生成AI可以加速概念生成和设计迭代c;大幅缩短设计周期；拓展设计师的思维，激发创新灵感#xff00c;创造更具创意和竞争力的产品；还可以辅助处理重复性工作（如文档生成、数据分析等），让设计师专注于更具创造力和战略性的任务。本文将探讨生成式AI在制造业研发设计各个阶段的应用，强调人机协调�最大限度地发挥AI的潜力，促进制造业创新发展。

2. 生成人工智能技术在研发设计中的应用基础。

生成人工智能是一种模型，可以学习训练数据中的模式，生成新的、类似的数据。࿰在制造业研发设计中c;主要应用以下技术：

• 图像生成： 基于生成对抗网络（GANs）和扩散模型（Diffusion Models）等技术，输入࿰，如文本描述、草图或图像c;生成高质量的概念草图、渲染和设计变体，为设计师提供丰富的视觉灵感。

• 3D模型生成： 利用点云、体素、神经辐射场（NeRF）等技术，快速创建初步的3D模型，加速概念验证和设计迭代。这些技术可以从2D图像或文本描述中重建3D形状，为设计师提供高效的建模工具。

• #xfff08自然语言处理&;NLP）/大型语言模型（LLMs）： 用于需求分析、文档生成、人机交互等。例如，基于产品描述的自动生成技术规格书初稿󿀌或者通过自然语言对话与设计师互动c;理解设计意图。

生成AI和其他AI技术󿼈机器学习、优化算法、规则引擎等）经常结合使用。例如，结合模拟软件优化设计参数c;再利用生成人工智能生成优化设计变体，或者用机器学习模型预测产品性能�根据预测结果，通过生成人工智能生成不同的设计方案。

3. 生成人工智能在制造业研发设计各个阶段的应用。

￰在R&D设计过程中c;设计师始终处于核心地位，负责创造性思维、评估、决策和沟通。生成AI作为辅助工具󿼌提高设计师的能力，提高效率和准确性，并减轻重复性工作负担。

3.1 概念生成阶段。

概念设计阶段是最具创造性和探索性的阶段，它也是生成式人工智能的一个有前途的领域。

• 设计师角色： 提出初步设计理念和方向，绘制概念草图和评估方案。

• 生成AI辅助应用：

  • #xff1生成各种概念方案a; 根据用户输入的设计目标、功能要求或初步草图࿰，可以生成AIc;各种创新多样的概念设计方案自动生成。这些方案可以包括产品外观、结构、材料等多维设计可能性，帮助设计师快速探索不同的方向。

    • 示例场景： 在汽车制造中，设计团队为新电动汽车设计外观。#xff08通过输入关键设计要求;如空气动力学参数、品牌风格要求等），设计师可以选择和调整生成人工智能的各种车身形状。

  • 设计变体生成： 基于初始设计，生成AI可以生成多种变体󿀌通过自动调整参数（如尺寸、形状、结构）创建具有不同属性的设计选项，满足不同市场或用户群体的需求。

    • 示例场景： 在消费电子领域，设计师为新耳机设计了多个版本，AI根据基准设计生成不同颜色搭配、形状细节和材料组合的变体，快速覆盖不同消费群体的偏好。

  • 风格迁移： 人工智能可以学习现有的设计风格�将特定风格转移到新设计，使产品设计更符合品牌定位或市场趋势。

    • 示例场景： 在家具制造中，通过学习北欧风格的设计语言࿰，生成式AIc;将其应用于新桌椅的外观开发，实现既创新又统一风格的设计。

  • 快速评估和筛选方案： 生成AI可以结合预定义的工程约束（如强度、重量、材料可用性）市场需求󿀌快速评估和排序生成的设计方案，为设计师进一步优化筛选出最佳方案。

    • 示例场景： 航空航天行业，AI生成的零件设计将自动评估是否符合强度要求和生产成本限制，为工程师选择筛选出合格的轻量化设计方案。

  • 初步草图自动生成#xff1a; AI可以根据文本描述自动生成概念草图，为设计师提供最初的可视化灵感，从零开始节省时间。

    • 示例场景： ࿰在工业设备研发中c;工程师输入“紧凑型模块化泵站”关键词，AI生成多个泵站外观和布局的初步草图，为后续的详细设计奠定基础。

• 核心价值： 加速概念迭代󿀌帮助设计师探索更多的设计可能性，提高设计效率。

3.2 详细的设计阶段。

详细的设计阶段需要高度的精度和工程约束。

• 设计师角色󿄚 基于概念设计方案󿀌确定详细的结构设计、零件设计、材料选择和技术参数。

• 生成AI辅助应用：

  • 非规则几何形状设计： 当设计任务超出传统规则和几何形状的范畴，特别是当设计需要考虑各种复杂的约束时，，为了优化设计方案，设计师需要反复测试和修改。同时，生成AI还可以考虑多个设计约束，发现优解�探索更多的设计空间。

  • 辅助生成技术文档： 基于3D模型和设计参数，#xff0自动生成技术文档和装配说明等c;提高文档编写效率。

• 核心价值： 减轻设计师的重复工作负担，提高文档编制效率，为设计师提供初步的设计起点，但不能取代设计师的专业知识和经验。

3.3 模拟和验证阶段。

在实际环境中预测、评估和优化产品的性能和行为，确保设计方案的可行性、可靠性和安全性。

• #xff1工程师角色a; 验证和优化设计方案的性能。

• 生成AI的应用：

  • 辅助仿真参数设置和结果分析： 模拟过程中的参数设置（如边界条件、物理模型和网格划分等）这是模拟结果精度的关键。通过学习历史模拟数据和专家经验，可以生成AIc;帮助设计师优化参数选择�并减少手动设置的时间和复杂性。通过AI辅助分析模拟结果（例如，识别关键性能指标和潜在缺陷;，可以帮助工程师更快地理解设计性能，发现潜在问题。

  • 基于仿真结果的设计优化探索： 基于仿真结果࿰，可以生成AIc;探索设计改进的方向，例如，通过生成新的设计变体或调整设计参数，提高产品性能。但是，目前，基于人工智能的自动设计优化仍面临诸多挑战，例如，优化目标的定义、约束条件的设置、优化算法的效率和鲁棒性。所以，在这个阶段，AI主要提供设计优化的可能性探索，设计师仍然需要评估和决定最终的设计方案。

  • 加速仿真迭代（#xfff09应用有限公司;： 在一些特定的模拟场景中，例如。优化参数模型或构建代理模型。，生成AI可以辅助多轮仿真迭代，加速仿真过程。但在高精度仿真和复杂物理问题的情况下，AI的应用价值相对较小。在当前工程中，�传统的优化和加速方法仍然占主导地位。

• 核心价值： 辅助设计师提高模拟效率，更好地理解模拟结果，探索设计优化的可能性。目前，模拟和验证完全依赖人工智能仍然是不现实的。

3.4 工艺规划阶段。

确保设计方案具有可制造性，并制定详细的生产工艺。

• 工艺工程师角色： 分析设计方案󿀌制造可行性分析#xff0c;确定工艺流程、参数、标准、设备和夹具c;以及初步的质量控制。

• 生成AI的辅助应用：

  • 基于产品模型的工艺流程优化： 基于成熟的专家规则系统、图论和优化算法，规则性强的产品和工艺流程在一定程度上实现了工艺流程的自动生成；但在新产品或新工艺的快速开发、多变体产品的工艺开发、复杂装配工艺的规划等场景下，生成人工智能的优点是可以处理更复杂和非结构化的数据，例如，自然语言描述的工艺知识和图像化的工艺流程图。它可以学习大量的工艺数据和专家经验，并产生更灵活、更创新的工艺流程。

  • 复杂工艺参数的交互优化： 机器学习算法（例如，回归、分类和神经网络）和优化算法（例如，遗传算法和粒子群算法）广泛应用于工艺参数优化。在难以进行大量实验或模拟的场景和多目标参数探索的场景下，在处理复杂、相互依赖的参数时，生成式人工智能具有更强的灵活性。

  • 自动生成辅助工艺文档： 生成人工智能的优点是可以生成更自然、更流畅的文本，不同风格的文件可以根据不同的需要生成。特别适用于生成更容易理解的操作指南和操作手册，以及快速生成不同语言版本的工艺文件。要注意专业术语和行业规范的处理。

• 核心价值： 帮助工艺工程师更高效地设计和优化生产工艺，提高生产效率和产品质量。

3.5 试产阶段。

在小批量生产环境下验证和优化工艺规划和生产过程的阶段，发现和解决潜在问题，为大规模生产做好准备。

• #xff1工程师角色a;试生产计划、质量检验与问题排查、工艺流程/参数优化、试生产报告编制等。

• AI辅助应用：

  • 自动生成辅助试产报告： 基于试产数据�生成包含图表和关键指标的报告。

  • 数据分析与问题识别a; 辅助分析试产数据󿀌发现质量问题和生产瓶颈。

• 核心价值 帮助工程师提高报告编制效率c;辅助试生产数据分析和问题识别。

  ---

  4. 应用案例。

以下是一些生成AI在制造研发设计中应用的实际案例：

• 案例1： 通用汽车轻量化座椅支架：使用Fusion的通用汽车 360生成设计功能，座椅支架的重新设计。通过输入载荷、约束和材料等参数，AI生成了150多个设计方案。工程师从中选择了最好的方案，与传统设计相比，减肥40%󿀌结构强度和刚度同时保持。

• 案例2： Robobus内饰设计：PIX Moving使用Fusionng 360的生成式设计功能创造了Robobus自主驾驶车辆的内部装饰。该公司面临着在重量和结构强度之间找到平衡的挑战。通过生成设计，PIX Moving可以快速生成数百个设计选项，从而在1-2个月内完成产品开发，成功推向市场。

• 案例3： 自行车零件优化：自行车制造商使用Creo GDX优化了自行车车架的连接件。定义材料、制造工艺和性能目标，GDX生成了各种可制造的设计方案，在减轻重量的同时，最终选择的方案提高了强度。

• 案例4： 医疗植入物设计：Creo GDX应用于医疗领域，帮助设计定制的医疗植入物，植入物形状根据患者的个体解剖结构进行优化。

• 案例5： 汽车悬架系统优化：生成AI功能࿰集成在NX软件中c;设计工业机器人手臂，优化手臂的结构和运动性能。

• 案例6： 车身结构设计：CATIA利用生成AI为汽车行业提供自动化设计生成、性能优化和复杂的技术挑战解决方案。例如，帮助设计复杂的车身结构，通过人工智能优化车身的气动性能和碰撞安全性。

• 案例7： 汽车安全模拟：Ansys的SimAI平台结合了预测准确性和生成AI，在碰撞测试中加速了汽车工程师的模拟过程。训练不同的设计变化，该平台可以在几分钟内预测新设计的3D响应。使工程师能够以10到100倍的速度得到结果，因此，更早地关注有前途的设计方案。

• 案例8： 全场景AI大模型：吉利汽车依托文心快码构建全场景AI大模型󿀌提高开发效率。通过生成AI技术，吉利可以更快地迭代设计方案，并在短时间内实现产品从概念到市场的转变。

• 案例9： 产品设计与UI设计：海尔设计将生成人工智能引入产品设计、UI设计和品牌设计c;与亚马逊云技术合作󿀌结合实际业务场景，开发了全国首个AIGC工业设计企业级解决方案。该解决方案涵盖多个业务场景，如新产品设计、改造升级、渠道定制化等c;有效地提高了设计效率。

• 案例10： ChatCAD辅助设计工具：“创新奇智推出”ChatCAD生成辅助工业设计工具，使用大模型技术󿀌通过简单的对话问答，支持设计师快速生成符合要求的工业设计图纸。这个工具可以理解设计师的创造性意图，并自动生成相应的图纸。

5. 常见的生成AI和CAD/CAE集成方法。

• 集成࿱基于插件/扩展a; 以插件或扩展的形式将AI功能集成到现有的CAD软件中，在CAD环境中，用户可以直接使用AI功能。优点是对现有工作流的影响很小c;缺点是API能力和插件扩展性࿰受CAD软件的限制c;以及版本兼容性。比如Grashoper等。

• 基于API和云服务的集成： AI系统和CAD工具通过API接口集成󿀌利用云中强大的计算资源进行复杂的计算和优化。优点是计算能力强，易于部署，按需付费，缺点是依靠网络连接，存在数据隐私和安全问题c;还需要考虑混合部署策略。比如Autodesk，比如Autodesk Fusion 360 Generative designSiemens NX等。

• 专用AI驱动设计工具： 人工智能算法专用设计工具࿰的开发与集成c;设计生成和优化可以自动化。优点是自动化程度高，能够加速设计过程，缺点是需要一定的AI应用基础，而且有效性取决于训练数据的质量。比如Genesis、nTop Platform和Altair HyperWorks等。