人工智能和CAE很像
人工智能火起来的那几年，我也算是对AI的一些历史、简单的算法和深度学习入了个门。后来决定死磕有限元，两相对比，觉得CAE仿真和人工智能有许多相似之处。
2020年，人工智能看上去已经没有几年前那么火了，但是不可否认人工智能已经越来越多、越来越深入地改变了每一个人的生活。作为有限元和CAE的从业者，不知道读者中有没有人在过去的三四年里曾经考虑过转行去搞人工智能，反正我前两年看中国平安保险招科技金融相关岗位的云端宣讲会那个人提到，他们部门有个原来搞计算流体力学CFD的转行搞AI玩的比计算机科班出身的还好。
我们看一个行业的变化的时候，如果稍稍能够引入一点外部视角，与其他行业的性质和历史发展做个对比，也许能看得更清楚一点。他山之石，可以攻玉。在我看来，人工智能这个学科分支，和有限元、CAE其实有很多相似的特点。
01 — 对计算资源的需求
人工智能其实也不是新东西了。和有限元一样，人工智能也基本上是伴随着电子计算机的出现而出现的。毕竟20世纪后半页乃至今天我们可以说绝大部分技术创新都离不开信息技术嘛。人工智能这个概念出现的时间和有限元也差不太多，都在20世纪50年代前后。1956年的达特茅斯会议上，“人工智能”这个词第一次被正式提出。这个时间点和1960年clough首次提出“有限元”一词的时间很接近。从这一点来看，人工智能和有限元，至今都经历了六七十年的发展。
参加达特茅斯会议的大佬
当然浅显的讲发展历史没啥意思。人工智能和有限元的第一个相似之处就是，它们都对计算资源有着苛刻的需求。
人工智能发展的历史上出现过两次“冬天”。第一次是在1973年，那之前人们已经发展出了很多机器学习的基础算法，SVM、神经网络等等都已经有了。但是当时明斯基提出神经网络无法处理异或问题的分类。然后1973年莱特希尔的一份报告将人工智能领域的研究打入冬天，使后来大约十年的时间这个领域的研究者都拿不到资助。后来，人们终于提出了梯度下降、反向传播算法，这个领域才又有起色。但很快，第二次冬天就到来了。因为当时的人们很快发现，这个算法想要实现他们项目计划书中设想的机能，比如图像识别、语音识别，需要的计算资源在当时看来几乎是天文数字。
人工智能的算法早早的就已经准备好。但是对不起，实现算法需要算力，训练AI模型需要数据，而这一切都需要等待。等待芯片算力在摩尔定律的推动下再继续发展十几年，等待互联网的成熟以获得海量的训练数据。
02 — 都需要数学功底
03 — 都需要与行业结合落地
04 — 结语
从短期来看，行业风口不断转变，就业市场薪酬待遇高低不一。在工科的就业市场上，十年前最好的专业可能是土木，五年前是CS、金融，三年前是人工智能、数学，今年的热门也许是集成电路和芯片。如果我们把人才的供求看成一个市场，薪酬就是人才的价格。市场从短期来看是会有很大的波动的，因为人才的培养需要周期。大学生要四年才能毕业，培养一个博士更是需要超过十年。2017年入学人工智能专业的同学，按照正常节奏硕士毕业已经是2024年的事情。但长期来看，把目光放到十年这样的尺度，就业市场还是更多的体现为一个有效市场。
CAE技术没有像人工智能那样经历过两个明显的“冬天”，所以CAE行业的从业者大概也没有显著地、大规模的逃离过这个行业。过去几十年，CAE在工业界一直稳步发展。在航空航天、汽车等一些对CAE要求较高的行业里它的应用在不断地拓宽和深入，但在更多其他工业行业，有限元分析工程师一直处于相对边缘的位置。但我认为有理由相信，随着算力的继续进步，CAE技术还会在更多行业里进一步普及，这个行业还会迎来更多的从业者。
