隨著 AI 在各行各業的應用日益廣泛，它將繼續深刻影響著人類社會的發展和進步，并徹底改變技術和人類交互的方方面面。據 Forrester 預測，到 2024 年，企業 AI 計劃有助于將工作效率和創造性問題解決能力提高 50%。AI 將對工程師和教育工作者等的工作產生影響，即幫助他們節省時間，讓他們有更多精力專注于推進科學和工程事業的其他項目。

2024 年推動 AI 持續發展的三大趨勢：

AI 和仿真對于設計和開發工程系統至關重要

隨著 AI 在各行各業和應用中走向主流，不使用 AI 的復雜工程系統將顯得格格不入。工程系統集多個領域的組件和子系統于一體，創建了能夠感知和響應周圍世界的智能系統。例如，風力發電機結合使用了機械組件（渦輪葉片和變速箱）、電氣組件（發電機）和控制組件（葉片螺距）。復雜的 AI 系統之所以大行其道，主要是因為這些系統的設計和開發中更多地融入了仿真。

仿真是一種得到廣泛驗證的方法，用于執行開發復雜系統所需的多域建模和仿真。AI 可以處理來自傳感器的數據，以幫助開發感知系統和自主系統。然而，隨著系統復雜性的增加，對系統級和嵌入式設計來說，一些仿真的計算量可能會變得太大，尤其是在需要實時運行模型的測試中更是如此。在這種情況下，AI 還可以通過使用降階模型來增強仿真。

降階模型（ROM）可以在加速仿真的同時，仍為控制算法的系統級測試提供可接受的準確度。ROM 模型可以補充第一性原理模型，從而創建變體實現，以便可在準確度、性能和復雜性之間執行權衡分析。

越來越多的工程師都在探索如何將基于 AI 的 ROM 模型集成到系統中。這有助于加速受第三方高保真模型影響的桌面仿真，通過降低模型的復雜性實現硬件在環測試，或加速有限元分析（FEA）仿真。

AI 從業者在將模型部署到速度和內存至關重要的邊緣設備時必須考慮其性能。

對于嵌入式 AI，首選小型模型；對于計算機視覺和語言模型，仍首選大型模型

AI 模型可能有數百萬個參數，需要大量內存才能運行。在研究中，準確度是首要考慮因素，但在將 AI 模型部署到硬件時，需要在內存和準確度之間進行權衡。AI 從業者必須考慮在將模型部署到速度和內存至關重要的設備時其性能會有何不同。AI 可以作為較小的組件添加到現有的控制系統中，而無需依賴端到端的 AI 模型，例如那些在計算機視覺中檢測對象的常用模型。

在討論較小的 AI 模型時，一個特別重要的主題是增量學習。增量學習是一種機器學習方法，它使模型能夠通過在新數據可用時實時更新其自身知識來持續學習；這是一種高效的邊緣部署方法。

復雜 AI 系統的成功與否取決于是否將仿真融入工程系統的設計和開發中。

GenAI 幫助工程學教授講授更高級的主題

生成式 AI（GenAI）是一項顛覆性技術。在 2024 年及以后，工程學教授將在課堂上大規模使用這項技術來為學生提供幫助。與互聯網或手機非常類似，GenAI 正掀起一場革命，將改善整個工程教育領域的現狀。

在課堂上使用 GenAI 的主要優勢是，在向工程專業的學生教授基本技能（如計算機編程）時，它可以幫助節省時間。這樣，教授不必再像以前一樣花費時間講授低級概念，現在可以專注于講授高級主題，如復雜工程系統的設計和實現。通過使用 ChatGPT 等技術運行仿真，并創建交互式練習和實驗，教授可以節省時間，并讓學生更好地參與其中。

教授可以教會學生有效掌握 GenAI 的必備技能，例如提示工程。這有助于學生培養學以致用的批判性思維技能，而不是完全依賴計算機來解決問題。因此，學生最好在各種工程學科中做到獨立學習，而工程學教育工作者可以在更高級的概念方面分享專業知識的同時，進一步拓展課程。

結束語

隨著 AI 日臻成熟，它在提高工程師和教育工作者的工作效率和潛力方面將發揮著日益明顯的作用。在構建復雜的工程系統時，工程師采用 AI 輔助仿真和更小的 AI 模型不失為明智之舉。在學術領域，生成式 AI 幫助教育工作者節省了精力，讓學生更加獨立。借助 AI，眾多行業和教育機構可以做出更明智的決策，獲得可操作性的建議，并提高效率。