从每天50个到1500个：AI把捷豹路虎的气动设计提速了30倍

先给一组数字。捷豹路虎的空气动力学团队，几年前每天能评估50个设计方案，这已经是他们把仿真流程高度并行优化之后的结果。2026年3月的英伟达GTC大会上，这家英国车企公布了与瑞士公司Neural Concept合作的进展：现在每天评估1500个设计，直接跑在生产流程里。30倍。

这期Cognitive Revolution的嘉宾，就是Neural Concept的联合创始人兼美国董事总经理Thomas von Tschammer。这家公司给空气动力学、散热、碰撞安全这类物理领域训练专用AI模型，客户包括主流车企和一级方程式车队。主持人Nathan Labenz是底特律人，他父亲在通用汽车开始职业生涯时，画图靠铅笔、图板和计算尺，退休前已经用上了数值仿真。父子俩刚好夹在工程工具三次换代的中间，这期节目补上了第三段。

做了350多期节目，AI与工程制造的交叉还是第一次深聊，Nathan自己承认这是个疏漏。

三次跳跃：从撞样车到分钟级预测

Thomas用汽车业把演进线讲得很清楚。40年前，测一台新车的碰撞安全，办法很直接：造一台原型车，推出去撞墙，看乘客和行人是否安全，不行就改设计，再造再撞。一年能探索5到10个方案，顶天了。

之后行业进入CAD加数值仿真的时代。设计在电脑里画，碰撞用有限元分析软件在电脑里模拟，一年能看50到100个方案。代价是算力：一次碰撞仿真要在大集群上跑一两天，这是过去30年工程师迭代设计的最大瓶颈。Thomas强调，这个瓶颈到今天依然存在，算法和算力都在进步，但一次高保真碰撞仿真的等待时间仍以天计。

一台车的物理评估是个庞杂的清单：

• 空气动力学，直接决定电动车的续航；
• 碰撞安全，覆盖行人和乘员；
• 热管理，管着电池冷却、发动机散热和座舱通风；
• 电磁，关乎电机性能；
• 结构动力学，对应底盘和各种工况。

一家通用汽车级别的车企，养着成千上万名分属这些学科的工程师，各自迭代自己负责的总成。AI带来的第三次跳跃，是把结果从「按天算」压到「按分钟算」。Nathan管模型学到的东西叫「直觉物理」，和AlphaFold在蛋白质折叠上的突破是同一个模式：用数据和学习的魔法，把计算量砍掉几个数量级。一年几十个方案，变成一天几千个。

关键在于，AI没有取代仿真，它改变的是仿真的用法。Thomas的原话是，原型车今天还在造，只是造得更少、更晚；仿真也一样，AI负责开发前期的广度探索，帮你筛出对的候选方案，高保真求解器留给后期验证。三层工具各干各的活。

数据就是know-how：模型怎么练出来

这些专用模型的训练数据有两个来源。一个是仿真数据，另一个是实测数据。Thomas提到，有些现象传统求解器至今算不准，那就去风洞里测、在试验台上量，把测量数据和仿真数据混在一起训练，他们管这叫混合训练。

商业模式上，Neural Concept会给一部分应用提供预训练模型，但每个客户都要用自己的数据做微调。数据在这里的角色是知识本身。每家车企有自己的最佳实践和工艺积累，模型必须对准这些要求。更有意思的是飞轮效应：客户每产生一个新数据点，模型就重新训练一次，覆盖的空间更宽、精度更高，下一个开发周期就更快。公司几十年的试错经验，第一次变成了可以被机器继承的资产。

至于通用基础模型，Thomas很坦率：空气动力学的通用基础模型还没有，CFD这个领域太具体，没有任何一个模型能开箱即用地解决所有车的气动问题。研究在往那个方向走，Neural Concept也在做，但今天每家车企仍要拿自己的数据微调。

工程副驾：AI开始动手改CAD

节目里聊到的新东西是工程副驾（Engineering Copilot）。逻辑跟编程圈的agent很像：前沿大模型负责推理和编排，专用模型当工具调用。Thomas引用了黄仁勋的说法，AI是五层蛋糕，最顶上的应用层最重要，而他做的事就是给通用模型装上工程领域的技能包：能读写3D几何，知道注塑件的设计要求，知道一个「毫米」在几何生成里意味着什么。

这条路线他们从2019年就在铺。最早的模型架构脱胎于计算机视觉，直接吃CAD几何，预测气动阻力、变形、温度。今天，agent可以操作CAD软件改几何，把方案发给高保真求解器验证，再调专用模型做快速评估，整条链路自动跑。

Nathan问了一个尖锐的问题：软件工程里，规格书写清楚，AI就能交付，工程领域是不是也一样？Thomas的答案出人意料：车企的规格书（他们叫RFQ）至今没有完全标准化，仍然依赖人工解释。发动机舱里一个零件的厚度变化，可能牵动整个发动机总成，无数约束互相咬合，问题的维度比软件大得多，永远没有唯一解。所以AI给工程师的输出是一个解空间，最终权衡留给领域专家。这也是品牌差异所在：GM的车之所以区别于福特，靠的就是这些取舍判断。

Nathan继续追问：把agent放进每个环节，从产品定义到子系统拆解再到仿真设置，能不能直接设计出下一年的车型？Thomas承认单点任务今天都能自动化，电池冷却板、气动、碰撞这些具体产品已经在这么干，整车的全部维度叠在一起时，他坚持最终决策要留在工程师手里，那也是竞争差异化的所在。

F1：被规则逼出来的极限迭代

Neural Concept的客户里有一批一级方程式车队，这部分是全期最有味道的内容。F1有一条少见的规则：每支车队允许用于空气动力学仿真的CPU小时数有上限，而且按上一年的排名分配，成绩越好的车队，下一赛季拿到的配额越少。Nathan拿NFL的强队赛程和NBA选秀顺位做类比，F1走得更远，直接改了备战规则本身，防止军备竞赛。研究AI治理的人，可以看看这项运动怎么给算力做再分配。

为什么F1是最好的试验场？因为赛车每周都在改，从一站到下一站，肉眼看不见的细节在持续进化，这逼出了极限的自动化迭代速度。Thomas描述了F1工程师现在的日常：早上看下一站的赛道特性，比如直道更多，翻译成气动需求；晚上AI工作流自动生成成百上千个构型并完成评估；第二天早上，气动工程师打开交互式仪表盘，看着几千个数据点和对应的几何，挑出周六要用的方案。所谓「token maxing」（把模型用量拉满）的工程版，就是一夜之间探索上万个设计。

然后是Move 37时刻。AlphaGo的第37手当年被解说当成失误，这里的事一模一样：

「AI模型给出了一个我从来不会觉得能行的设计。早几年你把这个方案摆我面前，我会说扔了吧，这东西没法用。结果它比我们能想出来的任何方案都好。现在我得回到仪表盘，搞清楚它为什么好。」

Thomas说这是他最喜欢的工作部分。物理是底线，AI不会造出违反物理的设计，但它会走出人类直觉的边界，反过来教工程师新东西。Nathan自己刚经历了一个小号的Move 37：他跑一个过去几个月重复过几十次的工作流，模型突然跳出既定流程，主动生成一个页面来收集更多信息，没人这样要求过它。

中国速度、那本账与两年路线图

节目里最扎心的一组数字：欧美车企从立项到投产一台新车要48到60个月，中国车企只要18到24个月。Thomas判断差距的大头在建厂和投产速度，中国工厂高度自动化，欧美高管已经开始往中国跑，学了就回去改自己的厂。设计端的优势在于没有历史包袱：没有2000年代定下的流程，敢用当下最好的工具，敢冒风险。

这笔账算下来非常具体。开发一台新车从零做起大约要10亿美元，周期砍掉20%就是2亿美元级别的空间。供应商那头更直接：一家做电池冷却板的企业，设计周期从6个月压到3个月，省下的时间拿去打磨制造工艺，零件成本降10%，每年多赢一两个竞标项目，就是上亿美元的收入。Thomas提到有客户把电池冷却性能提升了20%，重量减了15%，开发周期缩短80%。

关于设计过度优化会不会为难制造，Thomas给了一个务实的答案：制造约束要提前写进模型。十年前增材制造承诺过「随便设计都能打印」，结果量产不了，教训还在。正确做法是把冲压工艺能做什么、不能做什么，作为设计规则嵌进AI模型，让每一个被探索出来的方案天然可制造、成本合理。

如果给车企CEO排优先级，Thomas的答案分两步。第一年，在碰撞安全、空气动力学、动力总成这些核心部门，让每一次迭代都由AI工作流编排，这能带来20%到40%的提速。第二年开始跨学科编排，打破碰撞、气动、热管理之间的部门墙，agent在优化气动的同时考虑安全和制造约束。收益在这一步开始复利，开发周期能砍掉50%到60%。今天还没有任何一家车企在全公司范围做到，但单学科的自动化AI工作流已经在跑。

工程师自己的反应是一条光谱。一头是把造型当艺术、干了30年老手艺的老工程师，抗拒很正常；另一头是企业内部的机器学习方法团队，最积极，抢着测试新模型。Thomas观察到，一旦让老工程师真正上手，反弹会变成热情，因为他们终于不用干搭仿真、等结果这些低价值的活，可以交互式地查询模型、试几十个what-if场景，那是工程里好玩的部分。

定价也会跟着变。按席位收费的日子不多了，Thomas认为未来按价值收费，价值载体从个人席位变成agent。至于人形机器人，他放在了二阶：先靠通用智能和自动化解决大头，机器人进厂还需要AI模型和硬件（灵巧的手、散热、续航）的双重突破。他还判断，市场会拉开指数级的差距，消费电子这类成立不过十年的数字原生公司上手最快，一年之内就能在多个产品线上看到开发效率的大幅跃升，百年老店的组织惯性要大得多。

还有一个更远的推论：自动驾驶成熟后，汽车会变成商品，车会越长越像。差异化的窗口在之前，赢家是把品牌know-how写进AI工作流的那批公司。真正自动驾驶优先设计的车会长得完全不一样，Thomas举了Zoox的例子，官方定位是一台围绕你设计的robotaxi，压根没有驾驶位；Waymo走的另一条路，是把捷豹I-Pace改装成自动驾驶。

明天就能用的三件事

这期节目对行业外的读者同样有用，因为模式可以平移。三个可以马上做的动作：

• 找出你行业里最贵、最慢的那个「验证环节」，它就是AI的第一个切口。工程行业的答案是分钟级代理模型，你的行业可能是审批、检测或合规审查，逻辑相同：用历史数据训练一个快速近似，把昂贵的精确验证留给最后入围的少数候选方案。
• 把每次迭代的结果结构化沉淀下来。Neural Concept的飞轮建立在客户数据回流上，任何行业都一样，今天随手丢掉的测试结果，就是明天微调模型时拿不回来的燃料。
• 盯住汽车、航空航天防务、消费电子这三个行业的新品发布。Thomas的原话是，接下来几年的产品突破，大概率会带着AI驱动工作流的痕迹，这些案例会比你想象中更快出现。

Thomas在节目结尾说，从外面看，很少有人意识到这件事已经走到什么程度：AI优先设计出来的产品已经在工程师手里，加速才刚刚开始。底特律那对父子见证了从铅笔到仿真的三十年，下一轮换代已经开跑，这次的刻度是开发周期，一边48个月，另一边18个月。