利用人工智能进行工程开发

知识是一种奇妙的东西。作为一个个人，你永远不可能拥有太多的数据，但作为一个组织，它可能拥有如此庞大的数据量，以至于很难用传统的方法从中提取有用的信息。这就是大数据的世界——一个熟悉的计算术语，但如果以正确的方式利用它，它也是工程开发的实用工具。

它几乎可以被认为是机器直觉。传统模型在面对由易于理解的物理学控制的定义清晰的问题时表现良好，但在处理复杂的多维数据时可能会遇到困难。相反，人工智能在大型、复杂的数据集上蓬勃发展。自我学习算法可以在历史数据中翻来倒去，发现可以用来预测未来结果的模式。与传统模型不同的是，它不需要固定在一组预先存在的方程上，尽管它可以与传统技术结合使用。

“这就相当于走到一位经验丰富的总工程师面前，问他，‘你的直觉是什么，这能行吗?’”Monolith AI首席执行官Richard Ahlfeld博士说。“实际上，你可以有一个人工智能版本的专业知识，它会回来说，‘我们已经研究了这些参数，它们与我们过去做的10个不同测试非常相似，其中8个是灾难’。”

这听起来很简单，但就像人类的直觉一样，关键在于发现微妙而复杂的关系。

“在内部，我们讨论棘手的物理问题，”Ahlfeld说。“我们现在已经处理了大约370个案例，每年年底我们都会对它们进行人体模式识别。目的是了解现有的物理模拟或纯粹的常识可以做什么，以及机器学习在什么地方工作得更好。我们发现，所有这些因素的一个共同点是，设计响应有很多参数，而且非常非线性。”

他把这个问题比作典型的工程类面试问题，面试官会问应聘者某个特定的变化会对系统的其余部分产生什么影响。如果有明显的关联，人类大脑可以感知，那么它可能不需要人工智能。然而，基于已有的数据进行预测，而不是从零开始构建模型，仍然可以带来成本和效率方面的好处。

设计工程师

《Monolith》的诞生源于阿尔菲尔德在帝国理工学院攻读博士学位时所做的工作。他当时正在NASA工作，并指出，尽管NASA有几十年的额外经验，但与SpaceX等竞争对手相比，NASA有时似乎处于劣势，因为SpaceX的数据都是在数字时代收集和处理的。这并不是因为他们有更多的知识;他们只是能更好地利用它。

2018年，Monolith承担了其第一个商业项目，客户包括欧莱雅、迈凯轮和空客。其目的是为工程师提供一种人工智能工具，作为他们现有工作流程的一部分，而不是为数据科学家提供一种专门的应用程序。

“期望工程师使用为数学家设计的工具有点像告诉人们他们应该自己编写CFD代码，”Ahlfeld说。“我们的经验是，机器学习正在经历计算流体动力学和有限元分析在20世纪90年代所经历的变革。慢慢地，它们开始成为商业工具，可以被从事设计工作的同一个人使用。”

Monolith的应用包括提供数据驱动模型以填补现有模拟无法提供答案的空白，预测3D设计的性能，优化测试计划。

宝马的工程师现在使用该软件来预测碰撞测试和风洞调查的表现。在一个例子中，在不进行物理测试的情况下，Monolith被用来预测在一系列不同类型的碰撞中乘员胫骨受到的力。

这家德国汽车巨头每年要进行1000多次碰撞测试，这意味着会产生大量数据。“如果你回到5年或10年前，你很快就会有成千上万的碰撞测试;每次碰撞测试都有1000到1300个传感器。你实际上是在测量一切，他们有很高的采样频率，所以你创建的数据量是巨大的，”Ahlfeld解释道。

这段关系是通过宝马创业车库建立起来的。该计划被定位为进入价值数万亿美元的全球汽车行业的门户，与来自30个不同国家的1500家初创企业合作，将创新引入该行业。这是Monolith公司自成立以来参与的众多汽车侦察项目之一。

和所有汽车制造商一样，宝马也在其模拟能力上投入巨资。碰撞测试是传统模拟技术近年来取得重大进展的一个领域，但它们仍有其局限性，而且很可能总是如此。

在现实中，仍然有一些事情很难做好

Ahlfeld表示:“在很长一段时间里，实现100%数字化工程一直是业内的一个持续目标。”“在现实中，仍然有一些事情很难做好。如果你进行碰撞测试，当数千个部件以每小时35英里的速度撞击墙壁时，有些方面是很难模拟的。”

最关键的是，这里有一个巨大的数据库，NCAP的测试结果以相同的数字格式保存了超过25年，但其他领域正在迅速赶上。值得注意的是，随着测试车辆和模拟车辆每年行驶数百万英里，开发人员正在生成大量关于辅助驾驶和自动驾驶的数据。

“我们已经看到很多工程师从碰撞测试转向辅助驾驶，因为这是目前一个巨大的兴趣领域，”Ahlfeld继续说。“我们在这一领域学到的教训是，无论何时你研究的是完全不同的东西，简单的物理计算方法都不再适用，所以你需要进行测试并分析这些结果，以了解发生了什么。”

二百万点

在物理设计上也有相似之处。Monolith的另一个客户涉及电动汽车的电机设计。理论上，这一切都受传统物理学的控制，但其中复杂的相互作用可能会使数据难以消化。

“它们有大约20种不同的设计参数，以及不同的电导率和不同的旋转数。每次他们做测试时，每次旋转都会得到一个大得离谱的频率响应，大约有50个输入点和200万个输出点，所以很难解释。”

随着电动化的发展，汽车制造商的NVH开发方法也在改变。以前，内燃机的声音可能掩盖了饰件的轻微响声或后视镜的一点额外风噪声，而电动马达近乎静音的运行暴露了这些问题。

Ahlfeld说:“这再次归结为大量重复的非线性测试。“你有很多潜在的噪声源，所以你需要对所有这些组件进行振动测试，一旦你把它们放进车里，就很难预测它们的表现。在这里，你可以把汽车的一部分放在震动装置上，建立一个机器学习模型，了解震动的原因，然后将其放入汽车的系统模型中，了解它将如何影响噪音，而无需进行更昂贵的测试。”

当然，机器学习需要的一件事是大量的数据——最好是来自一系列密切相关的增量变化的试验。这不是所有情况下都能得到的东西，但在现代工程高度数字化的世界里，这是一种越来越常见的商品。在这种情况下，知识就是真正的力量。