chatGPT大火，人工智能如何应用在工程设计？

大家好，我是朦。ChatGPT虽然少数时候会胡说八道，但它强大功能却是世人有目共睹的，甚至让人类感到危机。它能回答历史、科学等各种问题、能写文章、诗歌，甚至代码。其实在它之前就已经有很多类似的工具了，为什么它就有一种横空出世的感觉？就是“大力出奇迹”。这种人工智能训练靠的一是模型本身，二就是数据量，ChatGPT胜在数据量，它上一个版本GPT-3训练的参数量就已经达到了1750亿，这个数量是其他工具望尘莫及的。就比如我和你拥有一样的大脑，你学了100首诗，而我学了1万首，你说我们谁的诗歌造诣会更好呢？ChatGPT能学习这么多的数据，除了冒着差点被告的风险白嫖了很多新闻网站，最主要的就是微软等互联网大佬们金钱的力量，30000 块显卡在昼夜不停地学习，那就是money持续在燃烧。

关于ChatGPT的沿革发展啊、介绍啊网上很多视频或者文章都有提到，所以我就不过多重复的介绍了，其实作为一个工科生，我更关心的是它对工业发展是否有什么帮助或影响。前段时间听的一个会议报告分析它的“潜力”是否会引爆下一轮工业革命 ，目前来看，不会。人工智能有很多细分方向，面向文本的、数据的、图像的、语音的，ChatGPT主要是面向文本的，是语言模型。而工业领域，比如产品研发设计或运维端，需要的是结构化的数据模型，这两个还不太一样。而且就算ChatGPT未来开发了面向工业领域的算法模型，但数据哪里来，工业领域的汽车、轮船、航天、兵器那大部分都是涉密的，想获得这些数据可就不是白嫖新闻网站被告那么简单了。

所以咱工业产品的研发和运维还用不了ChatGPT，但是有一些面向工业端的人工智能工具是能用得上的。虽然现在计算机仿真已经大大加快了工业研发的进度，但如果你看过我之前的视频，就知道，虽然仿真比实验是大大节省了时间，但还是很慢啊，每一次计算要几个小时甚至几天，还得心里默念着好运来求它收敛。一旦好运没来，几天时间白过，重算。

我之前读研的时候做的是动压悬浮心脏泵方面的课题，深有体会，这个等待仿真计算结果的过程是相当折磨人的，会出现狂怒抓头发，小红小蓝和小青三根秀发飘了下来的场景。所以如果一些合适的人工智能工具能一定程度代替仿真，让我们少建模、少画网格、少计算，甚至少做实验，那真的是福音。今天咱们就身体力行，拿一款人工智能工具DTEmpower来试上一试。我拿的是船舶行业的一个案例，行业内的小伙伴应该知道减小船舶行驶过程中的兴波阻力很重要，哪怕减小一丢丢，都能省很多燃料，省很多钱。

减小兴波阻力的主要途径就是改进船型，船型由下面几个参数决定：draft 、Halfbeam、Height 等。每一组参数，都对应一种船型，也就对应一个兴波阻力。刚刚这些参数含义我也不懂，其实这工具它也不懂，你就把这些数据放里，它就kuakuakua一顿算，就能找到这些参数之间的关系，从而进行计算和预测。我手里现在的这份数据，有1211组，这些数据，有的是实验来的，有的是CFD仿真算的。很宝贵，都是前辈们经验的总结。

咱机械行业不是流传一句金句嘛：咱干机械的，是越老越吃香。咱们今天怎么试呢，我就把这1211组数据随机抽出2组，把1209组数据放到DT软件里让它去学，学成后，我再输入这2组数据的draft 、Halfbeam这些值，然后让DT算出它的兴波阻力是多少，再和这个表格中的真实数据核对，看看误差有多少。一般仿真的误差能控制在10%以内，已经是不错的了，看这个DT预测的精度和仿真比怎么样。

首先，打开软件，新建项目

第一步数据读取，读入刚才的1209组数据。

第二步拖入变量设定模块。把draft 、Halfbeam、Height等设为自变量，兴波阻力设为因变量。

第三步拖入数据清理模块。就是可以自动检测出一千多行数据里面明显不符合整体特征的数据，把它清洗掉。异常点设置80，为什么80呢，我试出来的，试的方法，如果你有兴趣，我们之后详说。

第四步数据分割。测试集占比为25%，意思就是拿75%的数据去学习，生成模型，然后拿25%数据去校核看这个模型预测准不准。

第五步模型训练。就是选要生成模型的算法，DT里有几十种算法，不知道选哪个没问题，你就挨个试，我选1个线性的，这3个非线性的，都拖进去。点击开始，哇，跑完了。看这速度，和仿真比，真的是过瘾！

然后我们看一下哪个模型好，这些数据都是体现精度的，咱们就看R方值，它是这个公式算出来的，总之就是越接近1，模型精度越高。

这个线性模型的精度是最低的，只有0.56。Excel里的多元回归模型就是这个，而且只有这个，看这个精度，大家以后不要用Excel多元回归模型做稍复杂的数据分析和预测，准确度太低。

比较R方值之后，选择ExtraTrees模型。点评估，就弹出了我们最期待的界面，输入留存的这2组数据，先输1组，误差2%，还不错，下一组数据误差0%。这个精度，完全可以和仿真媲美，但速度快了无数倍啊，我说话的速度，都耽误操作，要是不说话还能快不少！这速度让仿真工程师有没有感觉到好爽。

这类软件呢，目前阶段也有一定应用局限性，比如对于整体结构和设计参数比较明确的部件就比较合适，像今天的船型啊，像飞机机翼的翼型啊，就定义弦长、中弧线以及相对弯度等几个参数，来预测升力、像汽车进气道啊，这些你比较清楚地知道什么作为自变量的，就可以用这样的人工智能工具去辅助产品的研发，一定程度上代替仿真。但设计那种你也不知道该用什么样的结构才能让性能更好的部件时，就不大适用了，毕竟结构都没定，参数也定不了，也不可能有合适数量的历史数据，那就只能仿真了，如果通过仿真找到了规律，初定了结构，积累了一定数据量，还没有得到想要的性能，那就可以接着用DT来跑一跑了，毕竟省时间。

另外，除了工业设计端的场景，运维端也可用这类AI预测工具，比如电厂智能监盘啊、设备预警啊、水处理系统参数预测啊、锅炉脱销优化控制啊（毕竟咱热能人干啥都得想着点儿烧锅炉）。虽然这类人工智能工具最擅长的是工业，但也还可以干点儿别的事儿，比如预测天气，预测球赛，反正只要你有历史数据，想预测啥就预测啥。回到开头讲的ChatGPT，这是它目前干不了，但是特定的AI工具就能干的事儿了。

今天就说到这儿了，如果您喜欢，别忘点个关注，一键三联，我们下期见！