在3月的GTC 上，捷豹路虎（JLR）的技术专家Chris Johnston 介绍了 JLR 在过去几年如何构建高可靠的CFD的AI代理模型，以及未来几年将AI在组织内规模化应用，构建AI驱动的设计工作流的一些计划。

演讲分为2部分，第一部分介绍AI CFD模型的构建，通过2万组全车型全工况仿真数据+风洞数据，训练出CFD的AI代理模型，显著加速CFD求解。第二部分介绍面向未来，通过结合软件工程的持续集成持续交付（CI/CD）思想，构建自动化CAE工作流之上的数字孪生，实现实时决策和优化的计划和思路。

以下是其演讲PPT和内容的汇总整理。Chris Johnston的介绍总体相对笼统，对很多细节的介绍并不太具体，但其思路和方向可供参考。

AI CFD代理模型

1.大量数据训练高精度AI代理模型

CFD对汽车的外形设计很重要，JLR从2022年开始系统性的考虑加速CFD的流程，希望用一个实时预测结果的模型，替代原有的CFD求解过程。

为训练这样一个高可靠的AI代理模型，JLR使用了2万组仿真数据（每组仿真数据包含10亿数据点）和风洞数据来训练AI代理模型。这些仿真数据：

通过大量仿真数据的训练和与风洞数据的对应，实现了AI代理模型输出结果的可信（并没有介绍具体的误差精度）。

2.GPU加速求解计算

2万组CFD仿真的结果需要的求解过程显然非常长，所以JLR使用了GPU加速CFD求解和AI代理模型的训练过程，95%的CFD仿真在GPU上完成，通过NVIDIA GPU（GB200级别的数据中心级GPU）的应用，最高实现27倍的提速。

3.结果：设计仿真一体化

下图中浅蓝色线对应左边坐标是过去使用物理求解器得到一组结果所需的时间，这两年随着GPU的应用，已经被大大的缩短。右边深蓝色是经过变革后AI工作流的每天可以得到的结果数量。（此图不大容易看明白）

最后的结果是得到仿真结果的时间从240分钟缩短到了1分钟：在48个A100上，求解器每天可以得到50组结果。而在1台T4上，AI每天可以出1500组结果。

通过AI工作流加速的CFD流程下，设计和仿真现在合并在同一步骤内，可以实现设计时快速得到风阻预测结果。下图展示和Neutral Concept合作的结果，左边修改汽车油泥模型外观的参数，右边直观的对CFD结果进行展现。

工作流自动化

1.规模化应用AI的新目标

虽然AI代理模型显著加速了预测过程，但是企业内数据是碎片化的，还有大量工程师在手动完成仿真设置，参数复制，版本跟踪等工作，相关工作需要更加自动化的完成。

所以JLR在2025年提出了目标：让工程师从繁杂的系统搬运工作中脱离出来，进行更高维度的思考和创新。

2.引入软件工程的方法

当前工作流的现实挑战：开展不同层次、不同类型的仿真时，仿真工程师脑子里都在运行着一套流程：从配置、设计、创建到测试、决策、迭代，但这套工作流是隐形的，同时，仿真的数据也都是在本地、碎片化的存在。

对应的解决方案，JLR看到在软件工程领域已经存在：持续开发和持续集成（CI/CD）。在软件工程领域，CI/CD是一个广泛应用的简单、准确、标准化和可复制的工作流程，但由于相关流程的执行未实现自动化，使得这一方法在汽车仿真领域并未得到应用。

JLR看来，AI时代，我们需要改善对于模型、输入和输出数据的管理，使其可见，显性化和自动化，让AI能够利用所有的数据。如果能做到这样，我们就能获得和持续迭代、汇聚原本隐性化的个人和团队的知识，并用于后续设计过程，而非每次从头再来。

3.具体的分层做法

JLR的具体做法分为几层：首先是整车平台、系统、零部件等使用代码定义并引入版本控制，具体车型也代码化。

在此基础上，构建持续集成和持续交付的CAE仿真和AI训练自动化管线。

在这些仿真数据的基础上，构建一个数字孪生，能够与真实车型映射，并预测各个系统的性能。通过这个数字孪生，可以可视化并发现性能瓶颈，对各个系统进行设计改进。

4.预期结果

执行基本都是自动化完成，决策更快，从文件驱动走向目标驱动，从孤立的单领域优化走向跨领域权衡优化，从静态模型走向数字孪生，实现实时可解释的决策，工程师的时间用在更有创造性的工作上。