Ich sehe durchaus Möglichkeiten, KI sinnvoll für solche Konstrukte zu nutzen. Ob das nun hier geschehen ist, oder letztendlich nur das Slicing für den Druck von einer KI gemacht wird, weiß ich nicht. Es scheint mir jedenfalls auch plausibel, dass vor allem dort die KI angewandt wurde.
Es geht ja nicht nur um die äußeren Dimensionen des Rades, es geht um Layering (ja, auch bei Edelstahl, wenn es gedruckt wird) und genau definierte Wandstärken an unterschiedlichsten Stellen. Da hat man hier letztendlich noch mehr Freiheiten als bei Carbon.
Ob man damit jetzt schon merklich besser ist als traditioneller Rahmenbau weiß ich auch nicht, aber prinzipiell kann man mit solcher Technologie durchaus bessere Rahmen bauen als man es mit ein bisschen konifizierten Rohren kann. Wie gesagt, "kann", ich behaupte nicht, dass wir hier angelangt sind.
Ich denke, man muss das Rad in Konkurrenz zu Carbonrahmen betrachten, und da finde ich den Ansatz sehr vielversprechend auch in der Zukunft eine entscheidende Rolle zu spielen.
Ich werde ihn mir nicht kaufen, aber ich finde es einen schönen Rahmen. Eher in der Herstellung revolutionär als im Ergebnis, aber auch das ist ein wichtiger Schritt.
Kleiner Exkurs:
Mein Beruf ist zu großen Teilen computational science, KI ist dabei ein sehr wertvolles Werkzeug geworden. Es ist weder so nutzlos, wie es hier viele darstellen, noch ist es eine alles lösende Universalwaffe. Letzteres liegt aber in großen Teilen daran, dass manche Aufgaben auf diese Weise ineffizient gelöst werden, mehr als dass sie nicht gelöst werden können. Wir verweben das immer mehr. Wo jetzt AI anfängt oder man eigentlich nur ein deterministisches Programm hat, da ist Marketing aber oft natürlich sehr ungenau.
Ich lasse seit einiger Zeit LLMs auf meine Klausuren für Studenten los, das sind alles fortgeschrittene Veranstaltungen, ich mache keine Bachelorvorlesungen und allgemeinen Themen mehr, nur Schwerpunktseminare und Vorlesungen. Ich bin durchaus beeindruckt, wie viel da schon herauskommt. Zum Beispiel habe ich dem LLM ein Bild geben, auf dem ein Strömungsquerschnitt einer Jet-Engine zu sehen war. Es hat erfolgreich mehrere Effekte erkannt, wie zum Beispiel Kelvin-Helmholtz-Instabilitäten. Es hat insbesondere auch verstanden, dass der Aufbau eine horizontale Anordnung war. Es hat im hinteren Bereich statische Auftriebseffekte erkannt, die wirklich minimal waren (es hatte die Information, dass es ein Helium-Jet war) und daraus geschlossen, wie die Anordnung des Aufbaus war. Ich fand das durchaus beeindruckend, muss ich sagen.
Letztendlich gibt es eben auch sehr unterschiedliche Bereiche, was AI eigentlich ist. Alltäglich am beeindruckendsten sind natürlich LLMs, wie eben ChatGPT. Es gibt aber eben auch anderes, was sehr gut weiterhilft. Klar, nur ein Werkzeug im Gürtel, aber ich würde es mit dem Akkuschrauber in Analogie bringen wollen. Es ist doch sehr universell einsetzbar und vieles geht schneller und einfacher, als es vor der technischen Reife war. Da AI unglaubliche Datenmengen verarbeiten kann, ist es menschlicher Intelligenz in mancher Anwendung eben durchaus überlegen.
Gleichzeitig muss man natürlich auf vorsichtig sein. Die falsch konvergierenden AIs sind gerade in kleineren Projekten auch immer noch keine Seltenheit. Das klassischste Beispiel, das relativ primitiv ist, aber nicht so unglaublich selten in irgendeiner vergleichbaren Form vorkommt:
Man soll anhand von Bildern zwei Zustände unterscheiden. Ganz einfaches Beispiel wäre hier ein erfolgreicher Vorgang in einer Produktion vs ein fehlerhaftes Produkt. Dann geht einer hin, erstellt die Trainingsdaten, anhand der die AI lernt. Die AI hat dann ihre 99.98 % Trefferquote und alle freuen sich. Leider war es dann aber so, dass die Bilder mit den erfolgreichen Vorgängen an einem Tag aufgenommen wurden, die Fehler alle an einem anderen. Schon hat man die AI darauf trainiert, das Umgebungslicht der beiden unterschiedlichen Tage fast fehlerfrei zu erkennen. Das sind eigentlich Probleme vergangener Tage, aber es zeigt eben, wie schnell man AI falsch anwenden kann.
