这里的工业软件指
CAD/CAE/EDA/CFD/CAM
等设计仿真软件。
人工智能(AI)技术目前正在对计算机辅助设计(CAD)，计算机辅助工程(CAE)，电子设计自动化(EDA)，计算流体力学(CFD)等工业软件技术产生影响，下面从算法，数据，计算三个维度，从应用和市场角度分析AI技术对这些软件技术领域的影响。
1.算法维度
从算法维度看，机器学习，深度学习等AI算法正在与CAD/CAE/EDA/CFD软件中的传统算法加速融合，带来设计，建模，仿真，优化等环节的技术变革。
1.设计与建模：在CAD领域，AI算法正在推动基于规则，基于特征的参数化设计向基于知识，数据驱动的智能设计发展。深度学习算法可以从大量设计案例中自动学习设计规则和模式，生成个性化的设计方案。拓扑优化等AI优化算法可以在满足功能和约束条件下，自动优化产品结构和形态,实现轻量化设计。Text-To-CAD已经在很多领域变成现实。动动嘴就能完成CAD设计不再遥远。
2.在CAE和CFD中，AI算法可以学习物理现象的内在规律，构建高精度的数据驱动物理模型。例如，基于物理信息的机器学习(PIML)可以学习物理场的内在结构，生成比传统物理模型更高效精准的代理模型(surrogate model)，用于仿真结果的快速预测。
3.网格剖分：在有限元分析，有限体积方法中，网格质量影响计算精度和效率。传统的网格剖分算法，对复杂结构难以实现全自动，高质量的剖分。AI算法可以从大量网格数据中学习网格剖分的规则和策略，实现复杂结构的自适应，智能化网格剖分。例如，基于深度学习的网格剖分算法可以端到端地将CAD模型直接映射为高质量的分析网格。这也是笔者正在进行的工作之一。借助于AI技术，自适应网格划分可能成为历史。同时，AI为偏微分方程的求解带来新的思路方法。例如物理信息神经网络(PINN)可以直接用神经网络来求解偏微分方程。针对不同计算参数，无需多次网格剖分，大幅提高求解效率。但是这种对模型有一定依赖，且需要预先训练，在初期还是需要大量的实践。
4.在优化领域，AI算法如进化算法，强化学习，智能群算法等,可以高效搜索高维参数空间，求解复杂工程优化问题。早期的遗传算法可以求解拓扑优化，布局优化等组合优化问题。而快速发展的AI优化，强化学习，深度学习可以进一步优化求解多目标，多约束的等问题，提升求解效率和精度，实现更高效智能的求解。
2.数据维度
CAD/CAE/EDA/CFD软件长期积累了大量的工程设计，分析，制造数据。这些数据蕴含了丰富的工程知识和内在规律。AI技术为挖掘这些数据的价值提供了新的工具。从数据维度看,AI技术正在驱动工程软件从经验，物理驱动向数据、知识驱动转变。
1.数据挖掘：机器学习可以从海量工程数据中自动提取设计特征,总结设计规律。关联规则挖掘可以发现设计参数之间的关联关系，指导参数化设计。聚类算法可以对设计案例进行自动分类，发现设计模式。异常检测算法可以发现设计和制造过程中的缺陷和异常。数据挖掘使工程软件具备从数据中学习的能力，提高设计效率和质量。
2.知识工程：工程设计和分析依赖大量专家知识和经验。但这些知识多以非结构化的文档，图表等形式存在，难以有效复用。知识图谱，本体等AI技术可以将工程知识进行结构化，语义化表示,实现知识的存储，检索，推理和应用。例如，设计本体可以形式化地表示设计对象，属性，关系等知识,支持设计知识的共享和复用。
3.数字孪生：工程软件生成的数据不仅来自设计阶段，也来自产品的生产，使用和维护等阶段。物联网技术使得产品全生命周期数据可被采集和传输。AI技术可以整合设计，仿真，测试运行等多个数据源，生成产品的数字孪生(Digital Twin)模型。数字孪生可以反映产品的实时状态，预测产品性能，优化运行策略，反馈指导设计改进。这些在
仿真软件十年回顾和展望(整理版)（点击链接查看）
已多有描述，这些最早预测的内容现在已经或者正在快速成为现实。
3.计算维度
CAD/CAE/EDA/CFD软件涉及大规模复杂模型的计算，对计算资源有很高的需求。从计算维度看，AI芯片，云计算等新兴计算架构正在为这些软件的计算提供新的平台，提升计算能力和效率。
1.异构计算：GPU，FPGA，TPU等异构计算芯片善于并行计算，非常适合机器学习等AI算法的加速。异构计算架构正在与传统CPU深度融合，形成AI算法与工程软件的异构计算平台。例如，FPGA可以将机器学习算法嵌入到EDA软件中，实现设计规则检查，版图布局等环节的加速。GPU可以加速矩阵运算和线性方程组求解，这些在CUDA出来之初，就已经得到了广泛应用。
2.云计算：云计算可以为工程软件提供按需，弹性的算力资源，突破本地计算能力的限制。云端的海量存储和数据库，也为工程数据的管理和共享提供了便利。AI模型训练本身就需要大量算力和存储，因此AI驱动的CAD/EDA/CAE/CFD软件将天然与云结合。云上的工程软件服务化，平台化趋势将进一步增强。
3.边缘计算：当前AI训练主要在云端GPU上进行，推理则可以在边缘设备上进行。在智能制造场景中，边缘计算可以让AI与CAD/CAM等软件深度融合。例如在数控机床上部署AI芯片和算法，就可以实现刀具路径，加工参数的实时优化。边缘计算使AI与工程软件不再局限于设计环节，而是深入到生产制造环节，驱动个性化定制等新模式。
4.未来趋势
AI技术与CAD/CAE/EDA/CFD软件技术的结合还处于初级阶段，融合的广度和深度还有很大提升空间。未来,AI技术将系统性地嵌入工程软件的底层算法数据结构和计算框架。工程软件将从"计算机辅助"走向"智能辅助"。
专家知识，物理规律与数据驱动等AI相结合，将成为工程建模，仿真，优化的主流范式。知识图谱将成为工程软件的知识引擎，为设计，制造提供智能决策支持。工程软件将与智能传感，物联网，机器人，3D打印等技术深度融合，构建贯穿设计制造服务的平台。作为软件技术创新的引擎，AI将驱动CAD/CAE/EDA/CFD等软件向自动化，智能化方向升级，提高研发效率，缩短产品上市时间。
其实各家工业软件公司已经深刻意识到了AI技术带来的机遇和危机，都在积极采取行动，深化AI技术应用，垄断相关资源技术，提高行业护城河。这一篇介绍了AI和工业软件应用的内容，下篇介绍对工业软件研发的影响。
