随着AI 在各行各业的应用日益广泛，它将继续深刻影响着人类社会的发展和进步，并彻底改变技术和人类交互的方方面面。据 Forrester 预测，到 2024 年，企业 AI 计划有助于将工作效率和创造性问题解决能力提高 50%。AI 将对工程师和教育工作者等的工作产生影响，即帮助他们节省时间，让他们有更多精力专注于推进科学和工程事业的其他项目。

2024 年推动 AI 持续发展的三大趋势：

AI 和仿真对于设计和开发工程系统至关重要

随着 AI 在各行各业和应用中走向主流，不使用 AI 的复杂工程系统将显得格格不入。工程系统集多个领域的组件和子系统于一体，创建了能够感知和响应周围世界的智能系统。例如，风力发电机结合使用了机械组件（涡轮叶片和变速箱）、电气组件（发电机）和控制组件（叶片螺距）。复杂的 AI 系统之所以大行其道，主要是因为这些系统的设计和开发中更多地融入了仿真。

仿真是一种得到广泛验证的方法，用于执行开发复杂系统所需的多域建模和仿真。AI 可以处理来自传感器的数据，以帮助开发感知系统和自主系统。然而，随着系统复杂性的增加，对系统级和嵌入式设计来说，一些仿真的计算量可能会变得太大，尤其是在需要实时运行模型的测试中更是如此。在这种情况下，AI 还可以通过使用降阶模型来增强仿真。

降阶模型（ROM）可以在加速仿真的同时，仍为控制算法的系统级测试提供可接受的准确度。ROM 模型可以补充第一性原理模型，从而创建变体实现，以便可在准确度、性能和复杂性之间执行权衡分析。

越来越多的工程师都在探索如何将基于 AI 的 ROM 模型集成到系统中。这有助于加速受第三方高保真模型影响的桌面仿真，通过降低模型的复杂性实现硬件在环测试，或加速有限元分析（FEA）仿真。

AI 从业者在将模型部署到速度和内存至关重要的边缘设备时必须考虑其性能。

对于嵌入式 AI，首选小型模型；对于计算机视觉和语言模型，仍首选大型模型

AI 模型可能有数百万个参数，需要大量内存才能运行。在研究中，准确度是首要考虑因素，但在将 AI 模型部署到硬件时，需要在内存和准确度之间进行权衡。AI 从业者必须考虑在将模型部署到速度和内存至关重要的设备时其性能会有何不同。AI 可以作为较小的组件添加到现有的控制系统中，而无需依赖端到端的 AI 模型，例如那些在计算机视觉中检测对象的常用模型。

在讨论较小的 AI 模型时，一个特别重要的主题是增量学习。增量学习是一种机器学习方法，它使模型能够通过在新数据可用时实时更新其自身知识来持续学习；这是一种高效的边缘部署方法。

复杂 AI 系统的成功与否取决于是否将仿真融入工程系统的设计和开发中。

GenAI 帮助工程学教授讲授更高级的主题

生成式 AI（GenAI）是一项颠覆性技术。在 2024 年及以后，工程学教授将在课堂上大规模使用这项技术来为学生提供帮助。与互联网或手机非常类似，GenAI 正掀起一场革命，将改善整个工程教育领域的现状。

在课堂上使用 GenAI 的主要优势是，在向工程专业的学生教授基本技能（如计算机编程）时，它可以帮助节省时间。这样，教授不必再像以前一样花费时间讲授低级概念，现在可以专注于讲授高级主题，如复杂工程系统的设计和实现。通过使用 ChatGPT 等技术运行仿真，并创建交互式练习和实验，教授可以节省时间，并让学生更好地参与其中。

教授可以教会学生有效掌握 GenAI 的必备技能，例如提示工程。这有助于学生培养学以致用的批判性思维技能，而不是完全依赖计算机来解决问题。因此，学生最好在各种工程学科中做到独立学习，而工程学教育工作者可以在更高级的概念方面分享专业知识的同时，进一步拓展课程。

结束语

随着 AI 日臻成熟，它在提高工程师和教育工作者的工作效率和潜力方面将发挥着日益明显的作用。在构建复杂的工程系统时，工程师采用 AI 辅助仿真和更小的 AI 模型不失为明智之举。在学术领域，生成式 AI 帮助教育工作者节省了精力，让学生更加独立。借助 AI，众多行业和教育机构可以做出更明智的决策，获得可操作性的建议，并提高效率。