当AI学会＂调度＂工业软件 | 工业智能化系列①

仿真工程师有一种专属的痛苦：改一个参数，等几个小时。仿真发散了，找原因，调参数，再等。有时候一个设计方案的评估周期，就这样被一次次的”等待”切碎了。

这种低效不是因为工程师不够努力，而是工业软件的工作方式决定的。从几何建模到网格剖分，从边界条件设定到求解收敛，每一步都高度依赖人的经验判断。经验无法直接复用，只能靠人盯着。

改变这件事，要从理解”瓶颈在哪”开始。

仿真流程为什么需要人一直盯着？

一次完整的工业仿真，大致可以分成三个环节：建几何模型、划网格、跑求解器。

这三步里，最耗人力的不是计算本身，而是其中两个过渡节点——几何到网格的转换，以及求解器跑偏时的人工干预。前者需要有经验的工程师判断如何切分网格才能兼顾精度和计算量；后者需要工程师读懂报错信息，判断是哪个参数出了问题。

这两个环节，很难写成固定规则，也很难自动化。直到大语言模型的代码生成能力成熟起来，情况才开始有所变化。

分工，是解决这个问题的关键思路

早期有人试过直接用大模型”统管”整个仿真流程，结果不理想。大模型需要同时理解几何、物理和数值方法，而它在这三个领域的能力参差不齐，出错时也很难定位问题出在哪一步。

后来，研究者换了一种思路：把仿真流程拆开，给每个环节配一个专门的 Agent，让它只做一件事，做好一件事。

分工之后，每个 Agent 的任务范围收窄，出错的可能性下降，排查也变得容易。这个思路后来被证明是对的，成为这个领域的基本范式。

电磁仿真领域，同样的逻辑走通了

流体力学是这个思路的先行者，但它揭示的规律，很快被电磁领域的研究者借用过去。

2024年，学术界开源的 LEAM 项目做了一个有趣的事：让大模型直接读论文里的天线结构示意图，然后生成对应的仿真软件脚本。这是多模态意图理解第一次在工业软件调度领域走通。同年，一些工业软件公司也开始把 Agent 内嵌进产品里——Ansys 的 Engineering Copilot 把大模型的输出范围严格限定在自家几十年的文档库内，防止它”自由发挥”，从而把前处理时间从数天压缩到了几分钟。

一个没解决的问题，让这件事变得更复杂

Agent 调度的逻辑走通之后，一个更深的问题浮出来了：大模型本质上是语言预测模型，它并不真正理解麦克斯韦方程。在处理复杂三维电磁场时，它生成的脚本有时在物理上完全站不住脚——数值看起来合理，实际上违背了基本定理。

这种分层架构，让 AI 调度层和物理计算层各司其职，在工程上是可靠的。但它也带来了另一个问题：如果仿真跑了很久，最后数据回来了，系统怎么判断结果是否可信？发现问题之后，怎么自动修正，而不是一直等人来看？

这就是下一篇要讲的内容。