本文详细介绍了 AI 在工业生产设计领域引发的变革，以 Autodesk、微软、Ansys、英伟达等公司的实践为例，介绍了 AI 对 CAD、CAE、CFD 等工业设计、仿真领域的影响。原文：AI4E: How Artificial Intelligence is Reshaping Industrial Software and Transforming Engineering…

我们正经历着工程师工作方式的重大变革。这种变革并非体现在那些引人注目的演示或广为流传的聊天机器人场景中，而是在模拟软件、CAD 工作站以及制造执行系统中悄然发生的。虽然每个人都关注着 AI 如何改变消费类应用，但工业软件自身也在经历变革：AI4E（用于工程软件的人工智能，AI for Engineering Software）从根本上改变了产品设计、模拟和制造的方式。

这远不止是效率的提升问题。我们正目睹从经验驱动型工程向数据驱动型设计的转变，从顺序流程向并行、智能的工作流程的转变，以及从人与工具的分离向真正的人机协作创造的转变。对于任何从事工程、制造或工业技术领域的人来说，理解这一转变已不再是可有可无的选择，而是关乎竞争力的必要条件。

市场信号 —— 无人提及的真相

数据揭示了真实情况。2025 年，全球工业人工智能软件市场规模达到 200 亿美元，预计到 2030 年将增至 390 亿美元，年复合增长率达 17.9%。但真正令人震惊的是，从 2024 年到 2029 年，中国的 AI+ 工业软件领域每年以 41.4% 的速度增长，远超传统工业软件 19.1% 的增长率。生成式设计已经跻身企业 AI 投资的前三热门领域。

这并非是风险投资机构在追逐下一个独角兽企业，而是来自《财富》500 强企业、顶级汽车供应商以及航空航天巨头们从根本上围绕 AI 重新构建其工程流程的举动。当西门子、Autodesk、Ansys 和英伟达同时宣布重大的 AI 整合计划时，市场释放出了明确信号：在工程领域，AI 已不再是可有可无的选择。

市场转折点：资金流向何方？

我们从市场实际情况出发，到 2025 年 11 月：

• 全球 CAE 市场：2025 年规模达 122.8 亿美元，到 2030 年将增长至 199.6 亿美元，年复合增长率达 10.2%。

• 生成式设计方面：2025 年规模为 46.8 亿美元，到 2032 年将增长至 136.5 亿美元，年复合增长率达 16.5%。

• 工业人工智能软件：2025 年规模为 200 亿美元，到 2030 年将增长至 390 亿美元，年复合增长率达 17.9%。

• 基于云的 CAE：目前占据 24.7%的市场份额，到 2030 年将以 20.4%的年复合增长率持续增长——云部署如今在新的 CAE 部署中占据主导地位。

最能说明问题的是：IDC 预测，中国的 AI+ 工业软件市场（包括 EDA/CAE）将在 2024 年至 2029 年期间实现 41.4% 的年复合增长率，远超工业软件整体 19.1% 的增长率。生成式设计位列企业 AI 投资场景的前三名。

工业软件类别与 AI 集成方法

工业软件大致涵盖了计算机辅助设计（CAD）、计算机辅助工程模拟（CAE），包括计算流体动力学（CFD）、计算机辅助制造（CAM），以及专门的光学和电磁模拟工具。本章简要介绍每个软件类别的传统功能，并探讨其 AI 应用的切入点。

1. CAD：从绘图板到设计伙伴

传统 CAD 软件本质上就是一个功能强大的数字绘图板。用户下达指令，它便执行操作 —— 绘制线条、添加约束条件、通过明确的几何运算构建三维模型。这种亲自动手的操作过程能培养直觉，但会在重复性任务上耗费大量时间。

当今的基于 AI 的增强型计算机辅助设计在两个层面发挥作用：辅助层面和生成层面。

辅助型 AI：工具栏中的数字专家

辅助型 AI 负责处理繁琐的工作。Autodesk Fusion 360 现已具备自动约束功能，能够自动推断并应用几何关系，无需人工干预。SolidWorks 的智能匹配系统会从样板中学习装配约束，从而将手动部件对齐的工作量减少 60% 至 70%。这些系统就像身边内置的专家，它们理解环境、预测意图，并自动执行以前需要人工配置的决策。

2025 年 10 月，Autodesk 宣布推出 Neural CAD，这标志着在建筑领域的一次重大突破。与传统 CAD 系统不同，Neural CAD 是基于 3D 生成式 AI 基础模型构建的，该模型经过训练能够直接对 CAD 对象和工业系统进行推理。早期测试表明，该模型能够自动完成设计师通常所做工作的 80% 至 90% —— 包括基于场景或图像生成相关零件、参数化建模，甚至是对工业标准的合规性检查。

生成式人工智能设计：探索设计可能性空间

这里就出现了概念上的差异。生成式设计不是先问“我该如何进行建模？”，而是先问“什么样的设计能满足约束条件？”用户需指定参数 —— 材料、荷载情况、制造限制、成本上限 —— 然后系统会同时探索数百万种可能的几何形状。

实际应用：航空航天工程师会这样描述：“无人机框架、碳纤维材质、能承受 10 倍重力冲击、重量不超过 500 克。”生成算法能在几秒钟内生成数百种候选设计方案，其中许多都采用了蜂窝状或骨骼状结构，这是人类设计师通过反复试验和错误尝试难以想到的。这些并非抽象的形状；而是可制造的解决方案，可以直接与 3D 打印或数控加工相兼容。

2025 年发布的 PTC Creo 12 软件将热学原理融入到生成式设计中，能够同时优化机械、热学和重量方面约束条件下的设计方案。这超越了单纯的拓扑优化，实现了实时的多物理场生成式探索。

实际影响是什么呢？设计周期大幅缩短。以前需要数周的反复改进现在只需几小时就能完成，工程师的角色也从执行者转变为策划者 —— 他们不再需要手动绘制每一个方案，而是负责挑选和优化由 AI 生成的解决方案。

2. CAE：通过物理信息 AI 的模拟加速

计算机辅助工程涉及对现实世界中的物理现象进行模拟 —— 包括应力分析、热行为、流体流动、电磁相互作用。传统的计算机辅助工程依赖于数值求解器（有限元法、有限体积法），能严格求解控制方程。这些求解器非常精确，但计算量巨大。对一个复杂航空航天部件进行结构有限元分析，可能需要在高性能计算集群上运行 12 至 24 个小时。

AI 在计算分析工程领域的主要贡献在于代理模型的运用 —— 通过历史模拟数据训练机器学习模型，然后利用训练好的模型快速预测新的结果。关键区别在于：代理模型并非取代传统求解器，而是与之相辅相成。

两阶段工作流程

以下是其实际运作方式：

• 阶段 1：快速探索 —— 工程师通过 AI 替代模型对数百种设计方案进行测试，几分钟内就能筛选出有潜力的候选方案。这些预测是大致的，但方向上是准确的。

• 阶段 2：精确验证 —— 最优秀的候选方案将接受传统高精度模拟，以进行最终验证和优化。

这种“粗略筛选 + 精确求解”的方法在速度和准确性方面实现了两者都无法单独达成的平衡。

Ansys 的 SimAI 平台就是这种方法的典型代表。该公司称已实现二级预测，其预测的准确性与全精度模拟相当，同时将整个设计周期缩短了 10 至 100 倍。SimAI 覆盖了多个物理领域 —— 流体、结构、电磁 —— 应用于汽车空气动力学、航空航天天线设计以及其他领域。

从实际效果来看，Rescale 的 2025 年基准测试表明，由 NVIDIA 支持的 CAE Hub 能使主流 CAE 应用程序实现 50 倍加速，使得在相同时间内能够进行 4 倍设计迭代。这并非是微小改进，而是设计反馈循环的彻底变革。

置信度指标与自适应学习

先进的替代模型现在包含了置信度指标，能够表明设计是否偏离了训练数据的分布范围。如果工程师探索的几何形状与训练样本完全不同，模型就会显示不确定性。这使得能够进行有意识的重新训练循环：当置信度下降时，工程师可以补充模拟数据并重新训练替代模型，从而在更广泛的设计空间中保持其可靠性。

3. CFD：从数小时到数秒

计算流体动力学是 CAE（计算机辅助工程）中计算量最大的一种形式。对于复杂几何形状（如航空航天机身、汽车底盘、工业涡轮机）求解 Navier-Stokes 方程，传统上需要进行大量网格离散化处理和迭代数值求解，通常需要在专用集群上花费数周时间来进行计算。

AI 对计算流体动力学的影响是通过多种机制实现的：

流场代理模型

深度学习卷积神经网络和图神经网络通过大量计算流体动力学（CFD）数据集进行训练，学会预测新几何形状和边界条件下的速度和压力场分布。来自 Neural Concept 等机构的研究表明，这些模型能够将 CFD 模拟的速度提升数个数量级，同时仍能保持工程精度。

这一点意义重大。一位负责设计飞机机身的空气动力学家，过去通常需要花费数周时间来运行各种计算流体动力学（CFD）模型的变体。而借助机器学习的替代模型，同样的设计空间探索可以在数小时内完成，毫秒级的预测结果还能实现交互式的设计优化。

物理信息神经网络（PINNs，Physics-Informed Neural Networks）

与纯粹数据驱动型替代模型不同，物理信息神经网络将已知物理约束直接嵌入到学习目标中。PINNs 不是学习任意模式，而是学习那些必然满足基本方程和边界条件的解。这种“物理软约束”方法极大提高了在训练分布之外条件下的泛化能力，这对工程可靠性来说是关键要求。

基于 GPU 的求解器和混合式工作流程

现代计算流体动力学（CFD）求解器越来越多的在 GPU 上直接运行。Altair ultraFluidX 在 Azure 的 H200 GPU 上实现了 5.83 倍的加速，通过 8 个 GPU 将 45 分钟的模拟缩短至不到 8 分钟。当与 AI 加速相结合时，某些工作流程的执行速度比仅使用 CPU 的方法快 10 至 18 倍。

混合模式正在形成：AI 以交互式的速度提供初步的流场近似值，随后传统求解器会进行修正迭代以确保准确性。这种模式将 AI 的快速优势与工程的可靠性要求相结合。

4. CAM：从编程到智能控制

在 CAM 软件中的刀具路径优化展示了 AI 对制造业的变革。传统 CAM 技术需要工程师具备设定主轴转速、进给速度和刀具轨迹的专业知识。不合理的路径会导致 25% 的加工周期因空转而浪费，还会加速刀具磨损，并影响表面光洁度。

利用 AI 优化的动态铣削技术能够实时调整切削负荷，使进给速度提高至常规速度的 3 倍，同时将粗加工时间缩短 40%，并延长刀具寿命 20%。等残余高度加工技术能够根据表面曲率自动调整步距，确保表面粗糙度（Ra ≤ 0.8μm）保持一致 —— 这是一项传统上需要手动调整的精密任务。

西门子的数控系统现在配备了能够根据实时加工条件进行微秒级轨迹修正的 AI 模块，从而提高了尺寸精度。基于传感器数据（振动、温度、电流）训练的机器学习模型能够预测刀具寿命和设备故障，从而能够在发生灾难性停机之前进行预防性维护。

这标志着从“计算机辅助制造”（CAM）作为程序编制者的角色，转变为“计算机辅助制造”作为智能控制者的角色。未来的智能工厂将拥有能够自我优化、自主检测异常情况以及无需人工干预就能适应材料变化的制造流程。

光学模拟：设计尚未存在的材料

光学模拟通常涉及光线追踪和波光学计算，需要大量计算的复杂操作。AI 的贡献体现在逆向设计和快速近似方面。

光学逆向设计

与传统的先设计结构、再模拟其特性、然后反复优化（即传统的正向工作流程）不同，AI 逆向设计的逻辑是反过来的：明确所需的光学特性，系统便会生成候选结构。

谷歌 DeepMind 的 GNoME 项目就体现了这种模式。该系统利用图神经网络，预测出了超过 220 万个潜在的新晶体结构，其中包括约 38 万个被预测为稳定材料 —— 其中包括可能的超导体，使得对自然界中根本不存在的光学材料的探索成为可能。

扩散模型和生成式对抗网络已经应用于光学设备的设计中，能够自动生成新颖的超材料结构或光子晶体，并达到指定的性能指标。对光学工程师而言，意味着可以通过规格设定来进行设计，而无需依赖直觉和反复试验。

实时光学模拟

神经网络能够模拟光线追踪的结果，从而为照明设计师提供实时的光照调整反馈。在显微镜领域，AI 能够直接从衍射图案中恢复样本图像，完全绕过了传统的反演算法。

5. 电磁仿真：大规模天线设计

电磁仿真涵盖了天线设计、印刷电路板电磁完整性以及雷达散射分析等方面。与计算流体动力学（CFD）一样，也通过求解复杂的微分方程来完成工作 —— 在此情况下是麦克斯韦方程组。

通过替代模型实现仿真加速

AI 替代模型通过大量有限元电磁仿真数据进行学习，能够快速预测天线性能（增益、S 参数、阻抗），而无需进行全波求解。华为的研究人员在 34 至 46GHz 的各个频段上对 32768 次全波仿真数据训练了电磁卷积神经网络（EM-CNN）模型。训练好的模型能够实时预测电磁行为，从而省去了在天线开发过程中长达数周的迭代全波仿真。

智能网格划分

网格质量对电磁仿真精度起着至关重要的作用。过去，工程师们会根据场解结果逐步优化网格。如今，基于历史模拟训练的神经网络可以直接从初始场近似值中预测出最优网格密度。一旦训练完成，模型就能实现“一键式网格部署”工作流程 —— 通过使用 AI 优化的网格进行单次仿真运行，从而省去了反复手动优化的步骤。

天线逆向设计

与光学逆向设计类似，电磁系统现在也支持逆向设计流程。进化算法和神经网络能够推导出满足特定频段和增益模式的天线几何形状。以前需要数天的调试现在可以在数小时内完成，同时 AI 能够系统性探索天线参数空间。

工业软件领域的特定 AI 应用

AI 在工程领域的实际应用

人们热衷于生成式设计，这理所当然，因为确实令人印象深刻。但真正的变革在三个互补的领域中发生：

生成式设计：从艺术走向科学

传统计算机辅助设计（CAD）是工程师与软件的对话：工程师必须构思解决方案、绘制草图、不断优化、重复这个过程。而生成式设计则与此相反，只需指定限制条件 —— 材料、负载、制造方法、重量目标 —— 然后 AI 就会系统性探索设计空间。Autodesk 报告称，在与空客合作开发 A320neo 支架时，生成式设计生成的几何形状轻了 45%，同时减少了 30% 的原材料用量，仅每年就节省了 150 万美元的燃料成本。这并非是渐进式的改进，而是全新的解决问题的方法。

关键转变在于：工程师不再充当主要创意者，而是转变为限制条件的设计者和解决方案的评估者。工程师不是在制定解决方案，而是定义“良好”的标准，然后让 AI 探索那些人类自身绝不会通过手动方式构思出来的可能性。

AI 加速模拟：速度的倍增器

接下来的情况就更具直观性了。传统汽车空气动力学 CFD 模拟每个设计变体需要 24 小时。沃尔沃与安世半导体的 GPU 加速工作流程合作，将同样的分析时间缩短至 6.5 小时 —— 仅通过 GPU 原生求解器就实现了 2.5 倍的提升。但他们并未就此止步，将模拟数据输入到安世半导体的 SimAI 中，AI 替代模型能够在几分钟内而非数小时内预测出空气动力学性能。

这些并非是奇特的实验室原型。SimAI 的运行速度比传统求解器快 10 到 100 倍，适用于设计探索。工程师们现在每天可以对数十种设计方案进行迭代，而不再是每周大概进行 3 到 5 次。这种观念上的转变非常深刻：模拟从一种迫使人们进行谨慎规划的限制性资源，转变为像 Photoshop 那样用于物理计算的交互式工具。

材料发现：压缩时间线

材料科学一直以来都是反复试验的典型代表。测试新型电池电解质、发现高温超导体、优化合金，所有这些都涉及数月的实验周期。微软的 MatterGen 技术以及谷歌 DeepMind 的 GNoME 系统彻底改变了这一状况。

DeepMind 的 GNoME 在 17 天内发现了 220 万个可能稳定的晶体结构。外部研究人员独立合成了其中的 736 个预测结果，验证了该 AI 在大规模范围内的预测准确性。微软的 MatterGen 更进一步，能够根据特定要求生成新材料：设计一种具有特定机械、电子和磁性特性的材料，而 MatterGen 会生成可供实验验证的候选材料。当微软与中国科学院的研究人员合作时，他们实验性的合成了由 AI 设计的 TaCr₂O₆ 材料，并达到了 169 GPa 的模量，超过了 200 GPa 的目标值。从实验角度来看，这个 20% 的误差范围微不足道，证明了闭环系统是有效的。

其含义是：材料的发现方式从大规模数据库的筛选转变为生成性探索。工程师们不再问“已知的哪种材料最符合我们的需求？”，而是会问“我们的应用应该用什么样的材料？” AI 能够回答这两个问题，其中第二个问题往往能得出更好的结果。

工业 AI 融合的三大支柱

智能预处理：网格生成实现自动化

CAE 的流程始于几何体的离散化 —— 即网格生成。这一过程通常需要 40% 至 60% 的模拟准备时间，并需要人工进行质量检查、局部细化决策以及反复优化，是一项繁琐且依赖专业知识的工作。AI 从两个角度对其进行了应对。首先，是自动网格生成：通过将几何体与网格的对应关系输入神经网络，模型能够直接从 CAD 模型生成高质量的体积网格。英伟达的 FlexiCubes 方法生成的网格在变形指标和各向同性方面表现更优，意味着无需人工调整即可实现更好的模拟收敛效果。

其次，智能密集化。与在模拟过程中逐步细化网格（传统自适应方法）不同，AI 会在求解开始前预测哪些区域需要细化。HFSS（电磁模拟）就是一个例子：在对各种结构类型进行训练后，AI 学会了预测最优的网格分布，从而实现了单次迭代即可达到收敛。对于工程师而言，这消除了“运行-细化-再运行”的循环，只需一次生成网格，一次进行模拟，就能获得可靠的结果。

累积效应是这样的：过去需要数天的专业人员工作才能完成的任务，现在只需几个小时就能完成，而且几乎无需人工干预。

数字孪生：从静态模型到动态系统

数字孪生过去的意思是“我们有 3D CAD 模型和一些模拟数据。”当代数字孪生从根本上来说是不同的：它们是实时的、双向的、不断学习的物理系统的表征。伊莱克斯创建了其工厂的数字孪生，模拟生产车间的物料流动，以确定最佳配置。他们的试点项目通过消除瓶颈和优化产能节省了 200 万美元。通用电气利用数字孪生监控飞机发动机，实时识别部件磨损模式，在预测性维护效率方面提高了 35%，并可避免高达 50% 的工厂意外停机。

该架构工作原理如下：传感器持续将运行数据输入到运行在数字孪生系统中的 AI 模型中。模型模拟未来的情况，预测接下来会发生什么，并在出现故障之前向操作人员发出异常警报。当提出变更时，会先在数字环境中进行测试，只有经过验证的变更才会进入实际实施阶段。宝马通过机器人焊接单元展示了这一技术：基于数字孪生运行的强化学习控制器将整体设备效率从 75% 提高到了 88%，每小时产量提高了 50 个单位，并将废品率从 6% 降低到了 2%。

这将维护工作从被动应对（设备出现故障时才进行维修）转变为预防性维护（定期检查）再到预测性维护（已知设备将于周四出现故障，现在就做好准备）。同时，也形成了学习循环：每次预测都会成为改进模型的数据。运营工作得以持续优化。

大模型与基础架构

正如 GPT 类型的基础模型彻底改变了自然语言处理领域一样，针对材料科学和物理模拟的专门基础模型也正在兴起。 Orbital Materials 的 Orb 模型以及基于原子模拟数据训练的 DPA-2 就代表了这种模式：先在大规模特定领域的数据集上进行预训练，然后针对特定应用进行微调。这些模型能够大规模学习物理知识，能够理解晶体结构、键合模式和相变。当针对特定预测（如耐腐蚀性、催化活性、缺陷演变）进行微调时，能达到接近密度泛函理论的精度，同时运行速度比传统方法快上一百万倍。这实现了多尺度模拟：原子层面的现象能够预测宏观行为。

实际工业应用

这就是理论与实践相结合的时刻。

• Autodesk 的生成式设计云：Autodesk Fusion 360 将生成式设计直接融入工作流程中。工程师在云端指定设计空间，AI 会在几分钟内生成优化方案。通用汽车用它对座椅支架进行优化，成功减重 40% 以上。该技术如今已成为汽车、航空航天和建筑概念设计阶段的标准配置。

• 西门子的全栈集成：西门子通过模拟将 CAD 设计与制造连接起来，并在每个阶段利用 AI 进行操作。他们的融合建模技术会同时考虑多种物理因素（结构、热、流体）来优化零件几何形状。当他们在一天内生成多个电机回流设计方案（这是传统方法无法实现的）时，表明 AI 将全面重构设计工作流程。

• Ansys SimAI 平台：SimAI 从历史模拟数据中学习，通过无需编程的界面训练可访问的 AI 替代模型。没有深度学习专业知识的用户上传模拟数据，选择性能指标，几分钟内就能获得预测性能速度提高 10 至 100 倍的 AI 模型。汽车空气动力学、船舶船体优化以及结构分析，如今都可以进行交互式操作。这使得高级模拟得以普及：一位处于职业生涯中期的工程师也能运用此前需要博士级别专业知识才能实现的功能。

• 英伟达的物理 AI：PhysicsNeMo 框架利用 GPU 加速训练基于物理的 AI 模型。Rescale 的 CAE Hub 由英伟达提供支持，可将 CAE 应用程序的运行速度提高多达 50 倍。其数字设计验证平台能够在相同的时间内实现 4 倍以上的研发周期，传统上需要数周才能完成的复杂模拟现在可以在几天或几小时内完成。

• 微软的材料发现：MatterGen 基于 608,000 种已知稳定材料进行训练，能够生成符合规格的新结构。闭环验证 —— AI 生成候选结构，外部研究人员对其进行合成，结果改进了模型 —— 证明了这一概念在大规模应用中的可行性。这在电池材料、超导体和半导体等领域有着直接的应用。

• 谷歌 DeepMind GNoME：在 17 天内发现了 220 万种稳定晶体结构，实验验证的成功率为 71%，GNoME 代表了自主材料发现的最新水平。外部研究人员已经根据 AI 的预测成功研制出了 736 种新型材料 —— 这并非是空想之举，而是切实可行的成果。

人们尚未谈及的范式转变

超越单纯的实用功能，AI4E 正在重塑基础的工程原理。

• 从串行流程到并行流程：传统工程流程是线性的：设计 → 模拟 → 建造 → 测试，每个阶段都要等待前一阶段完成。而 AI 改变了这一模式，设计和模拟是同时进行的，实时数字孪生提供了持续反馈。即使在优化仍在进行时，制造也可以开始。这并非流程优化，而是架构转型。那些原本需要 18 个月才能完成的项目，现在只需 6 个月就能完成，不是因为工作速度加快，而是因为工作方式发生了变化。

• 从经验驱动到数据驱动：资深工程师过去依据直觉和积累的经验来做出关键决策。AI 将这些经验内化为可量化的模型。当 AI 承担起繁重的计算任务时，人类的专长则集中在判断、创造力和系统思维上 —— 这些都是无法替代的部分。设计工程师的角色从“我知道这个形状可行”转变为“我理解这个形状为何可行，并能评估替代方案”。这是一种提升，而非取代。

• 从验证到验证：传统工程通过原型测试来验证设计。未来的工程通过数字孪生和 AI 增强模拟来验证设计方案。当美国国家航空航天局（NASA）、波音公司以及其他认证机构将机器学习模型的预测视为等同于物理测试时，工程的整个成本结构就会发生变化。波音公司最近推出的太空舱通过集成模拟和 AI 数据融合，将地面测试时间减少了 50% 以上。这种情况还会继续扩大。

• 信任挑战：这就是监管机构目前正在努力解决的问题。如果一个基于数百万次模拟训练的 AI 模型表明某个设计是安全的，但这个模型是一个没有人能完全理解的神经网络，如何对其进行认证？行业正在开发可解释的 AI 方法，其中模型会生成人类可读的对建议的解释 —— 本质上就是由机器生成的工程报告。当这种方法成熟时，整个认证格局将会改变。

• 人机共创：未来并非“AI 取代工程师”或“工程师指挥 AI 工具”，而是是协作综合，人类提供意图、创造力和判断力。AI 提供计算、模式识别和对广阔设计空间的探索。这种合作产生的最佳结果最为显著。宝马的冲压机数字孪生系统、特斯拉的自动化质量检测能够实现 98% 以上的缺陷检测率、耐克的材料优化使废品率降低了 22% —— 这些成果之所以能够取得，是因为人类设定了目标，而 AI 则在限制条件下进行系统性的探索。

技能转型

这带来了令人不安的现实：工程领域的岗位变化速度远远快于教育体系的适应速度。那么，到 2026 年，哪些技能才是至关重要的呢？

以往那种死记硬背公式、熟练掌握手工计算、具备精细的 CAD 模型设计技能的做法变得不再那么重要了。系统思维、商业洞察力、沟通能力和创新性问题解决能力变得至关重要。一个精通 AI 工具但缺乏对物理限制的直觉判断的工程师可能会犯下代价高昂的错误。而一个具有深厚物理直觉但缺乏 AI 知识的工程师则会效率低下。

能够取得成功的工程师将是那些能够适应不确定性、擅长快速进行工程操作和模型解读、能够将业务问题转化为技术限制，并且足够谦逊、愿意验证 AI 的建议而非盲目信任的人。

那些更新课程设置以教授 AI 辅助工程（不仅仅是传统工程加上计算机课程）的大学，将会培养出更具竞争力的毕业生。那些提升现有工程师的技能使其能够与 AI 进行协作的公司，将能够保持竞争优势。而那些不这样做的人则会面临员工留任和能力方面的危机。

哲学转折点

以下是我一直思考的问题所在：我们正接近一些人所称的“科学发现的第五种模式” —— 在这个模式中，AI 不再仅仅停留在模式识别层面，而是能够主动指导实验并提出新的假设。当 DeepMind 生成出人类从未设想过的晶体结构，对其进行实验验证，并且能够从结果中学习到新的物理学知识时，我们不仅是在加速旧有进程，实际上是在进入全新的领域。

这引发了深刻的疑问。如果 AI 能够发现材料、优化设计，并提出超越人类直觉的制造流程，那么我们所理解的工程学将会如何变化？工程师是否会变成“提示工程师”，通过指挥 AI 代理来实现目标？或许会这样。但反过来想想，随着计算工作变得自动化，那些独特的人类能力 —— 创造力、道德判断力、系统思维、跨学科洞察力 —— 会变得更加宝贵。

那些明白这一点的公司和个人 —— 即明白 AI 是人类能力的补充而非替代品的人 —— 将会引领未来十年的工程创新。

这对组织意味着什么

如果你从事工业软件或工程方面的工作：

首先，要认识到这一转变正在加速进行。那些正在使用 AI4E 工具的公司正在构筑起具有竞争力的壁垒，而那些等待成熟技术的公司则面临着被淘汰的风险。

其次，要从实际问题入手，而非技术本身。模拟技术在哪些环节阻碍了设计流程？哪些数据存在但无法被利用？哪些额外的设计迭代能够创造价值？从这些方面着手展开工作。

第三，重视人才培养。并非每一位工程师都需要成为机器学习方面的专家，但每个工程团队都需要具备扎实的 AI 知识和理解其局限性的人员。应有意识的招聘或培养这种专业能力。

第四，数据至关重要。拥有最丰富历史模拟和制造数据的公司能够训练出更出色的 AI 模型。现在就着手收集和整理数据吧。

第五，要预料到会出现文化上的冲突。一些工程师会欣然接受 AI 的辅助功能，而另一些则可能会抵制。对此要谨慎应对。最佳的结果来自于自愿采用，而非强制推行相关工具。

2025 - 2026 年的现实

我们已不再处于炒作的巅峰阶段，风险投资周期已经过去，剩下的只有真正的公司、真正的工具以及切实的商业影响。沃尔沃将空气动力学模拟时间缩短了 73%，特斯拉的检测准确率超过 98%，空客将飞机支架的重量减轻了 45%。这些并非营销宣传，而是工程事实。

问题不在于 AI 是否会改变工业软件。关键在于，你的企业会引领这一变革，还是仅仅跟随变革的步伐。

工程领域中的智能化时代并非即将到来，而是它已经在这儿了。那些现在积极行动起来的工程师、管理人员以及相关企业 —— 他们行事周全、深思熟虑，专注于实际问题而非空洞的宣传 —— 将决定下一代工程学的面貌。

这才是真正的变革，关键不在于技术本身，而在于如何运用这些技术。

你好，我是俞凡，在 Motorola 做过研发，现在在 Mavenir 做技术工作，对通信、网络、后端架构、云原生、DevOps、CICD、区块链、AI 等技术始终保持着浓厚的兴趣，平时喜欢阅读、思考，相信持续学习、终身成长，欢迎一起交流学习。为了方便大家以后能第一时间看到文章，请朋友们关注公众号"DeepNoMind"，并设个星标吧，如果能一键三连(转发、点赞、在看)，则能给我带来更多的支持和动力，激励我持续写下去，和大家共同成长进步！