都是AI“快”仿真，一个是数字孪生的心脏，一个是设计师的翅膀——别再傻傻分不清 原创

       工业仿真这几年有个很明显的趋势：大家都在谈“AI仿真”。不管是流体、结构还是电磁领域，只要能把计算时间从小时级压到秒级甚至毫秒级，似乎都可以被归到这一类里。

       但如果仔细看，会发现一个经常被忽略的问题——这些所谓的“快”，其实来自两种完全不同的技术路径。它们看起来结果相似，但底层逻辑、适用场景，甚至服务的工程阶段，都不一样。

一、要理解这一点，得先回到仿真本身

       传统CAE的核心，是在离散网格上求解偏微分方程。连续空间被切分成大量单元，在每个节点上计算物理量，再通过迭代求解整个场。这种方法的计算复杂度，会随着自由度的增加迅速上升。对于千万级自由度的模型，即便使用高性能计算资源，一次完整仿真往往也需要数小时。仿真工程师在网格剖分、求解设置时通常需要面对的问题是，有限算力条件下，如何在精度和效率之间进行权衡，这也意味着这两者无法兼得。

       AI仿真的出现，本质上是在绕开这条路径。既然每次重新求解获得高精度结果代价太高，那就尝试通过提前调用算力计算获得大量物理数据，并让模型从中学习规律、“记住”结果，从而在未来获得又快又准的结果。

二、“如何记住”这件事，形成了两种方向

       第一种是 降阶模型 。它并不试图直接用数据去拟合结果，而是通过高保真仿真，提取系统的主导特征，把原本高维的问题压缩到一个低维子空间中。在这个子空间里，再通过投影或插值完成计算。这样做的结果是，计算规模大幅降低，速度显著提升。

但这种方法有一个非常明确的前提：几何必须是固定的。所有的数据，来自同一个结构在不同工况下的响应。因此它描述的是同一个对象在不同状态之间的变化关系。

       这类方法最典型的应用，就是数字孪生。对于已经存在的设备，例如一台电机、一套天线阵列或者一组电池系统，其结构不会改变，但运行状态在不断变化。在这种情况下，需要的是一种能够快速响应不同工况的模型，而不是反复进行完整仿真。Ansys的Twin Builder、Altair的romAI和灵易数智的Smart-ROM智能降阶工具均是面向这类场景研发的。

       另一种路径则是快速预测模型。它不再压缩物理结构，而是直接学习输入与输出之间的映射关系。输入往往是不同的几何模型和相应仿真结果，无需刻意对几何进行参数化表征，训练后的模型即可在极短时间内给出新设计的物理场分布预测结果。

       与降阶模型不同，这种方法的核心在于几何是可以变化的。它解决的问题，不是同一个系统在不同状态下如何变化，而是不同设计之间性能如何变化。

       因此，它更适合出现在设计阶段。在方案尚未确定时，工程师需要在大量候选设计之间进行快速筛选。如果每一个方案都依赖高保真仿真，那么设计效率将难以接受。快速预测模型的作用，就是在此类场景中提供一个足够快的近似判断模型。Ansys的SimAI、Altair的PhysicsAI和灵易数智的Smart-SIM快速预测工具均是面向这类场景研发的。

       从结果上看，这两种方法都可以大幅提升计算速度，也都在某种程度上替代了传统仿真，因此很容易被混为一谈。但如果从本质上看，一个核心是在压缩物理信息，一个是在学习几何映射，所处的技术路径完全不同。

三、这种差异直接决定了工程应用场景

       如果我们面对的是一个已经确定的系统，需要在不同工况下进行实时分析或预测，那么降阶模型是更合适的选择。如果面对的是一个尚未确定的设计空间，需要在不同方案之间快速比较趋势，那么快速预测模型更具优势。

       如果把视角拉到整个产品生命周期，这种分工会更加清晰。设计阶段强调探索和迭代，快速预测模型更为活跃；而在产品定型之后，运行和监测成为重点，降阶模型开始发挥作用。 因此，这两种方法并不是替代关系，而是分别服务于不同阶段。在实际工程流程中，它们往往是串联使用的：先通过快速预测筛选设计，再用高保真仿真进行验证，最终在确定的结构上构建降阶模型，用于后续运行。

       从这个角度看，AI仿真并不是简单地让仿真变快，而是把原本统一的仿真过程，拆分成了“运行响应”和“设计探索”两个不同问题，并分别给出了更高效的解决方案。