CAE有哪些術語呢？雖然我們無法估算確切的時間，但是從某一個時刻開始在腦海中有關CAE這個詞語的性質貌似發生了一些變化。之前提到CAE腦子里就會浮現出諸如有限元，多體動力學，疲勞分析，計算熱流體分析，優化設計，自動化等詞語。現在再提到CAE的話，出現的則是人工智能，機器學習，數據科學，物聯網（loT），未來戰士模型等詞匯。
把這些詞語聯合在一起觀察后我們可以發現它們還是有一些區別的。它們其中的一部分可以歸為“CAE術語”而另一部分則可以歸為“第四次工業革命的術語”中去。
第四次工程革命中的這些術語與CAE有什么關系？為了回答這個問題，作者嘗試著總結了一些相關術語的定義。在此，從事CAE領域的工程師可以將此文與自身業務的內容相結合進行一些業務創新的思考。即使是剛剛聽到CAE的朋友們也可以通過此文了解一下最近經常從媒體中聽到這些詞語到底是什么意思，希望此文可以使大家對CAE領域有一些初步的認識。
1. 仿真 (Simulation)
在網上搜索“仿真”這個詞會有“使用物理或抽象系統模型模仿真實系統進行試驗研究。它是基于實際模型的物理仿真和數學模型在計算機上進行的仿真分析。一般用于工程設計和社會現象的分析，是一種只能通過計算機處理的高速解析大量數值計算的實時仿真分析。”等類似的表達。
這里說的仿真，也可以說是“模擬試驗”。在模擬試驗中，基于計算機的模擬稱為計算機仿真。特別是用于設計和分析的計算機仿真成為計算機輔助工程(Computer Aided Engineering, CAE) 的產品。換句話說，CAE可以簡單的總結成是計算機仿真中的一種。
2. 數字孿生 (Digital Twin)
數字孿生是美國通用電氣最開始倡導的概念，該技術通過在計算機上創建與真實物理樣機相同的“孿生模型”并模擬在現實生活中可能出現的情況，以這種方法進行計算機仿真來預測結果。
無獨有偶，高德納咨詢公司(Gartner)的資料也給出了數字孿生的現實階段應分為 1. 3D可視化階段；2. 實時監控階段；3. 分析、預測、優化階段。
區分第一階段和第二階段主要看獲取模型中輸入數據的方法是否聯機在線。在脫機狀態下應用以預先仿真及相關3D可視化的工作視為第一階段。通過傳感器獲得的數據通過物聯網(loT)平臺聯機在線反映在模型中的階段視為第二階段。在此階段，物理樣機與模型所經歷的開始變的完全相同，最終完成1:1匹配。第三階段是指工程師可以通過已知的數據來預測下一步的結果。
( https://blog.lgcns.com/1864 )
<實現數字孿生的各個階段 > 參考: Gartner, Use the IoT Platform Reference Model to Plan Your IoT business solutions, ’16.09.17>
3. 信息物理系統(Cyber Physical System, CPS)
信息物理系統不像數字孿生那樣耳熟能詳，但是CPS卻是它的特屬術語。CPS是指利用計算機通訊控制物理系統的綜合系統。如果要更詳細的說明，那就是用計算機算法控制機制或者監控整個系統。在CPS中實際物理系統和軟件也可以相互作用。
對于CPS的解釋與數字孿生看似相近，但是二者又有何不同呢？KCERN主辦的“數字孿生與智能轉換”為主題的論壇資料中介紹了二者的不同之處。
在數據化部分，積累所收集的數據并構筑與現實1:1的虛擬世界的是數字孿生。
與數字孿生構筑虛擬世界的方式不同，CPS是在數字孿生的基礎上進一步擴展，將虛擬世界與現實緊密連接起來。
CPS是將數字孿生在虛擬世界中優化的價值現實化的過程。該過程應用的就是分析數據人工智能和將虛擬世界現實化的技術。
根據以上說明，我們可以說數字孿生是將現實虛擬化，而CPS則是把虛擬現實化。
4. 元模型 (Meta Model)
之前提及的CPS可以稱為系統的系統(system of systems)。與此相反，在這個章節中我們說明的是元模型(Meta Model)和替代模型( Surrogate Model)被稱作模型的模型(a model of a model)。在此，系統中的系統是指將系統捆綁在一起，視系統的復雜度增加。但是模型中的模型則是指把模型變的簡單。人們使用近似法(Approximation method)以便使模型變的簡單。因為有時人們也稱元模型為 近似模型(Approximation model) 。也就是說近似模型是指將模型再次簡化的意思。
近似模型多用于優化中，在優化過程中，由于利用實際模型計算的反復次數增加，所需要的時間可能會很長，所以利用近似模型來縮短計算時間。
上面說明過的CAE使用的模型，目的是要得出正確的結果。因此如果使用計算密集型方法，即盡量精確的進行細致的模型設計而導致計算量和計算時間增大的計算密集型(computation-intensive)方法進行優化的話，根據情況，所需的時間會延長到幾個月，如此長的計算時間在工作中是非常難實現的。
因此在優化設計中使用的是近似模型，而不是計算密集型模型。通過使用這種近似模型，可以大幅減少優化所需要的時間。特別是優化使用的近似模型稱之為元模型。
制作元模型時，不管使用了什么樣的仿真模型和方法，我們只關注和使用這個系統的反應。輸入和反應生成元模型，并以此執行優化，這種方法被稱為基于近似的優化法（approximation based optimization）
5. 代理模型 (Surrogate Model)
代理模型與元模型，響應面模型都被稱為是近似模型(Response surface model)的方法之一。與介紹元模型的形式類似，近似模型是原始模型再進行一次建模的模型。
代理模型以數據為基礎，使用bottom-up方法。同時它不關注仿真內部邏輯如何工作，而只關注輸入和輸出的結果。使用設計變量的結果構成模型。因為這些特性，又稱行為建模(Behavioral modeling)或黑箱建模(Black-box modeling)。在這種情況下，如果設計變量只有一個，就稱為曲線擬合(curve fitting) - 引自, 維基百科
元模型與代理模型在概念上的意義相同。雖然是意義相同的術語，但是元模型在優化設計中使用的比較多，代理模型的話相比優化設計來講，它更多的應用于廣義的工程領域中。
6. 深度學習 (Deep learning)
美國印第安納大學(IU)的Cho教授在<大家的深度學習>一書中對人工智能，機器學習以及深度學習等等做出了如下說明：
深度學習是數十年來研究人員創造人工智能研究成果的結晶。在研究人工智能做出類似于人類決策時，我們發現使用現存數據預測未來情況的機器學習技術是非常有效的。在此，機器學習計算機中有幾個算法，其中效果表現優秀的是深度學習。人工智能，機器學習和深度學習之間的關系，如下圖所示。機器學習屬于人工智能的一大類，深度學習又是其中的一部分。
< 人工智能, 機器學習, 深度學習的關系 >
7. 機器學習 (Machine learning)
機器學習是人工智能的一個領域，它是使計算機能夠學習的算法和技術。例如，機器學習可以訓練用戶識別接收的電子郵件是否是垃圾郵件，通過使其學習大量仿真結果，可以開發一個算法來判斷結果的優良與否。
機器學習和數據挖掘(Data Mining)使用的是相同的方法。在計算機科學中被稱為機器學習，但是在統計學中則被稱為數據挖掘。如果一定要將機器學習和數據挖掘區分開的話，那么數據挖掘的目的是在現存的數據中心發現圖像和特性，而機器學習的目的則是通過現存的數據進行學習后， 得到對新數據的預測值 。- 引自 維基書籍, Kim Eui Joong著 《人工智能，機器學習和深度學習入門》
8. 人工智能 (Artificial Intelligence, AI)
對于人工智能，許多專家根據不同的觀點給出了多種定義。斯圖爾特·羅素和彼得·諾維克在《人工智能：現代方法：A Modern Approach》一書中將人工智能定義為四個：
迄今為止，人工智能研究最活躍的領域是“類似于人類的行為系統”。例如，自然語言處理，圖像識別，語音識別，機器翻譯，計算機視覺，機器人等。
事實上人工智能已經比我們想象的更貼近我們的生活了。從手機上給花朵拍照就能知道花朵的名字，再到iPhone上的Siri等語言處理語音助理系統，都是使用人工智能的解決方案。
但是最重要的是，人工智能為人們所熟知的原因是美國谷歌公司的人工智能產品-AlphaGo與人類的圍棋比賽。在這場人機對抗中，人工智能完勝人類的同時也給一些人造成了危機感，從而使整個社會產生了一種對于危機意識。
9. 預測與健康管理 (Prognostics and Health Management, PHM)
PHM技術師一種通過收集一些機器，設備，航空，發電廠等狀態信息來檢測系統異常情況，并通過分析和預測提前預判故障點來優化設施管理的技術 。- 引自, 韓國PHM學會網站
http://www.phm.or.kr/
PHM是實時監控機器狀態，以預先檢測振動和磨損等異常情況，并預測將來可能發生的故障。提前預測故障的好處是可以預先采取適當的操作，減少不必要的維護成本并提高可靠性。
為了實時監控，與數字孿生和網絡物理系統一樣，在PHM中傳感器和loT也很重要。并且人工智能在其中也尤為重要，特別是機器學習可以被用來預測。
1980年英國民航局(CAA)的某型直升機事故率是普通飛機的30倍，為了解決其安全性問題，進行了PHM研究。CAA開發出了一種觀察直升機安全性的HUMS (Health & Usage Monitoring System)系統，并將其應用于該型直升機上，結果事故率下降了50%。
基于以上這9個術語的定義，我們總結了下面的圖片和說明
< CAE與人工智能>
仿真將現實世界中的目標帶入虛擬世界并進行模擬試驗。
將現實世界的目標帶入虛擬世界的方法是創建模型。
因此，將現實世界與虛擬世界分來的標準是模型。
從CAE的角度來看，虛擬世界是數字孿生。
數字孿生有三個步驟。
當下的CAE可以視為第一階段，因為大多數CAE都是脫機接收并輸入的數據。
第二階段如第一階段同樣計算密集型CAE模型，但卻是通過loT在線接收輸入數據。
第三階段則是從模型結果進行預測。
預測使用機器學習進行。機器學習是人工智能的一個分支。
機器學習與替代模型一樣，通過分析給定輸入和輸出數據之間的相關性來預測。
機器學習需要持續的提供新的數據來使其一直學習。
CAE可用于提供給機器學習所需的數據集。
信息物理系統(CPS)負責將數字孿生預測的結果應用于現實世界。
例如，數字孿生負責檢測機器或者工廠的故障情況并預測故障(PHM)，信息物理系統則負責根據預測的內容降低速度或停止工作來避免出現問題。
從目前的情況來看，CAE在預防事故和故障以及確保用戶和機器安全方面的重要性越來越大。將來的CAE將會包含在人工智能中的一個部分。由于通過人工智能進行預測的執行階段需要快速響應速度，因此模型的模型(替代模型)很可能將被使用。此時，機器學習需要通過持續學習來擴充其模型，以提高預測的準確性。為此，我們必須使用高精度的CAE來提供可靠的數據。
作為結尾語，CAE終究將會被植入到人工智能中去。CAE也會一直在人工智能中存在和發揮不可替代的重要作用。
作者: FunctionBay總部 中國事業本部長 車泰輅
