生成式設計的案例
洞見 | 創成式設計：一種新的設計方式
創成式設計是一種使用機器學習為零件和裝配模型創建計算機輔助設計 (CAD) 幾何圖形的自動化方法。用戶不是使用基于特征或直接建模方法定義形狀，而是指定設計空間，包括要保留或排除的區域、操作環境條件、材料和制造約束，通過算法計算一個或多個潛在的解決方案。然后，用戶可以過濾結果以選擇合適的選擇。生成式設計比傳統的迭代人工驅動方法更快，并且在許多方面更可靠。
是什么讓創成式設計變得更好？
創成式設計和密切相關的拓撲優化工具可用于Creo中的多個版本。讓我們看一下使創成式設計與傳統CAD工作流程不同且更好的四個方面。
您正在將要求構建到設計中。所有產品都從需求開始。頂層需求被分解為子系統需求，然后被提煉成組件需求。盡管我們可能知道零件或子組件的結構要求，但在過去，這些要求直到設計完成后才得到驗證。通過創成式設計，我們通過將載荷工況應用于我們的模型來設置我們的設計。這可確保解決方案從一開始就滿足標準。
制造方法告知設計。典型的工作流程中，使用仿真和分析工具設計和驗證零件，然后將其交給工藝工程師，以評估是否可以使用減材制造或增材制造來制造零件。通過創成式設計，我們將制造標準添加到優化研究中。這些包括：
將要進行3D打印的零件的構建方向
注塑件的2D或3D分型線
將被銑削的零件的線性拉伸
這確保了可以使用適當的方法制造解決方案。
您可以快速生成多個概念。產品開發總是受到進度的限制。產品永遠無法以足夠快的速度進入市場。通常在初始設計階段，會創建一些潛在的概念。在機器學習的幫助下，可以在比人類創建單個概念更短的時間內生成多個概念。
用戶可以修改生成的模型。由創成式設計創建的零件模型會產生B-rep（邊界表示）幾何。
展開 新思科技攜手AMD榮登世界經濟論壇MINDS榜單，生成式與自主式AI推動芯片設計進入全新階段
新思科技與 AMD 是基于雙方在半導體芯片設計領域將強化學習、生成式 AI 以及代理式（Agentic）AI 應用于工程流程方面的突出貢獻而受到表彰——這是一個對創新速度與精度要求極高的技術領域。
在芯片設計中引入人工智能，已不再是可選項。架構復雜性快速攀升、性能目標日益激進以及人才缺口持續擴大，使傳統的工程工作流面臨極限壓力。
AI 驅動的設計流程緩解了這些壓力——它們并非取代工程師，而是提升專家知識的效能與決策質量。代理式（Agentic）與基于學習的系統能夠幫助開發者更快速地探索龐大的設計空間，更有效地權衡取舍，并在問題成本最低時提前發現潛在隱患，從而實現更短的開發周期、更高質量的芯片以及更具韌性的創新鏈路。隨著上市時間壓力加劇以及高端芯片需求持續增長，這類流程正成為半導體行業未來發展的關鍵路徑。
新思科技與 AMD 被選為 MINDS 獎項得主，凸顯了在前所未有的行業壓力下，AI 創新在半導體行業中的戰略重要性。通過對這兩家公司的認可和表彰，世界經濟論壇強調：基于代理式（Agentic）和強化學習驅動的 AI 正從實驗階段邁向可規?；?、可投入生產的工作流程。它們在增強人類開發者專業能力的同時，為工程團隊及更廣泛的科技生態體系帶來實質性價值。
作為全球最具創新力企業的重要研發合作伙伴，新思科技始終致力于推動行業前行。此次入選世界經濟論壇 MINDS 項目，并因 AI 在芯片設計這一極其復雜的工程領域中的突破性應用而獲得認可，我們深感榮幸。
Shankar Krishnamoorthy
首席產品開發官
新思科技
從強化學習到 Copilot 輔助功能，新思科技的 AI 能力正在助力 AMD 持續縮短芯片設計周期并提升開發者的生產力。
展開 新一代生成式設計工業軟件-OptFuture入駐啦！
[圖片]
AI+仿真：驅動工業智能變革新引擎（內含100個AI應用案例下載）
圖 1：Altair? romAI? 是 Altair? HyperWorks? 設計和仿真平臺的一部分，是一個工具箱，可提高系統仿真效率。人工智能和動態系統理論技術的結合實現了卓越的準確性，同時大大減少了計算時間。
? 識別和優化行為模式
基于許多設計變體的仿真結果，使用無監督機器學習方法來創建具有統一行為模式的組。這使得我們可以直觀地處理數百次仿真。如下圖，最近的一個大規模鑄造示例展示了人工智能驅動的方法相對于傳統方法的巨大優勢。
圖 2：使用 AI 理解和優化大型鑄件組件的行為
全球100個AI應用案例電子書下載
△Altair 正式發布全球100個AI應用案例電子書，內容覆蓋10+行業的100個AI應用場景。點擊圖片立即獲取，了解全球AI驅動工程設計應用成功案例，以及AI技術如何為工業制造業的產品全生命周期帶來賦能與革新。
人工智能賦能生成式設計
? AI 支持的生成式設計全面優化工作流程
在任何開發過程中，都必須考慮眾多要求，以協調輕量化設計、功能要求和可制造性。
巨型鑄造組件的優化過程包括兩個階段。首先從基于線性化載荷情況的拓撲優化開始，以實現有效的材料布置。然后與多學科優化相結合，以評估組件的結構性能，并使用人工智能和機器學習支持的鑄造模擬來檢查其可制造性。
? 拓撲優化
Altair 強大的且經過驗證的生成式設計技術用于最有效地布置材料。在這里，可以為多學科載荷情況推導出最佳載荷路徑，包括數百種載荷工況、變量以及鑄件的制造約束。
? 多學科優化
在上述步驟中，將響應面建模（RSM）優化的應用與機器學習相結合，以滿足要求，并在非線性碰撞和鑄造仿真中為巨型鑄造結構提供最優的起筋方向和厚度分布。
展開 
生成式 AI 重塑自動駕駛仿真：4D 場景生成技術的突破與實踐
尤其在數據閉環迭代、長尾場景驗證及安全冗余驗證等關鍵環節中，高保真、高復雜度的場景生成能力正在成為測試體系的核心支撐。
傳統場景生成方式面臨效率低、人工成本高、行為多樣性不足等問題，難以滿足當前智能駕駛系統對大規模、多模態、真實物理驅動場景的需求。為應對這一挑戰，基于生成式AI的4D場景生成技術迅速興起，構建了從環境建模、行為重建到視覺渲染的完整鏈條，正在重塑自動駕駛仿真驗證的技術基礎。
本文將從技術背景、系統能力、核心技術和實際應用四個方面，系統梳理AI驅動的4D場景生成體系及其在自動駕駛仿真中的實踐價值。
一、測試覆蓋率瓶頸與生成式AI切入點
自動駕駛測試需要應對極其復雜的交通場景，包括非結構化路口、弱交通規則區域、極端天氣、低照度場景，以及多主體交互引發的不確定性行為等。當前基于真實數據采集或手工建模的方式存在如下限制：
（1）采集成本高：依賴實車、實景、多模態同步設備，周期長、數據稀疏；
（2）稀有場景不足：事故場景、異常行為等真實比例極低，難以高質量復現；
（3）組合爆炸問題：參數空間（如天氣、時間、交通密度）指數級增長，難以人工覆蓋；
（4）場景可控性弱：缺乏可調控的語義接口，測試粒度不足。
生成式AI具備從數據中學習潛在分布、生成新組合樣本的能力。其引入使得場景構建從“手工定義”轉向“自動生成”，具備如下優勢：
（1）能構造真實但未見過的長尾組合；
（2）能對目標測試策略進行定向增強（如遮擋率、交通密度等指標）；
（3）可支持大規模仿真測試平臺的持續供場；
（4）支持動態交互與時間演進建模，構建完整4D語義閉環。
二、4D場景生成的核心能力
所謂4D場景生成，核心在于“空間 + 時間”的聯合建模能力，既要對物理環境建模，也要對場景中各類參與者的行為軌跡進行動態建模與演化。
展開 生成式對抗網絡 （GAN） |簡介
第 2 階段
雜色：生成維度為 batch_size x 的隨機法線值
random_normal_dimensions Use real_batch_size。
Generator_labels：設置為 1。將假圖像標記為真實
生成器將生成標記為真實圖像的假圖像，并試圖欺騙判別器。
將判別器設置為 NOT be trainable。
在噪聲和生成器標簽上訓練 GAN。
?
論文分享 | 壓縮機設計:軸流式、混流式還是離心式？
CFD有它的限制，但這些誤差在設計點附近已被極小化。6000個CFD例子無疑是重要的抽樣。這一點至關重要，因為類似這類工作（以及其他受到史密斯圖啟發的出版物）告訴你的是你設計（方案）的潛力而不是你必須遵循的。要做到這一點，你需要大量的數據來得出結論性的結論。
最后，通過探究指定的葉片數范圍，找到最高效率和最大壓升之間的平衡，以此解決了(第三個弱點)范圍問題。由于最大效率和（工況）范圍之間的權衡是一個相當主觀的標準，因此作者的方法在這方面做的和其他人的一樣好。
所有的想法都在下圖中得到了體現，代表了在設計點附近的最大可能的效率。
圖片來源：《選擇一臺壓縮機的子午向拓撲形式：軸流式、混流式、離心式》，Smyth, Miller, GT2021-59121.
令人驚訝的是，這張圖表表明，混流式設計是最終的設計選擇?；旌狭?em>設計并非不為人知，但在葉輪機械環境中是罕見的。我常常想，在世界上混合流設計還有更大的空間，它們之所以如此罕見，無非是因為很少有人知道怎么做。實際上，我從未停止過考慮混流式設計也許恰恰是首選設計方法。現在就拋棄我們現有的所有離心式和軸向式的壓縮機設計可能還為時過早，但這項工作肯定會讓我在未來考慮混流式的設計方案。
文章來源ConceptsNREC
展開 開放式文本生成(Open-Ended Text Generation)
【最近的研究表明，脆性斷裂和階梯式破壞是自然高山和工程巖坡的重要考慮因素?！?生成的文本如下：
The following table summarizes the results of a series of studies on the effects of fracture and step-path failure on rock slopes. Table 1. Effects of fracture and step-path failure on rock slopes (in inches) 【下表總結了一系列關于斷裂和階梯式破壞對巖坡影響的研究結果。表1. 斷裂和階梯式破壞對巖坡的影響（單位：英寸)】
3 結束語
開放式文本生成提供了一種自動續寫句子的方法。不過，生成的句子盡管在語法上滿足了要求，但在語義上和邏輯上仍然顯得文理不通，就像上面實例所示的一樣。
展開 識別生成式AI解決方案的商業價值
識別生成式AI解決方案的商業價值 課程時長：1小時 課程大小：140.0MB 發布年份：2026 課程內容：許多機構在引入生成式AI時，缺乏評估其價值與展示實際回報的清晰框架。本課程將幫助你掌握評估生成式AI應用場景的能力，使其與實際業務成果相匹配。你將學習生成式AI基礎理念、成
自回歸式語言XLNet模型的文本生成試驗
1 引言
自回歸式語言生成基于假設：一個詞序列的概率分布可以分解為鄰接的下一個詞條件概率分布的乘積。使用不同的解碼策略，目前產生出許多用于自回歸語言生成的模型，最流行的模型有GPT2, XLNet, OpenAi-GPT, CTRL, TransfoXL, XLM, Bart和T5，對GPT2模型我們已經作了很多探索性的工作：
GeotechSet數據集在GPT2上的訓練過程
GPT2-Large模型解碼方法比較
GPT2-Large模型解碼方法---Top-K and Top-p
新探索---EleutherAI的GPT Neo/GPT-3模型
GeotechSet模型的擴展和優化---集成了aitextgen
開放式文本生成(Open-Ended Text Generation)
同時也對T5模型作了探索性的工作:
生成摘要(Summarization)的新方法
Transformers的Text2TextGeneration管道測試
這個筆記探索另一個模型XLNet。
2 XLNet模型
XLNet來自Google公司Yang等人(2019)的論文《XLNet: Generalized Autoregressive Pretraining for Language Understanding(XLNet: 用于語言理解的廣義自回歸預訓練)》，XLNet是一種無監督的語言表征學習方法，它基于一種新的廣義包絡語言建模目標。XLnet是Transformer-XL模型的一個擴展，使用自回歸方法進行預訓練，在涉及長上下文的語言任務中表現出優異的性能。XLNet在各種下游語言任務上取得了最先進的(SOTA)結果，包括問題回答、自然語言推理、情感分析和文檔排名。
展開 借助生成式AI進行更智能的API審查
本文翻譯自：Smarter API Reviews With Gen AI
原文作者：Qt Group軟件工程師Daniel Smith
隨著生成式AI的興起，各企業正試圖探索如何在其環境中實施，以提升流程的效率?；蛟S最佳切入點是尋找流程中的現有痛點，然后思考AI如何應對這些問題。（本篇博文由真人撰寫）
Dall-E 3圖像生成提示語：一臺設計時尚的未來智能機器人坐在電腦前，分析屏幕上代碼的差異。機器人外觀友好、平易近人，屏幕展示了帶有高亮部分的復雜代碼。周圍環境暗示這是一個現代化的高科技辦公空間。
歷史背景
Qt Project的一個主要痛點歷來是在版本發布前按時完成API審查。API的增加和改動對Qt框架的使用方式有重大影響，并且對已有API的改動經常會破壞用戶的系統兼容性，所以這些變更必須在加入最終發布版本之前仔細審查。為Qt添加新功能通常意味著引入新的API，我們希望未來這些新API能夠為用戶提供良好的設計和穩定的使用體驗。然而有時現有的API免不了發生變更，我們也需要確保這些變更是經過深思熟慮的，而且除了變更外，沒有其他替代方案能夠避免破壞兼容性。
這種做法雖然多年來行之有效，但在一些重要API更改初步合并后，卻因為在發布審查時需要撤回或在最終發布前進行重大修改，而導致發布日期多次延誤。為了縮短API變更實施與最終發布準備之間的時間差，我們希望在周期的早期階段進行API變更審查。但該如何實現呢？
最初的討論主要集中在簡單地為任何頭文件變動打上標簽以供人工審查，但這樣的解決方案太過繁縟。反而會導致工作量增加。但是，如果我們可以讓AI承擔一部分初步的代碼分析任務，至少可以用它來判斷某個改動是否“重大”，這樣會不會更好呢？
什么是GPT？
展開 
資料驅動之生成式射出成型多質量預測技術
第1種將擷取數據不進行任何處理在此作為全域壓力、第2種則是進行壓力分段處理，分別為充填、保壓與冷卻三階段，兩者均進行多層感知器編碼，第3種則是使用透過領域知識背景之指標化特征提取，并將以上取得特征進行相關系數分析對于質量之相關性，透過集成式機器學習[2]，進行多質量目標之預測，同時比較3種特征之預測準確度，進而提供較具優勢之生成式人工智能模型機器學習訓練方法，如圖1。
圖1：生成式射出成型多質量預測之示意圖
實驗設計與流程
本研究細分為三個主要部分：「射出成型實驗設計」、「資料前處理」，以及「生成式人工智能預測」。
射出成型實驗設計階段
本研究采用田口方法進行模流分析。具體進行兩次的L27田口實驗，共計54個模次。在每個模次中，設置4個感測節點，以擷取壓力數據、塑件尺寸（圖2），以及流道和塑件的總重量。
資料前處理階段
本研究從擷取到的壓力數據中采用了兩種不同的處理方法。首先是對整體壓力數據進行處理，其次是將射出成型過程中的三個主要階段分別進行壓力數據的分段處理。這兩種方法均運用自動編碼器進行特征編碼。塑件變形量（長度與寬度）和總重量的數據則作為預測目標。
生成式人工智能預測階段
將資料集分為訓練集(80%)和測試集(20%)。使用全域壓力數據和分段壓力數據的編碼特征以及經過標準化處理的數據指標來預測塑件變形量和總重量。透過計算均方根誤差(Root-Mean-Square Error, RMSE)來評估自動編碼器生成的特征與原始數據之間的差異，從而優化多層感知器的輸入層，以提高預測的準確度。最終，將人工智能預測結果與實際觀測值進行比較，以衡量兩者之間的差異性。
展開 資料驅動之生成式射出成型多質量預測技術
第1種將擷取數據不進行任何處理在此作為全域壓力、第2種則是進行壓力分段處理，分別為充填、保壓與冷卻三階段，兩者均進行多層感知器編碼，第3種則是使用透過領域知識背景之指標化特征提取，并將以上取得特征進行相關系數分析對于質量之相關性，透過集成式機器學習[2]，進行多質量目標之預測，同時比較3種特征之預測準確度，進而提供較具優勢之生成式人工智能模型機器學習訓練方法，如圖1。
圖1：生成式射出成型多質量預測之示意圖
實驗設計與流程
本研究細分為三個主要部分：「射出成型實驗設計」、「資料前處理」，以及「生成式人工智能預測」。
射出成型實驗設計階段
本研究采用田口方法進行模流分析。具體進行兩次的L27田口實驗，共計54個模次。在每個模次中，設置4個感測節點，以擷取壓力數據、塑件尺寸（圖2），以及流道和塑件的總重量。
資料前處理階段
本研究從擷取到的壓力數據中采用了兩種不同的處理方法。首先是對整體壓力數據進行處理，其次是將射出成型過程中的三個主要階段分別進行壓力數據的分段處理。這兩種方法均運用自動編碼器進行特征編碼。塑件變形量（長度與寬度）和總重量的數據則作為預測目標。
生成式人工智能預測階段
將資料集分為訓練集(80%)和測試集(20%)。使用全域壓力數據和分段壓力數據的編碼特征以及經過標準化處理的數據指標來預測塑件變形量和總重量。透過計算均方根誤差(Root-Mean-Square Error, RMSE)來評估自動編碼器生成的特征與原始數據之間的差異，從而優化多層感知器的輸入層，以提高預測的準確度。最終，將人工智能預測結果與實際觀測值進行比較，以衡量兩者之間的差異性。
展開 DfAM專欄 | 定制輪轂中的創成式設計
在保證不同工況條件下，強度滿足要求的前提下，進一步對創成式生成輪轂造型進行拓撲優化，進行零件減重，減少用料，降低生產成本，提高輪轂相關性能，得到完整輪轂設計方案。
拓撲優化后定制輪轂方案
通過創成式設計、仿真驗證篩選、拓撲優化的定制化輪轂方案
保證了外觀的多樣新穎，滿足不同工況下性能要求，還具備比常規方案更為輕量化優點。但是無論傳統鑄造亦或是鍛造就很難實現生產了，我們需要借助增材制造技術，完成定制化輪轂打印生產步驟。
通過3d金屬打印完成定制定制輪轂實物
實用新型專利號：ZL202920214026.4
通過我們利用創成式設計與增材制造進行輪轂定制所做的一些嘗試中，前期可以為定制服務商歸納常規數據特征，建立基本輪轂模型，生成編碼規則，合作建立定制服務平臺，用戶通過定制平臺通過調整參數完成方案定制，隨后交付生產商，如果方案具備鑄造量產潛力可以通過選定參數生成數據模型，完成量產輪轂設計方案快速3D打印鑄造模具生產試模工作，縮短產品設計開發周期。
常規鍛造定制輪轂客戶可以借助這套規則選定型號生成鍛造胚體，添加輻條樣式，快速完成個人定制方案，簡化定制流程。與此同時還能有效降低用戶與定制服務企業過程中溝通門檻，提高效率，減少定制服務企業所需人力。在通過創成式設計方法賦能常規輪轂定制模式之外，我們還可以通過創成式造型設計結合增材制造的新的生產方式將許多以往難以實現的個性化方案優化，完成落地成為實際產品，滿足客戶更為豐富的定制化需求。
展開 康謀分享 | aiSim5基于生成式AI擴大仿真測試范圍（終）
2、添加動態對象
在NeRF和3DGS生成靜態場景后，aiSim5將基于外部渲染API進一步增加動態元素，不僅可以重建原始場景，也可以根據測試需求構建不同的交通狀態。
編輯
aiSim5中基于NeRF/3DGS場景細節。
圖13：網格投射陰影
編輯
圖14：車下環境遮蔽
3、效果展示
在aiSim5中完成動態對象的添加后，可以自由的在地圖場景中更改交通狀態，用于感知/規控等系統的SiL/HiL測試。
圖15：aiSim5運行NeRF城市場景1
圖16：aiSim5運行NeRF城市場景2
作者介紹
崔工
康謀科技仿真測試業務技術主管，擁有超過5年的汽車仿真測試及自動駕駛技術研發經驗，熟練掌握仿真測試工具和平臺，如aiSim、HEEX等，能有效評估和優化自動駕駛系統的性能和安全性。擁有出色的跨文化溝通能力，成功帶領團隊完成多項海外技術合作項目，加速了公司在自動駕駛技術上的國際化進程。作為技術團隊的核心，領導并實施過大規模的自動駕駛仿真測試項目，對于車輛行為建模、環境模擬以及故障診斷具有獨到見解。擅長運用大數據分析和人工智能技術，優化仿真測試流程，提高測試效率和結果的準確性。
展開 