为什么 AI 时代的仿真，先要解决"生产问题"

高保真数值仿真，是工程世界离物理真相最近的地方。但在数据驱动的研发范式下，它有一个尴尬的身份：AI 模型训练数据的唯一生产者，自己却还停留在手工作坊时代。

矛盾是结构性的，一共有四组：

快与慢——单次求解动辄数小时，训练一个可用的代理模型却需要数百个样本。数据集的构建周期，以月计。

精密与脆弱——网格、边界条件、收敛控制，每个环节都拴着专家经验，且都可能静默失败：过程不报错，结果不可信。

收敛与正确——求解器正常退出，从来不等于物理正确。错误数据一旦混入训练集，模型会"认真地学错"，而且几乎无法事后察觉。

经验与资产——每更换一类仿真对象，整套流程推倒重来。经验留在了工程师脑子里，没有沉淀为可复用的体系能力。

我们的答案，是一套端到端的全自动化体系：一端把数据生产做成工业产线（数据工厂），一端让每个仿真对象拥有秒级响应的数字孪生。四组矛盾，对应四项关键技术。

图1 全自动仿真数据流水线总体架构

关键技术一：无人值守的全自动流水线

从试验设计、并行求解到质量裁决、血缘入库，全链路一条命令驱动。核心设计是失败的分层治理：基础设施故障自动重试，数值故障隔离跳过，结构性故障立即熔断——机器处理可预期的意外，人只处理真正意外。

对固定几何场景，网格只剖分一次、集中验收，后续数百个工况克隆复用。单例成本结构性下降，网格缺陷也从"逐例随机出现"变为"一次性拦截"。

效果是直观的：晚上提交命令，早晨收获数百例带完整血缘的高质量数据。

关键技术二：多道物理质量门禁——让"假收敛"无处遁形

收敛，是求解器的自我声明；正确，是物理的客观事实。两者之间，需要一道系统的防线。

我们在流水线的不同深度布设了多道门禁：网格阶段对边界分类做强制校验，错配在源头拦截；求解输出施加物理量级熔断，发散结果无所遁形；收敛判据从单一残差升级为"残差或积分物理量稳定"的双重认证——个别工况下残差会撒谎，积分量不会。

在此之上，每条数据绑定配置指纹与完整血缘：可溯源、可审计、可按指纹精确隔离。数据质量管理，从"靠人盯"变为"靠系统拦"。

图2 多道物理门禁的纵深防线

关键技术三：插件化架构——一次建设，处处复用

流水线本体与具体仿真对象之间，由一套插件契约解耦：新对象只需实现一组标准接口——几何、网格、求解、质检、提取、建模规格——即可接入全套自动化能力，主干零改动。

这套架构已在多类差异巨大的对象上完成验证。新增一类仿真对象的边际成本，从"重建一条流水线"，降为"实现一个插件"。体系的能力开始复利增长。

关键技术四：可信的代理建模——不只快，更要诚实

数据入库之后，便进入体系的另一端：把数小时的求解，压缩成秒级的预测。代理建模分两种形态：标量系数的集成代理，与全流场的神经算子代理。三条设计哲学贯穿始终：

数据的表达，比模型的结构更决定上限。
以物理相似性做无量纲化、以时间平均场做训练目标，带来的精度提升远超架构调参。

物理先验，是最有效的正则。
引入经典相似律重新参数化后，高维问题坍缩为低维曲线，精度与稳定性同步提升。

可信，比全能更重要。
集成方差为每个预测附上置信声明；对存在物理分岔、无法可靠拟合的区间，模型明确拒答而非强行输出；训练域外的请求，一律拒绝外推。

图 3　某典型内流工况：代理预测与高保真仿真对比（流体域相对误差 6.6%）

闭环：从数据工厂到数字孪生

训练与推理由统一编排收口：一条命令完成数据生产、模型训练与注册；推理端自动路由、内置越界检查，冷启动约两秒；网页端提供训练、模型库、推理的完整界面。

最终形态是：每个仿真对象，对应一个注册在案的数字孪生体——秒级响应，知道自身边界，每个数字都能溯源到具体算例。

结语

从数小时到秒级，是四个量级的加速。但更本质的转变在于：数据生产从手工作坊，变为可审计、可复用、可自愈的工业产线；模型输出从"一个数字"，变为"一个带置信声明的承诺"。

AI 工程化的难点，从来不在模型本身，而在供养模型的整套体系。

这，正是"数据工厂"存在的意义。