物理AI模型正在重塑工程设计流程

大语言模型已经深刻影响了软件工程领域，这一点毋庸置疑。如今，新兴的大型物理模型同样开始颠覆设计工程。这些技术手段正在逐步取代——或者至少是修正——汽车、航空航天、半导体等行业中成熟的物理仿真技术。

物理人工智能企业Neural Concept的掌门人托马斯·冯·查默尔指出，在计算机仿真技术出现之前，汽车厂商通常需要打造实车来验证设计。“过去四十年间，我们借助数值仿真进行空气动力学、碰撞测试等工作，大幅降低了对实体原型车的依赖。”查默尔进一步说明，当前人工智能正在显著降低对仿真的需求，正如仿真曾经降低了对物理原型车的需求。

在今年三月的英伟达全球技术峰会上，这类人工智能的快速普及成为各界关注的焦点。捷豹路虎高级技术专家克里斯·约翰斯顿展示了该公司如何应用Neural Concept的技术成果。另一家专注于物理领域的人工智能企业PhysicsX同样在GTC上宣布与英伟达携手合作，共同推动相关模型的标准化建设。

人工智能赋能工程设计流程

近半年来，通用汽车在其汽车研发流程中引入了大型物理模型，以期提升工作效率。

以往，创意设计工程师首先会构建新车概念的三维模型。随后，该模型会被移交至空气动力学专家团队，由他们进行物理仿真，以测算目标车辆的空气阻力系数——这是评估车辆能效的关键指标。仿真环节大约需要两周时间，之后空气动力学工程师会将阻力系数反馈给创意设计师，并可能提出若干优化建议。

现如今，通用汽车已利用这些仿真数据训练了一个内部大型物理模型。该人工智能系统接收一个3D汽车模型，并在数分钟内输出阻力系数。“如今我们的空气动力学专家和创意工作室能够协同工作，实现即时迭代，从而为未来产品的决策提供支持，”通用汽车虚拟集成工程总监雷内·施特劳斯表示。

对于通用汽车及其他企业而言，相比直接运行物理仿真，对基于物理仿真训练的人工智能模型进行推理能够节省大量时间。“根据仿真的物理类型或分辨率差异，速度提升可达1万倍乃至接近100万倍，”PhysicsX的创始人兼首席执行官Jacomo Corbo指出。

大型物理模型的精度表现如何？

然而，精度究竟能否得到保障？施特劳斯认为，对通用汽车而言，在设计阶段精度并非首要考量，因为更精细的细节会在后续环节中逐步完善。“真正关键的时刻是车辆即将上市之际，此时阻力系数将用于能量计算，最终用于车辆油耗的认证。”施特劳斯补充道，在那个阶段，车辆的真实模型将被送入风洞进行测试，以获取精确数据。

PhysicsX的Corbo相信，只要具备充足的数据，人工智能模型的精度就能超越其训练所用的仿真精度。核心在于将实验测量数据融入模型进行微调。若物理仿真结果与实验数据存在偏差，往往很难追溯原因并调整模型使其一致。而对于人工智能来说，将部分实验样本纳入训练过程则简便得多，且无需弄清模型具体出错之处。

综上所述，大型物理模型显著缩短了物理建模所需的时间，使工程师能够在最终方案确定前探索更丰富的可能性。

大型物理模型的训练之道

训练大型物理模型并无固定模式。根据可用数据类型及所研究的物理现象，模型可能采用大语言模型底层Transformer架构、名为几何深度学习的广义卷积神经网络，或能够求解偏微分方程的神经算子架构。

当前，多数企业都在利用自身的仿真数据训练模型，以适配特定的应用场景。比如通用汽车的空气动力学应用中，针对不同车型类别（如SUV和轿车）就采用了差异化的人工智能模型。但PhysicsX的Corbo表示，其团队正致力于构建更具“基础性”的物理模型，以期应用于多种不同场景。

线性模型和机器人技术均受益于缩放定律，该定律描述了模型规模扩大或训练数据增多时系统性能的提升规律。在人工智能领域，模型往往以非线性方式快速进步。与此同时，模型的泛化能力也日益增强——将其应用于新场景时，只需更少的微调即可达到同等精度。Corbo透露，其团队现已开始在大型物理模型中观察到类似的缩放定律。

科尔博指出：“我们目前观察到的现象或许并不出人意料，却也相当令人振奋。这让我们对构建更大规模的模型更具信心，因为它们的表现优异得多，覆盖的领域也更广泛，而且还展现出一些极为惊人的涌现能力。”

为训练数据的格式以及模型架构制定开放标准，将有助于开发更强大的基础模型。这正是PhysicsX与英伟达合作的方向，也是英伟达开源平台physicsNeMo的愿景。

Corbo表示：“我们合作的重点在于能够用构建模块来组合架构”，这使得学术界和工业界的人士都能便捷地重用和扩展现有模型。

仿真技术与工程师的长期价值

部分企业致力于研发更强大的模型，另一些企业则努力将现有技术融入既有工作流程，但这绝非易事。“任何创新都不会一蹴而就。我们会经历进退循环，并在过程中持续优化。但这正是创新过程以及运用这类新工具的乐趣所在。”通用汽车的施特劳斯分享道。

这项技术仍处于发展初期，人工智能工具在工程工作流程中的最终定位尚未明晰。比如，关于人工智能是否会完全取代仿真，还是仅仅减少仿真的使用，不同立场存在分歧。

“我们永远无法完全取代仿真，”Neural Concept公司的冯·查默尔认为。“但我们的理念是在开发的关键阶段更明智地利用仿真，并借助人工智能加速早期设计阶段，因为这个阶段我们需要探索极为广泛的方案选项。”

PhysicsX的Corbo则持不同看法。“我们的目标是移除数值仿真……从工作流程中，”他说道，“并将其转移到推理环节。”

无论仿真技术未来将扮演何种角色，业内人士都坚信，人类设计工程师仍将占据核心地位，这些新兴工具将帮助他们发挥最佳水平。（毕竟，人工智能何时真正威胁过人类的劳动？）

“我们观察到，这些工具实际上大幅提升了工程师的工作效率，”Tschammer说道。“以往，工程师们会在低附加值的任务上耗费大量时间，而如今，这些曾经的手动任务可以通过人工智能模型实现自动化，工程师们最终能够专注于做出设计决策。我们比以往任何时候都更需要工程师。”