МАИ · Гибридное инженерное мышление

# FINAL — ВКР-контур: S1→S4 Stage-Gate Generated: 2026-06-27 (Variant C, Phase 5) Источники: VKR_contour pulls (13 кейсов) + T2 (auditable assessment) + T3 (capstone governed) + DR3 «Для ВКР-контура». ## Что такое ВКР-контур в этом материале ВКР как **двойная онтология**: инженерно-проектная (студент решает задачу) + формально-оценочная (комиссия выносит вердикт). AI работает с обеими — и важно их **не путать**. Stage-Gate S1→S4 строится так, чтобы: - **S1 Verification**: что вообще делается? кто фиксирует и как - **S2 Inquiry**: какие вопросы инженер задаёт системе? как AI помогает их формулировать - **S3 Defense Preparation**: что AI делает в подготовке защиты? Где грань - **S4 Public Defense**: что комиссия видит? Как assessment устроен Главная фальшь, против которой работает контур: «достаточно просто правильно спросить ChatGPT». ## Stage-Gate структура | Stage | Вопрос | AI роль | Ключевые кейсы для опоры | Anti-pattern | |---|---|---|---|---| | **S1 Verification** | Что на самом деле сделано? | Trace generator | `ai-tutor-hydrology-argentina`, `qub-software-testing-causal-model`, `rwcp-baseline-genai-capstone` | Generated text без trace | | **S2 Inquiry** | Какие вопросы задавать системе? | Question-formulator, RAG-source | `ai-university-fem-course`, `circuit-smart-tutor-azure`, `cnki-llm-re-classes` | LLM выдаёт ответы вместо помощи в вопросах | | **S3 Defense Preparation** | Что защищаемо? | Critic / red-team / personas | `agile-requirements-simulation-ai-personas`, `senior-design-multi-agent-llms` | "AI prepared my defense for me" | | **S4 Public Defense** | Что комиссия видит? | None / observer | `conversational-exam`, `voice-based-oral-assessments` | Студент использует AI on-the-fly | ## S1 Verification — артефакты **Что должно быть:** - **Auditable appendix** по образцу Hydrology Argentina: все AI prompts, responses, edits, decisions - **Traceability matrix** между claim в работе и AI session - **Time floor** — минимум часов без AI (по типу Hydrology) - **Numerical verification** — все ключевые цифры воспроизводимы независимо от AI **Failure mode:** `lazy-students-dream-control-systems` — ChatGPT прошёл инженерный курс. ВКР, в которой невозможно отделить студента от модели, не должна быть допущена к защите. ## S2 Inquiry — артефакты **Что должно быть:** - **Question log** — какие вопросы студент задавал LLM, и почему именно так - **Source provenance** — какие источники RAG-tutor извлекал (для AI-University-FEM-style сред) - **Negation tests** — пробовал ли студент **возразить** AI на ответ? Что получилось? **Что разбираем:** `ai-university-fem-course` — почему среда **знает свои источники**, а ChatGPT их теряет. ## S3 Defense Preparation — артефакты **Что должно быть:** - **Multi-agent critic session** — студент прогоняет работу через 3-4 различных critic-personas - **Red-team report** — что **слабее всего** в работе? Что комиссия атакует первым? - **Counter-evidence** — какие свидетельства **против** работы существуют?…

# FINAL — Занятие 5 МАИ: Гибридность и B5 (ко-индивидуация) Generated: 2026-06-27 (Variant C, Phase 5) Дидактическая ось МАИ: **B5 (гибридность — Человек+LLM как единая когнитивная система)** Связанные оси: A3-A5, C4, D5,D7,D9,D10 Источники: L5_hybridity pulls (28 кейсов), C4 audit (14 кейсов), Levin diagnosis (7 Левин-кейсов). **⚠ Самое слабое занятие** — поле тонкое, материал из C4-кандидатов и Левин-линии. Этот факт **сам по себе** — содержание занятия. ## Цель занятия Студенты должны не «использовать LLM», а **описать условия ко-индивидуации**: какие когнитивные функции реально распределены между человеком и средой? Главный вопрос: где грань между **желаемым** C4 и **фактическим** B5? Что отличает архитектуру от красивого языка? ## Структура занятия (90 мин) | Блок | Время | Содержание | |---|---|---| | 1. Введение | 15 мин | Что такое гибридность. Почему поле тонкое. Честный диагноз | | 2. C4-candidates | 25 мин | 5 strong candidates с архитектурной реконструкцией | | 3. Левин-line | 15 мин | 7-й тип мышления как research program | | 4. Failure modes | 10 мин | concept_washing + OFFICIAL_CLAIM | | 5. Описание ко-индивидуации | 20 мин | Студенческое задание | | 6. Вывод | 5 мин | B5 как открытое поле; десять лет работы впереди | ## Базовые кейсы — C4 strong candidates (5) ### 1. `ai-university-fem-course` — AI-University для FEM (INT) — **PASS 2 ARCHITECTURALLY CONFIRMED** - **A3-A4 / B2-B5 / C4 / D1,D7,D11,D12** - **Полный публичный стек** (после Pass 2): - arXiv 2504.08846 — Faghih Shojaei, Gulati, Jasperson, S. Wang, Cimolato, Cao, Neiswanger, **Krishna Garikipati** - GitHub: `github.com/my-ai-university/finite-element-method` - Public prototype: `huggingface.co/spaces/my-ai-university/finite-element-method` - Fine-tuned model: **LLaMA-TOMMI-1.0** (LoRA fine-tuned для instructor style) - Architecture: expert model → RAG synthesis with course context + **video timestamp links** - Студент работает не с помощником, а **внутри созданной курсом среды**. - **Что разбираем**: какой именно слой делает это **средой**, а не tutor-wrapper. На занятии можно **показать живой прототип** на HuggingFace. ### 2. `sutd-tool-teammate-neither` — SUTD Tool/Teammate/Neither (SG) - **A3 / B5 / C4 / D2,D7,D8,D10,D12** - 500+ студентов в эксплицитной рефлексии о статусе ИИ. **Студенты сами реконструируют C-уровень** — это педагогическая реализация ко-индивидуации как объекта изучения. - **Что разбираем**: рефлексия — это не B5, но **подготовка** к нему. Где разница? ### 3. `sutd-trilingual-triad-smart-city` — SUTD Trilingual Triad (SG) - **A3 / B5 / C4 / D2,D7,D9,D12** - Студенты проектируют **domain-specific custom GPTs**. ИИ становится designed collaborator. Близко к C4 by architectural intent. - **Что разбираем**: студент **строит среду** для следующих студентов. Это первая рекурсия ко-индивидуации. ### 4. `nmc2025-quantum-materials-calculator` — NMC2025 (INT) - **A3-A5 / B2-B5 / C4 / D1,D2,D7,D12** - Research-class environment с AI tutor +…

# FINAL — Занятие 4 МАИ: Оркестрация и multi-agent (B4) Generated: 2026-06-27 (Variant C, Phase 5) Дидактическая ось МАИ: **B4 (оркестрация / мультиагентность)** Связанные оси: A3-A4, C3, D4,D11,D12 Источники: L4_orchestration pulls (29 кейсов), T7 (multi-agent training environment), DR3 Wave 3. Это **самый плотный** кластер в корпусе (33% всех кейсов — B4). Соответственно самая сильная угроза — `agent_washing`. ## Цель занятия Студенты должны отличать **architecture-level multi-agent system** от **agent_washing** через схему **ролей, памяти, arbitration и evaluation**. Главный вопрос: где «два промпта с разными ролями» становятся реальной распределённой архитектурой? ## Структура занятия (90 мин) | Блок | Время | Содержание | |---|---|---| | 1. Введение | 10 мин | Что такое multi-agent system. Условия минимума | | 2. Validated архитектуры | 25 мин | 5-6 разборных кейсов | | 3. Agent washing | 20 мин | Triz-agents и personas как контпримеры | | 4. Schema design | 25 мин | Студенты строят agent-схему | | 5. Вывод | 10 мин | A4 ≠ B4. C3 ≠ multi-agent | ## Базовые кейсы для разбора (6) ### 1. `senior-design-multi-agent-llms` — Multi-Agent LLM Framework для Senior Design (INT) - **A4 / B4 / C3 / D2,D4,D10,D12** - Multi-agent с распределением ролей в senior design. Один из самых **академически проработанных** примеров. - **Что разбираем**: какие роли, какая память shared, какой arbitration mechanism. ### 2. `astra-atco` — ASTRA ATCO training simulator (SG) - Strong кейс из Wave 2/EXT. Air traffic control с multi-agent — реальная задача требует распределения. - **Что разбираем**: domain (ATC) даёт **structural pressure** на распределение функций. Где это видно в архитектуре. ### 3. `capra-multi-agent-architecture-feedback` — CAPRA (IT) — arXiv 2606.18976 - **A4 / B3 / C3 / D2,D7,D11** - Multi-Agent LLM Software Architecture Feedback. Конкретный academic paper. - **Что разбираем**: какие роли (architect, critic, validator), какой arbitration. ### 4. `spear-multi-agent-smart-contract` — SPEAR (INT) - **A4 / B3-B4 / C3 / D2,D3,D10** - Multi-Agent Smart Contract Auditing (arXiv 2602.04418). Audit — структурно multi-agent. - **Что разбираем**: задача audit как inherent multi-perspective. Когда это «реальное» распределение, когда — promp role-play. ### 5. `senior-design-multiagent-llm-2501` — arXiv 2501.01205 - **A4 / B4 / C3 / D2,D7,D10,D11,D12** - Параллель к #1 — более новый paper. - **Что разбираем**: что добавляет 2501-paper к #1. ### 6. `military-training-scenario-generation` — AI-Assisted Military Training Scenarios (INT) - **A4 / B4 / C3 / D2,D10,D11,D12** - Scenario generation для military training. Boundary T7 — не всегда multi-agent в строгом смысле. - **Что разбираем**: scenario generator vs scenario player. Когда multi-agent **необходимо** для верификации? ## Adjacent кейсы (5) - `agile-requirements-simulation-ai-personas` — пограничный agent_washing (см. ниже) - `ai-driven-agile-curriculum` — agile + multi-agent - `lockheed-laic-…

# FINAL — Занятие 3 МАИ: CAO и регулятивный контур (B3) Generated: 2026-06-27 (Variant C, Phase 5) Дидактическая ось МАИ: **B3 (CAM/CA/CAO — агентная регулятивная оптика)** Связанные оси: A3-A4, C2-C3, D3,D10,D11,D12 Источники: L3_CAO pulls (9 кейсов), T2 auditable assessment + T1 RAG-tutor. ## Цель занятия Формализовать **агента как замкнутую функциональную систему** — с входами, ограничениями, evidence-слоем и human override. Главный вопрос: **что у AI входы, ограничения, evidence layer и human override?** Без этой схемы любая "AI in assessment" съезжает в `cao_washing`. ## Структура занятия (90 мин) | Блок | Время | Содержание | |---|---|---| | 1. Введение | 10 мин | Что такое регулятивный контур. Отличие от B2 | | 2. Validated архитектуры | 25 мин | 4 разборных кейса | | 3. Failure modes | 15 мин | Hydrology Argentina (как perlsotr) + lazy-students | | 4. Agent как замкнутая система | 20 мин | Студенческое задание | | 5. Anti-analogs | 15 мин | qub-software-testing как borderline | | 6. Вывод | 5 мин | T2 = самый зрелый сдвиг поля | ## Базовые кейсы для разбора (5) ### 1. `ai-tutor-hydrology-argentina` — AI Tutor в Hydrology (AR) - **A3 / B2-B4 / C2 / D1,D3,D10,D11,D12** - **Проваленный первый цикл → редизайн**: auditable appendix, time floor, verified numerical task. Самый зрелый T2-кейс с публично описанным failure-then-redesign. - **Что разбираем**: какие три механизма (appendix, time floor, numerical verification) делают курс auditable. Что в них реально замыкает regulatory loop. ### 2. `rwcp-baseline-genai-capstone` — Real-World Capstone с разрешённым GenAI (INT) - **A3 / B4 / C2 / D2,D4,D11,D12** - Permitted GenAI с trace и defense. T3+T2 hybrid. - **Что разбираем**: какие именно artefacts (traceability matrix, defense viva, declaration form) образуют замкнутый CAO. ### 3. `coursegpt-information-security` — CourseGPT в InfoSec (US) - **A3 / B4 / C2 / D3,D11,D12** - RAG-tutor с regulated assessment. T1+T2. - **Что разбираем**: как ограничен LLM domain, где видны exam analytics. ### 4. `qub-software-testing-causal-model` — QUB Responsible GenAI (GB) - **A3 / B4 / C2 / D3,D10,D11,D12** - **Borderline**: между valid CAO redesign и `mindset_washing`. - **Что разбираем**: какие artefacts уже есть, каких ещё **нет**. Где грань между «ответственное использование» как лейбл и как операция. ### 5. `conversational-exam` — Conversational Exam (INT) - **A3 / B4 / C2 / D10,D11** - Прямой пример redesign assessment в форму **диалога**. Очень показательный. - **Что разбираем**: какие учебные функции переносятся в exam-time conversation. Что нельзя перенести. ## Adjacent кейсы (4) - `hydrology-redesign` — параллельный учётный ID для AI Tutor Hydrology - `voice-based-oral-assessments` (EXT) — voice oral; разбирать как T2 boundary - `edu-ai-hub-civil` — Educational AI Hub в civil; нужна verification (см. pass_2) - `agile-requirements-simulation-ai-personas` — T7 boundary ## Failure modes ### `lazy-students-dream-control-systems` - **Failure…

# FINAL — Занятие 2 МАИ: CAE и среда испытаний (B2) Generated: 2026-06-27 (Variant C, Phase 5) Дидактическая ось МАИ: **B2 (среда испытаний)** Связанные оси: A2-A4, C2-C3, D1,D2,D3,D12 Источники: L2_CAE pulls (17 кейсов), `FINAL_typology_8_types.md` T4, `FINAL_anti_analog_registry.md`. ## Цель занятия Студенты должны увидеть **CAE как среду** — не калькулятор, не симулятор-однократник, а **управляемый verification loop**, в котором AI добавляет guidance/parameter exploration, **но не подменяет** физических ограничений. Главный вопрос: **где AI ошибается в параметризации или verification loop, и как студент строит human-in-the-loop protocol?** ## Структура занятия (90 мин) | Блок | Время | Содержание | |---|---|---| | 1. Введение | 10 мин | CAE как regulatory environment, не вычислительная утилита | | 2. Validated архитектуры | 30 мин | 5-6 разборных кейсов | | 3. Failure modes | 15 мин | AI ломается в параметризации (lazy-students-dream, circuit benchmark) | | 4. HIL protocol | 25 мин | Студенческое задание | | 5. Вывод | 10 мин | C2 dominates, but T4+T1 → C4 candidates | ## Базовые кейсы для разбора (6) ### 1. `ai-university-fem-course` — AI-University для FEM (INT) — **C4-candidate** - **A3 / B2-B5 / C4 / D1,D7,D11,D12** - Fine-tuned LLM + RAG поверх корпуса курса с traceability. Студент работает **внутри среды**, созданной курсом, не с помощником. - **Что разбираем**: как RAG-traceability превращает курс в среду. Где грань между T1 (RAG-tutor) и T4 (CAE)? ### 2. `nmc2025-quantum-materials-calculator` — NMC2025 (INT) — **C4-candidate** - **A3-A5 / B2-B5 / C4 / D1,D2,D7,D12** - AI tutor + automated simulation workflow для authentic student inquiry в advanced materials modeling. Research-class environment. - **Что разбираем**: как simulation backbone + AI guidance вместе образуют исследовательскую среду. ### 3. `circuit-smart-tutor-azure` — LLM-Enhanced Smart Tutor для Circuit Analysis (US) - **A3 / B2-B4 / C2 / D1,D3,D11,D12** - Azure-based smart tutor поверх circuit-analysis. Конкретная аккуратная реализация T1+T4 пересечения. - **Что разбираем**: domain-bounded tutor — что входит в контекст, что нет. ### 4. `bim-rule-checking-course` — Generative AI Rule Checking в BIM Education (US) - **A3 / B2-B4 / C2 / D2,D3,D10,D12** - BIM compliance как **regulatory CAE**. AI проверяет rule conformance, инженер интерпретирует. - **Что разбираем**: что AI делает хорошо в rule checking, что плохо. Где fallback? ### 5. `abb-nvidia-robot-training` — ABB+Nvidia Industrial Robot Training (CH) - **A2-A4 / B2-B3 / C2-C3 / D1,D3,D12** - Robot training с Omniverse-based simulation. Industrial CAE-grade environment. - **Что разбираем**: как simulation backbone + AI policy fit together. Стенд = среда. ### 6. `digital-twins-newcastle-msc-phd` — Digital Twins MSc/PhD (Newcastle + Aarhus) - **A3 / B2-B4 / C2 / D2,D3,D7** - Magisterskaya программа с digital twin acoustics. Прямой пример B2 institution-grade. - **Что разбираем**: digital twin как verification …

# FINAL — Занятие 1 МАИ: CAD и ранняя проектная оптика (B1) Generated: 2026-06-27 (Variant C, Phase 5) Дидактическая ось МАИ: **B1 (конфигурируемый генератор)** + **B1' (reverse engineering)** Связанные оси: A2-A3, C1-C3, D2,D7,D11 Источники: `FINAL_corpus_v1_unified_registry.json` (фильтр L1_CAD, 58 кейсов), `FINAL_typology_8_types.md`, `FINAL_anti_analog_registry.md`. ## Цель занятия Студенты должны различить **CAD как конфигурируемый генератор** (B1) от его двух соседей — **B0 «спросил у ChatGPT»** и **B2 среда испытаний**. Главный вопрос: **на каком шаге AI остаётся ideation-tool, а на каком становится design partner**? Без этого различия любое «AI в проектировании» съезжает в tool_augmentation. ## Структура занятия (90 мин) | Блок | Время | Содержание | |---|---|---| | 1. Введение | 10 мин | Что такое CAD-оптика в контексте ГИИ. Различие генератора и проектировщика | | 2. Validated архитектуры | 25 мин | 4-5 разборных кейсов | | 3. Anti-analogs | 15 мин | 3 кейса для контраста | | 4. Студенческие задания | 20 мин | Reverse engineering + traceability | | 5. Обсуждение D2/D7 | 15 мин | Где T1+T4 пересекаются с B1 | | 6. Вывод | 5 мин | A3 ≠ B1 автоматически | ## Базовые кейсы для разбора (5) ### 1. `freecad-ai-workbench` — FreeCAD AI Workbench (INT) - **A3 / B1 / C2 / D1,D2,D12** - Open-source интеграция LLM в CAD-workbench. **Студент видит**, где LLM генерирует параметры геометрии, а где — параметризацию конструкции. Конкретный пример настройки regenerative loop без облака. - **Что разбираем**: какой объект design partner порождает? Что входит в configuration space LLM? ### 2. `kicad-llm-plugin` — KiCad LLM plugin (INT) - **A3 / B1-B3 / C2 / D2,D3,D12** - LLM-плагин для electronic schematic design. Прямой пример **B1 → B2 перехода**: LLM генерирует netlist, потом проверяет on physical constraints. - **Что разбираем**: где заканчивается генерация и начинается верификация? ### 3. `text2cad-open-source` — Text2CAD (INT) - **A3-A4 / B1 / C2-C3 / D1,D2,D3,D12** - Прямой пример **B1 на уровне геометрии**: текстовое описание → CAD primitives. Open-source аналог Anthropic-style geometric reasoning. - **Что разбираем**: какой класс ошибок порождает text-to-geometry? Когда нужен B2 fallback? ### 4. `sutd-trilingual-triad-smart-city` — SUTD Trilingual Triad Smart City (SG) - **A3 / B5 / C4 / D2,D7,D9,D12** - C4-candidate. Студенты проектируют **domain-specific custom GPTs**: ИИ становится **designed collaborator**, не answer-box. Это **позднее проектное** — но образец того, как студент может строить generator-под-задачу. - **Что разбираем**: какая граница между «настроил GPT» и «спроектировал generator»? ### 5. `ru-graphic-disciplines-genai` — Графические дисциплины с GenAI (RU) - **A3 / B1 / C2 / D2,D7,D11** - Российский кейс в чертёжных/графических дисциплинах. **Полезен для МАИ-контекста** — есть локальный аналог. - **Что разбираем**: как русскоязычный курс адресует traceability? ## Adjacent кейсы (5) - `kicad-ai-assistant` — близок к ki…