Модель BrickGPT превращает текстовый промпт не в красивую 3D-картинку, а в последовательность реально сцепляемых деталей. Для бизнеса это важный сдвиг: генеративный дизайн начинает учитывать не только форму, но и то, что произойдёт с изделием после печати и сборки.
Суть события
Исследователи Университета Карнеги — Меллон в 2025 году разработали LegoGPT, также известную как BrickGPT. Это авторегрессионная модель на базе LLaMA-3.2-Instruct-1B, обученная предсказывать следующий LEGO-блок в конструкции по текстовому описанию и уже собранной геометрии.
Вместо цельного 3D-меша система строит объект шаг за шагом. Каждый новый элемент получает координаты, ориентацию и связи с предыдущими деталями. Поэтому результат можно проверить как физическую сборку, а не только как виртуальную поверхность.
Детали
Для обучения использовали 47 000 LEGO-сборок и 28 000 уникальных 3D-фигур. Модель учитывает геометрию, сцепление, трение и действие силы тяжести. Если очередной блок делает конструкцию неустойчивой, алгоритм откатывается на шаг назад и пробует другой вариант. В описанных экспериментах доля устойчивых конструкций выросла с 24% без отката до 98,8% с ним.
Пока речь идёт о простых объектах — стульчиках, шкафчиках, корабликах, машинках и других фигурах примерно из двух десятков категорий. Движущихся частей и сложной внутренней структуры у таких моделей ещё нет.
Контекст
Главное преимущество BrickGPT проявляется там, где обычный генератор 3D-моделей заканчивает работу. CAD может нарисовать эффектный объект, но он окажется слишком тяжёлым сверху, развалится при сборке или потребует нестандартных соединений. BrickGPT сразу ограничивает поиск набором повторяемых деталей и проверяет, выдержит ли конструкция собственный вес.
Для небольших производств и инженеров это потенциально полезнее очередной демонстрации красивой картинки. Такой подход может сократить число неудачных прототипов, упростить передачу проекта 3D-принтеру или роборуке и приблизить генеративный дизайн к конвейеру. В более широком контексте это продолжение спора о том, насколько важны тесты и ограничения для прикладного ИИ.
Что дальше
Следующий шаг — перенос принципа на мебель, робототехнику и архитектурные элементы, где у деталей есть размеры, нагрузка и правила сборки. Но симуляция не заменяет испытание: реальный материал, износ, допуски принтера и ошибка манипулятора могут изменить результат.
Практический вывод для команды, которая хочет использовать такой инструмент, прост: сначала формализовать ограничения и сценарии отказа, затем доверять генерации. Человек всё ещё нужен как инженерный контролёр — особенно там, где поломка стоит дороже ещё одной итерации дизайна.
