提高工程效率：代理人工智能从采用到对现实世界的影响

代理人工智能如何在仿真驱动的设计工作流程中从工程试点转变为对现实世界产生影响。

作者：史蒂文·莱恩

代理人工智能和自动化在处理从模拟设置到设计探索再到许多其他劳动密集型手动操作的工程任务方面具有巨大的潜力。在提高效率、提高产量以及在保持成本效益的同时加快行动速度的压力越来越大的情况下，这些代理商受到了许多人的欢迎。

因此，各行业的组织都对代理人工智能寄予厚望，希望能够取得显着的成果。事实上，最近对工程领导者的一项调查发现，93% 的人期望人工智能能够提高生产力，30% 的人预计会获得非常高的收益。

但代理人工智能的纯粹兴奋和潜力并不一定会转化为可以以任何有意义的方式看到的输出。尽管试点项目充满热情并取得了成功，但目前在采用和产生真正影响的产出之间还存在相当大的差距。

尽管工程师们对生产力提高的期望几乎是普遍的，但现实世界的结果却并没有跟上。在接受调查的工程师中，只有 3% 的人表示如今取得了重大影响。

缩小这一差距需要的不仅仅是将智能功能分层到现有工具上。相反，工程师需要优先考虑将代理人工智能直接嵌入到工程工作流程中，以增强透明度、保持控制并提高生产力。

代理人工智能配置和运行模拟工作流程，同时工程师保持监督和控制。

工程成功取决于信任和控制

在许多企业职能中，通过提高速度或成本效率证明采用人工智能是合理的。然而，工程面临着一系列更复杂的考虑因素。对于工程师来说，许多决策都会影响物理性能、安全性和长期可靠性，这意味着其后果超出了简单的生产力指标。

在这种背景下，为什么人工智能系统必须满足更高的门槛就变得很清楚了。代理人工智能可以自主规划和执行复杂的流程，但这本身并不是产生真正影响的关键。工程师仍然需要清楚地了解智能体如何做出决策，例如选择物理模型、定义边界条件或评估输出。当这些步骤不明显时，信心就会减弱，采用速度可能会减慢。

成功的组织将代理人工智能定位为协作伙伴，而不是自主决策者。这意味着在代理管理执行的同时保持对假设和参数的监督。透明的工作流程使团队能够审查中间步骤、验证结果并在必要时推翻建议。这种平衡有助于保持问责制并与既定的工程实践保持一致，特别是在可解释性至关重要的受监管或安全关键的环境中。

凭借透明度和控制力，人工智能可以成为可靠的贡献者，而不是不确定性的来源。

具有工程目的的自动化

选择采用代理人工智能和自动化通常取决于生产力，工程师在这方面也不例外。 Agentic AI 引入了一种更具适应性的操作模型，以工程为中心，而不是一组固定的指令。特别是在仿真驱动的开发中，大量时间花费在准备模型而不是解释结果上。工程师需要定义边界条件、选择物理模型、配置求解器并设置参数研究。所有这些任务都很重要，但它们也是重复性的并且容易出错。

专为工程工作流程设计的人工智能代理可以将目标转化为可执行的流程。例如，如果目标是评估跨设计变体的性能，代理可以配置模拟、管理参数扫描并在给定框架内组织结果。然后，随着输入随着时间的推移而变化，工作流程可以相应调整，从而使工程师能够完善目标而无需重建。

随着时间的推移，这种转变可以让团队花更少的时间在设置上，而将更多的时间花在分析、解释和设计改进上。当人工智能支持模拟工作流程中最耗时的部分，同时保留专家监督时，领导者们长期以来预期的生产力提升更有可能出现。

由人工智能驱动的仿真代理可自动执行设置和分析，以加速工程设计探索。

尽早扩展设计探索

代理人工智能还拓宽了早期设计的范围。云原生模拟平台与人工智能代理相结合，使得并行协调大量模拟成为可能。当与基于物理的人工智能模型集成时，此功能可以加速权衡分析并显示性能趋势，并有足够的时间影响设计方向，而不是充当最终阶段的验证步骤。

对于在物理测试成本高昂或不切实际的行业工作的工程师来说，这种扩展的探索可能非常有价值。团队可以评估不同条件下的流动行为或结构响应，而无需构建多个原型。

尽早获得洞察有助于降低下游风险。随着项目的推进，变更成本会增加，后期重新设计可能会延迟时间表并给预算带来压力。从一开始就扩大探索范围，可以支持更强有力的决策，并降低以后进行修改的可能性。

即便如此，在团队之间实现一致的结果通常不仅仅取决于技术能力。

从意图到影响的飞跃

工程领导者绝大多数期望人工智能能够带来有意义的生产力提升，但只有一小部分人实现了最高水平的影响。这种差距似乎反映的不是缺乏潜力，而是大规模有序实施的挑战。

希望缩小这一差距的组织可能会受益于关注三个领域。将透明度和控制嵌入人工智能驱动的工作流程有助于建立信任。将代理人工智能与模拟设置和设计探索等核心工程任务结合起来，确保相关性。投资支持可扩展性的集中式基础设施可以重用而不是重新创建见解和工作流程。

将这些元素结合在一起，可以将代理人工智能转变为工程团队的可信扩展，加速验证，扩大探索，并在不影响操作严谨性的情况下加强决策。

通过设计人工智能采用背后的基础，组织可以从期望跃升为可衡量的结果。

关于作者：
Steve Lainé 是 SimScale 的解决方案工程总监。他有技术基础，拥有机械工程硕士学位和博士学位。在材料科学中。 Steve 在航空航天设计和工程模拟方面拥有 13 年的行业相关经验。