一天设计1000个：Neural Concept 的 Thomas von Tschammer 谈 AI 原生工程

摘要

• Neural Concept 近期的切入口，是让工程迭代的成本结构发生跃迁：学习型物理预测从几天缩短至几分钟，把可行搜索空间从几十个设计扩展到数千个。 CAD 和有限元分析已经把汽车开发从每年约5–10个物理样机，提升到每年50–100个仿真设计；AI 又带来一个数量级的变化。Thomas von Tschammer 强调：“我们并没有完全取代数值仿真。”昂贵的求解器和物理样机会被推迟到流程后段，用来验证最有希望的候选方案。
• Jaguar Land Rover 提供了最清晰的量产验证，将外部空气动力学评估量从每天50个设计提升至1,500个。 Neural Concept 其他客户的项目则将电池冷却部件开发周期缩短了80%；Thomas 另外提到，有些设计的冷却效果提升20%、重量降低15%。因此，更快迭代不只是节省人力，也能带来决定供应商能否赢得项目的性能改进。
• 正在成形的技术栈，结合了前沿推理模型、企业专属工程知识、CAD 控制、数值求解器和专业物理模型。 普通 LLM 无法准确解决外部流体动力学问题，但“配备正确工具”的智能体可以修改几何结构、调用高保真仿真，并在自动化闭环中使用 Neural Concept 的快速预测器。基于企业专属仿真和测试数据进行微调，会把专有信息沉淀为持续积累的经验——“把数据看作知识”。
• Nathan Labenz 迫使 Thomas 超越相对稳妥的“副驾驶”框架，Thomas 也承认，从规格定义到设计和仿真的每一个单独步骤“都可以、也应该自动化”。 他保留的边界在于整车巨大的权衡空间——安全、空气动力学、热性能、制造、成本及其他相互耦合的约束——工程师仍需作最终判断。随着智能体成为可与席位并列、甚至取代席位的工作单元，Thomas 预计定价将“纯粹基于价值”。
• AI 的采用可能在制造商之间制造“指数级差距”，因为西方产品开发周期已经显著慢于中国。 Thomas 给出的数据是，美国或西欧 OEM 开发一款新车需要48–60个月，中国则为18–24个月；中国的优势很大一部分来自灵活、高度自动化的制造体系，以及更少的流程遗产。 数字原生硬件公司能更快采用新工作流，因为它们可以选择“今天外面最好的东西，而不是昨天最好的东西”。
• Formula 1 是在算力稀缺条件下提升计算产出、并暴露出人类会直接否定的设计的高压试验场。 车队面临按排名调整的空气动力学仿真 CPU 小时上限，但 AI 工作流可以一夜生成并评估100,000种配置。工程师有时会发现，看起来很糟的设计反而胜过他们自己提出的所有方案——“当时以为这是个失误”——但它仍然符合物理规律。
• Thomas 认为可实现的路线是：首年在选定学科提速20%–40%，随后随着 AI 打通空气动力学、碰撞、热管理和制造之间的壁垒，把迭代周期缩短50%–60%。 一些具体的多学科工作流已经实现约60%的提速，但还没有 OEM 在整车规模上完成部署。他认为，制约更广泛强化学习式产品闭环的主要因素是基础设施、治理和数据流，而不是缺少某项基础 AI 能力；AI 原生工程“已经在发生”，“加速才刚刚开始”。

精读

1. 工程第一次数字化跃迁，留下了 AI 正在攻克的瓶颈

• Nathan 以父亲在 GM 的职业经历为起点：手绘图纸和计算尺后来让位于 CAD，但工程师仍要手动修改几何结构、提交求解器、等待结果，再尝试下一个想法。

• Thomas 对汽车工程的最初记忆，是制造并撞毁物理样机。高昂成本意味着一个项目每年可能只能测试5–10个候选设计；CAD 和有限元分析用数值碰撞替代大量实体碰撞后，把范围提升到约50–100个。

• 剩下的约束变成了计算能力。一项高保真碰撞仿真就可能占用大型集群1–2天；空气动力学、热管理、电磁学和结构动力学同样受制于昂贵的求解器。

• AI 把节奏从“几天出结果”改成几分钟出结果。意义不只是把旧流程跑得更快，而是让工程师能够审视数千个选项、搜索更丰富的设计空间，再把昂贵验证留给最终入围方案。

2. 物理感知模型吸收企业经验，但不会让求解器退场

• 一辆汽车涉及多套不同物理体系：外部空气动力学和 EV 续航、乘员与行人安全、电池与发动机冷却、座舱通风、电机电磁学、底盘耐久性，以及道路诱发的结构动力学。大型 OEM 在这些部件和子系统上雇用了数千名专业人员。

• 模型可以从数值仿真、物理测试，或两者的混合数据中学习。对于传统求解器难以准确捕捉的现象，风洞或测试回路可以提供实验数据；低保真仿真也可以与这些测量结果结合，进行混合训练。

• Thomas 不接受“全面替代”的叙事：“我们并没有完全取代数值仿真”，就像仿真从未消灭物理样机。当前模型会基于每家公司的数据和要求进行微调，并随着新结果出现持续再训练，把组织经验沉淀下来，让下一轮开发从更高起点开始。

3. JLR 将外部空气动力学吞吐量从每天50个提升至1,500个

• Jaguar Land Rover 已公开的 Neural Concept 工作流，先是通过并行化和优化传统空气动力学仿真，把日评估量提升到约50个设计；量产 AI 工作流进一步提高到1,500个，加快了造型团队与优化 EV 续航的空气动力学工程师之间的博弈。

• 一家设计电池冷却部件的供应商将开发周期缩短了80%。Thomas 另外提到，有些方案冷却效果提升20%、重量降低15%。他谨慎地表示，空气动力学探索也可能带来2%、3%或5%的改进，而这可能“改变游戏规则”。

• 关键不在魔法，而在候选方案数量：方案越多，越有机会找到超出工程师直觉范围的性能组合。人的角色从手动提出每个几何方案，转向在模型生成的“解空间”中导航。

4. Copilot 不是普通 LLM，而是能调用工具的系统

• 当前工作流“不是一个黑箱”，不会接收规格后直接返回理论上最好的汽车。系统可以解读需求并搭建基础模型，但工程师仍要验证中间步骤、引导探索，并在相互竞争的目标之间作出选择。

• 自动化会闭合迭代环路：智能体可以操作 CAD、生成几何结构、把候选方案发送给数值求解器、调用更快的专业预测器，并返回结果，不再需要工程师反复手动准备每个工具。

• Thomas 借用了 Jensen Huang 的“五层蛋糕”框架：通用模型负责推理，应用层则补充工程上下文和技能——什么样的几何结构有效、注塑规则如何约束部件，以及应该优化哪项物理或制造目标。

• Neural Concept 在2019年的初始架构不是 LLM，而是源自计算机视觉的模型，输入3D几何结构，预测空气动力学、形变或温度。如今，这些物理感知模型会作为工具嵌入更广泛的智能体，而不再与通用推理模型直接竞争。

5. 单项任务都可能自动化，但整车仍未必是黑箱

• Nathan 认为工程规格可能比许多软件需求更明确，但 Thomas 表示，RFQ 和规格仍没有被完全标准化或定义清楚。一个部件厚度的改变可能沿着整车相互连接的约束传播，因此问题仍比表面上看起来更不确定。

• Thomas 起初表示，AI 会消除低价值的准备、仿真和制图工作，但不会取代工程师。Nathan 的反问值得保留：模型已经可以构思方案、拆解系统、创建3D表示并运行求解器；为什么“一小群 Fables”不能设计出下一款车型？

• Thomas 坦率承认，所有这些单独任务“都可以、也应该自动化”。他的保留意见在于，不能把整车的每个维度合并进一个黑箱；工程师应保留最终权衡，因为他们内置的领域经验和产品取舍，也是不同 OEM 形成差异化的方式。

6. 智能体推动价值定价，采用速度则扩大企业差距

• 当价值不再绑定于一个获得辅助的个人席位，而可能来自自主运行的智能体时，Thomas 预计按席位收费的模式会让位。最终将转向按交付价值定价，具体如何衡量，则取决于行业和应用场景。

• 他预测，采用 AI 驱动工程的公司与拒绝采用的公司之间会出现“指数级差距”。传统 OEM 必须改变已经大体稳定了20年的团队、工具、治理方式和工作习惯，这是一场组织变革，而不是安装一套软件。

• 数字原生硬件公司往往成立不超过10年，可以在一年内把新工作流扩展到多个应用。Thomas 认为，它们缺乏根深蒂固的流程，反而为更快的新进入者打开了空间；老组织的采用速度则差异很大。

7. 中国18–24个月的周期，暴露西方48–60个月的劣势

• Thomas 估计，从决定启动项目到投入生产，美国或西欧 OEM 开发一款新车需要48–60个月，中国则为18–24个月。Nathan 称这一速度差距“令人警醒”。

• Thomas 认为，中国的优势更多体现在设计完成到工厂投产之间。中国工厂自动化程度高、运营更灵活；欧洲和美国的工程高管已经在访问中国、研究这些体系，并把相关做法带回本国。

• 中国在设计端也受益于较少的流程遗产。当地公司可以承担更多风险，选择“今天外面最好的东西，而不是昨天最好的东西”，而不是把 AI 硬塞进继承自2000年代的流程和工具选择中。

• 但优化从一开始就必须纳入可制造性。增材制造在15年前带来的启示是，几何自由并不等于可以经济地规模化生产；冲压限制、设计规则、物理规律和成本都必须约束 AI 的搜索空间。

8. 空气动力学最可能先成为工程基础模型

• Nathan 询问，按公司训练的模型何时会扩展成更广泛的基础模型，并提到与“ Nano Banana Omni”相关的多模态整合。Thomas 认为，通用空气动力学是“最容易摘的果实”：其物理机制复杂，但跨公司迁移性相对较强，因此他预计这类模型会很快出现。

• Neural Concept 正在研究这一方向，但“可能不会第一个”做出基础模型。它希望占据的是应用层位置，让任何此类模型都能在拥有100,000名工程师的组织中真正可用——整合领域工作流、可视化、几何编辑、工具及其他能力。

9. Formula 1 把受限算力变成 AI 压力测试

• Formula 1 车队面临明确的外部空气动力学仿真 CPU 小时上限。额度根据上一年度排名浮动，排名更高的车队反而获得更少算力，避免比赛变成由最大预算赢下的算力军备竞赛。

• 这一规则让预测效率直接成为竞争力：在额度内完成更多有用评估，就能探索更多几何方案，也就更有机会在下一场比赛前提升赛车性能。

• Thomas 认为，F1 工程是全行业最灵活的形态。赛车每周都要进行细节级改动，迫使团队实现极致自动化；Neural Concept 会邀请车队“挑战极限”、打破其工作流，因为失败能暴露需要改进的地方，为更大范围的 OEM 部署提前试错。

• 比赛剖面会被转化为工程要求——例如提升直道性能——随后系统在一夜之间探索并评估100,000种配置。第二天早上，空气动力学工程师查看交互式仪表盘，分析权衡和几何结构，挑选能够推进到下一个周六的方案。

10. 多移动37个设计，具备可量化的商业价值

• 工程师有时会告诉 Neural Concept，他们本来会立刻淘汰某个 AI 提出的形状，结果却发现它胜过所有人工候选方案。这个结果看起来像一个失误，却没有违反任何物理规律，迫使工程师回到仪表盘，理解并修正自己的直觉。

• 对一家零部件供应商而言，额外拿下一个 OEM 项目可能价值数百万或数千万美元。把开发周期从6个月缩短至3个月，还能多出3个月改进制造；如果一个部件成本降低10%，就可能帮助供应商赢得多个总价值数亿美元的项目。

• 对 OEM 而言，Thomas 表示，从零开发一款汽车通常需要约10亿美元。把周期从48个月向24个月靠拢，或者哪怕节省20%的开发成本，客户愿意支付多少费用的账就会“很快算清楚”。

11. 两年路线图：先在组织孤岛内提速，再打通孤岛

• Thomas 对第一年的目标，是让碰撞安全与动力学、动力总成等核心学科中的每一次迭代都由 AI 参与。协调相关工具的 AI 工作流可以带来20%–40%的提速，无需等待整车实现自主开发。

• 第2年及以后，目标转向多学科优化：空气动力学的改变要同时考虑碰撞、热管理、制造和最终设计约束。打破团队之间的孤岛，才能让收益叠加，推动周期缩短50%–60%。

• 一些聚焦的多学科自动化工作流已经实现约60%的提速，但 Thomas 明确表示，还没有 OEM 在整车规模上完成这种部署。

• 采用会横跨两个极端。“工程师在某种意义上是艺术家”，有些人不愿失去自己享受的手工工作；但一旦用上系统，等待和准备就会让位于交互式的“假设场景”探索，而这恰恰是许多工程师真正感到有趣的部分。

12. 物理供给的扩张，更多受治理约束，而非 AI 能力缺口

• Thomas 认为，自动驾驶可能让汽车商品化，但 AI 也能通过编码每家制造商的工程知识和产品取舍来维持差异化。随着自动驾驶成熟，新的产品形态应该会出现：底特律公司目前是在标准汽车上适配自动驾驶，而 Zoox 的自动驾驶优先机器人出租车则有意“不是一辆车”。

• 当被问及未来5年内，端到端强化学习闭环能否覆盖虚拟客户、战略、设计和验证时，Thomas 看不到根本性的能力缺口。各个组件都已存在；大公司的瓶颈在于基础设施、治理、数据理解，以及把信息放到正确的位置。

• 数值求解器仍是物理约束的锚点，因为“物理规律不会被突破”。机器人会在工厂中发挥作用，但 Thomas 怀疑人形是否是理想形态，并指出模型表现、过热、自主能力、灵巧手和硬件耐久性仍有待解决。

• 在通用机器人出现之前，更广泛的自上而下智能可以先围绕这些物理瓶颈实现自动化。Thomas 最后的判断是，AI 原生产品已经存在于汽车、航空航天与国防、消费电子等领域；外部观察者低估了转型的临近程度，而“加速才刚刚开始”。