人工智能火起来的那几年，我也算是对AI的一些历史、简单的算法和深度学习入了个门。后来决定死磕有限元，两相对比，觉得CAE仿真和人工智能有许多相似之处。

2020年，人工智能看上去已经没有几年前那么火了，但是不可否认人工智能已经越来越多、越来越深入地改变了每一个人的生活。作为有限元和CAE的从业者，不知道读者中有没有人在过去的三四年里曾经考虑过转行去搞人工智能，反正我前两年看中国平安保险招科技金融相关岗位的云端宣讲会那个人提到，他们部门有个原来搞计算流体力学CFD的转行搞AI玩的比计算机科班出身的还好。

我们看一个行业的变化的时候，如果稍稍能够引入一点外部视角，与其他行业的性质和历史发展做个对比，也许能看得更清楚一点。他山之石，可以攻玉。在我看来，人工智能这个学科分支，和有限元、CAE其实有很多相似的特点。

1. 对计算资源的需求

人工智能其实也不是新东西了。和有限元一样，人工智能也基本上是伴随着电子计算机的出现而出现的。毕竟20世纪后半页乃至今天我们可以说绝大部分技术创新都离不开信息技术嘛。人工智能这个概念出现的时间和有限元也差不太多，都在20世纪50年代前后。1956年的达特茅斯会议上，“人工智能”这个词第一次被正式提出。这个时间点和1960年clough首次提出“有限元”一词的时间很接近。从这一点来看，人工智能和有限元，至今都经历了六七十年的发展。

人工智能发展的历史上出现过两次“冬天”。第一次是在1973年，那之前人们已经发展出了很多机器学习的基础算法，SVM、神经网络等等都已经有了。但是当时明斯基提出神经网络无法处理异或问题的分类。然后1973年莱特希尔的一份报告将人工智能领域的研究打入冬天，使后来大约十年的时间这个领域的研究者都拿不到资助。后来，人们终于提出了梯度下降、反向传播算法，这个领域才又有起色。但很快，第二次冬天就到来了。因为当时的人们很快发现，这个算法想要实现他们项目计划书中设想的机能，比如图像识别、语音识别，需要的计算资源在当时看来几乎是天文数字。

人工智能的算法早早的就已经准备好。但是对不起，实现算法需要算力，训练AI模型需要数据，而这一切都需要等待。等待芯片算力在摩尔定律的推动下再继续发展十几年，等待互联网的成熟以获得海量的训练数据。

和人工智能相比，有限元的发展还算是幸运。至少历史上没有出现过很明显的“冬天”这种连续十年整个研究领域拿不到经费的事情。但有限元和人工智能一样，都借着上世纪末到这个世纪最大的技术发展的“东风”——计算机算力的发展，才有用武之地。当年AlphaGo在围棋上击败李世石一战成名，靠的是谷歌自研TPU的强大算力。而想要用CAE模拟更多、更复杂的物理过程，想要在虚拟世界里研究飞机的飞行、汽车的碰撞，想要扩展到多物理场乃至实现“数字孪生”，强大的超算几乎是必不可少的武器。

2. 都需要数学功底

有限元算法依赖数学，人工智能的基础理论也同样是一种数学模型。无论是人工智能还是有限元，想要深入研究理解其理论背景，都需要比较扎实的数学功底。因此，过去很多年，许多领域、公司的有限元分析工作都只能由相关工科专业的博士、硕士来完成。人工智能起步的时候许多公司也都在高薪聘请人工智能研究领域的硕士和博士，就是因为这些领域和CAD、前端等领域不同，需要一定的数学基础。

也正因为如此，CAE软件也和人工智能框架一样，一直都致力于降低使用者的门槛。在CAE领域，从较早期的ANSYS APDL到最近的Comsol、Discovery还有各种CAD软件的仿真模块，都在努力让技术变得更加民主化、更加易学易用。而在AI领域，谷歌开源Tensorflow框架这一举动就让人工智能的研究门槛极大降低，后来还有Caffe、Torch乃至中国的PaddlePaddle飞桨、商汤和旷视等公司的自研框架，也都致力于让使用者以更高的效率完成开发和部署。

3. 都需要与行业结合落地

钱令希院士曾经说过“力学需要工程，甚于工程需要力学”。的确，力学研究的是许多工程项目中的共性问题。工程力学尤其是有限元，它本身并不能创造价值，必须和具体的工程领域相结合，比如建筑、土木、桥梁铁路、车辆、机械、航空航天等。

在这一点上，人工智能也和CAE很像。过去几年互联网公司和人工智能公司喜欢提“赋能”，其实谦虚一点，就是和某个行业结合将AI技术落地嘛。AI与金融结合可以做风控反欺诈，在工业界落地可以实现质量缺陷检测、仓储管理，与能源行业合作可以实现设备故障检测、风险预警防控等等。吴恩达在演讲中说人工智能是新时代的电力，这些技术确实和电力一样，可以驱动很多行业的应用，但是都要和具体的行业结合。

据说清华“姚班”和“智班”的培养计划中，前两年要学习AI相关技术，后两年要结合其他工程专业，去让人工智能技术落地。CAE技术也一样，在做工程上的仿真项目时，也需要深刻理解工程背景，理解行业需求，才能做出正确的分析，让CAE技术创造价值。

结语

从短期来看，行业风口不断转变，就业市场薪酬待遇高低不一。在工科的就业市场上，十年前最好的专业可能是土木，五年前是CS、金融，三年前是人工智能、数学，今年的热门也许是集成电路和芯片。如果我们把人才的供求看成一个市场，薪酬就是人才的价格。市场从短期来看是会有很大波动的，因为人才的培养需要周期。大学生要四年才能毕业，培养一个博士更是需要超过十年。2017年入学人工智能专业的同学，按照正常节奏硕士毕业已经是2024年的事情。但长期来看，把目光放到十年这样的尺度，就业市场还是更多的体现为一个有效市场。

CAE技术没有像人工智能那样经历过两个明显的“冬天”，所以CAE行业的从业者大概也没有显著地、大规模的逃离过这个行业。过去几十年，CAE在工业界一直稳步发展。在航空航天、汽车等一些对CAE要求较高的行业里它的应用在不断地拓宽和深入，但在更多其他工业行业，有限元分析工程师一直处于相对边缘的位置。但我认为有理由相信，随着算力的继续进步，CAE技术还会在更多行业里进一步普及，这个行业还会迎来更多的从业者。