从15小时到1分钟：AI/ML如何加速通用汽车的研发进程
在汽车行业，虚拟化工具早已不是什么新鲜事，从计算流体动力学（CFD）到有限元分析（FEA），再到数字孪生，计算机辅助工程（CAE）已成为新车研发的标配。然而，通用汽车（GM）首席产品官Sterling Anderson认为，行业正在进入第三个工程纪元——一个由AI/ML驱动的、将传统串行开发流程压缩为并行概率化设计的新时代。
Anderson将最早的工程时代描述为“高度经验性的迭代设计”：工程师观察自然、建造原型、测试修改，循环往复。这种“猜测-检查”的过程极其缓慢，一个设计方案可能需要数周甚至数月才能验证。第二个时代始于计算机的介入：CFD帮助空气动力学工程师、FEA帮助结构工程师，但开发流程仍然是“接力赛”——设计部门将结果传给空气动力学部门，再传给结构部门，发现问题后打回重来。这种串行模式虽然比纯物理原型高效，但跨部门沟通和迭代仍然耗时。
通用汽车正在推动的第三个时代，则将这些功能“坍缩”为一个单一、广泛信息化的概率化方法。Anderson强调，这里的“概率化”指的就是AI/机器学习。传统仿真需要基于物理模型进行精确计算，一次CFD仿真可能耗时15小时；而AI模型通过学习海量历史仿真数据，能在1分钟内给出高度准确的预测结果。这不仅是速度的提升，更是设计范式的转变：工程师可以同时探索数千种设计方案，而不是逐一验证。
AI/ML在通用汽车的应用并非孤立于仿真环节。Anderson提到，从造型设计到制造工艺，AI正在渗透全链条。例如，生成式AI可以根据空气动力学和结构约束自动生成零部件几何形状，机器学习模型可以预测冲压工艺中的回弹量。更重要的是，AI使得“多学科协同优化”成为可能：一个设计方案可以在空气动力学、结构强度、NVH（噪声、振动与平顺性）等多个维度上同时被评估，无需等待每个专业部门依次审核。
当然，AI并非万能。Anderson指出，AI模型的准确性高度依赖训练数据的质量和覆盖度，对于全新的、没有历史数据支撑的设计场景，传统仿真和物理测试仍然不可或缺。通用汽车的做法是“AI加速仿真，仿真验证AI”——AI提供快速初步结果，传统高精度仿真负责最终确认，两者形成互补闭环。
从行业视角看，通用汽车的实践代表了汽车工程从“工具辅助”向“智能驱动”的转型。当AI将仿真时间从15小时压缩到1分钟，工程师的创造力被解放出来：他们不再被漫长的等待束缚，可以更频繁地尝试激进的设计方案。这种速度优势在电动化、智能化竞争日益激烈的当下，可能成为关键胜负手。
