фотографии продуктов и иллюстрации.
• Мы уже видим приложения в веб-дизайне, дизайне интерьера и ландшафтном дизайне.

И мы действительно только в самом начале пути. Если вариант использования требует творческого создания контента, трудно найти аргумент, почему генеративный ИИ не нарушит его или, по крайней мере, не станет частью процесса.

—

Итак, в чем смысл этого поста? Хотя он несколько узко ориентирован на генерацию кода и генерацию изображений, мы подозреваем, что результаты применимы и в более широком смысле. В частности, творческие усилия по всем направлениям — будь то визуальные, текстовые или музыкальные — скорее всего, будут подорваны ИИ задолго до создания систем.

В дополнение к аргументу правильности, который мы использовали выше, также может быть так, что объединение и повторное объединение всего предшествующего уровня техники может быть достаточным для практического диапазона творческих результатов. Музыкальная и киноиндустрия, например, исторически производила бесчисленные копии популярных альбомов и фильмов. Вполне возможно, что генеративные модели со временем помогут автоматизировать эти функции. Однако самое примечательное в столь многих изображениях, созданных Stable Diffusion и DALL-E 2, заключается в том, что они действительно хороши и действительно интересны . Нетрудно представить себе модель ИИ, производящую действительно интересные сплавы музыкальных стилей или даже «пишущие» полнометражные фильмы, интригующие тем, как они связывают воедино концепции и стили.

Напротив, трудно представить, что предыдущие системы будут содержать все инструменты, необходимые для разработки всех будущих систем. Или даже то, что сложные системы можно так же легко комбинировать, как различные стили искусства или музыки. Очень часто ценность системы и то, почему ее так сложно построить, заключается в длинном хвосте деталей — всех компромиссах, обходных путях, оптимизации для заданного проектного пространства и институциональных/скрытых знаниях, которые они содержат. Так что продолжать строить надо.

Мы не поддадимся желанию предсказать именно , как генеративный ИИ повлияет на творческую индустрию. Однако история предполагает, что новые инструменты имеют тенденцию расширять , а не сужать определение искусства и делать его доступным для новых типов художников . В данном случае новые художники – системщики. Итак, для основателей технологий, мы считаем, что генеративный ИИ является сугубо положительным инструментом для расширения возможностей программного обеспечения — игры станут более красивыми, маркетинг — более убедительным, письменный контент — более привлекательным, фильмы — более вдохновляющими.

Кто знает: однажды архив Интернета конца 2022 года может стать одним из последних хранилищ контента, созданных в основном людьми. По крайней мере, этот текст для этой статьи был полностью создан людьми.

***

Высказанные здесь мнения принадлежат компании AH Capital Management, L.L.C. («a16z») цитируется персоналом и не является точкой зрения a16z или ее аффилированных лиц. Определенная информация, содержащаяся здесь, была получена из сторонних источников, в том числе от портфельных компаний фондов, управляемых a16z. Хотя информация взята из источников, считающихся надежными, a16z не проводила независимую проверку такой информации и не делает никаких заявлений о текущей или неизменной точности информации или ее уместности в данной ситуации. Кроме того, этот контент может включать стороннюю рекламу; a16z не просматривал такие рекламные объявления и не поддерживает какой-либо рекламный контент, содержащийся в них.

Этот контент предоставляется только в информационных целях и не может рассматриваться как юридическая, деловая, инвестиционная или налоговая консультация. Вы должны проконсультироваться со своими советниками по этим вопросам. Ссылки на любые ценные бумаги или цифровые активы предназначены только для иллюстративных целей и не представляют собой инвестиционную рекомендацию или предложение предоставить консультационные услуги по инвестициям. Кроме того, этот контент не предназначен и не предназначен для использования какими-либо инвесторами или потенциальными инвесторами, и ни при каких обстоятельствах на него нельзя полагаться при принятии решения об инвестировании в какой-либо фонд, управляемый a16z. (Предложение инвестировать в фонд a16z будет сделано только в меморандуме о частном размещении, договоре о подписке и другой соответствующей документации любого такого фонда, и их следует читать полностью.) Любые инвестиции или портфельные компании, упомянутые, упомянутые или описанные не являются репрезентативными для всех инвестиций в транспортные средства, управляемые a16z, и нет никаких гарантий, что инвестиции будут прибыльными или что другие инвестиции, сделанные в будущем, будут иметь аналогичные характеристики или результаты. Список инвестиций, сделанных фондами, управляемыми Andreessen Horowitz (за исключением инвестиций, в отношении которых эмитент не предоставил разрешение на публичное раскрытие информации a16z, а также необъявленных инвестиций в публично торгуемые цифровые активы), доступен по адресу https://a16z.com/investments. /.

Диаграммы и графики, представленные здесь, предназначены исключительно для информационных целей, и на них не следует полагаться при принятии каких-либо инвестиционных решений. Прошлые показатели не свидетельствуют о будущих результатах. Содержание говорит только по состоянию на указанную дату. Любые прогнозы, оценки, прогнозы, цели, перспективы и/или мнения, выраженные в этих материалах, могут быть изменены без предварительного уведомления и могут отличаться или противоречить мнениям, выраженным другими. Пожалуйста, посетите https://a16z.com/disclosures для получения дополнительной важной информации.

Искусство калибровки листогибочного пресса

Phuchit / iStock / Getty Images Plus

В: Моя компания производит большие полевые блоки управления мощностью для нефтяной промышленности. Мы передавали большую часть производственных работ на аутсорсинг, но некоторое время назад решили увеличить производство собственными силами, включая гибку листового металла. Несмотря на то, что мы много лет занимаемся механической обработкой, мы никогда раньше не занимались производством листового металла. Большая часть этого проста, за исключением изгиба. Никто в нашей мастерской раньше не занимался гибкой на листогибочном прессе. Многие проблемы формовки мы проработали самостоятельно, за исключением одной, связанной с панелями.

В каждом продукте, который мы производим, используется от 10 до 24 панелей, и у нас возникают проблемы с их сборкой. Несмотря на то, что мы формируем их в пределах допусков, указанных в распечатке, они не совпадают, когда мы добираемся до последней панели. В конечном счете, нам нужно изготовить единую нестандартную панель, чтобы все подошло правильно. Почему это происходит постоянно и что мы можем сделать, чтобы это исправить?

A: Время от времени я получаю похожие вопросы о кумулятивной ошибке при объединении нескольких одинаковых частей для создания законченного устройства. Решение может быть немного сложным. Все дело в том, как вы измеряете детали.

Ошибки и калибровка

Некоторые незначительные ошибки можно отнести к листогибочному прессу, но их немного. Большинство ошибок происходит из-за самого листового металла, хотя на самом деле они не столько «ошибки», сколько различия в аспектах материала и связанных с ними допусках. Например, листовой металл имеет зону допуска по толщине. В 16-га. лист, этот допуск составляет от 0,053 до 0,067 дюйма. Материал имеет зоны допуска по твердости, пределу текучести, пределу прочности при растяжении и т. д. Материал считается «хорошим», если его характеристики остаются в пределах допуска.

Тем не менее, все эти незначительные вариации в пределах зоны допуска могут существенно повлиять на форму. Например, изменение толщины изменяет окончательный формованный размер. Это также изменяет вычет изгиба и угол изгиба. Каждая из вариаций добавляет много различий от части к части. Некоторые проблемы с формовкой могут возникать из-за ошибок машины, но опять же, они незначительны.

Расчет совокупной ошибки

Вероятно, вы формируете что-то похожее на панель в Рисунок 1 . Допустим, общий размер вашей панели постоянно отклоняется на 0,015 дюйма. Он находится в пределах вашего общего допуска ±0,020 дюйма, но к тому времени, когда вы умножите 0,015 дюйма на 20 панелей, какова будет совокупная ошибка? Это верно — у вас есть общая ошибка 0,300 дюйма, когда устройство собрано. Неудивительно, что вам нужно построить одну пользовательскую панель для завершения проекта, тратя впустую ресурсы, время и талант.

Если мы измеряем от кромки реза до первого изгиба, мы сохраняем этот размер; то есть мы сохраняем размер между краем и первым изгибом и смещаем ошибку внутрь. Что произойдет, если вы отмерите первый фланец, чтобы сделать второй изгиб? Вы будете удерживать размер между первым и вторым изгибом. Итак, где ошибка в конечном итоге? Он идет на общий размер. Сложите эту ошибку от панели к панели, и вы обнаружите, что сборка не подходит, и вам нужно будет сделать эту окончательную пользовательскую панель.

Вообще говоря, вам нужно измерить первый изгиб от обрезанной кромки, чтобы сохранить этот размер, особенно если есть так называемые размеры между элементами на противоположных фланцах, как показано на рисунке 1.

Наша ошибка должна быть между фланцем один и два , и нам нужно сохранить общий размер. Но как мы это делаем? Ответ заключается в том, где вы измеряете деталь.

Опять же, всякий раз, когда вы измеряете расстояние от обрезанной кромки до первого изгиба, вся ошибка перемещается внутрь, и вы сохраняете размер от края до первого изгиба. Затем перемещаются упоры, и вы делаете второй изгиб от первого изгиба, сохраняя размер от полки до полки между первым и вторым изгибами, но ошибка не исчезает. Большая или маленькая, любая ошибка перемещается внутрь и становится частью общего измерения. В этом случае, когда у вас есть от 10 до 20 панелей, сложенных рядом, общий размер — это последнее место, где вы хотите, чтобы ошибка появлялась!

РИСУНОК 1. Чтобы избежать кумулятивной ошибки и обеспечить плавную сборку, необходимо сохранить общий размер, а также расстояние между элементами.

Разместите ошибку именно там, где вы хотите

Каждый изгиб может находиться в пределах указанного допуска на размер, но некоторая ошибка все равно будет присутствовать, и вам нужно разместить ее там, где она не вызовет кумулятивной ошибки для нескольких деталей или панелей . Опять же, если вы измеряете от обрезанной кромки, а затем измеряете второй изгиб по первому изгибу, вы перемещаете ошибку к центру и общему размеру, чего вы точно не хотите делать.

Если вам нужно сохранить размеры первой полки, потому что вам нужно сохранить размеры между элементами на противоположных полках, вам нужно измерять непосредственно от обрезанной кромки. Вам также нужно будет провести общий размер. Для этого ошибка должна пройти по второму фланцу (см. рис. 2 ). Для этого вы не можете создать второй изгиб, замерив первый изгиб. Опять же, это заставит вас сохранить размер второго фланца и подтолкнуть ошибку внутрь вашего общего размера. Вместо этого вам нужно измерить надрезанный край.

Для этого вам, скорее всего, потребуется провести измерение в месте меньшем нуля, за линией изгиба. Это связано с тем, что вырез, дающий зазор для ваших перпендикулярных фланцев, вероятно, имеет кромку, которая находится немного впереди линии сгиба, которую вам нужно сделать (см. Рисунок 3 ).

Чтобы приспособиться к этому, вам потребуются нестандартные упоры, позволяющие контроллеру иметь положительный размер, но в то же время позволяющие вам располагать заготовку за линией сгиба. Вы можете создать свои собственные упоры заднего упора, как показано на рисунке 9.0069 Рисунок 4 или что-то подобное, предназначенное для конкретной марки и модели листогибочного пресса.

Советы по программированию

Напишите свою программу для первого набора изгибов на 1000 дюймов длиннее, чем размер линии от края до сгиба. Не изменяйте положение заднего упора, чтобы приспособить его к новым, более длинным упорам, иначе вы никогда не установите задний упор в отрицательное положение (за линию изгиба) на втором наборе изгибов.