人工智能在重塑工程范式方面發(fā)揮著關鍵作用，它提供的工具和方法可提高各個領域的精度、效率和適應性。想要在人工智能競賽中保持領先的工程領導者應該關注四個關鍵領域的進步：生成式人工智能、驗證和確認、降階模型(ROM)和控制系統(tǒng)設計。

AI 趨勢 #1

GenAI 轉向框圖、3D 模型和流程圖

雖然最初對基于文本的 GenAI 的關注繼續(xù)影響以軟件為中心的工作流程，但它對具有更高級別抽象的工程工具的影響卻顯滯后。到 2025 年，我們預計 GenAI 在“無代碼”工程工具(如框圖、3D 模型和流程圖)中的應用將繼續(xù)取得進展。這些工具使工程師能夠以圖形方式表示復雜的系統(tǒng)，毫不費力地編輯組件，并管理固有的復雜性。此外，它們對于工程師的工作效率至關重要，并驗證了工程師對系統(tǒng)級性能的信心。將 GenAI 與這些工具相結合將進一步提高他們的生產(chǎn)力，同時保持最終用戶熟悉的界面。該領域的更多工具將集成AI助手，使其能夠理解工程模型并協(xié)助其設計和管理。

AI 趨勢 #2

工程師利用驗證和確認實現(xiàn) AI 合規(guī)性

隨著人工智能與汽車、醫(yī)療保健和航空航天應用中安全關鍵型系統(tǒng)的融合加速，行業(yè)管理機構正在推出人工智能合規(guī)的要求、框架和指導。作為回應，工程師必須現(xiàn)在就優(yōu)先考慮驗證和確認 (V&V) 過程，以確保其 AI 組件已準備好在任何條件下部署，并滿足潛在的可靠性、透明度和偏差合規(guī)標準。

V&V 對于驗證深度學習模型的穩(wěn)健性和檢測分布外 (out-of-distribution ，OOD) 場景至關重要，特別是在安全關鍵型應用中。穩(wěn)健性驗證至關重要，因為神經(jīng)網(wǎng)絡可能會對帶有微小的、難以察覺的變化(稱為對抗性示例)的輸入進行錯誤分類。例如，胸部 X 光圖像中的一個細微擾動可能會導致模型錯誤地將肺炎識別為正常。工程師可以提供模型一致性的數(shù)學證明，并使用形式化驗證方法(例如抽象解釋)測試這些場景。此過程通過識別和解決漏洞來增強模型的可靠性并確保符合安全標準。

分布外檢測同樣重要，因為它使人工智能系統(tǒng)能夠識別并適當?shù)靥幚聿皇煜さ妮斎?。這種能力對于保持準確性和安全性至關重要，尤其是當意外數(shù)據(jù)導致錯誤預測時。辨別分布內(nèi)和分布外數(shù)據(jù)的能力確保人工智能模型可以將不確定的情況交給人類專家，從而防止關鍵應用程序中出現(xiàn)潛在故障。

專注于 V&V 允許工程師遵守 AI 框架和標準，同時推動其行業(yè)內(nèi)的產(chǎn)品開發(fā)。主動的合規(guī)方法可確保人工智能系統(tǒng)可靠、安全且符合道德規(guī)范，從而在快速發(fā)展的環(huán)境中保持競爭優(yōu)勢。

AI 趨勢 #3

基于人工智能的降階模型在工程領域的興起

隨著人工智能技術和計算能力的進步，使用基于人工智能的降階模型 (ROM) 的趨勢預計會增長。工程師利用這些模型將提高系統(tǒng)性能和可靠性，以及系統(tǒng)設計和模擬的效率和功效。

這種轉變背后的主要驅動力是工程師需要管理日益復雜的系統(tǒng)，同時保持高精度和速度。傳統(tǒng)的計算機輔助工程 (CAE) 和計算流體動力學 (CFD) 模型雖然準確，但計算量大且不適合實時應用?；?AI

的 ROM 通過減少計算需求同時保持準確性來解決這個問題。工程師可以使用這些模型更快地模擬復雜現(xiàn)象，從而實現(xiàn)更快的迭代和優(yōu)化。

此外，基于 AI 的 ROM 具有適應不同參數(shù)和條件的高度通用能力，增強了其在不同場景中的適用性。這種適應性在航空航天、汽車和能源領域尤其有價值，因為這些領域的工程系統(tǒng)通常涉及需要詳細建模和模擬的復雜物理現(xiàn)象。例如，設計和測試飛機部件(如機翼或發(fā)動機)的工程師可以更有效地模擬空氣動力學特性和應力因素，從而幫助工程師快速迭代和優(yōu)化設計。此外，基于 AI 的 ROM 可以適應各種飛行條件，使其成為使用同一模型測試多種場景的多功能工具。此功能可加速開發(fā)過程、降低成本并提高最終產(chǎn)品的可靠性。

AI 趨勢 #4

人工智能打破復雜系統(tǒng)控制的障礙

人工智能與控制設計的持續(xù)融合將改變該領域，特別是在管理復雜系統(tǒng)和嵌入式應用程序方面。傳統(tǒng)上，控制系統(tǒng)設計依賴于第一性原理建模，這需要對系統(tǒng)有豐富的知識和深入的了解。數(shù)據(jù)驅動建模僅限于在設計范圍內(nèi)的一小部分中有效的線性模型。人工智能正在通過從數(shù)據(jù)中創(chuàng)建精確的非線性模型來改變這種狀況。這使得創(chuàng)建結合第一性原理和數(shù)據(jù)且在整個操作范圍內(nèi)有效的高精度模型成為可能。這一進步使得人們能夠更好地控制復雜系統(tǒng)。

同時，微控制器不斷增強的計算能力也促進了人工智能算法直接嵌入到系統(tǒng)中。這種集成在消費電子和汽車行業(yè)尤其具有影響力，因為高響應系統(tǒng)正在成為常態(tài)。例如，人工智能嵌入電動工具中以監(jiān)測和應對環(huán)境變化，例如可能帶來安全風險的突然材料密度變化。這些工具使用嵌入式人工智能來自主調(diào)整其操作，從而提高安全性和性能。

人工智能與復雜系統(tǒng)控制和嵌入式系統(tǒng)的融合開創(chuàng)了更為穩(wěn)健、自適應和智能的控制設計時代。工程師現(xiàn)在可以創(chuàng)建實時學習和適應的系統(tǒng)，提供前所未有的精度和效率。這創(chuàng)造了一個環(huán)境，在其中，人工智能驅動的解決方案解決傳統(tǒng)控制問題的環(huán)境，并為在各個工程領域中建立更智能、更集成的系統(tǒng)鋪平了道路。

工程師應該對人工智能的持續(xù)成熟和進步感到興奮。物理見解與人工智能模型的融合將增強透明度和適應性，減少傳統(tǒng)方法的“黑箱”性質(zhì)。人工智能工具的普及使工程師能夠更輕松地獲取和使用高級功能。這些進步將提升人工智能在工程中的作用，并使技術專業(yè)人員能夠更快、更有效地構建更好的工程系統(tǒng)。

| 關于作者

Lucas Gracía

Lucas García 是 MathWorks 深度學習的首席產(chǎn)品經(jīng)理，在計算機軟件行業(yè)擁有超過 15 年的機器學習經(jīng)驗和研究。他與客戶團隊和開發(fā)團隊合作，定義、開發(fā)和推出滿足客戶需求和深度學習市場趨勢的新功能和應用程序。Lucas 于 2008 年加入 MathWorks 擔任客戶工程師，并與各行各業(yè)的工程師和科學家合作，幫助他們解決人工智能領域的實際問題。在加入 MathWorks 之前，他曾擔任金融領域的軟件開發(fā)人員。Lucas 擁有馬德里康普頓斯大學和馬德里理工大學應用數(shù)學博士學位。