文章來源: https://www.engineering.com 原作者：Roopinder Tara

歡迎關注我的公眾號“水木人CAE”，學習仿真知識，關注科技前沿。

---

譯者注：這年頭，逢人不會聊一聊AI和機器學習，都不好意思和人打招呼，更別說我們作為搞技術的攻城獅群體了。上一篇分享的文章里，已經提到了未來仿真服務會越來越簡單和傻瓜，作為一名普通的CAE攻城獅，可以說危機感爆棚，但是—工程人員的分析能力可不是隨便能替代的。即便是一直致力于宣傳仿真人人都能簡單使用的軟件代理商，關起門來也得承認仿真分析里“分析”這兩個字真不是AI能實現的。且不說數量巨大的可能性，誰又愿意將自己公司的仿真數據分享出來“喂養”一個機器學習系統呢？

---

• 人工智能（AI）能幫助我們進行模擬仿真嗎？

在玩游戲方面，AI已經把人類虐得抬不起頭，但若是挑戰更大的工程學呢?—這可不僅僅是一個游戲。人工智能可以用于計算機仿真，從而解決現實世界中的問題嗎? AI這個詞這么火爆，工程軟件供應商們都迫切渴望將AI應用到他們的產品中，但現在時機足夠成熟了嗎？

我們可不是在玩游戲。誠然，人工智能已經在戰略游戲中打敗了人類，甚至是非常復雜的圍棋。但是模擬—例如如汽車的這種大規模的偏轉—則要復雜得多。AI能發揮作用嗎？(圖片引自維基百科)。

 人工智能(AI)是一年一度的工程軟件未來大會(COFES)上自由討論的主題。一間擠滿了軟件知識分子的房間里，滿是關于人工智能的想法，他們在討論人工智能在模擬中的應用，以及他們對AI和機器學習技術現狀的看法。(這篇文章可不是AI寫的。下面是筆者搜集到的會議上的一些“金點子”和即興的觀點。十分抱歉沒法對被引用者進行一一備注了，我沒法獲取會議室里每個人的名字，所以干脆一個都不用了。畢竟我只是個人類啊！)

• 摘到“低垂果實”（即達到容易實現的目標）

在我們開始做一個分析之前，我們應該思考的第一個問題是—這個分析是必要的嗎？只有滿足這個前提，再來看AI能否應用到這個問題中。

目前看來，AI在某些問題表現還是相當不錯的。例如，用來為銀行貸款進行風險評估。但是它能用在更為復雜的分析上嗎？大家的共識是，AI做不到。這一類軟件的架構應該是什么樣子？

“AI是一種獲取一組數據并生成另一組數據的函數。” 如果你想進行交易并確定它是否欺詐，這是一個非常清晰的問題。面部識別也是如此。

于是就有了這樣一種感覺：人工智能迄今為止解決的問題都是容易解決的，把無法解決的問題拋在腦后—例如仿真。

所謂容易解決的問題，包括簡單的模式識別。問題中的變量數大約是10。但是解決應力分析——變量的數量是各個網格自由度的總和。這可是數以百萬計的變量! 即使分析可以完成，然后呢？我們仍然需要根據結果修改我們的設計，這也是AI應該涉足的領域。但是同樣的問題又來了…AI到底行不行？

• 設計空間探索

通過形狀優化，可以獲得更輕量化的結構，來承受外力的破壞。

圖1所示。這是人工智能嗎? 通用汽車公司使用Autodesk生成設計優化了這個部件，使得其輕量化。

(圖片由通用汽車公司提供。)

通過特定的算法來創建各種各樣的形狀來滿足給定的條件(生成設計)或者不斷去除材料直到達到“最優”的形狀(拓撲優化)—究竟是不是人工智能？這是有爭議的。因為計算機使用的規則是人類預先定義好的，而不是他們自己創造的，所以并不滿足人工智能的定義。

什么是機器學習（ML）?舉個例子，現在你有輸入，規則，及輸出。你把輸入，輸出提供給軟件，他自己就能找出其中的規律來。

這可能會導致“垃圾進，垃圾出”的情形。一名研究人員講述了他針對AI長達一年的努力，但收效甚微，軟件只能在很小概率下產生有用的結果。研究人員推測，原因可能給軟件提供了壞數據。這個研究項目最終只能通過手工操作數據來獲得好的結果—有點像給嬰兒喂奶。

• 隨他吧！

真實問題中的數據實在太多，我們還是回到游戲中。幾乎可以這樣認為，人類迄今為止發明的所有游戲，計算機都能打敗人類玩家。從井字棋開始，AI跳過了西洋棋和國際象棋，直接在圍棋—這項有著2500年歷史的中國棋類游戲被認為是世界上最復雜的棋類游戲中，完虐世界冠軍。

AlphaGo不是一臺計算機，而是一套由DeepMind（谷歌的AI子公司）研發的軟件程序。在2016年，100名人工智能開發者和數據科學家聯合起來擊敗了世界上最優秀的圍棋選手—33歲的韓國人李世石(Lee Sedol)，他在圍棋上的非凡才華遠超其它選手。此前，AlphaGo已經以5比0的優勢大勝歐洲冠軍。

李世石可能原本以為這是一場可輕松贏得百萬獎金的比賽，然后他錯了。AlphaGo贏得了前三局比賽，五局三勝。不過李世石在第四場獲勝，多少為人類挽回了一些面子。

圍棋,只有黑白子，很容易學習，但可能的走法達到2.08×10 ^ 170，曾被認為已經超越了計算的范圍。但阿爾法系統，記錄了所有圍棋游戲的經驗教訓，最終才能夠打敗人類圍棋大師。盡管移動棋類游戲可能很復雜，但它們仍然基于一些小的規則集。國際象棋雖是模仿真正的戰爭，但它的規則只能描述在戰場上可能發生的有限情況。而所有可能的組合太多，可以迅速淹沒人類思維，但一臺擁有足夠速度和內存的計算機是可以求解的。

真正的戰場，和游戲相比，變數太多，即便是一臺超級電腦也至多能模擬一名步兵。

盡管如此，公眾——甚至是科技知識分子——仍然認為，對游戲的掌握是AI優于HI(人類智能)的可靠證明，并認為人工智能在我們工作和非工作生活的各個方面都具有不可避免的地位。人們很容易忘記，人工智能花了數年時間才分辨出貓和仙人掌，更不用說區分不同的貓了，也不知道什么構成了人臉(嬰兒幾個月大時就能做到這一點)。

人工智能研究人員忙于與貓打交道，因為它們有很多工作要做——龐大的圖像庫。貓是Facebook上被拍照最多的東西。但數據是二維的。如果這就是AI所能做到的，那么害怕失去工作或天網啟示錄的人類就可以睡個好覺了。工程數據由復雜得多的數據組成。它不僅是三維的，而且隨時間而變化。AI將不得不處理動態數據集、實時性能、流媒體視頻——而不是一系列照片。也可能要有相當大的數據集用于抓取形狀，因為機器人操作是一個被大量研究的問題。然而，并沒有關于應力分析的大型的FEA模型數據集，可以用來“喂養”機器學習系統的“食物”實在太少了。

一個數碼雙胞胎會解決這個問題嗎?其中一個人負責將現實生活中和傳感器中流出的數據轉換為仿真所需的數據。然而，即使工作設計(數字雙胞胎)可以創造數據湖，這些湖泊也是隔離的，私人的。沒有一家公司愿意分享這些數據。我們真正需要的是一個數據海，在那里，所有人都可以利用他們需要的東西。

現在，誰來設置這個?