Beyond Math 的“数字风洞”将基于物理原理的人工智能模拟应用于 F1 赛车。

如果您想在任何有用的保真度水平上模拟现实世界，那将是一个极其复杂的问题。传统技术正在阻碍汽车和航空航天公司的设计团队，但 Beyond Math 正在将人工智能用于这项任务，采用一种新的模拟世界的方法，这可以为他们节省数天或数周的等待时间。

联合创始人达伦·加维（Darren Garvey）表示：“语言不同，我们没有数学模型来描述下一个单词应该是什么，但谈到物理学，我们确实有这些模型。而且我们看到，机器学习实际上在计算方面相当出色，不仅仅是模式识别。”

Beyond Math 初露锋芒的领域被称为计算流体动力学（CFD），其存在的时间几乎与计算技术一样长。控制物体在空气或水中移动，或者物体周围空气流动的方程极其复杂。因此，虽然我们不断提高预测能力，比如预测空气在机翼上的流动方式，但我们仍远未达到完美——而且我们所能做的需要大量的计算能力，以至于这仅限于超级计算机和 GPU 集群。

结果是，在汽车、飞机和船舶等行业的设计过程中包含了大量的等待时间。

加维说：“对于设计师来说，他们会花很多心思去思考什么可能行得通，然后进行模拟。然后第二天早上他们会得到结果。要么达到了他们想要的效果，要么没有，他们不得不再多经历几次这样的循环。然后把它带到风洞去测试，”——而风洞测试的结果很可能与模拟结果不一致，所以又得重新来过。

Beyond Math 的目标是加快数字设计方面的进程，这意味着缩短从有想法到弄清楚它是否可行之间的延迟。

加维说：“他们会说，如果我做出这种设计变更，会让我的汽车更省油吗？想象一下，你有六个月的时间为一架飞机设计一个部件。鉴于一次模拟需要很长时间，你可能只有 20 次尝试的机会。但如果设计师想到一个主意，并在几秒钟或几分钟内就能得到结果，那么在同样的六个月里，你可能能够进行一百万次更改。”

而且，看起来越来越像是机器学习，而非只是更多的图形处理器（GPU）运行着同样的旧方程，才是实现这一目标的途径。他们的首个产品是一个“数字风洞”，能够对复杂表面上的气流进行近乎实时的模拟，其保真度通常需要花费数百倍的时间才能达到。

我们在科学文献中见过类似的情况，在那里，利用基于数千小时模拟和观测模式训练的机器学习模型，可以在很短的时间内有效地近似一个天气系统的模型。但 Beyond Math 可没有预先存在的训练集这种便利条件。

目前并没有大量的模拟数据——我们不像大型语言模型那样拥有整个互联网的数据来进行训练。那么，作为一家初创公司，你要如何获得与设计师们正在使用的、能处理这些非常复杂的几何形状的东西相当的成果呢？

令人惊讶的是，他们找到的答案不是依赖模拟，而是拥有一个模型，这个模型既要理解像风洞这类事物背后的理论，也要理解该理论所观察到的实际情况。

加维说：“我们不是试图去接近模拟结果，而是试图接近现实世界。要做到这一点，就必须引入现实世界的数据。”

一旦模型理解了一个系统的运行方式，它也可以成为设计中的积极参与者，许多工程师已经开始在其他领域探索这种可能性。加维将其与图像理解进行了比较：在图像理解方面，机器学习模型也必须先学会走，然后才能跑，但一旦它们擅长分析图像，生成图像就是顺理成章的下一步。

Beyond Math 的首批市场之一是一级方程式赛车，一些未具名的车队正在探索使用该软件来加快其空气动力学和车辆设计流程。

加维表示：“他们是计算流体动力学（CFD）的重度使用者之一，而且行动迅速，会采用新技术。我们一直与几支 F1 车队密切合作，进行了大量评估并了解他们的核心问题。我们即将拥有一个能切实提高他们赛车速度的平台。”

事实上，他表示希望（照例发出了不能保证的警告）在六个月内“我们能够表明客户正从这些模式中受益，并且它们已经从研究和概念验证阶段发展到产生实际影响的阶段。”

新的资金应该有助于实现这一目标：Beyond Math 刚刚完成了一轮 850 万美元的种子轮融资，由 UP.Partners 领投，Insight Partners 和 InMotion Ventures 参投。

这家初创公司预计将其团队规模扩大一倍，并扩大其计算规模；他们正在购买英伟达 DGX 200 服务器，并与这家芯片巨头合作，将其无处不在的计算硬件应用于这个有趣的新领域。

尽管竞争激烈、资金雄厚的一级方程式赛车界无疑是一个很好的客户，但 Beyond Math 正在考虑下一步行动。

加维说：“我们在客户的设计领域看到了很多成功案例，但要从这推广到更普遍的应用还需要一个过程。比如说，如果一个模型能理解汽车或类似汽车的物体，它不一定能理解飞机或血管。但这就是典型的创业之路——你必须先找到获得吸引力的途径，然后才有拓展的空间。作为一家企业，我们专注于这些顶级客户，这样他们就能帮助公司起步发展。”