前沿观察｜工业元宇宙时代下的CAE畅想

在信息和智能时代，工业数字化已成为推动工业发展的核心引擎。随着技术的进步，一系列创新概念相继涌现，从工业互联网到工业4.0，再到工业元宇宙，这些概念共同映射出工业技术领域数字化权重的持续增长。

工业互联网：通用电气（GE）于2012年提出将工业设备与IT技术融合的理念，随后在2014年与AT&T、思科、IBM和英特尔共同成立工业互联网联盟（IIC），推广了这一概念。物联网（IoT）技术作为其核心，强调设备互联，旨在提高资源利用效率和生产持续性，同时涵盖产品监控与维护。

工业4.0：2013年德国推出了工业4.0战略，标志着第四次工业革命的开始。它超越了工业互联网，依托工业物联网（IIoT）、AI、大数据和机器人技术，旨在提升生产效率和灵活性，实现智能化决策和定制化生产。

工业元宇宙：作为现实世界的虚拟延伸，工业元宇宙利用AI、数字孪生、虚拟现实等技术，构建了一个独立的工业数字世界。它提供了沉浸式体验，形成了一个从需求到研发再到体验的闭环，覆盖了工业全生命周期。

工业元宇宙的宏伟愿景，不仅超越了传统生产效率和可靠性的范畴，而且突破了产品品类扩展和小批量定制的局限。它开启了一种全新的个性化定制时代，让每个人都能拥有真正属于自己的产品，无论是一件印有独特图案的T恤，还是一架无人机，甚至是一辆复杂的汽车。

在电影《钢铁侠》中，托尼·斯塔克在困境中利用有限资源，创造出了马克1号盔甲，成功逃脱。回到他的高科技工作室后，他利用先进的计算机系统，进行3D建模和设计，通过全息投影实时调整设计参数，优化盔甲结构。他还利用虚拟现实技术，在虚拟环境中测试盔甲的功能和操控性。设计完成后，托尼可以放心地将制造过程交给人工智能助手Jarvis，自己则愉快地驾着跑车去参加聚会。

汽车整车开发是一个复杂且耗时的过程，通常包括架构阶段、战略开发、概念开发、设计开发和生产导入等多个阶段。在数字化设计研发工具日益普及的当下，整个开发周期预计仍需30至40个月，而资金投入可能高达数亿甚至数十亿。显然，如果一辆汽车的研发成本高达数十亿，且研发周期长达数年，那么实现让每个人都能定制自己的汽车这一目标将变得遥不可及。

在这些巨额的汽车研发费用中，首先包括了材料、能源、设备折旧等非人力成本。随着数字化设计研发技术的不断发展和深入应用，研发过程可以最大限度地摆脱物理限制，从而显著降低这些成本。事实上，有关统计显示，CAE技术在过去数十年的应用已经使工业领域的试验测试成本降低了90%。

然而，值得注意的是，在汽车研发成本中，还有一部分非常显著的成本，那就是研发人力成本。以比亚迪为例，2022年全年的研发投入达到了202亿人民币，研发人员规模约为7万人。如果按照研发工程师平均月薪15,000元计算，人力成本占总研发费用的比例高达60%。同样，特斯拉在2022年的研发投入为30.75亿美元，其研发人员数量约为1.2万人，按照研发工程师平均年薪140,000美元计算，人力成本占总研发费用的比例也达到了55%。尽管研发成本还受到许多其他因素的影响，但如果人力成本不能得到有效控制，那么定价数亿元的个人定制汽车显然无法为普通大众所接受。

在工业元宇宙的愿景下，CAE技术迎来了以高性能、高置信、高集成为核心的新时代，引领着工业设计和研发的未来。

1）高性能：数十年来，计算机辅助技术（CAE）的应用已经显著加速了产品设计研发的进程，将时间缩短了5到10倍。然而，对于像汽车这样结构复杂的产品，研发周期仍然需要数十个月。为了在工业元宇宙中实现以天计的设计优化愿景，我们需要在现有基础上进一步缩短研发周期数十甚至数百倍。要达到这样的性能，CAE技术必须大幅提升。软件技术的性能提升主要依赖于算力和算法两大支柱。在算力方面，尽管硅基半导体的摩尔定律增速放缓，但芯片架构的创新和计算机体系结构的发展仍在推动高性能计算系统性能呈指数级增长。在算法方面，除了适应先进计算架构的高性能计算技术的发展，基于数据的深度学习技术也为仿真和优化提供了新的途径，而量子计算等未来技术的突破，将为工业元宇宙带来颠覆性的进展。

2）高置信：为了在设计研发过程中最大限度地摆脱物理世界和物质流的束缚，我们需要在几乎没有物理试验和测试的情况下，确保数字化设计优化的结果与现实情况无偏差。现有的CAE技术，在物理建模维度足够高且边界足够广时，原则上可以有效控制误差。但在有限的算力条件下，高性能与高精度之间存在对立关系。这种矛盾可以通过改进算法和工程方法来进行调和。传统数值模拟技术，如时空分辨率自适应、拟合阶数自适应和空间变换等，可以有效地降低模型维度，同时确保精度。基于数据的深度学习技术，能够降低模型维度，但目前难以提供较高的置信度。在工程方法上，采用不同精度的混合方法，例如在初步优化设计时使用低维模型，而在精细优化设计时使用高维模型，可以在降低计算需求的同时，保证一定的置信度。

3）高集成：现有的CAE技术中，尽管计算流体力学和计算结构动力学等非线性问题需要消耗较多的计算时间，但是大量线性问题数值分析的主要时间瓶颈已经不是计算本身，而在于人工。在一些复杂的结构前处理过程中，如几何清理和网格划分，往往需要消耗大量的时间。例如，一辆汽车精细模型的前处理过程可能需要数名工程师投入几周到数月的时间。前处理问题的存在，主要是因为CAD和CAE工具之间存在的数据转换依赖于人工操作（工程师），且这些工程师需要具备丰富的行业经验和专业知识。为了适应工业元宇宙的无人化研发，CAD/CAE工具链，以及技术链和算法链的中间环节，必须摆脱对人的依赖，形成一个紧密集成的系统。这样，用户定义和产品模版就能在完整的数字化设计优化流程中自动传递并保持一致。通过提升算力和采用升维建模，可以确保模型具有兼容性和一致性。或者，通过人工智能技术替代行业工程师，也能显著提升CAE在自动化设计流程中的集成度。

在工业元宇宙的宏伟蓝图下，实现工业数字闭环目标和个性化产品定制愿景，CAE技术的主要追求在于模拟更大的系统、采用更高的分辨率，大幅提升仿真和优化性能，以及实现工具链和技术链的深度集成，通过这些努力，CAE技术将为工业元宇宙的构建提供强大的支撑，推动工业设计和研发进入一个全新的高度。

作者和其所带领的“神工坊”团队，致力于以高性能计算、人工智能等先进计算技术推动下一代CAE技术变革，潜心8年研发构建的“高性能数值模拟框架”，旨在突破CAE系统级高保真里程碑以及组件化、模板化的专用应用研发，为工业元宇宙构建物理引擎基座。