面對市場對更智能產(chǎn)品、更短設(shè)計周期以及更高效靈活生產(chǎn)流程的需求日益增長，設(shè)計與制造企業(yè)紛紛借助人工智能，推動業(yè)務(wù)流程邁向新高度。憑借處理復(fù)雜數(shù)據(jù)的卓越能力與傳遞智能洞見的便捷性，人工智能已準(zhǔn)備好在工業(yè)價值鏈的各個環(huán)節(jié)承擔(dān)多種關(guān)鍵角色。

（圖片來源：西門子）

隨著人工智能的持續(xù)發(fā)展，它不僅能勝任曾專屬人類的復(fù)雜任務(wù)，還將助力彌合人與技術(shù)之間的鴻溝 —— 將復(fù)雜工具與數(shù)據(jù)轉(zhuǎn)化為易于理解的洞見，賦予其新的應(yīng)用場景。尤其是大型語言模型（LLMs），在為非結(jié)構(gòu)化數(shù)據(jù)賦予結(jié)構(gòu)化形態(tài)方面具備獨特優(yōu)勢。將人工智能應(yīng)用于產(chǎn)品設(shè)計與制造全流程的海量數(shù)據(jù)集之上，不僅能加速現(xiàn)有流程，還能為長期存在的行業(yè)難題探索新的解決方案。

人工智能：決策支持系統(tǒng)的核心動力

顯而易見，快速且持續(xù)地做出正確決策，是確保任何系統(tǒng)平穩(wěn)運行的關(guān)鍵。然而，現(xiàn)代流程的復(fù)雜性不斷提升，要高效得出最優(yōu)結(jié)論并非總能一帆風(fēng)順。數(shù)據(jù)是決策過程的核心，但即便是領(lǐng)域?qū)＜?，將原始信息轉(zhuǎn)化為可落地的洞見，往往也需耗費大量時間，且過程并非一目了然。

人工智能正是應(yīng)對這些挑戰(zhàn)的有力工具。憑借篩選與處理海量數(shù)據(jù)的能力，人工智能能精準(zhǔn)提煉關(guān)鍵信息，若進一步用“問題如何解決、流程如何推進、設(shè)計如何選型”的專家知識對這些模型進行訓(xùn)練，人工智能工具將升級為決策支持系統(tǒng)：它能優(yōu)化并加速至關(guān)重要的決策過程，成為企業(yè)運營的核心助力。

（圖片來源：Gorodenkoff）

依托人工智能的決策支持系統(tǒng)，是彌合人機能力鴻溝的重要一步。它構(gòu)建了一種理想場景：重要決策既能以海量可用信息為支撐，又能融合專家的經(jīng)驗與批判性思維。除了為專家提供支持，人工智能決策支持系統(tǒng)還能讓新用戶與非專業(yè)人士受益 —— 他們可借助模型中蘊含的累積知識與專業(yè)經(jīng)驗，大幅縮短學(xué)習(xí)曲線，同時獲取此前難以接觸到的深度洞見。

人工智能：推動硬件領(lǐng)域邁入 DevOps 時代

無論是產(chǎn)品設(shè)計還是生產(chǎn)流程設(shè)計，要實現(xiàn)最優(yōu)方案都需經(jīng)歷漫長過程 —— 通過反復(fù)修改、測試與優(yōu)化，才能達成最佳結(jié)果。理想情況下，這種優(yōu)化與創(chuàng)新應(yīng)貫穿產(chǎn)品或流程的全生命周期：從概念誕生到最終退役，持續(xù)推動改進。在軟件開發(fā)領(lǐng)域，這一目標(biāo)早已通過 DevOps（開發(fā)與運維一體化）模式實現(xiàn)；然而在硬件領(lǐng)域，受時間、預(yù)算或技術(shù)條件限制，若沿用傳統(tǒng)方法，要實現(xiàn)同等水平的快速、持續(xù)改進，在實踐中幾乎難以落地。

不過，將人工智能與數(shù)字孿生結(jié)合，為實現(xiàn)這一高遠目標(biāo)提供了可行路徑。通過傳統(tǒng)設(shè)計過程中生成的仿真數(shù)據(jù)訓(xùn)練出的人工智能降階模型（ROMs），能在幾秒內(nèi)精準(zhǔn)復(fù)現(xiàn)零部件或系統(tǒng)在不同工況下的運行狀態(tài) —— 而這一過程若用傳統(tǒng)方法，往往需要數(shù)小時甚至數(shù)天。將該技術(shù)部署于全面數(shù)字孿生中，企業(yè)便可在高度貼合現(xiàn)實的數(shù)字環(huán)境里，以最快速度測試各類設(shè)計變更。

降階模型（ROMs）解決了硬件領(lǐng)域快速創(chuàng)新的核心難題之一：測試與驗證過程耗時且成本高昂。與在測試環(huán)境中運行代碼變更不同，驗證設(shè)計與流程變更至少需要復(fù)雜且昂貴的多物理場仿真，通常還需制作物理原型。傳統(tǒng)方法的高成本，使得小規(guī)模、漸進式的持續(xù)改進難以推行；但通過將精準(zhǔn)數(shù)字孿生與人工智能加速設(shè)計、仿真工具結(jié)合，“值得測試的最小改進幅度”門檻大幅降低，讓持續(xù)優(yōu)化變得切實可行。

要實現(xiàn)“硬件 DevOps”的愿景，不能僅依靠人工智能與數(shù)字孿生的合力優(yōu)化流程初始版本，還需在部署后收集反饋并進一步迭代。這意味著整合各類信息源 —— 包括產(chǎn)品用戶、機器操作員、工業(yè)物聯(lián)網(wǎng)（IIoT）傳感器及其他海量數(shù)據(jù)源，將其與數(shù)字孿生關(guān)聯(lián)，再借助人工智能快速將這些信息融入系統(tǒng)，打造更優(yōu)、更智能的解決方案。

盡管達到這種持續(xù)優(yōu)化的水平仍需時日，但數(shù)字孿生與人工智能加速設(shè)計、仿真技術(shù)的基礎(chǔ)已在當(dāng)下逐步構(gòu)建。這些技術(shù)已顯著提升了產(chǎn)品與系統(tǒng)的設(shè)計及驗證速度：它們不僅能助力更快打造更智能的產(chǎn)品，還能提升可持續(xù)性 —— 更快、更經(jīng)濟的仿真不僅讓“找到最優(yōu)可持續(xù)設(shè)計”變得更容易，還能減少對物理原型的需求，降低資源消耗。

人工智能：彌合人與技術(shù)的鴻溝

在設(shè)計與制造領(lǐng)域，人工智能能通過多種方式加速流程，但它的優(yōu)勢并非僅在于速度。隨著生成式人工智能的最新發(fā)展，它還將重塑人、技術(shù)與信息之間的交互模式。工業(yè)數(shù)據(jù)規(guī)模龐大，管理這些數(shù)據(jù)的工具也高度復(fù)雜 —— 這導(dǎo)致新用戶培訓(xùn)周期長，即便對資深用戶而言，簡單任務(wù)也可能耗時良久。

（圖片來源：西門子）

通過將人工智能解決方案（如 Siemens Industrial Copilot）與設(shè)計、生產(chǎn)各環(huán)節(jié)的工具及數(shù)據(jù)打通，不同技能水平的用戶均可獲取所需資源：無論是生產(chǎn)數(shù)據(jù)洞見，還是使用復(fù)雜工具的專家知識，所有操作均通過簡潔的自然語言交互界面完成。

讓信息（無論是統(tǒng)計數(shù)據(jù)還是專家知識）變得易于獲取，是打破當(dāng)前各領(lǐng)域間“數(shù)據(jù)孤島”的關(guān)鍵一步 —— 而這反過來又能為產(chǎn)品設(shè)計與制造提供更具整體性的思路。

隨著技術(shù)復(fù)雜度不斷提升，手動處理每一個細節(jié)或每一個數(shù)據(jù)點將變得愈發(fā)不現(xiàn)實。此時，基于真實數(shù)據(jù)的人工智能系統(tǒng)可接管核心工作：例如分析海量生產(chǎn)數(shù)據(jù)集，或補全仿真所需的全部細節(jié)。而人類操作員則能專注于唯有自身可勝任的任務(wù)，如創(chuàng)意構(gòu)想、創(chuàng)新突破與方案優(yōu)化。

毫不夸張地說，人工智能將成為全行業(yè)的下一次重大飛躍 —— 它將重塑人類工作方式、產(chǎn)品設(shè)計流程與工廠運營模式。但人工智能并不意味著“完全自主的未來”，而是“人機協(xié)同的新平衡”：它以一種充分發(fā)揮雙方優(yōu)勢的方式將人與技術(shù)結(jié)合，最終實現(xiàn)“1+1>2”的效果，達成單靠人或技術(shù)都無法實現(xiàn)的目標(biāo)。