Projekt LDraw Nova LEGO osiąga 2175 elementów, ale możliwość fizycznego zbudowania pozostaje nieudowodniona

Projekt LDraw Nova LEGO stworzył wirtualny ogród z 2175 elementów, mimo że nikt nie złożył jego konstrukcji z fizycznych klocków. Projekt open source zapewnia uniwersalnym agentom AI narzędzia do planowania, programowania, renderowania i poprawiania złożonych modeli LEGO. Jego wyniki wykorzystują rzeczywiste części z katalogu oraz uznany format CAD.

To połączenie odróżnia LDraw Nova od generatorów obrazów, które jedynie naśladują wygląd LEGO. Wygenerowany obraz może ukrywać niemożliwe połączenia, wymyślone elementy i konstrukcje pozbawione podparcia. LDraw Nova tworzy natomiast edytowalny model, w którym każdy widoczny element odpowiada umieszczonej cyfrowej części.

Projekt nie przekroczył jednak najważniejszej granicy. Twórca Carlos Antelo przyznaje, że jego kontrola kolizji nie modeluje stabilności konstrukcyjnej. Powiedział też reporterom, że nie próbował budować prezentowanych projektów z prawdziwych elementów.

Rezultat stanowi wymowny test dla agentów AI. Potrafią one dziś tworzyć tysiące ustrukturyzowanych, odczytywalnych maszynowo decyzji projektowych bez ręcznego operowania interfejsem graficznym. Spójny plik CAD nie jest jednak automatycznie ani bezpieczną sekwencją montażu, ani stabilnym obiektem fizycznym.

Ta luka stawia LDraw Nova obok zupełnie innego podejścia badawczego. LegoGPT Carnegie Mellon University, później kojarzony z nazwą BrickGPT, uwzględnia ograniczenia fizyczne już na etapie generowania. Jego badacze ręcznie i robotycznie złożyli przykładowe wyniki.

LDraw Nova wybiera szerszą drogę. Pozwala zaawansowanym modelom AI pisać programy generujące większe i bardziej ekspresyjne sceny. Kluczowe pytanie nie brzmi już, czy agent potrafi narysować wiarygodny model. Chodzi o to, czy oprogramowanie może przełożyć tę wizualną ambicję na konstrukcję, która wytrzyma grawitację, przenoszenie i montaż.

LDraw Nova zamienia jeden prompt w model CAD z 2175 elementów

Najważniejszą zmianą jest skala: uniwersalny agent AI może teraz wygenerować dużą scenę LEGO jako edytowalny kod źródłowy, a nie płaski obraz.

Antelo udostępnił LDraw Nova jako zestaw narzędzi open source do tworzenia modeli LEGO przez agentów. Projekt przyjmuje pomysł na model, pomaga agentowi AI zaplanować jego strukturę i zwraca pliki, które może analizować tradycyjne oprogramowanie CAD dla LEGO.

Jego czołowym przykładem jest Sakura Garden. Claude Opus 5.5 miał stworzyć tę scenę po otrzymaniu otwartego polecenia zaprojektowania najpiękniejszego modelu, jaki potrafi sobie wyobrazić. Według opisu projektu powstała konstrukcja zawiera 2175 elementów.

Scena obejmuje pięciopiętrową pagodę, wiśnie, bramę torii i staw z koi. Taka kompozycja wymaga powtarzalnych elementów architektonicznych, zagospodarowania terenu, koordynacji kolorów i kilku rozpoznawalnych podzespołów. Jest znacznie bardziej złożona niż mała demonstracja tekst-do-klocków.

Projekt z 2175 elementów nie jest jedynym przykładem projektu. Jego galeria obejmuje również katedrę, Tidal Observatory, apartamenty Copper Bean oraz niedokończony Atlas Crane.

Różne zaawansowane modele otrzymują uznanie za różne konstrukcje. Claude Opus 5.5 wygenerował Sakura Garden i dźwig. GPT-6 Astra od OpenAI stworzył katedrę i obserwatorium, podczas gdy wcześniejszy model Claude Opus przygotował scenę z apartamentami.

Te przykłady pokazują, że LDraw Nova jest frameworkiem dla agentów, a nie wyspecjalizowanym modelem generatywnym. Nie zależy od jednej sieci neuronowej trenowanej wyłącznie do konstruowania LEGO. Zamiast tego łączy instrukcje, narzędzia, przykłady, wyszukiwanie, renderowanie i walidację wokół modeli ogólnego przeznaczenia.

To rozróżnienie ma znaczenie, ponieważ uniwersalni agenci potrafią już pisać i poprawiać oprogramowanie. LDraw Nova traktuje projekt fizyczny jak kolejny programowalny artefakt. Model planuje obiekt, pisze kod Python, który go opisuje, i wykorzystuje ten program do wygenerowania końcowego źródła CAD.

Takie podejście eliminuje konieczność proszenia modelu o rozmieszczenie tysięcy elementów za pomocą ruchów myszy. Nie wymaga też, by model obliczał każdą rotację i współrzędną bezpośrednio w odpowiedzi konwersacyjnej.

Wynik pozostaje edytowalny po wygenerowaniu. LDraw Nova może udostępnić źródło LDraw, wyrenderowane widoki, interaktywną przeglądarkę i plik glTF dla Blender. Repozytorium zachowuje także rozmowę i rozumowanie agenta związane z daną konstrukcją.

Ten pakiet daje twórcom więcej niż dopracowany obraz. Mogą przeanalizować geometrię bazową, zmienić kod, ponownie uruchomić generator lub otworzyć wynik w kompatybilnych aplikacjach. Zamienia prompt w początek procesu projektowego.

Mimo to „prawdziwe elementy” opisują cyfrowy katalog, a nie ukończony test fizyczny. System może wybierać reprezentacje autentycznych części, rozmieszczając je jednocześnie w modelu, który pozostaje niestabilny. To rozróżnienie napędza dalszą część historii.

Jak działa proces projektowania LDraw Nova LEGO

LDraw Nova odnosi sukces, ponieważ pozwala AI pisać program generujący model, a następnie umieszcza ten program w pętli wizualnego sprzężenia zwrotnego.

Projekt opiera się na LDraw, zarządzanym przez społeczność systemie reprezentowania części i konstrukcji LEGO. W modelu LDraw każdą umieszczoną część można opisać tekstem zawierającym jej identyfikator, kolor, pozycję i orientację.

Oficjalna biblioteka części LDraw zawierała 16 873 unikalne kształty lub części z nadrukami po aktualizacji 2026-06. LDraw jest nieoficjalnym projektem prowadzonym przez społeczność, a nie produktem wspieranym przez LEGO Group.

Tekstowa reprezentacja odpowiada modelom językowym, ponieważ projekt staje się danymi przypominającymi kod. Surowy LDraw nadal wymaga jednak dokładnych współrzędnych trójwymiarowych i macierzy transformacji. Niewielki błąd pozycjonowania może źle ustawić element lub poprowadzić go przez inną część.

Wcześniejsze eksperymenty Antelo miały pokazać, że agenci mieli trudności, gdy proszono ich o bezpośrednie wygenerowanie całej tej geometrii. Jego ostatecznym rozwiązaniem było udostępnienie im narzędzi Python wyższego poziomu oraz wzorców konstrukcyjnych do wielokrotnego wykorzystania.

Obecny proces zaczyna się od promptu w języku naturalnym. Agent czyta instrukcje projektu, analizuje odpowiednie przykłady i tworzy plan JSON obejmujący model oraz jego podmodele. Następnie pisze kod Python wdrażający ten plan.

Uruchomienie programu tworzy źródło LDraw. System renderuje to źródło jako obrazy, które może analizować agent multimodalny. Agent modyfikuje program, ponownie renderuje projekt i powtarza cykl.

Ta pętla bardziej przypomina debugowanie oprogramowania niż ręczną pracę CAD. Obraz służy jako informacja zwrotna, a program Python pozostaje edytowalną logiką projektu. Agent może zmienić procedurę i jednocześnie wygenerować wiele elementów.

Na przykład pagoda nie wymaga setek niezależnych instrukcji konwersacyjnych. Agent może napisać funkcje dla kondygnacji, poziomów dachu, podpór, balustrad lub powtarzalnych elementów dekoracyjnych. Parametry mogą kontrolować wymiary, rozmieszczenie i kolor.

Ta abstrakcja wyjaśnia, jak narzędzie AI do projektowania LEGO może osiągnąć tysiące części. Model nie utrzymuje każdego klocka jako odizolowanej myśli. Tworzy hierarchię procedur, które generują powiązane grupy klocków.

Kod LDraw Nova zawiera narzędzia do wyszukiwania odpowiednich części, lokalizowania przykładowych modeli, wykrywania kolizji i szczelin oraz renderowania bez widocznego okna pulpitu. Działa za pośrednictwem aplikacji internetowej opartej na Docker.

Oprogramowanie może łączyć się z dostawcami, takimi jak OpenAI, Anthropic i OpenRouter. Opcjonalny komponent semantycznego rerankingu pomaga agentom wyszukiwać odpowiednie części. Bez dostępu do jego API projekt korzysta z wyszukiwania pełnotekstowego.

Ta architektura sprawia również, że wynik jest przenośny. Aplikacje obsługujące standard LDraw mogą analizować powstałe pliki. Pliki LDR i MPD można otwierać w LeoCAD, który obsługuje modele, podmodele i wieloetapowe instrukcje budowy.

Przenośność jest ważna, ale nie certyfikuje projektu. Plik może być poprawny składniowo i imponujący wizualnie, a jednocześnie zawierać kruche połączenia. Zgodność CAD odpowiada na pytanie, czy oprogramowanie może odczytać model, a nie czy ludzkie ręce potrafią go niezawodnie złożyć.

Prawdziwym sprawdzianem jest cyfrowa spójność kontra fizyczny dowód

Najbardziej imponujący wynik LDraw Nova pozostaje też jego największym nierozstrzygniętym twierdzeniem: projekty wyglądają na możliwe do zbudowania, lecz wygląd nie może potwierdzić ich zachowania fizycznego.

Projekt wykrywa kolizje i szczeliny. Takie kontrole mogą wychwycić elementy zajmujące tę samą przestrzeń lub oczywiste błędy pozycjonowania. Ograniczają częsty tryb awarii w konstrukcjach generowanych maszynowo.

Wykrywanie kolizji nie jest modelowaniem fizyki. Dwa klocki mogą się połączyć, nie zapewniając jednak wystarczającego podparcia dla ciężkiego dachu, długiego nawisu lub wąskiej wieży. Ukończona scena może też zależeć od tymczasowego etapu budowy, którego nie da się utrzymać na miejscu.

Pięciopiętrowa pagoda dobrze ilustruje ten problem. Jej wyższe poziomy tworzą ciężar i dźwignię ponad podstawą. Krawędzie dachu mogą wykraczać poza podpory, a ozdobne drzewa i bramy mogą zależeć od cienkich połączeń.

Sama geometria cyfrowa nie może ustalić, jak te sekcje zareagują, gdy budujący dociska elementy do siebie. Siła sprzęgania, środek masy, skręcanie, wielokrotne przenoszenie i kolejność budowy wpływają na rezultat.

Antelo otwarcie mówił o tym ograniczeniu. Według pierwotnego reportażu stwierdził, że modelowanie fizyki jest czymś, czego LDraw Nova obecnie nie posiada. Powiedział też, że nie próbował fizycznie zbudować prezentowanych modeli.

To ujawnienie nie przekreśla osiągnięcia programistycznego projektu. Zawęża jednak zakres, który potwierdzają dowody. LDraw Nova wygenerował zaawansowane wirtualne konstrukcje z katalogowych części. Nie zweryfikował jeszcze, czy jego największe wyniki działają jako praktyczne zestawy.

Słowo „możliwe do zbudowania” wymaga zatem kilku testów. Po pierwsze, każda wskazana część musi istnieć w wybranym kolorze. Po drugie, elementy muszą łączyć się bez przenikań i niepodpartych szczelin. Po trzecie, gotowy obiekt musi stać i wytrzymać zwykłe przenoszenie.

Po czwarte, człowiek potrzebuje wykonalnej sekwencji montażu. Niektórych stabilnych konstrukcji końcowych nie da się zbudować w kolejności sugerowanej przez ich cyfrowy układ. Późniejsze elementy mogą wymagać dostępu zablokowanego przez wcześniejsze sekcje.

Po piąte, projekt wymaga rozsądnych wymagań dotyczących pozyskania części. Lista materiałów zawierająca rzadkie kolory lub wycofane elementy może utrudnić odtworzenie technicznie poprawnego modelu. Duże inwentarze oznaczają również pracę logistyczną i weryfikacyjną.

Sakura Garden z 2175 elementami potęguje każde ryzyko. Jedno błędne połączenie może zniknąć wewnątrz wyrenderowanej sceny. Powtarzalna procedura może również powielić tę samą słabość konstrukcyjną na wielu kondygnacjach lub sekcjach dachowych.

Rozmiar modelu sprawia, że ręczny audyt jest kosztowny. Budujący musi sprawdzić tysiące rozmieszczeń, potwierdzić inwentarz, zaplanować podzespoły i zidentyfikować ścieżki obciążeń. Ta praca jest fizycznym odpowiednikiem szybkiego generowania przez agenta.

To zasadnicze odwrócenie w projekcie LDraw Nova LEGO. Programowanie pozwala agentowi znacznie szybciej skalować wynik. Powstała skala sprawia następnie, że walidacja w rzeczywistym świecie staje się bardziej wymagająca, a nie mniej.

Wyrenderowana katedra może budzić zaufanie, ponieważ wygląda na ukończoną. Renderowanie nagradza jednak widoczną kompletność, a nie ukrytą integralność konstrukcyjną. Im silniejszy staje się efekt wizualny, tym łatwiej przeoczyć brak dowodów inżynieryjnych.

LegoGPT pokazuje, co wnosi generowanie uwzględniające fizykę

LegoGPT stanowi najwyraźniejszy kontrast, ponieważ traktuje stabilność jako ograniczenie generowania, a nie test odkładany do czasu po renderowaniu.

Badacze z Carnegie Mellon University i współpracujących instytucji przedstawili LegoGPT w 2025 roku. Ich system przeformułował generowanie tekstu tak, aby model językowy przewidywał kolejną cegiełkę zamiast kolejnego słowa.

Zespół stworzył StableText2Lego — zbiór danych zawierający ponad 47 000 struktur reprezentujących przeszło 28 000 unikalnych trójwymiarowych obiektów. Każdą strukturę połączono ze szczegółowym opisem tekstowym i oceniono pod kątem stabilności fizycznej.

Podczas generowania LegoGPT stosuje kontrole poprawności oraz proces wycofywania uwzględniający fizykę. Jeśli przewidywane umieszczenie narusza ograniczenia, system odrzuca ten wybór i wraca do wcześniejszego prawidłowego stanu.

Powiązane badanie uwzględniające fizykę definiuje stabilne modele jako konstrukcje o wysokiej integralności, bez unoszących się ani zapadających cegiełek. Wykonalność definiuje poprzez standardowe elementy i sekwencyjny montaż przez ludzi lub roboty.

Co najważniejsze, badacze przedstawili fizyczne dowody. Poinformowali, że wygenerowane projekty zostały zbudowane ręcznie oraz z użyciem dwuręcznego systemu robotycznego. Eksperymenty te nie gwarantują poprawności każdego przyszłego wyniku, ale częściowo zamykają pętlę między światem cyfrowym a fizycznym.

LDraw Nova stosuje inną strategię. Zapewnia bardzo zaawansowanym modelom ogólnym szeroki słownik części, programowalne prymitywy i wizualne sprzężenie zwrotne. To podejście sprzyja ekspresyjnym scenom i większym kompozycjom.

LegoGPT korzysta ze wyspecjalizowanego modelu i ograniczonej reprezentacji. Jego dane treningowe obejmują 21 popularnych kategorii obiektów, a struktury wywodzą się z wokselizowanych trójwymiarowych kształtów. Metoda oferuje silniejszą kontrolę stabilności, lecz ogranicza swobodę projektowania.

Żadne z tych podejść nie wygrywa we wszystkich wymiarach. Wyspecjalizowany generator może głęboko uwzględniać reguły fizyczne, pozostając jednocześnie wąsko ukierunkowany. Ogólny agent programistyczny może tworzyć bogatsze sceny, opierając się na słabszej walidacji fizycznej.

Porównanie uwypukla również dwa znaczenia inteligencji w projektowaniu. Jednym jest zdolność wymyślania i organizowania złożonego obiektu. Drugim — zdolność respektowania ograniczeń materiałowych przez cały proces jego tworzenia.

LDraw Nova obecnie kładzie nacisk na pierwszą zdolność. LegoGPT czyni centralną drugą. Dojrzały agent projektowania fizycznego będzie potrzebował obu.

To połączenie prawdopodobnie wymaga czegoś więcej niż dodania końcowej oceny stabilności. Informacje zwrotne dotyczące fizyki muszą wpływać na planowanie, wybór części, granice podzespołów i poprawki. W przeciwnym razie system może odkrywać problemy konstrukcyjne dopiero po stworzeniu rozbudowanego projektu.

Musi też modelować budowę jako proces. Stabilny układ końcowy nie wystarcza, gdy etapy pośrednie się zapadają lub blokują dostęp. Kolejność budowy powinna stać się częścią wygenerowanego artefaktu, a nie dodatkiem po fakcie.

LDraw Nova już posiada pętlę iteracyjną, co daje mu możliwą ścieżkę rozwoju. Wyniki analiz fizycznych mogłyby stać się kolejną formą sprzężenia zwrotnego obok renderowanych obrazów. Agent mógłby następnie poprawić swój program po wykryciu słabych połączeń lub niezrównoważonych sekcji.

Struktura open source wspiera takie eksperymenty. Programiści mogą sprawdzać jego założenia, dodawać walidatory i porównywać wyniki modeli. Wartość projektu może ostatecznie leżeć równie mocno w jego architekturze, co w pojedynczym modelu z galerii.

Co udowadniają pliki CAD, a czego nie udowadniają

Pliki dowodzą, że agenci potrafią tworzyć kontrolowalną logikę projektową na nietypową skalę, lecz nie potwierdzają wykonalności produkcyjnej ani niezawodności konstrukcyjnej.

Płaski obraz AI niemal nie zapewnia odpowiedzialności inżynierskiej. Odbiorcy nie mogą wiarygodnie określić, które elementy istnieją, jak łączą się powierzchnie ani czy tylna część obiektu ma sens.

LDraw Nova zastępuje tę niejednoznaczność jawnymi danymi. Każdy element ma tożsamość i transformację. Podmodele mogą organizować złożone struktury, podczas gdy kod źródłowy ujawnia, jak generowano powtarzalne elementy.

Ta śledzalność ma znaczenie. Projektant może wyszukać wątpliwy element, wyodrębnić podzespół albo zmodyfikować funkcję. Błędy stają się obiektami możliwymi do debugowania, a nie artefaktami wizualnymi ukrytymi w pikselach.

Ta sama zasada wykracza poza zabawki. Agenci inżynieryjni potrzebują reprezentacji, które konwencjonalne oprogramowanie może przetwarzać, a ludzie audytować. Plik wygenerowany przez maszynę powinien ujawniać swoje decyzje zamiast prezentować wyłącznie przekonujący render.

LDraw Nova pokazuje również, dlaczego kod może służyć jako pomost między językiem a geometrią. Ogólne modele AI mają rozległe doświadczenie w tworzeniu programów. Udostępnienie im prymitywów projektowych pozwala wyrażać zamiar przestrzenny poprzez znane wzorce obliczeniowe.

Kod wprowadza jednak systematyczne tryby awarii. Wadliwa funkcja pomocnicza może nieprawidłowo umieścić setki części. Błędne założenie dotyczące jednego połączenia może rozprzestrzenić się na każdy wygenerowany podmodel.

Pętla sprzężenia zwrotnego oparta na renderowaniu może tych błędów nie wychwycić. Obraz może pokazać, czy dach wygląda na wyrównany, ale nie pokaże, czy ukryte podpory używają odpowiednich połączeń. Inspekcja wizualna kładzie nacisk na powierzchnie, a nie na siły.

Katalog również może tworzyć fałszywe poczucie pewności. Wybór prawdziwego numeru części nie dowodzi, że element istnieje w wymaganym kolorze lub ilości. Nie gwarantuje też, że budowniczy może go rozsądnie zdobyć.

Kompletny zestaw walidacji wymagałby więc kilku warstw. Walidacja geometryczna powinna wykrywać kolizje, szczeliny i niedozwolone orientacje. Walidacja połączeń powinna potwierdzać prawidłowe łączenie każdej zależnej części.

Analiza konstrukcyjna powinna szacować obciążenia, równowagę i słabe połączenia. Planowanie sekwencji powinno potwierdzać, że każdą cegiełkę można dodać bez konieczności uzyskiwania niemożliwego dostępu. Kontrole inwentarza powinny weryfikować kolory i dostępność.

Ostatecznie fizyczny prototyp musi sprawdzić założenia, których oprogramowanie nie dostrzega. Nawet symulacja wysokiej jakości upraszcza tarcie, zachowanie połączeń, tolerancje produkcyjne i obsługę przez człowieka. Rzeczywisty montaż pozostaje decydującą oceną.

Nie oznacza to, że każdy eksperyment z 2 000 elementów wymaga natychmiastowej budowy. Mniejsze reprezentatywne modele mogą wcześniej sprawdzić potok. Kompaktowy poziom pagody, drzewo, połączenie dźwigu lub narożnik dachu mogą ujawnić powtarzające się problemy.

Antelo miał podobno rozważać wydrukowanie mniejszego modelu w 3D. Fizyczna konstrukcja LEGO dostarczyłaby mocniejszych dowodów, ponieważ testuje zamierzone elementy i połączenia. Każda z tych dróg powinna uwzględniać udokumentowane porażki, a nie tylko udane zdjęcie.

Przejrzyste zapisy testów ułatwiłyby ocenę przyszłych twierdzeń. Programiści mogliby publikować plik źródłowy, zestawienie materiałów, instrukcje, czas montażu, poprawki i punkty awarii. Wideo pomogłoby potwierdzić, że konstrukcja wytrzymuje normalne użytkowanie.

Dopóki takie dowody się nie pojawią, najbezpieczniejszy opis jest precyzyjny. LDraw Nova generuje szczegółowe modele LEGO CAD z prawdziwymi częściami katalogowymi. Nie ustalono jeszcze, czy prezentowane duże projekty są fizycznie wykonalne.

Na co zwrócić uwagę po pierwszym wydaniu LDraw Nova

Kolejny etap zależy od trzech sygnałów: udokumentowanej fizycznej budowy, fizyki w pętli poprawek i powtarzalnych wyników między modelami.

Pierwszym sygnałem jest rzeczywisty montaż wykonany na podstawie opublikowanego wyniku CAD. Nawet mały test miałby znaczenie, jeśli deweloper zachowa oryginalny plik i zapisze każdą ręczną korektę. Sakura Garden byłby mocniejszym punktem odniesienia, ponieważ jego 2 175 elementów odpowiada skali promowanej przez projekt.

Udana budowa bez zmian konstrukcyjnych wzmocniłaby główne ambicje LDraw Nova. Budowa wymagająca szeroko zakrojonego przeprojektowania nie uczyniłaby oprogramowania bezużytecznym. Ujawniłaby natomiast, których warstw walidacji brakuje obecnemu procesowi.

Drugim sygnałem jest sprzężenie zwrotne uwzględniające fizykę podczas generowania. Kontrole kolizji powinny pozostać, ale analiza stabilności musi informować agenta, zanim uzna model za ukończony. Grafy podparcia, środki masy, wytrzymałość połączeń i podatne połączenia są wiarygodnymi punktami wyjścia.

Użytecznym kamieniem milowym nie jest etykieta fizyki dołączona po generowaniu. Jest nim dowód, że agent zmienia swój program, ponieważ test konstrukcyjny zakończył się niepowodzeniem. To przekształciłoby ograniczenia fizyczne w aktywną informację projektową.

Trzecim sygnałem jest powtarzalność między dostawcami AI i promptami. Obecna galeria pokazuje, że kilka czołowych systemów może tworzyć efektowne modele. Przyszłe oceny powinny wykorzystywać wspólne prompty, stałe biblioteki części i spójne kryteria walidacji.

Programiści powinni śledzić czas ukończenia, nieprawidłowe umieszczenia, ręczne interwencje, liczbę części, konflikty dotyczące pozyskania oraz fizyczne awarie. Te pomiary pokażą, czy lepsze modele rzeczywiście ulepszają projektowanie, czy tylko tworzą bardziej rozbudowane rendery.

Obsługa minifigurek, maszyn Technic i silników pozostaje w planie rozwoju projektu. Te dodatki zwiększą obciążenie walidacyjne. Elementy Technic wprowadzają osie, piny, ruchome przeguby, moment obrotowy i ograniczenia wyrównania, których statyczne sceny często mogą uniknąć.

VR pojawia się również w obecnej aplikacji, chociaż Antelo opisywał problemy z wydajnością i użytecznością. Immersyjne oglądanie może pomóc ludziom ocenić skalę i niedostępne obszary. Nadal nie może zastąpić analizy mechanicznej ani prób montażu.

Dla programistów szersza lekcja jest już użyteczna. Agenci działają lepiej, gdy złożona geometria jest udostępniana poprzez ustrukturyzowane narzędzia, przykłady i wykonywalne abstrakcje. Ten wzorzec ma zastosowanie w elektronice, architekturze, robotyce i oprogramowaniu produkcyjnym.

Dla budowniczych wskazana jest cierpliwość. Pliki są przekonującymi punktami wyjścia, a nie certyfikowanymi zestawami. Każdy, kto podejmie próbę stworzenia fizycznej wersji, powinien spodziewać się kontroli inwentarza, poprawek konstrukcyjnych i planowania własnych instrukcji.

Właściwe pytanie dotyczące kolejnego projektu LEGO w LDraw Nova nie brzmi, czy jego render wygląda przekonująco. Należy zapytać, czy ktoś może zdobyć jego części, postępować zgodnie z sekwencją, ukończyć montaż i przenieść go bez zawalenia. Gdy projekt będzie mógł odpowiedzieć twierdząco na wszystkie cztery pytania, popierając to opublikowanymi dowodami, przejdzie od generatywnego CAD w stronę automatyzacji projektowania fizycznego.