Листогибочный станок своими руками чертежи фото: Листогибочный станок или листогиб своими руками – видео, чертежи

Искусство не умерло, оно создано машинами

Почему модели ИИ заменят художников задолго до того, как они заменят программистов

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.

Сгенерированный код: защита от атак без использования точек с запятой.

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.

Ответ: Модель ИИ сгенерировала изображения с небелым фоном.

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.

Эта статья была написана командой a16z infra, основными авторами которой являются Гвидо Аппенцеллер, Мэтт Борнстейн, Мартин Касадо и Йоко Ли, а также большой вклад остальных членов команды.

***

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.

Почему предприятие по производству листового металла добавило в свой арсенал гибку панелей

Компания FlexMet, Франклин, штат Теннеси, считает свой листогибочный станок Prima Power BCe Smart неотъемлемой частью своих усилий по запуску собственных линеек продукции. Изображения: FLB Media

Поднятие и начало с начала распространяется не только на отдельных лиц. Иногда компании тоже нуждаются в перезагрузке.

Джо Бин приобрел участок площадью 65 000 кв. футов. здание во Франклине, штат Теннесси, в начале 2021 года. Это должно было стать новым домом для FlexMet Inc., его компании по производству прецизионного листового металла.

Он управлял компанией California Precision Products в Сан-Диего с 1984 года, в основном обслуживая местные аэрокосмические компании. Цех имел возможности лазерной резки с ЧПУ, механической обработки, штамповки, гибки листогибочным прессом и гибки труб в дополнение к порошковому покрытию. Ежемесячно она выпускала от 600 до 700 различных артикулов для различных клиентов, что делало сложный мир ремонтной мастерской еще более сложным.

Кроме того, расположение магазина не облегчало задачу. Калифорния печально известна своими высокими налогами и чрезмерным государственным регулированием, добавляющим накладные расходы, которые ставят под угрозу прибыльность компании. Это также не было идеальным местом для обслуживания потенциальных клиентов на Среднем Западе, Юго-Востоке и Восточном побережье из-за логистических затрат и препятствий.

Перед переездом Бин разработал собственную линейку продуктов — шкафы, предназначенные для обеспечения целостности помещенных в них бюллетеней. (Одним из продуктов, которые в настоящее время находятся в разработке, является смарт-ящик, который может проверять идентификацию избирателя, чтобы сопоставить ее с бюллетенем.)

«Я очень заинтересован в этом, и мы видели успех этого продукта. Мы продаем их по всей стране, — сказал Бин.

Ключевым элементом способности компании производить шкафы является листогибочный станок BCe Smart от Prima Power. Это была одна из первых машин, которую Бин запустил, когда открыл двери своего нового предприятия FlexMet во Франклине.

Что касается FlexMet, Бин сказал, что он надеется больше сосредоточиться на своих собственных продуктах, даже несмотря на то, что он продолжает подрабатывать в мастерской с давними клиентами. Следующий запуск продукта будет сосредоточен на кухонных шкафах и компонентах для улицы. Панелегиб также будет играть большую роль в производстве этих деталей.

Вернувшись в Калифорнию, Бин сказал, что его компания имеет восемь листогибочных прессов и панельный станок. Во Франклине у FlexMet всего четыре тормоза и панельогиб.

«Мы узнали о панелегибе, когда хотели автоматизировать цикл формовки в нашем бизнесе. Это было действительно так просто», — сказал Бин. «Это действительно хорошо сработало».

Джо Бин, президент FlexMet, сказал, что его листогибочный станок идеально подходит для его ассортимента продукции и для того, чтобы он мог автоматизировать цикл формования, что особенно важно, поскольку компания активно борется за производственные кадры в конкурентном Нэшвилле, штат Теннеси. , рынок.

Вот причины, по которым компания FlexMet приобрела станок для гибки панелей, и почему это имеет смысл для компании.

Правильный инструмент для нужных деталей

Панелегибочный станок совсем не похож на листогибочный пресс, да и не должен, потому что он не работает как листогибочный пресс. На листогибочном прессе верхний инструмент, прикрепленный к поршню, опускается в плоскую заготовку, которая находится на матрице, и инструмент вбивает заготовку в матрицу с открытой поверхностью для создания формы. На станке для гибки панелей манипулятор удерживает заготовку на месте, пока пара гибочных лезвий контактирует с материалом, изгибая его вверх и вниз. Лезвия колеблются вокруг одной точки изгиба до тех пор, пока в заготовке не будет достигнут желаемый угол.

Поскольку заготовка изгибается таким образом, для такого станка подходят только определенные типы деталей. Вот почему панели, например те, которые являются частью конструкции шкафа, хорошо подходят для этих устройств. Небольшой внутренний фланец, скажем, 0,25 дюйма, можно довольно легко сделать на панельногибочном станке, при этом лезвие перемещается вверх для создания небольшого изгиба, в то время как заготовка надежно зажимается. Чтобы воспроизвести аналогичные результаты на листогибочном прессе, требуется опытный оператор, который точно знает, где эта заготовка должна задействовать задний упор.

Станок для гибки панелей предназначен для работы в основном с калиброванным материалом. BCe Smart может обрабатывать до 12-ga. стали при изгибе по всей длине окна машины. (Для нержавеющей стали и алюминия при тех же условиях машина может обрабатывать до 15 и 10 ga соответственно.) Бин сказал, что ничего больше 14 ga. обрабатывается на его машине.

Панелегибочный станок имеет максимальную высоту изгиба чуть более 8 дюймов и максимальную длину изгиба 88,50 дюйма. Эти параметры позволяют создавать различные панели, рамы и фасады, сказал Бин.

Панелегиб не может делать все сразу, поэтому у FlexMet все еще есть листогибочные прессы. (На самом деле, Бин сказал, что в ближайшие месяцы он собирается добавить новый листогибочный пресс.)

«Прежде всего, все фланцы должны быть обработаны, чтобы деталь можно было снять с помощью манипулятора. Он будет изгибаться в обоих направлениях, но последний изгиб должен быть направлен вверх», — сказал он. «Кроме того, если у вас есть деталь менее 25 дюймов или около того, просто не имеет смысла ставить ее на этот станок».

Не требует квалифицированных операторов

Бин сказал, что он может научить оператора управлять станком для гибки панелей всего после недели обучения. Это позволяет за короткое время стать ценным сотрудником в цехе и высвобождает более опытный персонал для задач, которые повышают ценность обрабатываемых металлических деталей, чего не происходит, когда они наставляют своих менее опытных коллег.

Бин сказал, что почти все задания для станка для гибки панелей программируются в автономном режиме с помощью Master BendCam. Программное обеспечение имеет возможности 3D-моделирования, помогающие исключить ошибки при последовательностях гибки. Из-за этого оператору нужно только взять задание, загрузить деталь и выгрузить деталь, когда она будет выполнена.

Пользовательский интерфейс машины упрощает оператору поиск и выполнение задания. Миниатюры конечных деталей сопровождают задания, и оператор может легко их идентифицировать и выбрать.

Эти шкафы состоят из панелей и дверей, изготовленных на станке для гибки панелей FlexMet.

Чтобы запустить станок, оператор кладет лист на щеточный стол, а затем запускает работу, что является сигналом для манипулятора задействовать лист и автоматически отцентрировать его для начала цикла гибки. В отличие от оператора листогибочного пресса, который должен точно центрировать деталь относительно заднего упора, манипулятор панельогиба делает это за оператора.

Манипулятор подает лист поэтапно по мере выполнения изгибов с одной стороны, а затем вращает лист и аналогичным образом подает его для дальнейшего изгиба. Для асимметричных краев листа или частичных фланцев на одной стороне листа панельогиб имеет вспомогательные лезвия, которые могут перемещаться на место, чтобы приспособиться к нерегулярной работе. Называемый опцией ASP, лезвия возвращаются в исходное положение за пределами области изгиба, когда эти нетипичные формы завершены.

Операторам станков для гибки панелей не нужно ничего знать о настройке инструментов. Это делается автоматически.

Устройство автоматической смены инструмента сокращает время между работами. Всего за несколько секунд инструменты, которые удерживают лист на месте, можно быстро удалить или добавить, чтобы создать набор инструментов, соответствующий заготовке, которую планируется разместить на щеточном столе. Бин подсчитал, что для смены инструмента требуется всего 15–20 секунд, что быстрее, чем смена инструмента на полностью автоматизированных листогибочных станках.

«В этом производственном процессе мы можем запускать 10 различных номеров деталей в очень небольшом объеме в течение одного дня, не страдая от длительного времени настройки», — сказал Бин.

Простота для операторов

Неудобные детали могут стать проблемой для любого оператора листогибочного пресса, работающего в одиночку. Детали трудно выровнять по заднему упору, а повторяющиеся операции с этими заготовками могут привести к усталости оператора. Бин сказал, что у его компании есть детали размером примерно 30 на 60 дюймов в плоском виде до гибки, и это довольно сложная работа, если они формуются на листогибочном прессе.

Панелегиб выполняет все манипуляции с деталями во время цикла формовки. Оператору нужно только загрузить деталь на щеточный стол и расположить ее там, где ее сможет захватить манипулятор станка. Боковые секции рабочего стола BCe Smart можно опустить, чтобы оператор мог легче получить доступ к листам во время загрузки или разгрузки.

Приветствуя новый бизнес

Бин сказал, что ему не терпится увидеть, как FlexMet расширяется, создавая собственную продукцию и даже выполняя заказы по контрактному производству от других крупных производственных компаний на юго-востоке. Такие инструменты, как станок для гибки панелей, позволят участвовать в торгах на эту работу, даже если компания надеется нарастить штат сотрудников.