Tarján László

A munka a mesterséges intelligencia (MI), főként a mechatronikai és robotikai oktatásban betöltött szerepét vizsgálja egy új, strukturált megközelítésből, de az érvek alkalmazhatók más mérnöki irányzatoknál is. A munka első részében a legújabb, nagy hatékonyságú MI-alapú tervező- és fejlesztőszoftverek kerülnek bemutatásra, amelyek forradalmasítják az ipari munkafolyamatokat, mint pl. a generatív CAD tervezés, robot szimuláció, intelligens PLC kódolás és modern EDA rendszerek. Ezek az új „szerszámok” a mérnöki szakmákban sokszor gondot okoznak a felsőoktatásban a mérnökök tanításában. Ezeknek az eszközöknek a részleges ismerete és a diákok felszínes elméleti és gyakorlati tudása a hallgatóknál használat során egy „azonnali megoldás” élményt biztosítanak, ami kielégíti elvárásaikat, de sűrűn csapdát jelenthet, mert a kapott megoldások, a felületes tudás miatt éles ellentétben állhatnak a fizikai rendszerek determinisztikus, biztonságkritikus elvárásaival. A munka gyakorlati pedagógiai megoldásokat nyújt mint pl. a fordított mérnökség, prompt logók használata. Végezetül a kutatás  feltárja az MI-szolgáltatások dinamikus fluktuációját, az exponenciálisan növekvő licencköltségeket, rávilágítva arra, hogy a gyorsan elavuló technológiai rétegek mellett miért jelenti a stabil, saját mérnöki tudás és alapkutatás a legbiztonságosabb és legértékesebb hosszú távú befektetést.

This paper examines the role of artificial intelligence (AI), particularly in mechatronics and robotics education, from a novel and structured perspective. Although the discussion focuses on these fields, the presented arguments are also applicable to other engineering disciplines. The first part of the paper introduces the latest high-performance AI-based design and development software solutions that are revolutionizing industrial workflows, including generative CAD design, robot simulation, intelligent PLC programming, and modern Electronic Design Automation (EDA) systems. These new engineering “tools” often create challenges in higher education when teaching future engineers. Partial familiarity with such tools, combined with students’ superficial theoretical and practical knowledge, can provide an “instant solution” experience that meets their expectations. However, this frequently becomes a trap, as the generated solutions may conflict with the deterministic and safety-critical requirements of physical systems due to an insufficient underlying understanding. The paper proposes practical pedagogical approaches to address these challenges, including reverse engineering methodologies and the systematic use of prompt logs. Finally, it analyzes the dynamic evolution of AI services and the exponentially increasing costs of software licenses, highlighting why, in the context of rapidly evolving and often short-lived technological layers, stable engineering knowledge and fundamental research remain the safest and most valuable long-term investments.