花大錢買了AI設(shè)計工具，工程師反而更忙了——這不是段子，是2024年制造業(yè)的集體困惑。

瑞士公司Neural Concept的CTO兼聯(lián)合創(chuàng)始人Pierre Baqué最近撰文指出，產(chǎn)品工程正站在一個決定性轉(zhuǎn)折點上。行業(yè)要求更復(fù)雜的產(chǎn)品、更快的交付速度，但底層流程從未為這種規(guī)模和速度設(shè)計過。

更矛盾的是：過去兩年AI工具采購激增，大多數(shù)團隊卻拿不出可量化的成果。大量項目卡在試點階段，只能在孤立場景里跑通，無法規(guī)模化。

問題出在哪？Baqué認為，根源在于一個認知誤區(qū)——太多組織把AI當(dāng)成"即插即用的加速器"，指望它直接替換現(xiàn)有的設(shè)計和仿真技術(shù)。

三個決定競爭力的要素

Baqué提出了三個關(guān)鍵指標(biāo)，將決定設(shè)備和產(chǎn)品制造商及其開發(fā)團隊的競爭力：

第一，設(shè)計迭代速度。不是單次設(shè)計快，而是整個循環(huán)的壓縮能力。

第二，早期發(fā)現(xiàn)系統(tǒng)級摩擦點。在問題變成昂貴返工之前攔截它。

第三，內(nèi)部工程知識的編碼與規(guī)模化。把老師傅的經(jīng)驗變成可復(fù)用的數(shù)字資產(chǎn)。

這三點指向同一個瓶頸：傳統(tǒng)仿真流程太慢，而純生成式AI又缺乏工程嚴(yán)謹(jǐn)性。

AI設(shè)計副駕駛的兩種路線之爭

當(dāng)前市場分化出兩條技術(shù)路徑。

路線A是"生成式替代派"——用大語言模型直接生成設(shè)計方案，跳過傳統(tǒng)仿真。速度快，但工程可靠性存疑。Baqué觀察到，這條路線的產(chǎn)品往往"在孤立用例中驗證"，一旦遇到真實系統(tǒng)的耦合約束就失效。

路線B是"仿真增強派"——AI不取代仿真，而是加速它。Neural Concept走的就是這條路，用深度學(xué)習(xí)代理模型（surrogate model，替代模型）替代部分傳統(tǒng)計算，把數(shù)小時的仿真壓縮到秒級。

關(guān)鍵區(qū)別在于：替代模型仍然尊重物理方程的邊界，輸出結(jié)果可解釋、可驗證。這不是"用AI猜一個答案"，而是"用AI快速算出一個答案"。

為什么試點容易、規(guī)模化難

Baqué透露了一個行業(yè)暗傷：70%的AI工程工具采購?fù)谠圏c階段。

表面看是技術(shù)問題，深層是組織問題。試點階段通常選一個干凈的數(shù)據(jù)集、一個明確的幾何形狀、一組固定的邊界條件——這些在真實產(chǎn)品開發(fā)中幾乎不存在。

真正的產(chǎn)品迭代涉及多物理場耦合、跨部門協(xié)作、不斷變更的需求規(guī)格。AI工具如果不能嵌入這個 messy（混亂的）工作流，就成了昂貴的擺設(shè)。

另一個被低估的障礙是知識轉(zhuǎn)移。老師傅的直覺如何編碼？不是簡單錄個視頻，而是要把隱性經(jīng)驗轉(zhuǎn)化為可參數(shù)化的決策邏輯。這需要AI團隊與工程團隊長期共處，而非外包一個模型就結(jié)束。

從"工具采購"到"能力構(gòu)建"

Baqué的核心判斷是：AI設(shè)計副駕駛的真正價值，不在于替代工程師，而在于重塑"設(shè)計空間探索"的方式。

傳統(tǒng)流程中，工程師受限于計算成本，只能驗證少數(shù)幾個設(shè)計方案。AI加速后，團隊可以在同等時間內(nèi)評估數(shù)百個變體，系統(tǒng)性地尋找帕累托前沿（Pareto front，多目標(biāo)優(yōu)化中的最優(yōu)解集）。

這改變了創(chuàng)新的經(jīng)濟學(xué)：試錯成本下降，探索意愿上升。最終產(chǎn)品不是"AI設(shè)計的"，而是"工程師用AI探索出來的"——人的判斷仍在中心，但工具擴展了判斷的邊界。

對于25-40歲的科技從業(yè)者，這個案例的啟示在于：評估AI工具時，別問"它能替代什么"，要問"它能讓我嘗試什么以前不敢想的事"。試點成功的標(biāo)準(zhǔn)不是"跑通了"，而是"團隊的工作方式變了"。