一天一千个设计：AI 原生工程如何重写百年造车逻辑

核心要点

• 从 50 到 1500：Jaguar Land Rover 在 2026 年 3 月 Nvidia GTC 上公布，用 AI 做外部气动工作流后，每天评估的设计从高度并行优化过的 50 个跃升到生产环境下的 1500 个。
• 分钟级替代天级：传统碰撞仿真用有限元（FEA）求解器要跑一两天且需大集群，AI 模型能在分钟内给出相近结果，把探索规模从每年百来个扩展到上千个。
• 按公司训练：目前没有一个通用基础模型能解所有车的气动，Neural Concept 需用每家公司自有的仿真与实测数据微调模型，把企业 know-how 沉淀进模型形成飞轮。
• 推理靠前沿模型：嘉宾认为可预见的未来里，推理由不断增强的通用 Fable 级模型提供，关键在于"配上正确的工具"——能调用 CAD 和物理感知的专用模型。
• 中国的迭代优势：欧美车企一款新车从立项到量产要 40 到 60 个月，中国是 18 到 24 个月，差距主要在建厂与产线的敏捷度以及"没有历史包袱、敢冒险"上。
• Formula 1 是压力测试台：F1 队伍受规则限制只能用固定的 CPU 小时数做气动仿真，且上赛季排名越靠前下赛季配额越少，用于拉平竞争；他们是工程自动化的最前沿。
• move 37 时刻：工程师常反馈 AI 给出的设计"我绝不会这么设计、以为是败笔"，但实测更优，逼他们回到 dashboard 重建直觉、向模型学习新物理。

章节时间轴

• 0:00 开场与主题导入 — 主持人介绍嘉宾与 Neural Concept，并用父亲在 GM 从手绘到 CAD 的经历引出工程的 AI 化。
• 6:56 工程师的一天：造车 40 年未变的范式 — 从造原型撞墙，到 CAD 加有限元仿真，再到 AI，讲清三代范式的迭代速度差异。
• 10:50 多少种"直觉物理"？ — 列举气动、碰撞安全、热管理、电磁、结构动力学等主要物理领域及各自的价值解锁。
• 13:56 模型怎么训练：仿真与实测数据 — 模型可同时用仿真和风洞/实验室实测数据训练，且随新数据持续再训练进化。
• 20:54 从验证到共驾：AI co-pilot 登场 — AI 不是黑盒，而是能调用 CAD 与求解器、和工程师交互验证的助手。
• 27:53 五层蛋糕与应用层 — 引用黄仁勋"AI 五层蛋糕"，Neural Concept 定位应用层，给通用模型配上工程专用工具与技能。
• 31:00 公司起源与规格问题 — 2019 年起从计算机视觉架构起步；工程规格并不比软件更清晰，充满人为解释与耦合约束。
• 38:00 商业模式、颠覆与中国速度 — 定价将转向按价值计费；讨论老牌车企 vs 数字原生公司的采纳速度差距。
• 43:26 设计优化 vs 制造约束 — 优化必须把制造规则和成本尽早嵌入模型，避免设计出无法量产的方案。
• 51:09 Formula 1 的启示 — 算力上限规则、周更赛车、极致自动化，是所有 OEM 想学习的对象。
• 58:06 move 37：反直觉的惊喜设计 — 讨论 AI 冒出的超越工程师直觉的设计到底有多"疯"，以及价值如何量化。
• 66:37 未来一到两年该做什么 — 从单学科 AI 工作流到跨学科编排，目标把开发周期压缩 50% 到 60%。
• 69:41 人的抵触、品牌差异化与新形态 — 工程师像艺术家的抵触心理；自动驾驶让车趋同又催生新形态。
• 77:23 万物皆 RL 循环的极限 — 从虚拟客户面板到"说出一个机电产品"，讨论五年内的愿景与瓶颈。
• 79:42 机器人、人形与制造瓶颈 — 制造端需要机器人，但未必是人形；AI 模型与硬件耐久度仍是待突破的瓶颈。
• 83:32 收尾 — 嘉宾强调 AI 原生工程"已经发生"，让人关注汽车、航空航天与消费电子未来几年的突破。

详细内容

造车范式的三次迭代：从撞墙到分钟级仿真

嘉宾用汽车行业作主线，把过去 40 多年的造车方式拆成三段。40 年前，设计新车要真造出一个原型，然后拿去撞墙，看行人和乘客是否安全，不安全就改设计、重造原型。这个过程极其漫长，一年顶多探索五到十个原型才能投产。

大约 30 到 40 年前进入 CAD（computer assisted design）时代，可以直接在电脑上建模，再用有限元分析（FEA，finite element analysis）软件做数值仿真，在电脑里模拟撞墙效果，不必真造那么多原型。这样一年能探索约 50 到 100 个不同设计，是实质性的提速。但嘉宾强调，这些工具至今仍然非常复杂和昂贵——一次碰撞仿真要跑几天，需要很大的集群，工程师往往要等一两天才能拿到结果，这仍是迭代设计时的主要瓶颈。他特别点出：过去 30 年用的 CAD 工具和数值求解器基本没变，无论碰撞、气动、热管理还是其他物理都是如此。

如今 AI 带来第三次革命：结果不再以天计，而是以分钟计。一旦能分钟出结果，一年探索的设计就从 50 个、100 个跳到成千上万个，既大幅加速开发周期，也让工程师能探索更多选项、创新得更远。主持人 Nathan 把这称为一个在很多领域反复出现的模式——模型学会一种"直觉物理"，最著名的例子是蛋白质折叠：过去要么做晶体学、要么做算力密集的仿真，现在靠足够数据和学习的魔法，把所需算力砍掉几个数量级。

多少种"直觉物理"，以及模型怎么训练

主持人坦言自己缺乏直觉的地方在于：到底有多少种需要模型学习的"直觉物理"。嘉宾列举了造车涉及的主要物理领域：气动（对电动车续航尤其关键）、行人和乘客的碰撞安全、热管理（冷却电池、冷却引擎、车内通风）、电磁（造下一代电机需要）、结构动力学（底盘耐久、不同路况）。像 GM 这样的公司会仿真整车，每个部件和子装配都被评估和迭代，背后有成千上万名专攻某一物理、某一部件的领域专家工程师。

关于训练数据，嘉宾澄清模型既能用仿真数据，也能用实测/实验数据训练。因为即使今天，仍有一些现象传统求解器无法很准确地仿真——这种情况下就在风洞或实验室里测量，采集数据来训练模型，把低保真的仿真和实测结合起来。

嘉宾明确了一个重要边界：今天 AI 并没有完全替代仿真，就像仿真从未完全替代原型一样。行业今天仍在造原型，只是更少、更晚。数值仿真也不会被完全替代，而是会在最成熟的开发阶段被更聪明地使用。AI 的作用是在开发早期让工程师探索更丰富的空间、筛出正确候选，再收窄到真正要仿真验证、然后做原型的那几个。他强调当前不存在一个能解所有车气动的通用基础模型，Neural Concept 是用每家公司自己的数据和数值仿真来（重新）训练模型的——因为每家有自己的 know-how 和最佳实践，且模型会随新数据不断再训练、越来越准，这本身也是企业留存知识的方式。

从验证到共驾：AI co-pilot 不是黑盒

主持人指出前面聊的都偏"验证"侧，并回忆父亲当年在三维空间里画小形状、操纵点云、凭人类直觉根据测试结果去打磨设计、还要兼顾各种相互绑定的约束——这些操作当年非常手工。他想知道 AI co-pilot 让这个体验如何改变、自动化到什么程度。

嘉宾强调今天的 AI 驱动工程工作流不是黑盒，而是工程师的助手，让工程师能基于数据做出正确的设计决策。不是把 spec sheet 扔给 AI、等它像黑盒一样返回最优解，而是 AI 摄入 spec sheet、理解需求、搭建基础模型，但这个过程会和工程师交互，由工程师沿途验证并引导模型。原因在于工程是一个永远没有单一答案的复杂空间，总是在学科、成本、设计、性能之间做权衡，所以需要领域专家在环中拍板。范式从"凭直觉手动试"转向"AI 提供一个解空间，工程师在其中探索并决定推进哪个设计"。这个过程中 AI 能与各种工具交互：把几何送进 CAD、把设计送去高保真仿真求解器验证，全部自动化。

关于谁来做 co-pilot，嘉宾引用黄仁勋提到的"AI 五层蛋糕"，最顶层是应用层、也是他认为最重要的一层。行业里很多公司专门为特定应用构建应用层，即把通用的 Fable 级预训练模型配上正确的领域专用能力，让它们在复杂环境里产生价值。Neural Concept 正是在工程领域做这件事：用最先进的通用模型，但给它们正确的工具（能处理三维几何、能生成新几何）和正确的技能（懂铣削、注塑的设计要求，懂做某个部件要优化什么）。他直言：只用一个 plain 的语言模型走不远，因为它们没有准确的 3D 分辨率——视频渲染越来越逼真，但离真正求解气动的流体动力学方程还差得很远。主持人据此总结出嘉宾押注的范式：能力越来越强的通用推理器 + 正确的工具。

公司起源、规格问题与软件的类比

嘉宾回顾 Neural Concept 的历史：2019 年起步，最早基于计算机视觉构建第一代 AI 模型架构，能直接摄入几何、从物理中学习，直接把 CAD 几何作为输入预测气动、变形、温度等——当时不是 LLM，是另一种架构。这些专用物理感知模型至今仍是工作流的一部分，需要 agent 能调用它们来加速整体设计。

主持人抛出一个关于"规格（spec）"的假设：软件里我们常想着"以后再打补丁"，但工程有硬约束（散热、强度），所以规格是不是应该比软件更严谨、更明确，从而让 AI 更好办？嘉宾的回答出人意料——恰恰相反。汽车行业的 RFQ（request for quotation）和规格至今没有完全标准化或自动化，OEM 在推标准但总有人为解释。尤其汽车是一个维度和约束近乎无穷的复杂问题：改一个引擎盖下某个部件的厚度，可能影响整个引擎块，很多约束彼此绑定，所以远没有想象中那么确定性（deterministic），这也是这类问题极难求解的原因。因此它不像软件工程那样"黑盒化"，因为问题维度更广、权衡更多、没有唯一解——这也是为什么它短期内不会替代工程师，而是赋能他们、消除低附加值的任务（手动搭建仿真、手动在 CAD 上画新设计），但拍板设计决策这件事永远留给工程师。

主持人不满足于此，反复追问："把这一长串从构思到子系统拆分、约束设定、3D 建模、搭仿真的步骤看下来，我越来越难找到 AI 做不了的环节，为什么不能让一群 Fable 直接设计下一年款的车？"嘉宾承认这些任务今天确实都能被 agent 自动化，公司也在做，但他坚持"另一层复杂度"在于问题的维度：单个产品（电池冷却板、陶瓷、碰撞）能黑盒化，但把整车所有维度叠加就不行，最终的权衡和决策要留给工程师——因为那是领域专业深植之处，也是 OEM 之间的差异化来源。明天 OEM1 和 OEM2 的区别，就在于谁能把自己的工程 know-how 更深地嵌入这些 AI 工作流。

商业模式、市场颠覆与中国速度

关于定价，主持人问是否还能维持按席位（seat-based）收费。嘉宾认为最终会转向按价值计费——价值除以价格的比值，具体因行业和应用而异，但方向是按能为公司交付的价值定价。他认为这很健康，因为价值不再绑定到个人（席位），而可能绑定到 agents，定价会相应演变。

谈到颠覆，嘉宾预测市场会有巨大颠覆，能采纳 AI 驱动 agentic 工作流的公司与不能的公司之间会出现指数级、且未来几年持续拉大的差距。老牌 OEM 的困境是过去 20 年用同样的团队、工具、方法造车，现在要让干了几十年的工程师改变思维方式，甚至改变整个公司的治理，有人拥抱得比别人快。他也认为这是硬件新入局者快速崛起的机会——很多数字原生公司（消费电子等）只造了最多十年硬件，能更快地吸收这些新工作流，一年内就实现了跨多应用的巨大提速，而更大更老的工程公司节奏更慢。

主持人接过底特律的历史：这些公司曾大到忘了要进化，如今将面对史上最严峻的挑战，和 AI 原生公司竞争可能比 70、80 年代和日本公司竞争更难。嘉宾给出关键数字：欧美 OEM 一款新车从立项到量产要 40 到 60 个月（原文亦提及一处"40 到 16 个月"，应为口误），中国是 18 到 24 个月，欧美公司眼下最关心的就是如何从 60 个月压到 24 个月。当被问中国优势主要在设计侧还是制造侧时，嘉宾同意主要在后者——中国建厂更敏捷、工厂高度自动化，欧美高管都在飞去中国取经。设计侧的优势则在于中国公司没有历史包袱、能承担更多风险、用当下最好而非昨天最好的工具，流程也没有 2000 年代沉淀下来的僵化包袱。

设计优化 vs 制造约束：别把制造逼死

主持人提出一个反直觉的担忧：如果把设计优化到极致，把约束满到绝对上限，会不会导致公差极紧、制造极难？他回忆父亲职业生涯早期铅笔纸上标注、机加工公差宽松得多。

嘉宾回应说"优化设计"本就包含"为制造而优化"。造车是多学科、多目标优化，要把设计规则、制造约束尽早纳入设计。他用增材制造（3D 打印）作反例：多年前的承诺是"能打印任何东西所以能自由设计"，但很快发现太贵、无法规模化量产。现实是你有一个冲压（stamping）工艺，知道能做什么不能做什么，要做的是把这些制造规则嵌进模型，让 AI 每次探索新设计时都只在"可制造、成本合理"的范围里探索。所以模型里嵌入的不只是物理，还有制造和成本约束，都要尽早引入。

Formula 1：算力上限规则与极致自动化

主持人对 Neural Concept 服务多支 F1 车队很感兴趣，尤其惊讶于 F1 有明确规则限制气动仿真能用的算力。嘉宾确认：F1 车队被限制能跑外部气动仿真的 CPU 小时数，更有意思的是，上一年排名（RAM key）不同，下赛季拿到的配额也不同——排名越靠前配额越少，目的是拉平各队、避免变成"谁预算大谁算力大"的军备竞赛。主持人联想到 NFL、NBA 的赛程与选秀机制，但指出 F1 是直接改变了比赛准备规则本身，更进一步。嘉宾解释：因为算力仿真能直接对应到性能——能跑更多仿真就能探索更多设计、造出更好的车，所以限制算力是平衡各队的手段。

嘉宾把 F1 工程师称为工程界的最前沿、最敏捷的团队：赛车每周都在变，外行看不出来但细节确实不同，他们必须达到极致的设计迭代自动化和速度。Neural Concept 视 F1 为所有 OEM 想趋近的目标，也是压力测试模型和工作流的绝佳场景——如果能为 F1 车队做到，就相信能为传统客户做到，并让这些车队去"逼到模型崩溃"，从而发现要重点开发什么。

主持人用软件里的"token maxer"作类比，问 F1 工程师"token maxing"的一天什么样。嘉宾描述：工程师看下一场比赛的赛道特征（比如弯道更多），转成一组改进需求（比如需要在直线上更快、因为要超车），再转成工程和气动需求，然后跑 AI 驱动工作流——过夜生成成千上万个设计配置、逐一评估性能，第二天早上工程师面对一个交互式 dashboard，看着数千个数据点、不同权衡和对应设计，挑出下周六比赛要推进的那个。所谓 token maxing，就是一夜之间由 AI 全自动探索几万个设计。

move 37 时刻：向模型学习新物理，以及价值如何量化

被问到过程中有没有惊喜，嘉宾说这是工作中最令人兴奋的部分之一。工程师用 AI 过夜探索几十万个配置后，常回来说"这个 AI 想出的设计我绝不会想到会好，如果你把它单独给我看，我会说扔掉、这不可能行，但它实际比我们能想出的任何设计都好，现在我得回到 dashboard 搞清楚它为什么更好、重建我的直觉"。工程师因此能反过来向模型学习——模型探索了更丰富的空间、超越了人的直觉边界。主持人把这与 AlphaGo 的 move 37 类比，并分享自己前一天用 Fable 跑一个熟悉工作流时，模型主动跳出流程、给他提了一堆问题、甚至呈现一个网页来收集信息，而这在他跑过 50 多次、用 Opus 时从未发生。

主持人想校准这些惊喜有多"疯"：是"有点意思"还是"看起来疯了但违背直觉地真能行"。嘉宾澄清一个重要边界：设计始终被物理约束（drawn in by physics），不会重新发明物理、不会得到违反物理的疯狂设计，因为一切都由物理编码。但确实有工程师认定"这世上我绝不会这么设计、以为是错误、以为是败笔"的方案，最后被证明可行——这就是工程里的 move 37，逼工程师重新思考解题方式和直觉。

关于价值量化，嘉宾说这是和客户始终在谈的关键。举例：给大 OEM 供货的电池冷却板供应商，如果能拿到更好设计、更有竞争力，一年多赢一个项目就是数千万美元；或者原本 6 个月出好设计现在 3 个月，省下的 3 个月可用来优化制造工艺降本，零件比对手便宜 10%，又能多赢几个项目、带来数亿美元。在 OEM 侧，把开发周期从 48 个月压到 24 个月也是数百万级节省——一款车从零开发通常要约 10 亿美元，哪怕省 20% 数字也很可观。

未来路线、人的抵触与万物皆 RL 循环

被问到美国车企未来一到两年该设定什么关键里程碑，嘉宾给出分阶段路线：第一年聚焦核心部门（碰撞安全、动力学、动力总成），确保每次迭代都有 AI 工作流编排各种工具，这已能带来 20%~40% 的单学科提速；第二年做跨学科编排，打破碰撞、气动、结构之间的孤岛，让 agent 在做气动优化时同时考虑安全、制造约束，打通团队和学科的对话——一旦做到，收益开始复利，能把开发周期压缩到原来的 50%~60%。他说今天还没有 OEM 在整车层面大规模做到，但已有针对特定学科的多学科自动化 AI 工作流在发生，效果巨大。

关于人的抵触，嘉宾把工程师比作"某种意义上的艺术家"，他们享受手动迭代、用直觉、思考物理的过程，干了 30 年同样的方法，看到新工作流时会抵触、质疑能带来什么，也认为自己作为领域专家必须在环中——否则 GM 的车会和 Ford、GM（原文如此）的车一样，需要保留人的因素。另一端则是组织内的 ML 研究团队，最早采纳、最想尝试前沿模型、做基准测试。他说同一组织里同时存在这两个极端，如何整合是大组织的复杂性所在；但一旦打破孤岛、让工程师亲手用上 AI 模型，响应会完全不同——他们会明白这有多强、能让工作更好更有趣，因为不必再花时间做低价值的搭建仿真、等待计算，而能交互式查询模型、试更多 what-if 场景。

关于品牌趋同，主持人（一个底特律人）"大逆不道"地说如今产品尤其是车看起来都很像。嘉宾认为这一趋势会持续，部分源于自动驾驶——一旦自动驾驶普及，车变成商品（commodity），趋同是定义使然。但在到那一步之前，能把最佳实践和品牌编码进 AI 工作流的公司会胜出，差距会进一步拉大。主持人补充：把司机从车里拿掉会打开全新形态——无人小货车、过夜卧铺车等。嘉宾以 west coast 的一家公司 Dukes（音）为例，其标语是"这不是一辆车，是围绕你设计的机器人"，从一开始就是全自动驾驶优先，因此完全不像传统车；他认为技术越成熟，新概念的空间越大。

最后关于极限，主持人设想"万物皆 RL 循环"的终局：给公司每个座位放 agent、用虚拟客户面板做市场测试、像"说出一段视频"一样"说出一个机电产品"。嘉宾说他不认为有根本障碍，能力已经具备，大公司实现的主要问题是基础设施、治理和数据流转，随前沿模型只会更快——前提是物理不会被打破，所以必须保留物理仿真求解器这类工具作为模型的"燃料"。关于机器人，他认为制造端确实需要机器人但未必是人形（human 不见得是工厂的最优形态），还需要 AI 模型（让机器人有效与物理世界交互）和硬件（手的灵巧、耐久、散热/自主性）两方面的突破。他同意主持人的判断：靠更强的通用智能和前置自动化，可以走一条"自上而下"的高效自动化路线，先解决大部分瓶颈，工厂里的机器人是下一个前沿。

金句

靠 AI，你拿结果不再以天计，而是以分钟计。一旦能分钟出结果，你一年探索的就不是 50 个设计，而是上千个不同选项。 —— Thomas von Tschammer 10:05

他们公开宣布的是，从每天评估 50 个设计，到在生产环境里每天 1500 个——你可以想象这带来了多大的提速。 —— Thomas von Tschammer 22:28

我们不会重新发明物理，这是肯定的。你不会得到违反物理的疯狂设计，因为一切都由物理编码。 —— Thomas von Tschammer 61:59

工程师会说：这个设计我绝不会想到会好，如果单独给我看我会说扔掉；但它实际比我们能想出的任何设计都好。 —— Thomas von Tschammer 59:40

明天 OEM1 和 OEM2 的差异化，将取决于谁能把自己的工程 know-how 更深地嵌入这些 AI 工作流。 —— Thomas von Tschammer 37:10

从外部看，我们没意识到这一切离我们有多近、在工程行业里已经真实发生——已经有产品是 AI 优先设计出来的。 —— Thomas von Tschammer 83:32

提到的书·产品·人物

• Neural Concept（公司）：瑞士公司，2019 年成立，用领域专用 AI 模型加速气动、散热、碰撞等工程设计，本期嘉宾所在公司。
• Thomas von Tschammer（人物）：Neural Concept 联合创始人兼美国区董事总经理，本期嘉宾。
• Nathan（人物）：《认知革命》主持人，底特律人，父亲曾在 GM 从手绘制图干到 CAD 时代。
• Jaguar Land Rover（公司）：英国 OEM，用 Neural Concept 的 AI 做外部气动，日评估设计从 50 跃至 1500，2026 年 3 月 GTC 公布。
• General Motors / GM（公司）：主持人父亲曾任职；作为整车仿真、跨学科挑战的代表案例反复出现。
• Nvidia GTC（会议/公司）：Jaguar Land Rover 于 2026 年 3 月在此公布与 Neural Concept 的合作成果；Nvidia 亦被举为硬件快速迭代典范。
• Jensen Huang / 黄仁勋（人物）：其"AI 五层蛋糕"（应用层在顶层且最重要）被嘉宾引用来定位 Neural Concept。
• Formula 1（行业/客户）：多支 F1 车队是客户；其算力上限规则和周更赛车被当作极致工程自动化的标杆。
• move 37（概念）：AlphaGo 的传奇一手，被反复用来类比 AI 冒出的反直觉工程设计。
• Fable / Mythos / Opus（AI 模型）：讨论前沿模型的推理能力、跳出既定工作流的行为，以及定价（Fable 价格已低于 Mythos 初期预览价）。
• OpenAI（公司）：其前沿部署工程师在税务领域快速迭代 scaffold 的案例被主持人引用；并提及 OpenAI 计划大幅自动化 ML 研究。
• Tesla（公司）：被举为制造工艺动态更新能力远超传统车企的例子。
• Dukes（音）（公司）：west coast 的自动驾驶优先公司，标语"不是车而是围绕你设计的机器人"，代表全新形态。
• Nano Banana / omni（AI 模型线）：主持人用来说明把语言、像素等不同模态整合进同一模型的强大。
• Mercury / Command（产品/赞助）：赞助商，其对话式银行界面 Command。
• Anthropic / Claude / Claude Code（产品/赞助）：赞助商。
• finite element analysis / FEA / 有限元分析（技术）：传统数值仿真求解器，一次碰撞仿真需一两天。

适合谁听

关心 AI 如何在物理世界工程与制造中真实落地的产品人、工程师、投资人，以及想看"AI 富足论"具体案例的人。