Введение
Представьте, что подготовка управляющей программы для станка с ЧПУ происходит полностью автоматически – нажал пару кнопок, и искусственный интеллект уже спешит подобрать инструмент, режимы резания и создать оптимальные траектории для обработки вашей детали. Звучит как фантастика? На самом деле, будущее, о котором еще вчера мечтали инженеры-технологи, почти наступило. ИИ-технологии активно проникают в сферу автоматизированного проектирования и производства, меняя привычные подходы к подготовке производства.
В этом обзоре мы подробно разберем текущее состояние рынка решений ИИ для CAM, обсудим проблемы и ограничения таких систем, сравним различные подходы и выясним, можно ли назвать кого-то лидером в этой гонке. Отдельно посмотрим, что предлагают сами вендоры CAM – ведь не только стартапы занимаются искусственным интеллектом. Наконец, оценим ценовой и практический аспекты: какие продукты и на каких условиях доступны уже сегодня, а также, есть ли хоть что-то подобное в России.
Для вашего удобства мы подготовили и видеоверсию обзора сразу на трех площадках: YouTube, RUTUBE и VK Видео. Учтите, что текстовая версия содержит чуть больше информации, зато ролик позволяет быстрее погрузиться в тему и получить наглядное представление о ключевых идеях и выводах.
Видео-версия статьи на YouTube.
Видео-версия статьи на VK Видео.
Текущее состояние рынка и продуктов
Сама идея автоматизации CAM-программирования возникла не вчера: уже давно существуют решения на основе технологий FBM (Feature-Based Machining) и KBM (Knowledge-Based Machining), которые автоматически распознают типовые конструктивные элементы 3D-модели детали (например, отверстия или карманы) и назначают для них стандартные стратегии обработки. Подобные технологии действительно способны ускорить подготовку управляющих программ для относительно простых и однотипных деталей, но, по сути, они работают на жёстко заданных правилах и шаблонах, фактически это большие библиотеки макрокоманд, требующие определенной настройки и не учитывающие нестандартные случаи.
Process Manager в CAM-системе ESPRIT для определения зависимостей между конструктивными элементами и операциями обработки.
Новый класс ассистентов отличается подходом: здесь искусственный интеллект старается понять модель целиком и сгенерировать последовательность операций обработки – техпроцесс, на основе заложенных знаний о физике и технологии резания, а также используя накопленный опыт. Давайте же познакомимся с ключевыми игроками на этом рынке и тем, что они предлагают.
CAM Assist
CAM Assist – продукт британской компании CloudNC. По сути — это add-in или плагин, который интегрируется в популярные CAM-системы: Mastercam, Siemens NX, Fusion 360, GibbsCAM, на подходе - SolidCAM и Creo.
CAM Assist поддерживает 3-осевое и «3+2» фрезерование и способен автоматически выполнить примерно 80% работы для деталей средней сложности.
Вот так компания дает представление потенциальным покупателям о деталях, которые наилучшим образом подходят для обработки в системе.
После установки плагина в интерфейсе появляется дополнительная панель с кнопками, позволяющими вызвать как непосредственно сам CAM Assist, так и еще ряд функций: Cycle Time Estimator – для оценки времени выполнения УП, и Soft Jaw Designer – для автоматизации проектирования оснастки.
После авторизации в сервисе, 3D модель загружается на сервера компании, а пользователю в отдельном окне предлагается вручную выбрать базовые настройки проекта, такие как материал детали, набор инструмента, станок, приспособления, и что особенно круто – можно ползунками настроить режимы резания. После чего, система, во-первых, оценивает, насколько деталь вообще может быть обработана, во-вторых, формирует техпроцесс в виде списка операций и инструментов.
Интерфейс CAM Assist.
Если пользователя все устраивает, то CAM Assist по нажатию кнопки “Send to CAM package” отправляет техпроцесс в CAM, где он в свою очередь преобразуется в операции, доступные в конкретной системе, в нашем примере – те, что имеются в Mastercam.
И здесь кроется, пожалуй, главный минус, или, если хотите, особенность подхода CAM Assist и аналогичных решений. ИИ может создать корректную технологию обработки, но ее верификация и исполнение будут по-прежнему зависеть и опираться на существующий в CAM-системе функционал. Чувствуете ограничения? Скажу больше, техпроцесс, сгенерированный CAM Assist для одной и той же детали с одними и теми же настройками, в разных CAM системах, скорее всего, приведет к немного разным результатам.
Операции обработки из CAM Assist в Mastercam.
CAM Assist разрабатывали и обкатывали на практике почти десять лет, и только в 2024 году продукт вышел на глобальный рынок. По заявлению компании система в настоящее время используется ежедневно примерно на тысяче предприятий по всему миру.
Что важно еще сказать: несмотря на то, что CAM Assist генерирует около 80% траекторий для деталей средней сложности, контроль остается за человеком. Такой human-in-the-loop подход повышает доверие: программист видит, что предлагает ИИ, и постепенно начинает ему доверять. По сути, CAM Assist выступает как ускоритель работы программиста, а не как черный ящик. Он усиливает ценность квалифицированных технологов, а не заменяет их – рутина уходит к ИИ, а человек концентрируется на тонких настройках, доработке и контроле.
Коммерческая сторона вопроса: CAM Assist – это сервис с подпиской. Компания предлагает тарифы от «индивидуального» до «корпоративного», в зависимости от количества станков. Например, для небольшого цеха с несколькими станками доступен помесячный план за 149 долларов – правда потребуется плата сразу за год.
autoCAM
AutoCAM – решение от немецкой компании up2parts, ориентированное на малый и средний бизнес. Up2parts изначально развивала облачную систему для авторасчета стоимости и подготовки производства, а в 2024 году начала сотрудничать с Mastercam для развития модуля AutoCAM.
Первая фишка up2parts – объединение авторасчетов смет (quoting) и ИИ-программирования в CAM. Так, модуль Calculation позволяет автоматически получать быстрые и точные сметы с оценкой времени и стоимости изготовления детали, а AutoCAM, в свою очередь, генерирует технологию обработки.
Рабочий процесс AutoCAM похож на CAM Assist – а вот количество поддерживаемых CAM-систем меньше, здесь их пока что три: GibbsCAM, HyperMILL и Mastercam.
Вторая фишка – функция поиска схожести 3D моделей: система за считанные секунды способна найти похожие детали и конструктивные элементы в базе данных и адаптировать существующую технологию к новому проекту.
Третья, и, пожалуй, главная фишка – учет PMI (Product & Manufacturing Information) на ранней стадии планирования. В up2parts пользователь может либо вручную указать допуски на 3D-модели, либо просто загрузить чертеж в PDF – система выполнит распознавание и извлечет данные из чертежа автоматически. Это важнейший вход: обладая информацией о точности и требованиях, ИИ в теории способен подобрать наиболее правильные инструменты, параметры операции и режимы резания.
Интерфейс autoCAM.
AutoCAM осуществляет проверку детали на “обрабатываемость”, подсвечивает те элементы, которые, например, не могут быть обработаны выбранным инструментом. Затем генерируется последовательность установов, операций, подбираются инструменты и режимы резания.
Разработчик заявляет, что время на создание УП сокращается до 70% по сравнению с “ручной” работой в CAM-системе. Готовый набор операций импортируется в CAM-систему, после чего технолог может при необходимости внести корректировки, запустить симуляцию и постпроцессирование.
Каждый раз, когда система обрабатывает очередное изделие, она учится – autoCAM постоянно улучшает свои рекомендации, становясь умнее с каждым проектом обработки. Это означает, что стандарты программирования на предприятии постепенно унифицируются и оптимизируются: лучшие практики закрепляются, а рутинная работа ускоряется.
Работа с PMI в autoCAM.
Фактически up2parts стремится создать комплексную ИИ-платформу для производства – от предварительной оценки до готовой УП. Такой подход привлек внимание крупных игроков: в 2023–2024 гг. up2parts получила стратегические инвестиции от таких гигантов как DMG MORI и Sandvik. Такое доверие отраслевых лидеров говорит о большом потенциале решения.
Up2parts autoCAM находится в стадии активного внедрения. Многие функции проходят обкатку в пилотных проектах, собирается обратная связь. Цен на сайте вы не найдете, но, по имеющейся у нас информации, они на порядок выше, чем у CAM Assist.
LimitlessCNC
LimitlessCNC – стартап из Израиля, громко заявивший о себе в 2025 году. Компания разрабатывает ИИ-агента, который действует как интеллектуальный «советчик» внутри CAM-системы. Первые интеграции LimitlessCNC – с NX CAM от Siemens и Mastercam.
LimitlessCNC использует “физически обоснованный” ИИ. Это значит, что при выборе операций и режимов он не только обращается к историческим данным, но и выполняет моделирование физики резания. По словам основателей, их алгоритмы симулируют процесс резания металла, учитывая силы, деформации, вибрации, чтобы гарантировать оптимальные параметры с точки зрения физики процесса.
Интерфейс агента LimitlessCNC в Siemens NX.
Агент устанавливается как дополнение к CAM, запускается в виде панели, анализирует текущую модель, контекст и предлагает оптимальные операции.
Разработчики выделяют три ключевых особенности:
Реальное время и интерактивность. В отличие от «магической кнопки», LimitlessCNC решает задачу поэтапно. Он рассматривает модель элемент за элементом, операцию за операцией, ведя диалог с пользователем. Вы выбираете поверхность или элемент – ИИ тут же предлагает одну или несколько подходящих операций на выбор. Программист подтверждает или корректирует, и агент переходит к следующему шагу. Такой пошаговый режим сохраняет полный контроль за человеком и вписывается в привычный процесс.
Непрерывное обучение. Каждое взаимодействие – это урок для ИИ. Когда вы принимаете или отклоняете рекомендацию, модель корректирует свои будущие предложения. LimitlessCNC отмечает, что агент учится с каждым кликом – постепенно все точнее подстраиваясь под стиль и требования вашего предприятия. Со временем рекомендации становятся все более точечными и ценными.
Индивидуальная кастомизация. Для крупных заказчиков LimitlessCNC обучает отдельную модель на их исторических данных и шаблонах. В результате ИИ перенимает корпоративные стандарты, любимые стратегии опытных технологов – и начинает их воспроизводить. Все уникальные ноу-хау предприятия закладываются в агента, масштабируя экспертизу по всей команде. При этом данные остаются собственностью клиента: агент изолирован для каждой компании. При необходимости можно развернуть решение on-premise, если требуются особые меры безопасности.
LimitlessCNC уже получил признание: весной 2025 компания вышла из режима «stealth startup», сразу привлекла $4 млн инвестиций от венчурных фондов. К тому времени агент успели опробовать на одном из заводов с парком более 250 станков, где было отмечено значительное сокращение времени программирования обработки.
Интересно происхождение идеи: Давид Приев (David Priev), CEO компании, служа в резерве армии во время вооруженного конфликта, столкнулся с острой необходимостью быстро изготавливать запчасти для техники – и увидел, насколько неэффективно традиционное “ручное” программирование в CAM, что и вдохновило его на создание ИИ-решения.
Сейчас LimitlessCNC активно расширяет команду. Доступность продукта пока ограничена: предлагаются демонстрации и пилотные проекты, то есть решение внедряется через индивидуальную работу с клиентами, что вполне логично, учитывая необходимость обучения на их данных.
Lambda Function
Lambda Function – американская компания, выбравшая более комплексный подход к автоматизации производства.
Базовый функционал Lambda Function во многом схож с другими ИИ CAM-решениями: автоматизация выбора стратегии обработки, подбор инструментов и оптимизация параметров для заданной детали. Однако визитная карточка Lambda – упор на обратную связь из цеха. Система подключается к станкам с ЧПУ, отслеживает выполнение УП: собирает данные датчиков (нагрузка на шпиндель, вибрации, износ инструмента) и выявляет аномалии или неэффективности в реальном времени.
Мониторинг работы станка с ЧПУ в режиме реального времени.
Эти сведения используются двояко: во-первых, для моментальной корректировки – например, ИИ может предложить скорректировать подачу, чтобы избежать превышения нагрузки или вибраций; во-вторых, эти данные будут накапливаться для обучения модели, чтобы последующие программы учитывали выявленные особенности.
Lambda Function позиционирует свой продукт как энтерпрайз-решение для высокотехнологичных отраслей. Поэтому большое внимание уделяется приватности и кастомизации: каждому клиенту разворачивается индивидуальная ИИ-модель (как частное облако или локальная установка), гарантирующая сохранность интеллектуальной собственности. При этом архитектура позволяет работать в масштабах крупного производства с множеством станков и видов оборудования.
Lambda Function тесно сотрудничает с крупными CAM-вендорами. В 2025 Siemens объявила об интеграции плагина Lambda в NX CAM через онлайн App Hub, аналогичное партнерство есть и с Mastercam.
Генеративное CAM-программирование в Lambda Function.
Lambda Function – относительно молодой продукт. Компания участвовала в пилотах с предприятиями, получила положительные отзывы о сокращении времени процесса программирования и продлении срока службы инструмента за счет мониторинга.
Сейчас решение можно получить в виде подписки или лицензии – например, через упомянутый Siemens App Hub или напрямую на сайте Lambda Function. За 150 долларов в месяц предприятию станет доступно “генеративное программирование” для команды из пяти пользователей. Есть и бесплатная версия для индивидуальных программистов, разумеется, с рядом ограничений.
Manukai
Manukai – швейцарский проект, цель которого – учиться на уже сделанных программах и повышать эффективность производства.
Девиз Manukai: «Пиши управляющие программы быстрее и лучше, используя накопленный опыт».
Manukai устанавливается локально (100% on-premise, без доступа в интернет) и сканирует всю историческую базу УП и проектов CAM у заказчика. ИИ индексирует геометрию обработанных деталей, используемые инструменты, режимы, получая своего рода базу знаний. Когда технолог начинает программировать новую деталь, Manukai анализирует ее геометрию и ищет похожие элементы или формы, которые уже встречались ранее.
Страница веб-сайта стартапа Manukai.
Например, если в прошлом вы обрабатывали карман определенной формы и добились отличного результата (быстро и качественно), то увидев похожий карман на новой модели, ИИ предложит аналогичную операцию и параметры, ссылаясь на источник - какой деталью и когда это использовалось. Таким образом, система опирается на то, что уже доказано на вашем производстве, а технолог видит обоснование каждого совета ИИ и сам решает, принимать его или нет. Это значительно повышает доверие к системе.
Manukai гордится тремя вещами: во-первых, все данные хранятся внутри предприятия, что важно для безопасности (ни чертежи, ни УП никуда не отправляются). Во-вторых, обеспечена прозрачность и безопасность: никакой магии – только повторное использование уже утвержденных производством решений, так что риск ошибочных рекомендаций минимален. В-третьих, происходит сохранение и масштабирование знаний экспертов: если раньше ценные тонкости уходили вместе с уходом на пенсию опытных наладчиков, то теперь лучшие практики сохраняются в базе и доступны всему коллективу.
Manukai заявляет об интеграции с Mastercam, TopSolid, Siemens NX и GibbsCAM, однако пока находится в стадии закрытого бета-тестирования. Компания набирает ограниченный круг пилотных заказчиков (особенно в Европе) и предлагает им ранний доступ по индивидуальным договорам. Открытый коммерческий запуск ожидается после доводки продукта.
Toolpath
Toolpath – еще одна заметная разработка из США, предлагающая комплексную ИИ-платформу для CAM, включающую в себя сразу несколько этапов: от анализа технологичности детали и оценки трудоемкости до автоматической генерации техпроцесса.
Компания сделала ставку на внешний облачный сервис, который работает параллельно с вашей CAD/CAM-системой. Пользователь загружает 3D-модель, и система выполняет автоматический DFM-анализ (проверяет технологичность, сложные участки, необходимую оснастку), определяет минимальное число установов для обработки детали, выдает отчет с потенциальными проблемами и рекомендациями по выбору инструмента.
Интерфейс TOOLPATH.
Далее система планирует операционный маршрут обработки, подобно тому, как компьютер играет в шахматы – просматривает все возможные варианты последовательности операций, учитывая геометрию детали, материал и доступные инструменты, и выбирает оптимальный путь. Такой подход позволяет находить эффективные стратегии обработки, оптимизируя время цикла, избегая холостых ходов и продлевая срок жизни инструмента.
Система также оценивает время и стоимость изготовления детали, моделируя все операции с учетом параметров станка и оснастки – это существенно ускоряет и упрощает процесс подготовки коммерческих предложений.
Операционный маршрут Toolpath экспортируется во Fusion 360, который, в свою очередь, генерирует CAM операции. Пользователю остается лишь при необходимости отредактировать параметры, выполнить верификацию и постпроцессирование.
Операции обработки из TOOLPATH во Fusion360.
Система уже открыта для широкой публики, предлагается в виде платной подписки. Начать знакомство с Toolpath можно всего за 90 долларов – вы получите доступ к сервису на 90 дней – щедрое предложение. Самая дорогая “Профессиональная” версия обойдется в 1500 долларов за год.
Разработчики честно признают, что их «ИИ CAM – как беспилотный автомобиль, который ещё не до конца научился реагировать на полиэтиленовый пакет на дороге», то есть в редких нетипичных ситуациях может растеряться, и если вы ищете полностью отлаженное и предсказуемое решение – возможно, стоит немного подождать, ну если готовы поучаствовать в создании производства будущего и мириться с шероховатостями – инструмент в ваших руках.
Проблематика ИИ в CAM
Почему же автоматизировать CAM-программирование так сложно?
Разработчики ИИ-решений сталкиваются с многочисленными вызовами – как технологического, так и организационного характера. Давайте рассмотрим основные проблемные моменты.
Геометрическая сложность и множество вариантов.
Одну и ту же деталь можно обработать множеством способов: выбор инструментов, точек входа, порядок операций – комбинаторика колоссальна. Найти оптимальный или хотя бы корректный маршрут, избегая столкновений и соблюдая технологию – задача, близкая к NP-трудным оптимизациям.
Некоторые решения внедряют эвристики и правила - например, “первым делом выбирай крупные объёмы материала” или симуляцию – прогноз усилий и стабильности резания – все для ограничения вариантов. Тем не менее, сделать так, чтобы ИИ учел все – задача крайне сложная.
Данные и обучение.
Для машинного обучения требуются данные, много данных. Но качественных CAM-данных мало, и они разрознены. У каждого предприятия – своя библиотека CAM-проектов и УП. Общедоступных датасетов практически нет: технологические программы считаются интеллектуальной собственностью, никто ими не делится.
В результате разработчикам приходится выкручиваться. Многие используют симуляторы: например, генерируют искусственные данные, имитируя процесс обработки. Другой подход – трансферное обучение: обучить общую модель на суммарных обобщенных данных (например, от нескольких клиентов под NDA), а потом доучивать ее на месте под конкретного заказчика.
Ещё одна проблема данных – их многомерность. Описать одну операцию в CAM – это сотни параметров: геометрия, материал, инструмент, режимы, станок и т.д. - модель должна уметь выявлять сложные зависимости.
Наконец, обратная связь: чтобы ИИ улучшался, нужно знать, насколько успешной вышла программа – например, реальное время цикла, износ инструмента, качество детали. Получить такие данные нелегко: либо их просто нет, либо их сложно сопоставить. Полноценный «обучающий цикл» (программа - результат - корректировка) пока лишь намечается в некоторых системах.
Надежность и безопасность.
В ряде сфер можно позволить ИИ ошибаться, но ошибка в УП для станка – неприемлема. Неправильное перемещение – и мы имеем столкновение или брак. Поэтому требования к надежности алгоритмов в этой сфере крайне высоки. Отсюда два аспекта: верификация и доверие.
Каждая траектория, сгенерированная ИИ, должна быть проверена – и пока что проверяет ее человек, либо симулятор CAM-системы. Такой подход разумен, но снижает эффективность: вроде как мечтали “нажать кнопку и сразу на станок”, а все равно проверяем. Пока что без этого никак.
Второй аспект – доверие пользователей. Инженеры привыкли понимать, что они делают - принять “черный ящик” сложно. Когда ИИ предлагает что-то, программист задается вопросами: “Почему он так сделал? Не упустил ли чего?”. И некоторые системы действительно дают объяснения и источники, на которые они опирались.
Интеграция в существующие процессы.
Предприятия не хотят менять всё и сразу. Станки работают, ПО настроено – никто не выбросит свою любимую CAM-систему ради модного ИИ, который еще неизвестно как заработает.
Для новых ИИ-решений крайне важно встраиваться в текущий рабочий процесс. Это значит поддерживать импорт/экспорт данных из популярных CAD/CAM-систем, работать как плагин или копайлот. Технически это тоже не просто: нужен доступ к API, согласование форматов, гарантия совместимости версий. Именно поэтому почти все стартапы сейчас идут путем партнерства.
Любая новая система – это инвестиции времени в обучение персонала, и, если инструмент сложен или нестабилен, люди от него быстро откажутся. Вот почему стартапы делают интерфейс продукта максимально простым и знакомым. Тем не менее, начальный барьер внедрения все же есть – нужно установить сервисы, настроить под свои станки и инструменты, “показать” системе свои технологии.
Если внедрение сделано хорошо, то уже через неделю команда начинает экономить часы на каждой детали. Но если плохо – то появляется риск, что ИИ-модуль просто выключат и вернутся к привычному рабочему процессу. Так что для разработчиков есть вызов – как сделать продукт удобным, совместимым и не требующим от инженера становиться специалистом в машинном обучении.
Универсальность или специализация.
Существует еще и проблема масштабирования. Универсальный ИИ-CAM, способный сразу и оптимально запрограммировать любую деталь – это пока фантастика. Узкоспециализированный ИИ хорош на своем сегменте, но "шаг в сторону, и он пропал".
Найти золотую середину трудно - стартапы пробуют разные рецепты. Можно ожидать, что постепенно будут наработаны шаблоны по отраслям, которые уже содержат типовые решения, и требуют меньшего дообучения.
В общем пока что отсутствие “универсального интеллекта” компенсируется гибридным подходом: часть знаний общая, часть донастраивается. Это вызов как технический, так и коммерческий: как быстро масштабировать продажи, если каждому нужна своя модель? В ближайшие годы мы увидим, какие стратегии сработают наиболее эффективно.
Принятие людьми и организационные барьеры.
Помимо чисто технических проблем, есть и другие барьеры. Людям свойственно сопротивляться изменениям: “Мы 20 лет делали УП сами, и все было хорошо, зачем нам ваш ИИ?”. Необходимо преодолеть скептицизм, продемонстрировать пользу, обучить персонал новому стилю работы. Здесь в игру вступает поколенческий фактор: молодые сотрудники легче примут цифрового ассистента, а вот ветераны могут воспринять его как конкурента.
Компании должны правильно позиционировать внедрение: не как способ сократить людей, а как инструмент для снятия нагрузки, рутины и роста квалификации. В итоге программисты CAM превратятся скорее в операторов систем, проверяющих и направляющих ИИ, – к этому надо быть готовым.
Различия и общности в подходах
Несмотря на то, что все проекты в области ИИ-CAM преследуют схожую цель – автоматизировать и упростить работу технолога – реализуют они ее разными путями. Сформировались определенные общие тенденции, но и ключевые различия между решениями также заметны. Давайте рассмотрим, что их объединяет, а чем они принципиально отличаются.
Общие черты.
Прежде всего, большинство продуктов позиционируются как “ассистенты” или “копилоты”, а не автономные системы. Разработчики сознательно оставляют человека “за рулем”, ограничивая ИИ рутинными задачами. Это и философия, и практическая необходимость – так решения лучше принимаются коллективом и снижается риск ошибок.
Второй общий момент – стремление сократить время программирования и подготовки производства на порядок – заявляются цифры 70–80% экономии времени.
Третье – интеграция в существующие рабочие процессы: все стараются подружить свой ИИ с популярными CAD/CAM. Никто не требует "выбросить" любимый Fusion 360 или Mastercam; наоборот, умные модули дополняют их функциональность.
Еще один общий тренд – обучаемость и улучшение со временем: системы либо учатся на каждом новом задании, либо позволяют подтягивать ваши данные, чтобы со временем рекомендации становились все точнее.
Ну и наконец, все перечисленные продукты распространяются по схожей бизнес-модели – месячная или годовая подписка.
Отличия в подходах.
Каждый проект выбрал свои “фишки” и область концентрации усилий. Давайте резюмируем несколько важных моментов.
- Обучение на истории против генерации с нуля.
Одно из ключевых отличий – используют ли системы прошлый опыт. Manukai ярко выраженный «историк»: он почти полностью полагается на данные предыдущих проектов обработки, вытаскивая проверенные решения. Его сила – надежность, ИИ не предложит того, что раньше не работало успешно. Но есть риск, что совсем новое изделие поставит его в тупик.
CloudNC или LimitlessCNC, напротив, ориентируются на первопринципный подход: в их ядре заложены универсальные знания о физике и технологиях обработки, благодаря чему они могут сгенерировать стратегию даже для весьма нестандартной детали. Большинство решений стараются комбинировать оба подхода: учат модель на данных клиента, но снабжены физическими моделями для оценки результатов. Баланс истории и генерации – важный критерий отличия.
- Физическое моделирование против чистого ML.
Некоторые продукты (LimitlessCNC, CloudNC, Lambda) интегрируют симуляцию физики резания, расчет сил, вибраций и пр. в процесс принятия решений. Это добавляет надежности: ИИ понимает ограничения. Другие делают ставку на машинное обучение: выявить корреляции в больших данных. Например, если ML видит, что «для карманов глубиной более 50 мм всегда лучше черновая обработка двумя этапами» – он просто запомнит паттерн.
Но физическая модель могла бы еще и оценить, какой припуск на чистовую нужно оставить, чтобы избежать деформации. Гибридный подход опять же выигрывает: CloudNC прямо указывает, что их Cutting Parameters AI сочетает ML-модель, физическую 3D-модель резания и оптимизацию, получая лучшее из обоих миров.
Cutting Parameters AI от CloudNC автоматически генерирует оптимальные, основанные на физике, подачи и скорости резания практически для любого сценария обработки на станках с ЧПУ.
- Облако против локальной установки. Где крутится мозг ИИ?
Тут различия продиктованы, скорее, требованиями клиентов. Manukai принципиально локальный. LimitlessCNC и Lambda обычно предлагают частное облако или локальный сервер для конкретного клиента. CloudNC – облачный сервис по подписке.
- Универсальность против адаптации под клиента.
Одно дело – сделать ИИ, который нормально работает на одном конкретном производстве, другое – чтобы он подошел любому предприятию. CAM Assist от CloudNC старается быть готовым прямо “из коробки”. LimitlessCNC пошел по пути кастомизации: под каждого крупного заказчика обучается своя модель. Это дает отличный результат для конкретно этого заказчика, но требует усилий на внедрение для каждого нового.
В общем, подходы пока разнятся, и это отражается на стратегии выхода на рынок: CloudNC может продать подписку онлайн тысяче клиентов, а LimitlessCNC или Manukai фокусируются на индивидуальных проектах, но зато (в теории) глубже интегрируются.
Будущие лидеры рынка, вероятно, объединят эти стратегии, чтобы и массовость обеспечить, и качество кастомизации сохранить.
Кто впереди?
Рынок ИИ-CAM настолько молод, что говорить об однозначном лидере рано – гонка только началась. Тем не менее, уже хочется выделить несколько претендентов на лидерство, исходя из текущих достижений и потенциала.
По степени распространения и зрелости продукта, на данный момент наиболее заметен CloudNC с их CAM Assist. Это решение лихо прошло путь от прототипа до настоящего коммерческого продукта. Компания во главе с Theo Saville привлекла серьезные инвестиции (суммарно около $70+ млн), накопила экспертизу и теперь пожинает плоды многолетней работы. Их CAM Assist смог первым выйти на глобальный рынок и завоевать доверие пользователей через сеть партнеров - например, в Северной Америке он продается через дилеров Mastercam. Фактически, CloudNC сейчас задает планку, к которой стремятся другие: 80% автоматизации, интеграция во многие популярные CAM, положительные отзывы.
Toolpath выделяется тем, что уже сейчас открыт для любого желающего и прозрачен в ценообразовании. Их агрессивное предложение нацелено привлечь как можно больше пользователей быстро. По сути, они идут в массы, не дожидаясь идеального совершенства продукта. Это рискованный, но амбициозный ход.
LimitlessCNC и Lambda Function – скорее претенденты на нишевое лидерство в сегменте enterprise-решений. Здесь лидерство определяется не числом пользователей, а глубиной решений и громкими именами клиентов. Возможно, эти компании выстрелят, когда какая-нибудь корпорация публично объявит, что успешно использует эти системы. Пока таких новостей нет, они в тени, но потенциал высок.
А что же делают разработчики CAM-систем?
Нельзя не упомянуть и традиционных игроков, которые, уверяю вас, не сидят сложа руки.
Несмотря на то, что Mastercam, похоже, выбрал тактику «работать со всеми» и открыт для сторонних ИИ, параллельно компания ведет разработку собственного Copilot – который в текущем виде представляет собой чат-бот, помогающий пользователям с ответами на вопросы о функционале системы и выполняет несложные, в том числе голосовые команды. Аналогичный чат-бот недавно появился и в SolidCAM – теперь можно быстро и удобно получит справочную информацию и даже перейти к определенному фрагменту вебинара.
Фирменный Copilot от Mastercam.
Чуть дальше продвинулся Hexagon представив ProPlanAI, интеллектуального помощника для CAM-системы ESPRIT, который использует накопленный предприятием опыт для создания операции обработки на выбранный конструктивный элемент. В целом, все ведущие мировые CAD/CAM-системы так или иначе интегрируют в свой рабочий процесс элементы ИИ.
Есть ли что-то подобное в России?
Возможно, вы удивитесь, но отечественный СПРУТКАМ еще несколько лет назад представил ИИ-помощника в виде чат бота, опередив тем самым более именитых иностранных коллег по цеху, а уже в 2025 году вместе с выпуском 19-й версии реализовал полностью автоматическую ИИ-обработку.
Автоматическая ИИ-генерация операций обработки в СПРУТКАМ 19.
Работает это так: пользователь загружает 3D-модель, далее выбирает “Автоматическая генерация (ИИ)” – система ищет похожие проекты в облаке, и в случае успеха переносит использованные ранее технологические операции на новую деталь.
К сожалению, в настоящий момент этот ИИ не учитывает ни кинематику станка, ни оснастку, ни материал, просто копирует операции из облака. Что здесь точно здорово - процесс занимается считанные секунды, при этом сама геометрия детали не отправляется на сервера компании - ради безопасности отсылается лишь ее “векторное описание”.
В общем не идеально, но быстро, эффектно и очень перспективно.
Заключение
В ближайшие 5–10 лет мы вероятно увидим трансформацию роли технолога-программиста. Основную черновую работу в CAM должен и будет делать искусственный интеллект. Будет трудно провести грань, где заканчивается традиционный CAM и начинается ИИ.
Не исключено, что Autodesk, Siemens, Hexagon, PTC и прочие IT-гиганты начнут поглощать лидирующие ИИ-разработки, чтобы встроить их в свои пакеты. Это может замедлить независимые инновации, но ускорит распространение функционала по существующим пользователям.
Для самих пользователей ситуация только улучшается: выбор ширится, цены снижаются, функциональность растет. Можно оставаться на любимой CAM-системе, просто добавив к ней ИИ-помощника. Или перейти на что-то новое, если это новое предложит беспрецедентную автоматизацию.
Если вы инженер или руководитель производства, стоит присмотреться к этим технологиям уже сейчас. Но важно подходить без завышенных ожиданий – начать с малого, протестировать на типовых задачах, понять ограничения. Все это уже реально работает, но чудес не бывает – и финальная доводка всё равно остается за человеком.
Будет ли день, когда нейросеть полностью заменит технолога? Скорее, не в этом цель. Цель – сделать нашу работу эффективнее и интереснее. Пусть машина считает, оптимизирует и предлагает, а человек творчески руководит процессом.