作者丨临风

编辑丨海腰

图源丨Midjourney

F1是赛车运动的顶峰，F1赛车设计追求极致的速度与性能，兼具观赏性和商业价值。而10支F1车队，有4支在应用Neural Concept的技术。因F1的保密性，愿意透露身份的仅有威廉姆斯车队。

“从设计脚踏车到Formula 1（以下简称F1）是一段漫长的路，这是Neural Concept的CEO Pierre Baqué花6年时间实现的巨大飞跃。”科技记者Tim Stevens评价。

Neural Concept是一家AI工程仿真平台，在6月4日获投2700万美元，本轮融资由Forestay Capital领投，“定量分析之王”D. E. Shaw公司，及奥地利VC CNB Capital、德国的HTGF、法国VC Aster、Alven参投。截至该轮，Neural Concept融资3680万美元。

图源：Neural Concept

上周，Neural Concept宣布与西门子数字化工业软件合作用于产品工程，并有模型预测相关论文被纳入ICML2024机器学习顶会。该公司的核心技术NCS系统基于机器学习，能提供空气动力学建议，让赛车在赛道上拿下成功。

威廉姆斯车队空气动力学技术负责人Hari Roberts表示：“我们用了很多方法使用NCS，其中一些技术提高了模拟效果，另一些则有助于计算流体力学（CFD）时首次获得更好的结果。”

2023年底，F1赛季总结显示，2022年垫底的威廉姆斯最终收获车队积分榜第七，是其自2017赛季以来最佳排名。

与此同时，Neural Concept所做的工业仿真软件在我国也有旺盛需求，在AI浪潮来临时，实现CAE（计算机辅助工程）的国产替代机会涌现。

2018年，一名还在实验室实习的学生找到法国IUT Annecy团队负责人Guillaume de France，说要帮他们设计第6代或第7代自行车，来打破世界纪录。

IUT Annecy在世界拉力赛挑战中已有10年经验。当时，平坦道路上的世界纪录是荷兰团队在内华达沙漠创下的133.78km/h。2天后，这个学生就带着那个几乎与世界记录保持者相似的“模型”来找Guillaume，团队大为震撼，要求他多迭代几次。

要帮IUT圆梦的便是Pierre Baqué，他代表的是欧洲强校之一，瑞士洛桑联邦理工学院（EPFL）的CV Lab，他们的衍生公司Neural Concept能使用AI软件在几分钟内设计出符合空气动力学的最佳自行车形状。据介绍，该公司与2018年在瑞士成立，自那时起实验室使用平台已经完成60多个工业项目。

图源：领英，Neural Concept团队

跟日常生活的单车长相不同，IUT Annecy参加人力速度挑战的脚踏车要的车速比高速路的汽车还快，最高时速快过130km/h。人力速度赛制是8公里助跑+200米测速跑道，车手在通过200米路段时要以稳定的最高速通过，以获得最准确的测速结果。

图源：网络，图为卧式脚踏车

在2016年世界人力极速挑战赛（WHPSC）上，一个“子弹头”模样的自行车最高时速144.17km/h就颠覆过大众认知。这个造型自行车在20世纪30年代出现过，更符合流体力学，人类卧躺其中脚蹬两轮，称为“躺车”。

工程师的传统技艺是靠经验和直觉设计，再用计算机模拟测试。在他们的软件出现之前，通常是CAD设计师做3D设计后发给其他人做数值建模。这需要很长的时间运行或需要进行物理测试。不同以往，IUT Annecy靠Neural Concept做优化设计卧式自行车的整流罩，设定自行车最大长度和宽度，可以在几分钟内快速筛选和比较各种形状，找到最佳方案。

“我们的程序设计出来的空气动力学效果比传统方法好5-20%，”Pierre Baqué在EPFL的文章中解释，另一个好处是，软件设计不带人的偏见，“用于训练的形状可能跟给它的标准形状有很大不同，这给了它很大的灵活性。”

最终，IUT 设计出来的参赛斜躺自行车更像是一个火箭胶囊，破风竞速。

图源：Neural Concept

2019年，WHPSC在内华达州举行，IUT Annecy的赛车手用他的产品打破2项自行车速度世界纪录，骑手 Ilona Peltier骑行速度126.5km/h，创造女子自行车所有类别速度的新世界纪录，她的队友 Fabian Canal以 136.7 公里/小时的速度创造了新的男子大学生世界纪录。

另外，就在去年9月，一个7次获得场地自行车世界冠军的法国人François Pervis也骑着Neural Concept设计和开发的卧式自行车打破了欧洲的速度记录（138km/h），接近世界纪录。

图源：rmcsport

这是Neural Concept实力的证明。据介绍，其核心技术是Neural Concept Shape，简称NCS，一个基于机器学习的系统。它可以提供空气动力学建议和推荐，适用于流体动力学这一广泛领域，有经验的工程师可以使用先进的软件进行三维空气动力学模拟。

在实际用例取得成功后，NCS的目的是再次深入，要在道路上的空气动力学做出成绩。Pierre提到，他们的平台不仅能应用于自行车设计，在航空航天、无人机、微电子等领域也有效用。

只不过，航空航天类公司相对保守，不会快速采用NCS方案，“所以我们开始更多地与汽车行业合作，这个行业需求迫切，变化很快。”

据报道，Neural Concept与斯巴鲁（Subaru）、马勒（Mahle）、博世（Bosch）等汽车制造商/供应商签订合同，空客（Airbus）、通用电气（GE）也在使用其产品，制造电动或氢动力飞机。

图源：Neural Concept

他们跟博世合作做电驱动电机外壳仿真项目，将预测速度缩至30毫秒；与PSA（标志雪铁龙）合作开发用于外部空气动力学的实时预测模型，缩短设计周期。

Neural Concept称，在三维环境中使用深度学习技术，将数据分析和机器学习结合，将开发时间加速75%，产品模拟加速10倍。Pierre Baqué自信表示，它的平台可以将电动车的开发时间缩短至18个月。

在Neural Concept的进阶路上，F1就是他们追求极致速度的试炼场。

赛车形体狭长、车身窄、质量轻，最高速度能接近370km/h，团队配合的情况下必须在2s内更换一辆车的4个轮胎，竞速便是与极端的重力环境作战。

如今，10支F1车队中有4支都用了Neural Concept的技术优化。因F1是一项有保密性质的赛事，所以仅有威廉姆斯车队透露了正与NCS平台合作的讯息，利用其工程智能平台简化模拟流程。

7月9日，威廉姆斯车队在银石赛道中取得了P9，拿下了2积分。虽然仍是作为后排车队，但对他们来说是个好成绩。

图源：Williams Racing

威廉姆斯车队是曾经的冠军车队，在经历成绩跳水和收购后，与顶级车队如梅赛德斯相比有显著差距，正处于重建阶段。威廉姆斯车队的技术负责人Roberts对Neural Concept提供的平台表示肯定，“任何能让我们从CFD和风洞测试中获得更多知识、提升性能的办法，都会给我们带来竞争优势。”

计算流体力学（CFD）在F1的空气动力学设计和优化中，扮演关键角色。CFD允许工程师在计算机上模拟和分析赛车在不同速度、角度和环境条件下的空气动力学指标。从20世纪90年代开始，风洞测试借助3D工程计算或CFD进行辅助。

如果把车队工程师比作“糕点师傅”，那CFD就是一个模拟环境的智能烤箱。

客观情况而言，赛车的风洞测试时间非常昂贵，F1的特殊赛事规则增加了模拟的复杂性，也是车队测试能力的极大挑战。风洞测试是不可缺少的一环，2005年丰田就花了3000万欧元建了一个风洞，造价昂贵。

而且风洞测试的实际时间受到严格限制，每个车队在开发赛车时可使用的计算预算（用于计算的资金、资源）也有限。

恰逢2021年F1出了预算帽（(Budget cap）新规用于促进公平竞争，即车队单赛季可以花费的最大金额将控制在1.45亿美元，考虑通胀情况，数字会有波动，变成1.4亿美元（2022）、1.35亿美元（2023）。

因此，成本低廉、效益更高的CFD解决方案被F1车队纳入考虑范围。这并不是没有可能，2010年，维珍车队（Virgin Racing）在新入赛场时，只靠CFD技术替代传统风洞测试设计赛车，尽管成绩吊车尾但被称为“究极神车”。

图源：YouTube，Virgin Racing VR-01

人工智能出现后，模拟的钱还能省，那就是降低CFD的计算复杂性。F1车队对安全性有极致的追求，高精度的工程计算。模拟需要在3D空间里对数亿个点进行数学运算，往往需要大量RAM和大量处理器（CPU/GPU）。其中，高性能资源需求、复杂的物理模型昂贵的CFD软件和长时间计算成本都是限制难题。

Neural Concept在这种情况下发挥的效用是，AI驱动软件加速模拟，降低对物理测试的依赖，减少F1空气动力学CFD计算的复杂性同时又不损失准确性。

不同以往的工程师要假设、模拟测试多次，神经网络是运行速度极高的模拟器，这让工程师在1天内探索数百万种设计成为可能。

据Neural Concept客户案例演示，他们的F1用例中，测地线CNN（几何卷积神经网络）几乎实时预测F1空气动力学的能力，而在HPC集群上运行则需要数小时，NCS的预测结果也相较准确。

Pierre表示，通常需要一个小时完整的CFD模拟，通过NCS仅需约20秒完成，且由于NCS是基于空气动力学学习网络进行AI驱动的预测，很大程度上不受F1严格限制的约束。

据介绍，F1赛车不会总跑在直道上，车身采用流线型车身和空气动力学套件以减少阻力，提高车速和稳定性。车身设计是车队工程师重要工作之一。因此，任何帮助车队完善空气动力学设计的工具都是潜在优势。

不过，NCS价格也不低，根据车队规模和使用方式有所区别，大概是10万欧元到100万欧元之间。

Reddit网友结合经验分析，NCS可能应用在前翼端板的部件上，利用了多个设计的行为数据，将表现最好的一个进行CFD测试，“我认为目前这项技术更多地是绕过CFD计算限制，而不是指导设计。”

此外，Neural Concept的在汽车行业也有系列应用辅助工程设计，如换热器应用预测出口温度和压力下降，或引入Shape应用预测模拟结果，使工程师能获得标量和矢量，整合风洞数据，以及Shape可以模拟优化旋转机械。

由此，该平台加速了产品开发、产品模拟、性能改善的效率，被形容为“未来车辆的工程智能”。他们与全球多家供应商签订了合同，NCS还能用于开发电池冷却板的产品，改善电动汽车的续航里程。据统计，Neural Concept在2023年实现300万美元收入。

NCS的AI模拟仿真不仅限于陆地的汽车/赛车竞速，同样适用于空中、水面，只是后两者的预测能力较差，工业界对航空应用的CFD信心有限，而他们打算提振这个信心。

Neural Concept正计划打破一项世界纪录。他们与帆船团队SP80合作，在标准设计工作流程中使用NCS，计划造一艘时速达到80节的水翼船，仅靠风力推动，旨在2024年打破世界帆船速度记录。他们与NUMECA合作项目HiFi-TURB也是旨在改进湍流模型，提升CFD在航空航天等高要求领域的应用效果。

图源：Neural Concept

此外，Neural Concept有医学领域的应用，助力3D眼部扫描，给新眼科产品的计算机临床试验加速。他们也在与英伟达合作，优化GPU及CUDA软件中的深度学习模型。

Neural Concept的AI仿真工程是CAE（计算机辅助工程）的一部分，也是AI for Science的有效尝试，让CAE“老将焕新生”。

AI+CAE在工业领域应用场景较大，可以做到快速的3D模拟结果预测、动态ROM模型创建、形状搜索识别及集成分析。美国、英国等一直重视CAE等先进工程技术的发展，许多领先的CAE软件公司如Ansys、Autodesk等都来自美国。2023年末2024年初，Ansys和Altair也推出了AI+CAE空气动力学计算产品。

Uber报告提出，机器学习是CAE最有前景的AI技术之一，而近年正有人将深度学习应用于CFD模拟，中国航发研究院李义进表示，将人工智能引入CFD是目前提高正向处理流体计算的准确性的重要途径之一。

如南京天洑软件将AI与CAE结合，为一家汽车企业研发环境风洞数字化平台，实现多个仿真场景的自动化流程，产品线包括AICFD、AIPOD等，其服务的工业软件是当地政府看重的方向。

据行业人士分析，2022年，我国CAE国产化率约为11%，这些厂商的软件仅适用于特定领域，大部分客户是军工企业，商用较少。且国产对标国外专用CAE，在覆盖度、成熟度、易用性方面仍有差距。

而国内在CAE行业内“卧虎藏龙”的企业并不少，有HAJIF软件背后的中国飞机强度研究所、北京盈建科、北京安怀信、北京世冠、哈尔滨新光光电、上海霍莱沃、成都前沿动力、大连INTESIM、广州中望软件等。

其中，霍莱沃和INTESIM的创始人来自Ansys，前沿动力的技术领头人胡光初是旅美科学家、NASA肯塔基州五个专业委员会的委员之一，世冠的GCAir在C919的虚拟测试环节发挥作用，中望软件（ZWsoft）是工程建模国际权威组织NAFEMS（国家有限方法与标准机构）的会员单位。

目前国内CAE市场较小，但增速较快。CAE行业内的公司Ansys、Dassault、西门子等国外企业在中国软件市场排名前三。国内CAE厂商索辰科技在财报中称，国内CAE市场整体规模增长。IDC数据显示，2022年我国CAE市场年增长率为17.13%，预计2022-2026年CAE市场CAGR将达到18.4%。

中国科学院院士陈十一曾表示，CAE软件和人工智能的结合来解决工业化、信息化问题是发展的必然，对省市乃至全国做新质生产力来说是一个非常重要的发展道路。

在工业研发设计软件站上AI风口时，海外公司正通过收购加速研发。去年底，西门子完成insight EDA收购，今年1月Synopsys花350亿美元收购Ansys，强强互补。EDA巨头Cadence扩大与Dassault合作应对云厂商定制芯片需求，并购BETA CAE进军结构分析。

海外技术整合时期，深度技术发展缓慢，国内有望抓紧机会缩小差距。据报道，我国EDA企业也有并购整合，趁着东风强化产品完整性。如芯华章并购瞬曜电子整合超大规模软件仿真技术，华大九天收购芯达科技补短板。索辰科技、东玺技术等专业公司则正向着CAE国产替代的方向进发。

“工业软件本身产生的GDP不大，但它影响的GDP是万亿级的”，陈十一认为，“工业仿真软件在国内需求旺盛，但自主软件渗透率极低。正是如此，我们的机会才最大。”