英國超跑品牌 McLaren Automotive 與工程運算平台 Rescale、NVIDIA 合作，將代理式人工智慧（Agentic AI）導入完整的車輛工程研發流程。這套專屬 AI 數位工程平台整合電腦輔助工程（CAE）、系統工程與設計資料，結合物理 AI（AI Physics）模型與 AI Agent，協助工程師加速設計評估、減少重複性工作。其技術重點在於降低大量設計方案的所需的運算時間與成本，讓工程團隊能在相同時間內探索更多可能性。
傳統 CAE 模擬成本高，限制設計探索規模
汽車工程研發長期面臨計算成本與設計探索效率之間的平衡問題。傳統電腦輔助工程（CAE）在評估車體結構受力、結構動態與材料耐久性時，必須運用數值方法求解複雜的物理問題，以取得工程設計所需的分析結果。
這類模擬能提供重要的物理分析依據，但計算時間與運算資源需求會隨問題複雜度、模型精細程度及運算條件而有所不同。當工程師需要反覆調整設計參數、比較大量方案時，每次模擬都可能增加額外的計算負擔，限制團隊在開發時程內能評估的設計數量。對講求精密調校的高性能車輛而言，如何加快設計迭代，同時維持工程分析的可靠性，是研發流程的重要課題。
物理 AI 如何加速工程模擬？替代模型先預測，再進行高精度驗證
McLaren 導入的物理 AI 技術，結合替代模型（Surrogate Models），透過既有模擬或實驗數據學習物理系統的行為，建立設計參數與物理表現之間的關係。相較於每次都重新執行高精度數值模擬，替代模型能在適用範圍內快速預測不同設計條件下的可能結果，降低重複評估的計算成本。
這項差異讓工程師能先運用替代模型比較大量設計組合，篩選值得進一步分析的方案，再視需求進行更精細的物理模擬。根據 Rescale 的說明，McLaren 工程師如今可在數小時內評估數千種設計變化，原本需要數天的複雜模擬工作也能縮短至數分鐘；另一方面，經過訓練的物理 AI 替代模型，則能在適用範圍內以毫秒級速度提供預測結果，協助工程師快速篩選不同設計方案。
替代模型並非全面取代傳統 CAE，而是與高精度模擬形成互補。模型的預測能力取決於訓練數據、適用範圍與驗證結果，因此仍須透過適當的工程分析確認關鍵設計的性能。McLaren 也指出，每次測試與模擬產生的新數據都會回饋系統，持續改善替代模型的預測能力，讓後續設計評估能運用累積的工程數據。
AI Agent 接手重複性作業，串接模擬與分析工作流程
物理 AI 提供快速的物理行為預測，AI Agent 則協助自動化工程工作流程中的重複性任務。Rescale 的平台將代理式工程技術整合至 McLaren 的研發環境，協助工程師減少繁瑣的工程操作，並將更多時間投入設計判斷與複雜問題分析。當替代模型能更快速地提供預測結果，工程團隊便有機會在相同時間內評估更多設計方案；Agent 則協助處理重複性工程工作，支援工作流程的執行與串接。
在材料製造與工程知識管理方面，McLaren 表示，平台可運用機器學習模型預測高性能碳纖維結構與零組件的製造表現，並透過工程知識圖譜（Knowledge Graphs）整理過往專案的工程洞察，支援後續的代理式工程工作流程與產品開發決策。Rescale 指出，這套平台可將專業工程人員的生產力提升最高達 3 倍，但公開資料未進一步說明該數字的衡量方式與適用範圍。
這項合作呈現出 AI 在工程研發中的三種互補能力：物理 AI 替代模型降低大量設計評估的計算成本，AI Agent 協助執行重複性任務與串接工程流程，工程知識圖譜則讓過往累積的經驗能持續支援後續開發。三者結合後，McLaren 強調，工程師得以在相同開發時間內評估更多設計可能性，並將更多時間投入需要專業判斷的工作，在維持工程品質與性能要求的前提下，加快車輛研發進程。
【推薦閱讀】
◆ 鴻海科技日揭製造效率：部分產品開發只需 3 週、AI 運算托盤組裝縮至 20 分鐘，怎麼做到？
＊本文開放合作夥伴轉載，參考資料：《Observer》、《automotive testing technology international》，首圖來源：Unsplash
（責任編輯：廖紹伶）
