麦肯锡与国际工程建模、分析和仿真社区协会（NAFEMS）合作，通过深度访谈研究了人工智能（AI）对工程仿真（ES）领域的影响，识别出11个未来五年至十年将塑造ES演变的关键主题。
工程工作流程
- 模拟民主化：生成式AI将驱动整个ES过程，使非专业人士也能使用，同时仿真专家将负责评估和开发AI工具，并提升AI/ML技能。
- 工程师技能提升：仿真工程师将掌握AI/ML技能，消除双重角色需求。
- 最佳实践：工具将采用联合方法，选择最佳垂直工具，高度互操作，摆脱单一软件套件。
- 未来工具：用户将与即时仿真计算工具交互，可在模型所有规模和维度上进行放大/缩小。
- 模块化：60%的受访者期望模块化方法，使用高度互操作的垂直工具组合，而非单一软件套件。
人工智能/机器学习（ML）工具
- AI颠覆场景：存在两种可能场景，一是有限迁移学习的预训练仿真模型，二是处理多种物理现象的通用工程模型（LLM）。
- AI/ML工具：在早期设计阶段提升仿真，正确性标准保证可信性，基于物理的仿真作为最终验证步骤。
- 新算法：新的数值仿真算法将不断出现，作为解决具体仿真问题的新标准。
- 数据：使用所有数据类型（合成的、实时的、现场测试），专有数据是关键资产。
- 训练数据：技术公司、大型云服务商和大学将发布大规模、开放的训练数据集。
计算基础设施
- 计算演变：基于CPU的计算将向基于GPU和AI优化的计算发展，量子计算潜力巨大但成熟度尚不明确。
- 云计算：私有云和公有云将共存，私有云和本地解决方案用于安全训练，部分替代SaaS商业模式。
用户和供应商考虑事项
- 用户：需要准备分散、以AI为中心的未来，保持高风险决策的可信度，重新思考资源、人才和流程结构，数据战略至关重要，基础设施选择将evolve，重新思考治理和决策。
- 供应商：市场从求解器中心产品转向模型中心平台，明确选择参与领域，知识产权战略超越求解器，竞争加剧，可解释性、不确定性量化和鲁棒性变得重要，合成数据成为核心基础设施，合作至关重要，用户体验将被转变。
研究结论
- 未来的ES将变得更加智能、自动化、模块化，并深度融入工程过程。
- 人工智能将增强而不是取代工程判断，仿真将成为普遍的组织能力。
- 尽早采取行动的组织将塑造工程系统生态系统的演变，并最终积累价值。
- 核心问题在于组织是否准备好以负责任的方式信任、管理和扩大这种变革。
