ARTICLE · 1050219

物理AI工程师:做了五年降阶建模,我为什么开始用AI Agent跑流程

发布时间：2026-09-21 12:46:17 最近访问：2026-09-21 12:46:17

点击文尾阅读原文报名

作者 | 王老师仿真秀专栏作者

首发 | 仿真秀App

导读：大家好，我是一名研发工程师，来自成都柯西姆物理AI部。长期从事工程仿真与物理AI交叉领域的技术研发和工程应用，聚焦结构、流体、热及多物理场仿真，具备从高保真建模、仿真数据处理、算法开发到结果验证的完整技术经验。关注降阶建模、代理模型、动态模态分析、机器学习和AI智能体等技术方向，致力于推动人工智能在仿真流程自动化、工程结果快速预测和数字孪生建设中的应用，为复杂工程问题提供高效、可靠、可复用的智能化分析方法。最近被问得最多的一个问题是："AI到底能不能真正用到仿真里？"

说实话，这个问题我前两年也在问自己。那时候AI大模型刚火，各种"AI颠覆仿真"的说法满天飞，但真落到项目里，你会发现——口号喊得再响，模型还是得自己建，网格还是得自己画，算例跑崩了还是得自己半夜起来调。

我做工程仿真快速预测这块快五年了，从最早的代理模型、POD降阶，到后来的机器学习、数字孪生，踩过的坑不少。今天想聊聊这些年的真实感受，以及为什么我最近开始认真对待"AI Agent驱动仿真"这件事。

一、先说一个最常见的坑：数据准备比模型训练重要十倍

有限元应力云图—仿真工程师最熟悉的画面，但快速模型的数据准备往往被忽视

很多人一上来就问："用什么算法最好？KAN比神经网络强吗？GPX和克里金哪个准？"我的回答通常是：先别急着选算法，先看看你的数据对不对。

去年做一个动压轴封的项目，目标是根据液膜厚度、压差和转速，预测液膜静面压力。听起来不复杂，就是个三输入一输出的代理模型问题。我们用GPX建模，61组样本训练，预测结果看起来也挺光滑的。

但后来做验证的时候发现了一个问题：有几组工况的预测值总是偏高，而且偏差很有规律。排查了整整两天，最后发现——CSV文件里有三行数据的顺序和对应的仿真结果文件对不上。

就这么一个低级错误，模型训练照样能跑完，损失曲线照样下降，预测云图照样能出。但它学的是错的映射关系。

这种问题最危险的地方在于，它不会以软件报错的形式出现。你看到的是一个"训练完成"的模型，输出的是看起来很合理的数值，但实际上已经偏了。

所以现在做任何快速预测项目，我第一件事不是选算法，而是建一张数据核对表：样本编号、工况参数、结果文件名、单位、数据类型——全部一一对应，自动核对数量和名称，过不了这关，后面的都免谈。

二、场预测比标量预测难在哪？

数字孪生三维模型—场预测需要把高维的仿真结果压缩到低维空间，再学习参数到响应的映射

如果说标量预测（比如预测一个压力值）的坑主要在数据，那场预测（比如预测一整个应力场）的坑就要多得多了。

我们做过一个泵壳的HPC ROM项目，输出是原始网格上的von Mises应力场。直接让模型去学每个网格点的应力？不可能——维度太高了，31组样本根本不够看。

常规做法是先用POD提取主要变化模态，把高维的场数据压缩成低维的系数，再学输入参数和这些系数之间的关系。听起来很标准对吧？

但真正做的时候，你会遇到一堆问题：

POD截断到多少阶合适？ 很多人喜欢用99%能量保留率作为标准。我也用过，但后来发现——能量保留率高，不代表你关心的区域就准。最大应力的位置准不准？局部应力集中区有没有被"平均"掉？这些光看能量百分比是看不出来的。

我们那个泵壳案例，23个模态系数，99%以上的能量保留率，但关键区域的重构误差还是得逐张云图去对比。阶数选少了，细节丢了；选多了，后面的回归模型容易过拟合。这个平衡点，只能靠对工程问题的理解去把握，没有万能公式。

回归模型选多大的？31组样本，你敢用很深的网络吗？不敢。样本太少，模型容量太大，过拟合是分分钟的事。我们用的是两层、每层8个单元的轻量KAN，还加了提前停止。就这，还得留独立样本做验证，盯着最差工况的误差。

很多人有个误区：训练损失降得低就是模型好。其实不是。训练损失低只说明模型记住了训练数据，不代表它能预测新工况。这个道理说起来都懂，但真看到损失曲线哗哗往下掉的时候，总有人忍不住兴奋。

三、验证，验证，还是验证

我经常跟团队说一句话：快速模型不是用来替代高保真计算的，是用来把高保真计算集中到真正需要复核的工况上。

这句话的前提是——你得知道哪些工况可以用快速模型，哪些不行。

怎么知道？靠验证。

我现在做项目，至少做三层验证：

第一层，验证数据和流程。样本是不是一一对应？单位是不是一致？降维基和预测模型是不是配套的？这层是基础，基础错了后面全白搭。

第二层，验证数值精度。拿没参与训练的独立样本算误差，平均误差要看，最差工况的误差更要看。如果大误差都集中在参数边界或者样本稀疏的地方，那就说明该补样本了。

第三层，验证工程合理性。趋势对不对？量级对不对？极值位置对不对？有没有出现负值或者违背物理常识的结果？这层最考验工程师的功底，也是软件代替不了的。

只有三层都过了，这个模型才敢放进稳定的参数筛选流程里。而且每次预测之前，还得先判断输入是不是落在训练范围内——接近边界的加个提醒，超出范围的直接标外推，绝不能把预测值直接当设计定值用。

四、那AI Agent到底有没有用？

工业AI与智能制造——AI Agent的价值不在于替代工程师，而在于把人从重复操作中解放出来

说了这么多"慢功夫"，好像跟AI没什么关系。其实恰恰相反，正是因为这些基础工作太重要、太繁琐、又太容易出错，我才觉得AI Agent有真正的价值。

你想想，刚才说的这些步骤——数据核对、POD分解、模型训练、结果验证、可视化输出——每一步都要人工去点、去配、去检查。一个完整的降阶建模流程，十几个节点串下来，光操作就得大半天。而且人操作就难免出错，漏了一步、配错一个参数，后面全错。

AI Agent能做什么？它能把这套流程"串起来、自动跑"。你告诉它"我要做一个泵壳的降阶模型"，它去调数据、建流程、配参数、跑训练、出验证结果，最后把报告交给你。

你可能会说：这跟脚本自动化有什么区别？

区别在于，脚本是死的，Agent是活的。脚本只能跑你预先写死的流程，数据格式变一变、工况数变一变，脚本就崩了。但Agent能理解你的需求，能根据数据情况调整流程，遇到问题能自己尝试解决——至少是简单问题。

更重要的是，Agent降低了门槛。一个刚入门的工程师，可能搞不清POD怎么设、KAN几层合适、验证指标怎么看，但他可以跟Agent说"我要建一个应力场的降阶模型，精度要够工程用"，Agent帮他把基础流程搭起来。他只需要在关键节点做工程判断就行。

当然，我不是说Agent能代替工程师。工程判断——哪些区域必须准、哪些误差可以接受、外推的边界在哪里——这些还是得人来。但Agent可以把人从繁琐的重复操作里解放出来，让工程师把精力花在真正需要判断力的地方。

五、9月23日，我想把这套流程完整演示给你看

说了这么多，不如实际跑一遍给大家看。

9月23日下午3点半，我在仿真秀主办的2026研发仿真开学季第六期直播间开讲，主题是"从手动建模到Agent驱动：RomBuilder构建AI数字孪生模型全流程"。直播里我会做两件事：

第一件，手动走一遍完整流程。 从数据导入开始，一步步搭POD降阶、训练模型、做验证，让大家看清楚每一步在干什么、为什么这么干。这部分对应我之前写的那篇《工程仿真快速预测技术经验总结》里的方法论——纸上得来终觉浅，实际操作一遍你就知道那些经验是怎么来的。

第二件，用AI Agent自动跑一遍同样的流程。 同样的案例、同样的数据，看看Agent怎么理解需求、怎么规划流程、怎么调用组件、最后出的结果跟手动做的有什么差异。

两个案例都会讲：一个是GPX代理模型（动压轴封那个，标量预测的典型），一个是泵壳HPC ROM（场预测的典型）。一标量一场，基本能覆盖大部分工程快速预测的场景。

如果你也在做仿真、也关心AI到底怎么落地、也想看看降阶建模的完整流程是怎么跑通的，欢迎来聊聊。请识别下方二维码报名观看和回放。到时候有问题尽管问，我尽量现场答。

2026研发仿真开学季来啦

2026研发仿真开学季是仿真秀面向研发工程师推出的主题活动月，9月1日至10月31日以"从工具到智能——让AI接入仿真研发"为主线，覆盖结构、流体、电磁、多物理场和AI驱动仿真五个方向。仿真秀力邀企业资深研发工程师，围绕LS-DYNA、Workbench、Abaqus、Star-CCM+、HyperWorks、Maxwell、Fluent、CST、Flotherm、SolidWorks、ANSYS等主流软件，演示如何用LLM、Agent、Codex、Claude、DeepSeek等大模型能力打通建模、求解、后处理与优化全流程，让仿真从"手工操作"升级为"AI驱动"；

此外仿真秀精选100余门研发仿真精品视频课限时秒杀1元起售，并叠加专属券，秒杀课程覆盖从基础到前沿的完整学习路径；活动期间，仿真秀还发起案例征集，以"我的研发仿真故事——从工具到智能的进阶之路"为题，面向工程师征集攻坚实录、工具进化、AI接入、成长与团队四类真实故事，图文或视频，通过即获“满意现金稿酬和百人千万"内容扶持计划，优秀作品还将在仿真秀APP、官网、公众号、视频号四端专题展示并邀请连麦直播。整个主题月既是一场系统化的技术充电，也是工程师用AI重塑研发工作流的一次集中练兵。