行业分享｜AI+ 仿真，重塑前端设计研发价值（一）

“ 近几年 AI 技术的逐渐成熟，在工业领域，诸多企业开始思考如何将 AI 技术应用到已有的研发流程当中。在谈到 AI+研发的时候，往往大家问到的第一个问题是 AI 和仿真怎么发生联系。

—— Altair 大中华及东盟总经理刘源博士

在中欧校友工业互联网协会第三届年会的精彩演讲 ”

现今大家都在讨论当前环境下的破解之路，而公认的企业出路之一是“创新”。那么当下创新的潜力主要来自什么呢？我们列出了仿真技术+人工智能+计算能力，以及行业专业知识等其他内容，通过技术的融合推动创新，推动研发进步，挖掘科技发展的无限可能性。

今天我想和大家一起主要从行业的发展方向聊一聊 AI 和仿真的现状以及未来发展。

不管从企业角度还是消费者的角度，我们都能够感受到制造业正在发生巨大的变化，比如汽车行业，十年前一个车型的上市周期还是 36 个月甚至更长，而现在很快就提升到 24 个月，甚至有些车企新车型的科研周期已经缩短到 18 个月，而这种势头还会持续加快。

现今我们已经走入了智能化、互联化时代，从战略方向看，汽车行业的制造商、供应商转为了出行服务的服务商；重工行业的头部企业在全球已经有将近一半的营收来自重型机械的租赁服务，正在迅速地从传统机械供应商向租赁服务商转型。

那么是什么驱动行业发生如此大的变化？不同类型的科技进步一定是支撑在后面的。无论谈 IT、大数据还是人工智能等，科技的进步都在推动着行业越来越卷。当行业不断向前发展，数字化一定是其背后非常重要的推动点。

当前从各个行业看，数字化已经无处不在。如下图所示，横轴列举了很多行业，以装备类为主，从前端的需求到设计开发到试制到生产运维等整个过程，数字化技术都无处不在。

当我们走入不断发展的数字化进程之中，可以明显看到制造业价值链的附加值改变。在数字化的推动下，微笑曲线也发生了很大的变化，如下图所示，可以看到两端的附加值越来越大。一方面附加值拓展到了运维端口、服务端口，没有做数字化之前这是没办法直接做互动的；另一方面研发端口的附加值也越来越高。

那么面对当下环境，大家往往在什么方面发力呢？一方面当然是创新，企业往往会在研发阶段做产品端创新，使研发端附加值大大提升；另一方面是贴近用户，将价值链拓展到服务。

数字化转型这个概念很广，争议也很大。现在我们讲数字化，落到实处主要看研发端口是否具备特殊性。众所周知，中国是制造业大国，在生产制造领域已经积累了大量经验，20 年前我刚入行的时候，我们还更多在做逆向工程，而现在我们都在做正向的开发，同时还实现了跨行业复制。但研发端口有极强的行业 Know-how，所以研发阶段具有极强的数字化转型特殊性。

我们以一个比较成熟的典型车企开发流程为例，从整个开发阶段来看，包含产品规划、概念开发、设计开发、试制试验、生产准备等，设计开发包含 3 个大部分：工程设计、工程仿真、工程试验。

产品开发有两个大的部分，一部分是产品设计，另一部分是产品验证。从发展历史来看，有很多年产品验证基本是基于物理实验，而产品设计从 80 年代开始就已经有了辅助设计，我们叫 CAD，目前已经应用越来越广泛。

近些年在产品验证中逐步开始出现了计算机仿真（CAE），这种仿真技术开始替代大量的物理实验，加速整个产品研发周期，节省大量经费。同时当我们做虚拟样机，发现性能不达标的时候，能够快速返回设计。现在我们已经可以看到仿真在产品开发周期当中逐步发挥了重要的作用。

如下图所示，这些色彩斑斓的图像不是动画画出来的，而是真正通过计算仿真出来的。每一个不同类型的计算背后对应的是某一种类型的物理过程。

我们做了多种物理过程的联动、耦合分析，这里展示的汽车领域碰撞、水压爆炸、鸟撞分析、高速率发动机甩油分析、润滑状况等，都可以通过三维建模进行精准刻画。这也可以让大家直观的理解到仿真在各个领域中的应用。

01、工程仿真

工程仿真可以理解为是在计算机中建立虚拟的实验，旨在评估和预测产品在现实世界中的性能与表现。绝大多数企业在做工程仿真之前，都是按照长周期试验流程走，有了工程仿真之后，可以做虚拟验证，如果性能没有达标会循环回到生产端口，极大程度减少了物理样机的投入，节省了成本以及研发时间。当下很多企业已经有了非常独立的部门在做工程仿真。

工程仿真分很多不同的方向：结构仿真、流体仿真、电磁仿真、工艺仿真等，大多数企业往往会先从结构仿真入手，考虑汽车碰撞达标、汽车轻量化、手机跌落、家电跌落等结构方面的问题。接下来会逐步追求效能的不断提升，考虑风阻问题、外形设计、降低油耗等，这就涉及到流体仿真（CFD）。

此外，电磁仿真也是工程仿真领域中一个重要方向。随着智能化时代的到来，许多企业开始做一些和车流工艺相关的仿真，C-to-X、C-to-V 等有大量的需求做电磁虚拟仿真测试需求。

最近十多年进入新能源时代之后，电机也焕发了新生，大量应用电磁仿真推动新能源汽车行业的蓬勃发展。最近新闻里提到六代战斗机新闻中也提到，该机型的隐身性能和机动特性，是通过大量和电磁相关的隐身特性计算，具备非常好的隐身性能、机动特性，而不是靠经验指导出来的。

在工艺上，仿真分析也发挥着重要作用，前面提到在设计端通过仿真已经可以做出非常漂亮的设计，但是有些时候比较遗憾的是没有很好的工艺生产。所以在工艺阶段也有大量的仿真工具帮助验证是否有比较好的工艺条件完成生产。

从仿真的历史发展看，上世纪的 60 年代开始，仿真软件逐步发展起来，最初用在航空航天、军事领域等高精尖行业。随着技术的进步，逐步发展到汽车、机械制造等行业。到 21 世纪，随着算法的不断进步以及算力的不断提升，工程仿真计算得到快速发展，涵盖多个学科领域，涉及众多行业应用。

今天，我们谈到的已经是深度的技术融合阶段，工程仿真软件和很多新的技术开始有了深度的融合，企业对于工程仿真软件的认知到了新的高度。当前数字化仿真技术的应用已经可以反映一个企业的研发能力状况，还可以看到企业潜在的创新能力。

02、仿真驱动设计

从 2000 年开始到 2015 年左右，很多用户已经开始接受“仿真驱动设计”的概念。什么叫仿真驱动设计呢？仿真技术拥有很强的理论背景、行业知识等，不应该仅仅在产品验证阶段发挥作用，在这个时间开始做仿真已经有点晚了。应该在设计的初期就把仿真技术带给产品。

所以仿真驱动设计正逐渐成为一个重要趋势，越来越多行业已经开始把这种理念应用到日常实践中。当然我们也需要工具本身能够有很好的面向设计师的应用性。

接下来通过两个简单案例展示仿真驱动设计的思路。

●卫星支架天线

从设计师的角度来看，天线的设计不仅仅是功能性要求，造型的美观和轻盈感也至关重要。传统的设计方法可能难以同时满足美学要求和严格的性能指标，尤其是在恶劣的环境条件下。

而通过仿真技术，我们可以在设计初期设置一个制造空间，并将初步设计模型放入其中。通过简单的加载和适当的约束条件设置，可以迅速优化并生成一个满足各项指标的初步设计。

●3D 打印机车

我们可以通过仿真驱动设计的方式直接进行 3D 打印制作机车，这个方向也非常响应绿色低碳的要求。在实现设计轻量化之后，能够很大程度提高设计优化空间，实现成本缩减以及技术创新。

仿真工作中，大量的时间被花费在前端画网格上，而网格的精度会影响后续计算结果。因此一个颠覆式的创新思维出现了：我们是不是能够推出无网格技术，从而加速整个仿真过程，也让普通设计师可以跨越仿真技术门槛，实现快速产品设计与评估。

●设计仿真一体化

​仿真驱动设计中必然会涉及的方向是设计仿真一体化，如下图所示，上方是一个传统的设计流程，通常企业中做设计和做仿真的人是两个 team，背景差别很大，相互很难配合。下面是引入新的仿真技术之后，企业开始有了敏捷设计，可以非常快速的进行第一验证，实现设计到验证的快速循环，这是设计仿真一体化很重要的点。

大家可以很清晰的看到仿真技术革新带来的巨大变化。设计部门可以承担更多专业仿真工作，进行快速仿真评估，专业做仿真的人员有更多精力做最为专注的事情，例如多学科的交叉学科联合仿真以及新技术的突破等。

设计仿真一体化也会催生新的研发流程和研发关系，帮助企业推动新质生产力，从设计仿真一体化的研发流程中可以看到，它实现了全员仿真，帮助企业进行快速设计迭代。

03、数字化研发提效—高性能计算

接下来分享数字化研发提效的必经之路—高性能计算。如下图所示，可以看到国内主要车企的 OEM 厂商以及其他几个行业当前的算力情况，我们帮助了很多国内的头部企业管理他们的并行资源、计算资源，图中表格是国内用于并行计算的高性能计算总和，可以看出增速非常迅猛，从 17 年大概 3 万 5 千核到现在大概 32 万。

目前国内头部车企大概有 8 万多个计算资源，虽然头部几个车企的数量级相似，但实际数字差距非常大。当前的算力已经能够体现出整体行业的创新能力，以及对产品开发设计的投入现状。

企业越往前发展，HPC 的重要程度也会越来越高。当公司团队人数超过 500，有大量软件数量以及硬件资源的时候，需要用算力把变量综合优化、管理调度起来，这就使 HPC 的管理成为提效的关键。

接下来，总结一下前面的内容，也是工程仿真的演进过程。很早以前大家常用实验的方式描绘物理世界的状况，通过现象逐步形成结论。随着理论的发展开始有了很多物理问题，我们可以通过各种类型的公式表述出来，当时大家已经觉得很美妙了，因为它有了理论性。

后来随着算力的发展，我们找到寻求数学解的方式，通过计算机在虚拟世界当中得到数学解，实现基于模型的计算和仿真，已经能够解决实际中的大量问题。再往后，随着数据模型和机理模型的融合，以及人工智能技术等革命性技术的推动，我们能以越来越小的代价，解决越来越多复杂的实际问题。

04、AI+仿真

近几年 AI 技术的逐渐成熟，在工业领域，诸多企业开始思考如何将 AI 技术应用到已有的研发流程当中。在谈到 AI+研发的时候，往往大家问到的第一个问题是 AI 和仿真怎么发生联系。

首先讲讲“数据从哪里来”，如图所示，是 Gartner 的预测图，预测了从 2020 年到 2030 年用于人工智能的数据走势，实际数据的占比一定要低于 30%，合成数据占比超过 70%。什么是合成数据呢？包括人工生成的数据；简单规则、统计模型、仿真和其他技术产生的数据。

可以看出仿真是驱动生成合成数据非常重要的来源。很多实际数据没办法捕获，但是通过仿真建立模型可以拿到非常多各种工况下的应用数据。例如汽车行业，很多自动驾驶的场景，在雨天、暴雪天、不同城市下的场景都是通过仿真获取数据，进行后续的试验和研究。

数据的来源是第一个点，第二个点是设计研发的效率如何继续提升。大家都期望有更好的技术驱动仿真流程持续提效，这就是 AI 技术的价值。AI 可以助力仿真，我们使用 AI 加速优化，增强仿真能力。但是这里的 AI 一定不是我们当下谈的热门的大模型，而是和各个行业相关的小模型。

从另一个方向看，仿真也可以助力 AI，利用仿真的生成数据进行人工智能模型的训练和测试。

关于 Altair RapidMiner

Altair RapidMiner 数据分析与人工智能平台，是数据分析领域中最早实现将自动化数据科学、文本分析、自动特征工程和深度学习等多种功能同时集成的企业级一站式数据科学平台，帮助用户解决从数据清洗、准备、数据科学建模到模型管理和部署的全流程需求，同时支持数据和流数据的实时分析可视化，适用于从学术研究到企业级应用的广泛场景。

欲了解更多信息，欢迎关注公众号：Altair 澳汰尔

如您对 企业级人工智能和数据分析平台 Altair RapidMiner 感兴趣，欢迎关注公众号免费申请部分软件试用。