KI im Ingenieurwesen: MIT-Studierende entwickeln in vier Wochen ein Gasturbinentriebwerk

KI als Beschleuniger im Ingenieurwesen: MIT-Studenten konstruieren Jet-Triebwerk in Rekordzeit

Im Rahmen der "JARVIS Challenge" (Jet-engine AI Research and Validation Intensive Sprint) am renommierten Massachusetts Institute of Technology (MIT) haben Studierende demonstriert, welches Potenzial die Integration von Künstlicher Intelligenz (KI) in komplexe Ingenieurprozesse birgt. Innerhalb eines Zeitraums von lediglich vier Wochen gelang es mehreren Teams, ein funktionsfähiges Gasturbinentriebwerk zu konzipieren, zu fertigen und erfolgreich zu testen. Dieses ambitionierte Projekt beleuchtet die sich wandelnde Rolle von KI-Werkzeugen im Bereich des "Tough-Tech Engineering" und die anhaltende Bedeutung menschlicher Fachkenntnis.

Die Herausforderung: Turbinenbau mit KI-Unterstützung

Die JARVIS Challenge stellte sieben Teams, bestehend aus insgesamt 31 Ingenieurstudenten des MIT, vor die Aufgabe, ein kleines, einwelliges Gasturbinentriebwerk mit einer Schubkraft von bis zu 100 Pfund zu entwickeln. Die Teams erhielten dabei weitreichende Freiheiten hinsichtlich Design, Materialauswahl und Fertigungsmethoden. Ein bemerkenswerter Aspekt der Challenge war, dass viele der teilnehmenden Studierenden nur geringe oder gar keine Vorkenntnisse im Bereich der Gasturbinentriebwerke oder den zugrundeliegenden technischen Prinzipien wie kompressiblen Strömungen und Thermodynamik besaßen. Diese Wissenslücke sollte gezielt durch den Einsatz der hauseigenen KI-Plattform des MIT, Parley, kompensiert werden.

Die Rolle der KI-Plattform Parley

Die Parley-Plattform, die verschiedene große Sprachmodelle (Large Language Models, LLMs) zusammenführt, diente den Studierenden als zentrales Werkzeug. Die Projektleitung hatte über Parley die Möglichkeit, die Interaktionen der Teams mit den KI-Tools zu verfolgen, einschließlich der verwendeten Prompts, der eingesetzten Sprachmodelle und der anfallenden Kosten. Die Nutzung der KI variierte je nach Vorkenntnissen der Teams:

• Wissensaneignung: LLMs wurden verwendet, um komplexe Lehrbücher zu paraphrasieren und relevante Informationen zu verdichten.
• Software-Einarbeitung: Die KI unterstützte die Studierenden beim Erlernen und der effektiven Nutzung spezialisierter Konstruktionssoftware.
• Ressourcenbeschaffung: Die Suche nach geeigneten Lieferanten für Materialien und Komponenten wurde durch KI-Tools beschleunigt.
• Datenanalyse: Zur Erstellung von Excel-Tabellen und zur Durchführung vergleichender Analysen verschiedener Designansätze kam die KI zum Einsatz.
• Spezifische Problemlösung: KI wurde genutzt, um konkrete technische Fragen zu beantworten und Referenzen für Designentscheidungen zu finden.

Begleitend zur technischen Nutzung wurden die Studierenden durch Lehrkräfte im verantwortungsvollen Umgang mit KI geschult, um die Ergebnisse kritisch bewerten und interpretieren zu können.

Ergebnisse und die Bedeutung menschlicher Expertise

Obwohl ein Team bereits in der ersten Woche ausschied, gelang es den verbleibenden Gruppen, vielversprechende Konzepte für funktionierende Gasturbinen zu entwickeln. Drei Teams erreichten die Finalrunde. Das Team „Fast and Fractured“ konnte seine Turbine erfolgreich zünden, stieß jedoch später auf ein Problem mit einem blockierten Rotor. Dieses Team hatte seine geringe Erfahrung im Turbinenbau durch intensiven KI-Einsatz für Architekturvergleiche und Kosten-Nutzen-Analysen kompensiert.

Das Team „811 Crew“, das ebenfalls über wenig Vorerfahrung verfügte, schloss alle Tests erfolgreich ab. Interessanterweise zeigte dieses Team zunächst eine eher skeptische Haltung gegenüber der KI und setzte stattdessen verstärkt auf interne Teamarbeit und die Nutzung vorhandener Fachkenntnisse, beispielsweise in der Konstruktionssoftware, ergänzend zur KI.

Die JARVIS Challenge verdeutlichte, dass der erfolgreiche Einsatz von KI im Ingenieurwesen eine solide menschliche Fachkenntnis voraussetzt. Die Fähigkeit, die von der KI generierten Vorschläge kritisch zu bewerten, fundierte Entscheidungen über deren Weiterverfolgung zu treffen und die Ergebnisse in den Gesamtkontext einzuordnen, bleibt eine Domäne menschlicher Ingenieure. KI kann als ein potenter Beschleuniger dienen, insbesondere in Phasen der Ideenfindung, des Designs und der Analyse. Jedoch, und dies ist ein zentrales Fazit, ist bei der Entwicklung und dem Bau sicherheitskritischer physikalischer Systeme die menschliche Handarbeit und die damit verbundene Verantwortung unersetzlich.

Ausblick für die B2B-Branche

Für Unternehmen im B2B-Sektor, insbesondere in technologieintensiven Branchen, lassen sich aus den Erkenntnissen der JARVIS Challenge wichtige Schlussfolgerungen ziehen:

• Effizienzsteigerung durch KI: KI-Tools können Entwicklungszyklen erheblich verkürzen und die Effizienz in Design- und Analyseprozessen steigern, selbst bei komplexen technischen Herausforderungen.
• Demokratisierung des Wissens: KI kann dazu beitragen, Wissensbarrieren abzubauen und Ingenieuren mit weniger Spezialwissen den Zugang zu komplexen Themen zu erleichtern.
• Strategischer KI-Einsatz: Der Fokus sollte auf einem gezielten Einsatz von KI liegen, der menschliche Fähigkeiten ergänzt und nicht ersetzt. KI als "Co-Pilot" kann die Entscheidungsfindung unterstützen und den Umfang manueller Arbeit reduzieren.
• Bedeutung der menschlichen Beurteilung: Die finale Verantwortung und die kritische Bewertung der KI-Ergebnisse verbleiben beim menschlichen Experten. Dies ist besonders relevant in sicherheitsrelevanten Bereichen.
• Schulung und Integration: Die erfolgreiche Implementierung von KI erfordert nicht nur die Bereitstellung der Technologie, sondern auch die Schulung der Mitarbeiter im effektiven und kritischen Umgang mit diesen neuen Werkzeugen.

Die JARVIS Challenge des MIT ist somit ein prägnantes Beispiel dafür, wie die Symbiose aus menschlicher Intelligenz und fortschrittlicher KI-Technologie das Potenzial hat, Innovationsprozesse in traditionell anspruchsvollen Ingenieurdisziplinen zu revolutionieren, während gleichzeitig die unverzichtbare Rolle des Menschen betont wird.

Bibliographie

- Bünte, O. (2026, 10. August). MIT-Studenten konstruieren Jet-Triebwerk mit KI innerhalb eines Monats. heise online. - Massachusetts Institute of Technology. (2026, 14. Juli). Can AI build a jet engine? JARVIS Challenge tests role of AI copilots in tough-tech engineering. MIT News. - Ornitz, R. (2026, 14. Juli). Can AI build a jet engine? JARVIS Challenge tests role of AI copilots in tough-tech engineering. MIT AeroAstro. - heise. (2026, 10. August). MIT-Studis bauen Gasturbine mit KI – in nur vier Wochen. Nydus. - Engineers Ireland. (2026, 23. Juli). Can AI build an aircraft engine? Tough-tech engineering challenge tests its role as a co-pilot. Engineers Ireland. - Futuresignalnews. (2026, 14. Juli). MIT JARVIS Challenge: AI's Role in Jet Engine Design. Futuresignalnews.