> **来源：[研报客](https://pc.yanbaoke.cn)** # 人工智能驱动的工程仿真演变总结 ## 核心内容 随着人工智能（AI）技术的快速发展，工程仿真（ES）正经历深刻的变革。AI，特别是生成AI和机器学习（ML），正在重新定义工程工作的流程、工具和方法，推动仿真从专业工具向更广泛、更智能、更自动化的系统演进。麦肯锡与NAFEMS合作，通过深度访谈24位行业专家，识别出11个关键主题，这些主题将在未来五到十年内塑造工程仿真领域的发展。 ## 主要观点 ### 1. 工程仿真将更加智能与自动化 - 生成AI将推动仿真过程的民主化，使非专业人士也能使用高级仿真工具。 - AI将加速仿真流程，提高设计效率，缩短市场时间，提升产品性能。 - 工程师将不再仅依赖传统的数值求解器，而是结合AI模型进行更高效的设计优化。 ### 2. 工程师角色与技能的演变 - 模拟工程师将需要掌握AI和ML技能，成为兼具传统工程知识与数据科学能力的复合型人才。 - 专家预测，工程师和分析师的角色将逐渐融合，形成统一的工程工作流程。 ### 3. 模拟工具的模块化与多样化 - 未来的仿真工具将更倾向于模块化和高度互操作性，而不是单一软件套件。 - 用户将根据具体任务选择最佳工具，AI工具将支持这一趋势。 ### 4. 数据成为关键资产 - 仿真数据（包括合成数据、现场数据和测试数据）是AI仿真系统的基础。 - 专有数据仍是企业的重要资产，但开源和跨行业数据集将变得越来越重要。 ### 5. 计算基础设施的转变 - 计算资源将从CPU向GPU迁移，提升并行处理能力。 - 云计算将在工程仿真中发挥更大作用，尤其是在处理大规模数据和高计算需求时。 - 私有云和本地解决方案将用于保护敏感数据，部分替代SaaS模式。 ### 6. AI仿真工具的可信性与可解释性 - 信任是AI仿真工具广泛应用的前提，需通过明确的性能指标和适用场景建立。 - 可解释性、不确定性量化和鲁棒性将成为AI仿真工具的重要标准，尤其在安全关键领域。 ### 7. 模拟与现实的融合 - AI仿真工具需要与物理现实保持一致，避免“模拟回声室”风险。 - 合作将成为获取高质量训练数据和验证模型的关键途径。 ## 关键信息 - **11个关键主题**：包括民主化、工程师技能提升、最佳实践、工具、场景、AI/ML工具、新算法、仿真数据与CAD、计算演变、云计算、用户与供应商考虑事项。 - **AI在仿真中的作用**：AI不仅用于自动化任务，还用于加速设计、优化模型和提升仿真准确性。 - **混合方法的兴起**：物理信息驱动的AI模型与传统数值仿真方法结合，成为主流趋势。 - **信任与治理**：AI仿真工具的广泛应用需要建立信任机制，包括数据治理、模型可解释性和验证流程。 - **合成数据的重要性**：合成数据将作为补充真实数据的重要来源，用于训练和验证AI模型。 ## 未来展望 未来的工程仿真将更加智能、自动化和模块化，与AI深度融合。工程组织需要重新设计其能力结构、工作流程和合作伙伴关系，以适应这一变革。无论是仿真用户还是提供者，都需要在AI驱动的仿真环境中保持灵活性和前瞻性，以确保在创新周期中占据有利位置。最终，AI将增强而非取代工程判断，推动产品开发过程的全面优化。