下一个视野：为人工智能驱动的世界进行工程仿真

⻨肯锡直接 下一个视野:为人工智能驱动的世界进行工程仿真 随着⼈⼯智能及其应⽤的进步，⼯程仿真的范围正在变化，重新设计⼯程的⽅式并移动价值创造的中⼼。 由亚历桑德罗·法乌雷·拉⽢尼 ⼯程仿真（ES）⻓期以来⼀直是推动更好、更快和更具成本效益的产品开发的强⼤催化剂。它的好处已经得到充分证明：虚拟测试减少了对物理原型的依赖，加快了上市时间。它使团队能够更全⾯地探索设计，并在开发周期的早期解决问题。在产品复杂性不断增加和性能期望不断加剧的⾏业中，仿真已成为现代⼯程⼯具包中不可或缺的⼀部分 在过去⼗年中，⼈⼯智能（AI），特别是⼯程AI（包括⽣成AI），已开始更⼴泛地重塑⼯业系统（⻅侧边栏“什么是⼯程AI？”）。汽⻋制造商已经部署基于AI的预测性维护，以延⻓服务间隔并根据⻋辆传感器数据优化维修⼲预。航空航天⾏业的参与者正在使⽤⼯程AI加速轻量化组件的设计。这些例⼦突显了⼀种更⼴泛的转变：AI不仅仅是⾃动化离散任务；它还在系统层⾯上转变⼯程活动 什么是工程AI？ 随着AI的进步和应⽤场景的扩展，新的术语不断出现，旧的术语也在扩展。以下是我们在本⽂中使⽤的⼀些术语的简要描述 ⼈⼯智能（AI）。⼀种⼴泛的计算技术类别，使机器能够执⾏通常需要⼈类智能的任务，如模式识别、预测、推理和决策 ⼯程AI。在产品⽣命周期中使⽤，以加速分析、揭⽰数据中的隐藏关系、增强专家判断并⽣成新颖的⼯程解决⽅案 机器学习（ML）。⼈⼯智能的⼀个⼦集，通过从数据中学习统计关系来进⾏预测或决策，⽽⽆需为每个任务明确编程。机器学习是许多⼯程仿真（ES）中AI应⽤的基础，包括响应⾯建模、不确定性量化、异常检测和实时模型校准。没有⼀种适⽤于所有情况的机器学习⽅法。每种⽅法在ES中都有其合适的⻆⾊，具体取决于应⽤、数据可⽤性、所需精度和决策⻛险 ⽣成AI（gen AI）。⼀个专注于⽣成新内容（如⽂本、代码、图像或结构化数据）的AI⼦集，它依据从⼤型数据集中学习的模式。在仿真上下⽂中，⽣成AI可以⾃动化模型设置、提出设计替代⽅案、⽣成代理模型，并将⼯程意图转化为可执⾏的⼯作流程 代理AI（AI代理）。⼀种旨在在⼀定程度上⾃主运作的AI系统，通过规划、⾏动、观察结果和随着时间的推移进⾏适应来追求⽬标。在ES中，AI代理可以协调多步骤⼯作流程，⽐如迭代设计、运⾏仿真、解释结果以及与⼈类⼯程师和其他软件⼯具协作触发下⼀步⾏动 这种以⼈⼯智能驱动的转型正在⼯程仿真领域进⾏。⼯程⼈⼯智能通过将基于物理的数值求解器与深度学习替代品和先进的概率⽅法相结合，可以显著加速仿真。它可以以⼈类⼯程师⽆法单独实现的速度⾃动⽣成和优化设计候选⽅案。早期采⽤⼈⼯智能仿真⼯具的公司已经获得了显著的利益。例如，⼀些公司报告称，利⽤深度学习替代品加快和扩⼤⼯程阶段的仿真，市场时间缩短了多达50%。其他公司表⽰，⼈⼯智能驱动的仿真使产品性能提升了15%到60%。设计中使⽤⽣成型⼈⼯智能⼯具提⾼了30%到50%的劳动⼒⽣产⼒。 这些变⾰是深远的，因为它们改变了⼯程师遵循的⼯作流程以及⽤于构建和运⾏仿真的基础系统。为了更好地理解⼈⼯智能驱动的仿真的影响，⻨肯锡与国际⼯程建模、分析和仿真社区协会（NAFEMS）合作，进⾏了系列深度访谈，访谈对象包括⽤⼾、供应商和⾏业专家。这项⼯作基于⻨肯锡与NAFEMS之间之前的多轮合作研究。在2023年，我们研究了市场和技术变化对仿真⽤⼾优先事项的影响。在2024年，我们深⼊探讨了关键趋势对汽⻋⾏业的影响，这是⼀个⻓期处于仿真采⽤前沿的领域。 我们的2025年研究使我们能够测试关于⼯程仿真领域（ES）⼈⼯智能驱动转型的速度、⽅向和最终⽬的地的多个假设。从初步列出的约60个主题中，我们识别出11个将在未来五到⼗年内塑造ES演变的主题（⻅侧边栏“我们的研究⽅法”）。 综上所述，这些⻅解表明，未来的ES将变得更加智能、更加⾃动化、更加模块化，并更深度地融⼊⼯程过程。本⽂概述了这⼀轨迹，并探讨了⼈⼯智能驱动的ES即将发⽣的演变。 我们的研究方法 本⽂中描述的主题源于2025年初对⼯程仿真（ES）专家进⾏的24次结构化访谈。受访者来⾃ES价值链各个环节，包括仿真技术提供商；来⾃各个⾏业的仿真⽤⼾；以及来⾃学术界和研究机构的代表。 所选的受访者是在⾼级技术或管理⻆⾊上的⼈员，包括⾸席技术官、仿真主管和负责ES的⼯程部⻔负责⼈。 访谈问题涵盖了⼀系列前瞻性主题。我们要求受访者概述他们对未来⼗年ES演变的个⼈愿景。我们询问了他们对该⾏业主要趋势的看法，以及这些趋势对未来ES成本、收益和影响的可能影响。 初步访谈过程产⽣了超过60个关于ES未来的不同假设 结合这些⻅解使我们能够将结果合成到11个关键主题中，提供了⼀种对未来⼗年ES可能演变的共识视⻆（展览） 展览 11个关键主题将塑造⼯程仿真在5个层⾯的演变：仿真技术堆栈。 ES栈中的AI ES⽣态系统可以被视为⼀个相互依赖组件的分层堆栈，我们研究中出现的假设覆盖该堆栈中的每⼀层（展览）。其基础是计算基础设施，包括运⾏模拟、处理⼤型数据集和⽀持⽇益依赖AI的⼯作负载所需的⾼性能计算环境. 展览 ⻨肯锡公司 以上是仿真数据和计算机辅助设计（CAD）层，包括CAD模型、仿真模型、输⼊条件以及通过仿真运⾏⽣成的⼤量输出数据集。对于基于⽣成⼈⼯智能的仿真系统，数据层可能包括创建、微调和验证AI模型所需的⼤量训练数据 第三层是数值仿真——传统的基于物理的求解器，⽤于计算结构⾏为、热⼒学、电磁学、流体、化学反应和多物理场相互作⽤ 这些求解器经过数⼗年的科学验证，仍然是⼯程预测的基础 第四个快速发展的层⾯包括⼈⼯智能和机器学习（ML）技术。这些技术简化了前处理和后处理，⾃动化参数选择，分类和标记输出，⽀持设计空间探索，并且——⾄关重要的是——创建运⾏速度⽐数值求解器快多个数量级的替代模型。或者，先进的机器学习技术可以通过主动学习过程优化所需的模拟数量，识别最重要的案例以进⾏⾸次运⾏ 最后，⼯程⼯作流程层决定了仿真如何与产品开发过程互动。它决定了谁在何时以及出于什么⽬的使⽤仿真 工程工作流程 我们研究中确定的11个未来塑造主题中，有4个与⼯程⼯作流程直接相关它们共同描述了⼀个系统，在这个系统中，模拟变得更加可及、更加集成，并且在⼯具上更加多样化 模拟的⺠主化。专家们普遍预计，随着⼈⼯智能重塑界⾯、⾃动化复杂任务并将领域知识嵌⼊⼈⼯智能助⼿中，模拟将变得对⾮专业⼈⼠更加可及。⼀位⾸席技术官简明扼要地表达了这种潜⼒：“⼈⼯智能有潜⼒真正实现复杂模拟的⺠主化。” 在⼯程⼯作流程中，这种⺠主化允许在产品⽣命周期的早期进⾏模拟，帮助设计师和⼯程师在概念阶段做出更好的决策，或者识别和纠正可能在后期验证和测试中才会出现的潜在问题。可及且⽤⼾友好的模拟⼯具可能还会⿎励更⼴泛的组织，特别是那些之前缺乏进⾏⼤规模模拟的财务资源和专业知识的初创企业和⼩公司采⽤模拟 超过80%的受访者预测未来的模拟⼯作流程将从头到尾都将由⽣成式⼈⼯智能⽀持。这些⼯具将允许模拟⼯程师、设计师、数据分析师和⼈⼯智能⼯程师通过智能⼈⼯智能代理介导的⾃然语⾔输⼊来启动、配置和分析模拟 ⼯程师的技能提升。尽管预计⼈⼯智能将使更多⼯程师能够进⾏模拟，但我们调查中的专家也预计模拟专家的⻆⾊将持续存在，尽管会有所演变。这些⼈与组织内的模拟主题专家，将负责评估、部署和共同开发⼈⼯智能驱动的模拟⼯具。他们还将建⽴有关其使⽤的政策和边界 这种转变将需要模拟⼯程师提升技能，因为他们在⽇常⼯作中应⽤⼈⼯智能和机器学习技能。最终，受访者预⻅⼀种情况，即模拟⼯程师和⼈⼯智能/机器学习专家不再是分开的⻆⾊。正如⼀位模拟⽤⼾所⾔：“⼯程师就是分析师，分析师就是⼯程师。” 这个假设假定⼯程系统团队愿意将⾼级⼯程的物理建模知识与⼈⼯智能/机器学习专业知识相结合。它还要求⼀个简化的、可互操作的数值模拟和基于⼈⼯智能/机器学习模型的⼯具套件。并且要求组织信任他们的模拟⼯程师处理⼈⼯智能/机器学习任务。“⼯程师需要将传统⼯程技能与数据科学能⼒相结合，”⼀位模拟提供商的产品经理说道 最佳模块化。与⼯程⼯作流程相关的第三个主题是，受访者期望最佳的模拟⼯具在选择上会优于单体⼯程平台。60%的受访者期望⼯具能够遵循模块化的⽅法，基于⾼度互操作的垂直⼯具的组合。这代表了从单⼀软件套件的转变。 这⼀主题是⼯程⼯作流程演变中最具争议的⽅⾯，受访者表达了不同的观点。例如，⼀位模拟⽤⼾表⽰：“没有单⼀⼯具可以解决所有问题；我们将选择最适合特定问题的最佳AI/ML模型。”相对⽽⾔，⼀家软件供应商的总监认为：“易⽤性⼯作流程将是选择单⼀供应商⼯具的关键因素。在效率问题上，企业可能会继续选择⼀个综合的软件套件。” ⼏位受访者指出，⼈⼯智能⼯具可能有助于解决可⽤性和互操作性问题，使⽤⼾能够将最佳的专业⼯具集成到他们的⼯作流程中。“⼯程师需要学习的⼯具越多，挑战就越⼤；统⼀的⽤⼾体验和界⾯最终将占上⻛；⽣成式⼈⼯智能借助⼤型语⾔模型和API可以帮助克服这个障碍，”⼀位软件供应商的⾼级主管说道。 未来⼯具。改变仿真速度和易⽤性也可能改变⼯程团队应⽤这些技术的⽅式。受访者预计，仿真将在产品开发过程中更早和更频繁地部署，使⽤新的⼯具进⾏快速、低成本的仿真，以⽐较不同设计概念的相对性能。团队还将能够更好地理解他们设计中的权衡和交互，使⽤仿真⼯具可以放⼤评估单个组件的性能，并缩⼩视野评估组件、⼦系统和完整产品。 人工智能/机器学习和数值仿真层 我们样本中的每位受访者都同意，⼈⼯智能和机器学习将在⽤⼾界⾯之外影响⼯程仿真。⽤神经⽹络模型或先进的概率⽅法来增强或替代传统的数值仿真⽅法有可能显著减少每次仿真所需的计算⼯作量，例如。这增加了仿真驱动的⼯程⼯作流程的速度并降低了成本。它还使公司能够更进⼀步更快地采⽤设计⽅法，使⽤⾃动化⽅法来演变、优化和完善产品设计。 当前仿真⼯具开发的⽅向并不是在数值⽅法和基于⼈⼯智能的⽅法之间进⾏简单的选择。混合⽅法也在出现，旨在结合每种⽅法的最佳特性。例如，物理信息驱动的⼈⼯智能模型旨在提供速度和易⽤性优势，同时需要更少的训练数据以获得稳健的结果。 ⼈⼯智能颠覆场景。然⽽，专家们对将⽤于运⾏这些仿真的模型的最终形式存在分歧。他们预⻅到两种可能的情景。第⼀种情景延续了今天⼈⼯智能仿真系统所采取的进化路径，这些系统使⽤预训练模型来模拟特定的产品性能⽅⾯，且在其他情景下转移能⼒有限。 第⼆种可能性是开发通⽤“通⽤物理”系统，也称为基础模型，能够执⾏多种类型的仿真任务。该⽅法设想开发的⼈⼯智能仿真⼯具的⼯作⽅式类似于当今最复杂的⼤型语⾔模型（LLMs），同⼀通⽤模型可以应⽤于⼴泛的不同⽤例。 与⼤型语⾔模型⼀样，开发通⽤⼈⼯智能⼯程仿真⼯具的⼀项关键挑战是⾜够训练数据的可⽤性以及进⾏模型训练所需的计算资源。我们样本中有80%的受访者认为，这些障碍将延缓此类模型的发展。“⼀个通⽤物理⼤型语⾔模型需要⼤量资源和数据，⽽这些⽬前是不⾜的，”⼀位仿真技术提供商的副总裁说道。 剩余的20%的受访者对普遍AI仿真的潜⼒持更乐观态度。“AI是新的未来；它是多物理的；我们将拥有AI的基础模型，”另⼀家仿真技术提供商的⾸席技术官说。“我们将为所有可能的⽤例训练神经⽹络。” 对基于AI的仿真的信任。⽆论模型类型如何，受访者⼀致认为，如果这些新⽅法要⼴泛采⽤，对AI仿真的信任将是⼀个关键前提。数值仿真⽅法是建⽴在良好理解的分析⽅法之上的，并且有⼏⼗年的成功应⽤和验证的优势。基于神经⽹络的系统既是新的，⼜更加不透明。 为了培养对这些技术的信任，提供商和开发⼈员需要⾮常明确不同⼯具的性能，以及其使⽤的适⽤情况。理想情况下，这些信息应该以允许直接⽐较不同⽅法的⽅式呈现，以确保最终⽤⼾能够就模型的选择和应⽤做出明智的决定。 数值仿真算法。虽然专家们对AI在仿真中的⽇益重要性感到兴奋，但很少有⼈认为这些新技术会完全取代传统的数值⽅法。 受访者指出，改进算法的研究继续带来数值