随着AI在各行各业的应用日益广泛，它将继续深刻影响着人类社会的发展和进步，并彻底改变技术和人类交互的方方面面。据Forrester预测，到2024年，企业AI计划有助于将工作效率和创造性问题解决能力提高50%。AI将对工程师和教育工作者等的工作产生一定的影响，即帮他们节约时机，让他们有更多精力专注于推进科学和工程事业的其他项目。

  随着AI在各行各业和应用中走向主流，不使用AI的复杂工程系统将显得格格不入。工程系统集多个领域的组件和子系统于一体，创建了能够感知和响应周围世界的智能系统。例如，风力发电机结合使用了机械组件（涡轮叶片和变速箱）、电气组件（发电机）和控制组件（叶片螺距）。复杂的AI系统之所以大行其道，还在于这些系统的设计和开发中更多地融入了仿真。

  仿真是一种得到普遍验证的方法，用于执行开发复杂系统所需的多域建模和仿真。AI能处理来自传感器的数据，以帮助开发感知系统和自主系统。然而，随着系统复杂性的增加，对系统级和嵌入式设计来说，一些仿真的计算量可能会变得太大，尤其是在需要实时运行模型的测试中更是如此。在这种情况下，AI还能够最终靠使用降阶模型来增强仿真。

  降阶模型（ROM）可以在加速仿真的同时，仍为控制算法的系统级测试提供可接受的准确度。ROM模型可以补充第一性原理模型，从而创建变体实现，以便可在准确度、性能和复杂性之间执行权衡分析。

  越来越多的工程师都在探索如何将基于AI的ROM模型集成到系统中。这有助于加速受第三方高保真模型影响的桌面仿真，通过降低模型的复杂性实现硬件在环测试，或加速有限元分析（FEA）仿真。

  AI模型可能有数百万个参数，需要大量内存才能运行。在研究中，准确度是首要考虑因素，但在将AI模型部署到硬件时，需要在内存和准确度之间进行权衡。AI从业者必须考虑在将模型部署到速度和内存至关重要的设备时其性能会有何不同。AI可以作为较小的组件添加到现有的控制系统中，而无需依赖端到端的AI模型，例如那些在计算机视觉中检测对象的常用模型。

  在讨论较小的AI模型时，一个特别重要的主题是增量学习。增量学习是一种机器学习方法，它使模型能够通过在新数据可用时实时更新其自身知识来持续学习；这是一种高效的边缘部署方法。

  生成式AI（GenAI）是一项颠覆性技术。在2024年及以后，工程学教授将在课堂上大规模使用这项技术来为学生提供帮助。与互联网或手机非常类似，GenAI正掀起一场革命，将改善整个工程教育领域的现状。

  在课堂上使用GenAI的主要优势是，在向工程专业的学生教授基本技能（如计算机编程）时，它可以帮助节省时间。这样，教授不必再像以前一样花费时间讲授低级概念，现在可以专注于讲授高级主题，如复杂工程系统的设计和实现。利用ChatGPT等技术运行仿真，并创建交互式练习和实验，教授可以节约时机，并让学生更好地参与其中。

  教授可以教会学生有效掌握GenAI的必备技能，例如提示工程。这有助于学生培养学以致用的批判性思维技能，而不是完全依赖计算机来处理问题。因此，学生最好在各种工程学科中做到独立学习，而工程学教育工作者可以在更高级的概念方面分享专业相关知识的同时，进一步拓展课程。

  随着AI日臻成熟，它在提高工程师和教育工作者的工作效率和潜力方面将发挥着日益明显的作用。在构建复杂的工程系统时，工程师采用AI辅助仿真和更小的AI模型不失为明智之举。在学术领域，生成式AI帮助教育工作者节省了精力，让学生更加独立。借助AI，众多行业和教育学习管理机关能做出更明智的决策，获得可操作性的建议，并提高效率。