注册并分享邀请链接,可获得视频播放与邀请奖励。

搜索结果 AI工程仿真
AI工程仿真 贴吧
一个关键词就是一个贴吧,路径全站唯一。
创建贴吧
用户
未找到
包含 AI工程仿真 的推特
AI驱动的Fluent无人机外部流场CFD仿真 这次尝试用 Codex 帮我在Ansys Fluent 里跑一个飞行器的气流 CFD仿真。从导入模型、生成网格,到设置来流、查看压力云图和气流动画,中间也遇到了一些方向和显示问题。这个视频主要记录整个调试和可视化过程。 #Codex# #AI工程仿真# #ANSYS# #Fluent# #CFD# #外流仿真# #气动仿真# #瞬态仿真# #PyFluent# #网格生成#
显示更多
#从写代码到设计硬件、AI# 正加速进入物理世界的研发环节。 OpenAI 最新披露,Astra 已参与设备外观、机械结构、PCB 及固件设计,两名成员利用业余时间、不到一周完成测试设备设计,制造商不到一个月完成小批量原型;同时,OpenAI 与马自达探索将 AI 用于汽车气动及碰撞安全设计,与 CGR 探索从零件扫描到 CAD 模型和制造图纸的工作流。 AI for Engineering 的下游场景正向汽车、电子及工业研发延伸。 🚀 #核心看点在于:工程设计门槛下降、迭代提速,有望创造更多设计与仿真需求。我们认为,随着# AI 降低建模、出图和仿真准备的成本,工程师能够探索更多方案,过去受制于人力和预算的研发需求有望释放,推动“更多设计方案—更多仿真验证—更多模型与算力调用”的正向循环。OpenAI 硬件团队自今年 2 月以来,模型 token 使用量增长 23 倍,已提供工程场景高强度调用的早期信号。 💡 #物理AI:需求空间从数字内容生产拓展至实体产品研发与制造。# 工程设计与仿真有望成为物理 AI 的重要落地入口,并为后续制造与执行提供基础。看好具备工业数据、专业工具集成和客户场景积累的企业,关注工业设计与仿真软件、工程智能体及推理算力的增量机会。当前制造公差、装配约束等环节仍需人工审核,后续重点跟踪从原型验证向规模化付费的转化。 🌹 关注: #物理ai:奥比中光、索辰科技、五一视界、中控技术# #专业工业工具:华大九天、中望软件等#
显示更多
AI数采看似门槛低,实则是具身智能时代的核心基座;真正的百亿级大机会只属于拥有仿真闭环和底层工程能力的团队,普通人仅能分得执行层的小一杯羹。 数采正从单纯的“劳动密集型外包”转向决定物理AI泛化上限的“基础设施工程”。面对数十倍的高质量数据缺口,行业核心价值正向合成仿真、软硬件协同和数据闭环加速集中。 普通创业者应避开自研仿真等重资本赛道,转而发挥“轻资产、强执行”优势:一方面作为履约节点承接上游外包,用轻量化设备收集真实世界长尾数据;另一方面深耕特种工业、农业等垂直场景 Know-How,通过“采集+初洗+质检”的工程化服务吃下独家私域数据红利。 大家觉得普通人做数采外包这个工作如何?起码在机器人智能领域国内的机会应该是大把的吧,VLA技术路径天然有泛化问题,所以需要更多的数据进行强化训练,而且是多轮多迭代类型的,每次的数据可能还有些不同(例如拿不同的锅炒同样的菜),感觉就像当年个Scale AI赋能智驾和后面LLM大模型训练一样的道理,只是这个数据量还要大很多很多!
显示更多
党哥下一步是做ansys和simulink,AI Agent开发,Agent使用,goal driven去设计仿真完整产品。 党哥的终极目标是agentically and recursively把制造业、工业、控制、电子、电气的所有设计验证仿真工作全部做完, 我相信,中国是一个制造业大国,如果能用agent完成一切的工业电气自动化半导体设计, 就可以帮中国的企业节约掉绝大多数工程师研发的费用,中国所有工科生(包括清华电子电机电气本硕博)就不用坐在办公室里加班做设计研发测试,直接集体进厂了。
显示更多
0
28
87
8
转发到社区
小鹏汽车 AI 基础架构部负责人陆思渊即将离职,目前正在交接工作。他的下一站是 OpenAI,将参与具身智能机器人研发。 陆思渊负责小鹏从模型训练到上车量产的整套 AI 基础设施,直管约 200 人。工作覆盖训练框架、GPU 集群、自研芯片编译器、模型量化优化和车端部署。 这个岗位对小鹏格外关键。小鹏走自研芯片路线,编译器和推理运行系统都要自己搭建。由于暂未找到接替者,陆思渊的团队预计拆成三个以上独立团队。 OpenAI 官网目前仍在招聘机器人软件、仿真和固件工程师。官方称,机器人团队正在研发可在真实环境工作的通用机器人,并打通模型、硬件和软件。
显示更多
字节第一个赚到钱的 AI 业务:Seedance 2.0,毛利率达70% 每卖出 10 元 API 调用,服务器和推理成本约占 3 元。一位业内人士根据 Seedance 2.0 的模型参数估算,一次完整训练成本在数亿元。 相比之下,语言模型通常有更多版本、更密集的迭代和更长的训练周期,总体训练成本可能是视频模型的 3 到 5 倍。Seedance 目前主要押注一个视频生成模型,训练投入更容易被后续收入摊薄。按这样的成本结构,“要实现盈利并不困难。” 上述人士说。 不过大模型的毛利率还取决于字节如何计算折旧。字节并非长期租用外部算力,主要成本来自自建数据中心和自购芯片。芯片按几年折旧会显著影响账面成本。类似争议在硅谷也存在:AI 芯片迭代太快,折旧年限到底该按传统服务器计算,还是按更短的技术周期计算,尚无定论。 这些都是更大的投入换来的。2025 年,业内主流判断是:沿传统的 DiT 架构(扩散式 Transformer)继续训,模型提升空间已经不大,多数团队转向后训练。业内头部的团队,有更多的资金、资源投入,做极致预训练模型。 经近一年优化,Seedance 2.0 成为第一个完整采用 MoE 的视频生成模型,参数 2000 亿,2026 年 2 月上线后迅速成为全球性能最强的视频模型。 今天的视频和语言大模型训练都必须用昂贵且难以买到的英伟达 GPU 或者 Google TPU。但训练完,上线使用时,视频模型对推理芯片的要求更低。语言模型一个词接一个词生成、每步都要回看上下文,对显存和卡间通信要求很高;视频模型的 DiT 架构能把一批数据一起算、分批输出,同样吃算力,但对卡间通信依赖低,很多国产芯片都可以跑。这是高毛利的基础。 Seedance 研发人力也更便宜。一位猎头说,多模态高阶人才薪资普遍比语言模型方向低 30% 左右。视频生成的竞争烈度低于语言模型,团队也精简——Seedance 核心算法成员仅十余人,绝大部分毕业就去了字节:总负责人曾妍是 2021 届博士毕业后加入,预训练负责人魏国强是 2023 届博士毕业,负责工程化的吴捷 2020 年从中山大学硕士毕业。 如今 Seedance 已经成为 AI 仿真人剧、漫剧的重要生产工具。制作公司借助它自动拆解剧本,生成分镜和提示词,再上传提前确定好的人设图、场景图,就能生成视频。人的工作主要变成检查结果,筛选出可用画面。 据我们了解,头部漫剧公司使用 Seedance 的算力成本在 5 万元左右。
显示更多
0
34
91
13
转发到社区
半年来,我一直反复介绍的四个原则: 原则1,AI时代的第一性原理:LLM一定会越来越聪明,benchmark越来越高,context window越来越大,reasoning越来越长,价格越来越便宜,inference速度越来越快, 这是scaling law今天依然持续的具体方向,不用你质疑,这是你唯一的信仰和行业最大共识。 原则2, 管理学设计红利:从我提出“自动编程机”、行业提出vibe coding、SWE-Agent以来,从cursor到manus到metaGPT到claude code, 人们逐渐把LLM Agent抽象成人,把软件管理、工程管理、管理学等等所有方法论直接套在multi agent workflow上面,严格按照人类管理学的方式去拆分、review、执行、反馈、循环, 这一波很快红利也吃完了,因为 a. LLM Agent毕竟不是人,存在着memory有限、执行力有限、function calling工具有限等等局限;b. 人类用于管理学的各种方法,直接套在LLM Agent上有利有弊,红利迅速挖掘完,剩下的弊端大量存在,比如过度交流、七手八脚、随时停工等等。 原则3,LLM Agent的职位和定位:绝大多数人,把claude code当做一个工具,最终的产品是用工具来完成的,最终的代码也是人与SWE Agent一步一步interactively迭代产生、迭代review、迭代部署的, 而我反复告诉过所有人,也是我又一条首次提出的原创观点,multi agent未来越来越会变成本身的一个runtime,这个runtime就运行在production里面,产品和面向的对象消费的,不只是软件或者SaaS本身,而是这个runtime实时产生的内容, 所以claude code/opencode/codex/openclaw这些agent,本身将会越来越多地被嵌入到产品本身,在产品关键逻辑和决策中发挥作用, 而绝对不仅仅停留在开发层面,把产品仅仅局限在SWE Agent单向产出和部署的代码和服务上。 原则4,也是我一直强调的,就是当人们试用了SWE Agent这种强大工具之后,人们还有哪些low hanging fruits可以寻找?SWE Agent目前最适合解决哪类问题? 我反复讲过的一点是,对于一个设计复杂、环境复杂、场景复杂、用户复杂、体量复杂、范式复杂、一切开放、一切无解的超级复杂系统,这并不是SWE Agent最擅长的领域,相反这些场景需要人去和环境、客户、场景、性能一点点迭代才能打磨好的产品, 比如微信的100种功能,Facebook的一大堆功能模块和十几年来迭代出来的极其复杂的infra,支付宝后面成千上万的基金和风控,这些都不是AI Agent能一次性解决的问题,相反这些场景和问题不仅高度开放,更高度依赖人的观察、人的设计、人的反馈、人的定义。 AI Agent最适合的场景,甚至是我原创提出goal driven( a. 定义简单、干净、封闭(一道数学系、一个确定性最小系统、一个编译器、一种算法、一个lean证明、一个电路或者信号模拟、蛋白质模拟和预测、CAD设计与仿真、游戏关卡测试、行为经济学仿真,都是well-defined problems,都有非常明确且封闭的边界) b. 解决问题的搜索空间巨大(可能有100~10万种天马行空的解决方案,并且绝大多数都是错的) c. 容易验证,容易verify,验证的成本是设计成本的千分之一(比如编译器,设计可能需要几万行甚至几十万行,验证只需要2000个test case全面覆盖,或者一道数学题,解决需要100步,验证答案只需要带入或者lean编译这一步) 当然,写一段简单的代码,定义一个封闭、完整、定义完全的编程问题,符合上面这些定义, 但是设计一套巨大、复杂、开放、与现实世界深度绑定、高度耦合的系统,让这个系统复杂迭代、添加功能、沟通、review、工程管理、产品管理,这些问题都远远超出这个范畴,很明显是不符合这个要求的。 人们未来探索这些multi agent产品和场景的最关键出路,在于继续挖掘这一类问题,而不是盲目把agent比作一个人,乱套各种管理学方法。 原则5,这一点我先保密,之后我再讲。
显示更多
0
20
287
62
转发到社区
我曾经做了6年的芯片前端,还是对这个行业挺有感情的。 芯片设计为什么很难一次流片成功?从 RTL 代码仿真验证,到后端布局布线生成版图,验证环节就要占用七成项目时间。 先进工艺时序收敛难度极大,像 Blackwell 芯片有 2080 亿晶体管。 2nm 芯片研发成本高达 7.25 亿美元,如今一次流片成功率仅 5%,返工代价巨大。 EDA 工具被三家巨头垄断(新思 Cadence 西门子),AI 可以辅助验证和布局,但暂时替代不了芯片工程师。芯片设计本质就是在虚拟世界预演,再落地到硅片上的高风险工程。
显示更多
一个人用 Claude Opus 5.5 搓了个网页版战斗机模拟器,直接被 Three.js 官网挂在了首页最顶上。 两周 2.5 万人玩,每天还有 1000 人在线开飞机。 看完这个哥们的复盘,我觉得现在用 AI 做独立产品,真正的分水岭在于你把省下来的精力花在了哪。 很多人拿到强模型,图的是省事,恨不得三句话出个能跑的玩具就拿去发。 这哥们刚好反过来。 底层最吃工程量的硬活,他全甩给 AI 去啃。 为了还原手感,他先让 Opus 5.5 跑长程的物理仿真研究,观察真实战机的气动规律,再移植成浏览器能流畅跑的代码。 工程上直接开好几个 Agent 各自拉分支,联机排位、音效、抓 iPhone 闪退和加载卡顿同时跑,他自己在主干道上只干一件事:审代码合并。 那省下来的脑子,他拿去干嘛了? 全砸在了那些极其变态的体验细节上。 比如拿真实的座舱实拍录像去对齐 GoPro 鱼眼镜头的畸变,就为了让人一进去感觉像架了台真相机。 再比如专门去抠座舱盖的着色器,做出玻璃上的细微划痕迎着太阳反光、穿过云层时雨滴在玻璃上凝结滑落的效果。 说实话,看到这我真服了。 以前独立开发者一个人写完物理引擎和联机服务器,半条命都交代了,哪还有心思管玻璃上的划痕反不反光。 现在 AI 把 0 到 80 分的脏活累活包圆了,聪明人反而把 100% 的精力,全砸在了 90 到 99 分的审美和手感上。 这才是个人杠杆最狠的地方。 当然,这套打法能跑通有个前提:你自己得有兜底审分支的工程判断力,还得真见过好东西长什么样。如果脑子里连镜头畸变和光影质感的概念都没有,手底下挂十个 Opus 5.5,也只是在更高效地堆平庸代码。 刚去他网站(
显示更多
0
44
967
131
转发到社区
GPT-5.6和Fable 5联手搞定了一个25年没人证出来的通信理论问题。 说出来有点反常识:用的算法是2000年代就有的。 符号LMMSE估计加热心逐位翻转,复杂度O(N³),简单到通信工程师看了会说这不就是我们一直在用的那个吗。 问题是大家用仿真跑了二十年都知道它好使,但谁也没能从数学上严格证明它确实达到了信息论最优阈值。 现在证明出来了。在N×N高斯MIMO信道上,这个简单算法在SNR≥2log N时就能把N个比特全部正确恢复,跟指数时间的最大似然检测打平。 那个从2000年代初就悬在那儿的计算-统计鸿沟——统计上能恢复的时候,多项式时间算法到底行不行——关掉了。 证明分三步。先证LMMSE初始估计离真实解只差亚线性Hamming距离,再证真实解附近每个错误比特翻回来都有正增益而且优化路径跑不偏,最后证任何下降路径必然收敛到精确解。 就这些,没有新数学。 真正有意思的部分在后面。 Dimitris Papailiopoulos是这个问题早期的研究者之一,他自己说得很直白:无线通信领域早就不关心这个了。 大规模MIMO、5G/6G、编码、神经网络检测器,这些才是现在的热点。精确块恢复阈值这个问题,被社区丢在角落大概十五年。 它不是那种全世界聪明人都在攻但攻不动的明星问题。 它是那种大家都知道应该有人证、但谁也没真坐下来花几个月把冗长的证明磨完的问题。因为不划算。 证出来了也发不了顶会,领域已经走了,学术生涯不会因此加速。 然后AI来了,花了不知道多少时间,把它证完了。 这件事比结果本身值得注意。它说明一个事:很多长期开放的问题,缺的不是新数学,是有人愿意把已知的工具足够耐心地拼到正确高度。这个证明不需要灵光一闪,需要的是不犯低级错误地推很多步,在该卡住的地方找到正确的技术路径,然后一直推到底。 人会烦。人会觉得这个问题不够性感。人会在证明到一半的时候去做更热门的东西。AI不会。 它不在乎问题流不流行,不在乎证明过程好不好看,它就一直推。 Dimitris管这叫把Death Star对准那些社区已经搬走但逻辑上还没关闭的老问题。我觉得这个说法很准。 想象一下各个学科里散落着多少这种问题——被遗弃的理论死角,证明就在那儿等着人写,但没人写。现在AI可以极低成本地一个一个扫过去。 当然实用价值有限,算法本身20年前就在用了,证明只是给了个理论盖章。现代通信系统关心的是软输出、是编码增益、是近似算法,不是严格的精确块恢复。O(N³)对真正大规模的MIMO也偏重。 但证明技术能迁移到随机格点解码、同步问题、稀疏恢复这些相邻问题上。 而且它展示了一种新的研究模式:人来判断哪些问题值得攻、给出方向和关键直觉,AI负责把那些需要耐心但不需要天才的长证明推完。 我看完最大的感受跟AI能力关系不大。就是觉得,有多少东西其实早就可以被解决了,积木都散在地上,就差一个不会无聊的人把它们搭起来。
显示更多
0
12
118
17
转发到社区