工程仿真（ES）正经历由人工智能（AI）驱动的深刻变革，其范围、工作流程和核心价值创造方式正在重塑。AI，特别是工程AI（包括生成式AI），正通过增强物理数值求解器、自动化设计生成和优化等方式，显著加速仿真过程并提升效率。早期采用者已报告市场推出时间缩短50%、产品性能提升15-60%、以及工作效率提升30-50%的显著效益。
核心观点与关键数据：
- AI对ES的影响：AI不仅自动化离散任务，更在系统层面重塑工程活动。工程AI通过机器学习（ML）、生成式AI（gen AI）和代理AI（AI agents）等技术，加速分析、揭示数据关系、增强专家判断并生成创新解决方案。
- 研究方法：麦肯锡与NAFEMS合作，对24位ES领域专家进行访谈，识别出11个塑造未来五年至十年ES发展的关键主题，涵盖工程工作流程、AI/ML与数值仿真层、仿真数据与CAD层以及计算基础设施层。
主要趋势与结论：
- 工程工作流程：
- 仿真民主化：AI将使仿真更易于非专业人士使用，实现更早阶段的产品生命周期集成。预计超过80%的未来仿真工作流将支持端到端的gen AI。
- 工程师技能提升：仿真专家将继续发挥关键作用，负责评估、部署和开发AI仿真工具，并建立使用规范。仿真工程师需融合传统工程知识与数据科学能力。
- 最佳实践模块化：预计60%的受访者倾向于采用模块化工具，选择最适合特定问题的AI/ML模型，尽管也存在偏好单一供应商综合平台的观点。
- 未来工具：仿真将更早、更频繁地部署，新工具将支持快速、低成本的方案比较和设计权衡分析。
- AI/ML与数值仿真层：
- AI/ML的广泛影响：AI/ML将增强或替代传统数值仿真方法，显著降低计算成本，并支持自动化设计方法。
- AI颠覆场景：存在两种可能场景——扩展当前AI仿真系统的进化路径，或开发通用的“万能物理”系统（基础模型）。多数专家（80%）认为训练数据和计算资源限制将延缓通用AI仿真的发展。
- 对AI仿真的信任：建立信任是关键，需要清晰说明工具性能和适用场景，并支持直接比较不同方法。
- 数值仿真算法：专家普遍认为数值方法仍将是ES的金标准，尤其用于最终设计验证。
- 仿真数据与CAD层：
- 专有仿真数据：专有数据量将增加，成为组织知识和技术秘密的重要组成部分。高质量训练数据集的获取将是关键驱动力，合成训练数据将发挥重要作用。
- 公共训练数据：随着AI仿真模型发展，对训练数据需求超出单个公司能力，公共或跨行业数据集将日益重要。
- 计算基础设施：
- 计算演进：超过90%的专家预计计算中心将从CPU转向GPU，利用并行GPU架构的快速发展。量子计算可能重新引发对数值仿真方法的兴趣，但大规模部署时间表不确定。
- 云计算：仿真工作负载将持续迁移至云端，受需求数据处理和商业成本因素驱动。混合架构（私有云、公共云、本地）将普遍，但需关注供应商锁定风险。
对用户和提供者的启示：
- 对用户：需为分布式、AI密集型未来做准备，重视数据战略（分类、治理、标准化）、基础设施选择（混合架构）、以及治理和决策流程（加强质量保证、可追溯性和问责制）。
- 对提供者：需从求解器中心转向模型中心平台，明确技术路径（物理基础、机器学习或两者结合），重视可解释性、不确定性量化、鲁棒性，将合成数据作为核心基础设施，并优化用户体验。
最终结论：AI正将工程仿真转变为更智能、更自动化、更模块化、更深度集成的能力。该转型将重新定义工程组织如何创造价值。早期行动者将塑造ES系统的未来及其价值归属。
