AI4S之后,AI正深入制造业前沿工程,从F1赛车优化到心脏泵设计

继AI for Science(AI4S)在药物与材料研发取得进展后,AI正加速向制造业高难度工程场景渗透。Apex Ultra与F1车队合作探索工程超级智能(AI4E),PhysicsX用AI将心脏...

人工智能 阅读量: 18.35万

当F1赛车工程师仍在为前翼气动性能反复调整图纸时,一家名为Apex Ultra的初创公司已悄然加入研发竞赛。今年10月,该公司与Alpine车队达成合作,目标是利用AI学习历史设计、风洞数据与赛道实测结果,构建能综合物理规律、材料特性与制造约束的“工程超级智能”(Engineering Superintelligence, AI4E)。这不是简单的仿真加速——新方案必须同时满足性能、成本、可制造性与零件寿命等多重现实约束。项目尚处早期,但其选题极具象征意义:在人类顶尖工程师已穷尽常规思路的产品上,寻求AI驱动的突破性设计。

这一动向标志着AI应用正从“AI for Science”(AI4S)阶段,向更贴近产业价值的“AI for Frontier Engineering”(前沿工程AI)演进。过去几年,AI在两条路径并行推进:“摸高”——挑战科学极限,如发现新药分子或物理规律;“下沉”——赋能个体与企业解决日常问题。而当前的制造业落地,聚焦于后者中最具技术纵深的环节:那些耗费大量研发投入仍难突破的工程瓶颈。

PhysicsX的案例提供了具体佐证。该公司曾为一枚拇指大小的心脏辅助泵进行结构优化,需同步满足泵血效率、血液损伤、功耗、发热与振动五项指标。传统方法下,工程师Nicolas Haag耗时两周运行约1500次流体仿真仍未得解;引入AI模型后,仅用10小时便找到人类未设想的新结构,经CFD复核验证,预测误差极小。最终综合性能较基准提升约42%。

这类任务的本质,是高维多目标约束优化。工业设计早已形成成熟工具链:CAD建模、CAE仿真、CAM加工规划,辅以实物测试迭代。但各环节割裂,依赖工程师经验串联判断。AI的介入并非取代工具,而是重构工作流——例如将“AI快速粗筛+CAE精准终审”分层执行,大幅压缩试错周期。

在中国,中科紫东太初的实践进一步拓展了AI在制造全链路的落地深度。董事长王金桥在2026企业管理创新大会上指出,制造业正从“智能化”(感知识别依赖人)向“AI原生制造”(系统自主编排工序、人仅确认关键节点)过渡。其核心驱动力在于:智能正成为可计量、可调度的新型生产要素,类似电力一样被嵌入研发与产线。

在工艺设计端,团队自研科学基础大模型实现CFD仿真加速:飞行器外形优化从数周缩短至10秒内完成流场推演,预测误差控制在5%以内; 效率提升3–10倍。该模型还具备图纸解析能力,可理解工程意图并联动CAD智能体生成三维模型,支撑自动化会审。

生产环节聚焦具身智能。与华工科技合作的焊缝跟踪系统,针对强弧光与烟尘干扰,实现超95%识别率与毫秒级纠偏,核心算法自研,有望替代高价进口方案。王金桥强调,工业具身智能的关键不在于堆叠传感器,而在于构建适配物理环境的自主闭环——“训练场的本质,是把老师傅的经验转化为可复制的数据资产”。

质检长期受限于缺陷样本稀缺。中科紫东太初采用无监督异常检测路线,其WISER方法在零样本条件下检测性能提升57%,无需为新品重新训练。该技术已衍生出纺织验布、超晶板、钢管等专用检测装备,显著降低产线换型停机成本。

Apex Ultra优化结果示意图:绿色星标为AI生成的最优候选方案,质量300g左右、应力200ksi以内,显著优于现有设计

运维侧,基于AgentOS任务调度底座搭建“空地场一体化”巡检体系:无人机覆盖高空、机器狗贴近设备、雷视一体机监控封闭区域。系统先在数字空间校核盲区,再部署策略;一旦异常触发,自动调度多载体交叉复核并生成工单,弥补传统巡检对人工现场处置的高度依赖。

值得注意的是,当前工业AI落地仍面临结构性障碍。王金桥指出,最大痛点并非系统缺失,而是缺乏统一认知中枢——异构系统林立、数据割裂,导致智能难以贯通。这解释了为何头部玩家纷纷押注“大模型作为工厂中枢”的架构:只有打破信息孤岛,AI才能从单点提效走向系统级重构。

资本层面,该方向已获重磅押注。贝索斯出任创业公司Prometheus联合CEO,该公司6月完成120亿美元B轮融资,估值达410亿美元;亚马逊前高管Jeff Holden创办的Atomic Machines累计融资2.5亿美元;PhysicsX同期完成3亿美元C轮融资,估值24亿美元。这些投入指向同一目标:缩短“想法→可用产品”的转化链路。

回看Apex Ultra与F1的合作,其真正价值不在某次圈速提升,而在于验证一个范式:当AI能参与定义“什么是可行的设计边界”,工程创新的起点将被重新划定。过去,工程师在既有参数空间内寻找最优解;未来,AI可能直接拓展这个空间本身——例如生成人类直觉无法构想的拓扑结构,或提出违反经验但符合物理定律的新方案。

制造业的竞争表层比拼装备,深层比拼的是智能密度与智能主权。随着多模态大模型逐步成为工厂的认知中枢, AI正从辅助工具变为制造逻辑的底层变量。这一转变不会一蹴而就, 但当心脏泵、赛车前翼、焊缝轨迹这些具体问题开始由AI协同求解时, “AI原生制造”的轮廓已然清晰。