当您乘坐飞机翱翔于蓝天之上，是否曾考虑过这架庞然大物为何能挣脱地心引力，带着数百人平稳穿越云层？当航班准点抵达、舷窗外的气流未造成剧烈颠簸，当机票价格因燃油效率提升而更具亲和力时，您或许未曾察觉，这些舒适与经济的体验背后，都离不开一项贯穿飞机设计始终的核心技术——气动设计。如今，这一飞机设计最初也是最核心的设计，正与飞速发展的人工智能结合，绽放出崭新的光辉。

气动设计的挑战

飞机的气动设计是飞机设计最基础、最核心的技术之一，是飞行器设计的核心与灵魂，直接决定了飞行器的性能、安全性和经济性。在气动设计领域，有三大设计“法宝”：飞行试验、风洞试验、数值模拟。飞行试验是最贴近真实场景的验证手段，能直接获取飞机在实际飞行环境中的气动数据，是气动设计最终的核心依据。风洞试验则是地面模拟飞行的核心，通过在可控环境中生成气流，搭配缩比模型，可精准调控各项参数，反复测试不同气动外形的性能。数值模拟则是依托计算机技术，通过求解Navier-Stokes方程组，无需实体模型即可快速模拟各类工况，是设计阶段快速筛选方案的关键。

在传统民机气动设计的设计流程中，设计师需要在气动外形设计、性能评估、迭代优化的流程中反复循环，各个相关专业的约束条件与性能要求的加入又使得气动设计需要历经一轮又一轮的更改优化，这些工作需要消耗大量的计算时间与硬件资源。

飞机的气动设计是一项门槛很高的工作，需要设计师了解流体力学、结构力学等多学科理论，还需要掌握几何建模、网格划分、数值计算等多种软件，同时气动设计高度依赖设计师个人的工程经验，这些工程设计经验难以进行量化提炼，更进一步推高了设计难度。

综上，传统气动设计的痛点包括：设计周期被反复迭代拉长，高额计算资源推高研发成本，各专业间的约束条件难以及时协同，且在既有流程框架下，突破性的气动创新也更难实现。要解决这些问题，就需要引入新的设计手段，发掘新的设计范式。

人工智能的未来

在人工智能领域，我们经常听到一个既熟悉又前沿的词汇——智能体（AgentAI）。简单来说，智能体是能够感知环境、进行决策并执行行动的程序或系统。它们不是被动地接收指令，而是像一个具备“思考”能力的个体，能够在动态的环境中独立运作，以达成特定的目标。你可以将智能体想象成一个数字世界的专业“助理”或“工人”，它们能持续不断地工作，从简单的任务到复杂的项目管理都能胜任。根据华为发布的《智能世界2035》报告，到2035年，全球将会出现9000亿个智能体，智能体将以远超所有人想象的速度蓬勃发展。

从“大脑”到“生命体”，智能体正在获得过去的AI所不具备的感知与行动能力，从只能“听指令、给答案”到“观察世界、理解世界、主动执行”。智能体是让AI拥有“眼睛、耳朵和手脚”的系统，它能感知外界（Sensors），能思考决策（LLM/VLM），还能行动反馈（Actuators），形成一个完整的闭环：感知→决策→行动→学习。

智能体的价值在于它能够将复杂的、多步骤的任务自动化。它们不仅仅是简单的脚本或自动化程序，而是能根据环境变化调整策略的“智能”系统。例如，由OpenAI所发布的DeepResearch是一款能够自动化并加速复杂的、多步骤的深度研究任务的智能体。不同于我们熟悉的ChatGPT快速问答的模式，DeepResearch就像一位经验丰富的分析师：它会主动分解复杂的查询，自主搜索在线来源（包括文件、图片等），然后运用先进的推理能力进行分析、交叉验证和综合，最终产出一份结构完整、有理有据的综合报告。这份报告不仅内容翔实，还会附带完整的引用和推理过程摘要，确保每条信息都可追溯和验证。对于金融、科学乃至工程领域的专业人士来说，DeepResearch无疑是一项将数小时工作压缩到短短几分钟的生产力利器

气动设计智能体的探索

深度学习方法的引入，在翼型的气动设计中带来了新的设计工具，而智能体在金融、医疗、教育等领域的广泛应用也促使我们考虑将智能体引入气动设计领域，将翼型气动设计从“零散深度学习工具应用”向“系统智能整合”演进。因此，上海飞机设计研究院智能气动设计团队联合多家高校、企业，在前期相关工作的基础上开发了超临界翼型设计智能体——“御风·智翼”。

智能体的几何模块负责储存翼型几何，是智能体的记忆库。深度学习依赖于充足、合理的样本。在基于深度学习的各种深度学习模型训练之前，需要建立大规模、高质量的数据库。如何获取设计空间的信息最大化，合理反映设计空间信息是数据库建立过程中的重要组成部分。针对建立数据库中涉及的参数化方法、CFD计算方法、采样方法等工具进行了精心设计，基于工程实际需求制定计算工况，完成了超临界翼型数据库构建。数据库中融入了气动设计专家的经验、知识，具有很强的工程实用价值。为了扩展数据集的使用范围，基于MySQL架构，系统化地存储、检索和管理数据集，并集成了查询和分析工具，能够帮助设计人员利用数据库进行初步的筛选、分析，提高设计效率。

基于与上海人工智能实验室合作打造的“书生·翼飞”二维翼型函数式生成与编辑模型，该模型的核心技术贡献是在函数空间中，使用生成模型建模几何与物理对象。相对于传统的基于数学的参数化外形设计方法，例如PARSEC方法、CST方法等，它具备以下几个特点和功能：

首先，模型支持函数空间内的连续曲线的生成推理，也就是模型可以访问任意坐标点处的输出，可以以指定精度生成翼型，并可使用不同精度的翼型数据进行翼型设计。

其次，模型支持几何设计指标为基于条件的可控生成，生成条件包括“前缘半径、最大厚度、上表面尾缘夹角”等15个设计参数，该15个参数由设计师根据超临界翼型的工程设计经验设定，将工程经验及设计约束显示作为设计参数，便于设计师使用。

第三，模型支持任意位置和精度的几何约束下的曲线编辑。可以约束翼型表面任意坐标点不变，而将特定相关坐标点根据设计需要进行坐标变换，并保持曲线的曲率光顺以满足设计需要。

“御风·智翼”超临界翼型设计智能体在仿真模块中集成了“东方·御风”超临界翼型AI工业流体仿真模型。“东方·御风”是基于昇腾AI打造的面向大型客机翼型流场高效高精度AI预测仿真模型，并在昇思MindSpore流体仿真套件的支持下，有效提高了对复杂流动的仿真能力，仿真时间缩短至原来的1/24，大幅减小了风洞实验的次数。同时，“东方·御风”对流场中变化剧烈的区域可进行精准预测，流场平均误差降低至万分之一量级，达到工业级标准。

超临界翼型设计智能体中的优化模块，专门针对两种超临界翼型的典型设计目标——减阻与提高抖振边界的智能优化算法。减阻与提高抖振边界是现代民用飞机气动设计的两大核心目标，前者直接决定飞机的运营经济性与环保性能，后者则关乎飞行安全、飞行品质，二者共同构成了飞机气动设计的关键约束与优化方向。本文选取两种典型超临界翼型性能，结合工程实践经验给定相关优化约束，通过采用“东方·御风”二维超临界翼型AI工业流体仿真模型以及智能优化算法，实现对这两种性能的快速优化。

在智能决策方面，基于DeepSeekV3271B大语言模型，超临界翼型设计智能体能够通过文字或语音对话，解析设计师输入的指令，通过任务规划——子任务执行控制——子任务结果检查——子任务验证纠偏流程，智能识别用户意图，调用各项功能模块，规划任务并执行，通过预嵌入飞机气动设计领域的专家知识，翼型设计智能体可优化、评估、反思并优化自身的行为决策，最终产生超临界翼型设计方案，形成超临界翼型设计报告，不断迭代进化，将助力智能体为设计师提供更高层次的反馈和能力，最终实现智能体与设计师的共生进化。

总结与展望

“御风·智翼”二维超临界翼型设计智能体通过“几何存储—生成编辑—仿真预测—性能优化—智能决策”五大模块协同，破解了传统民机气动设计迭代长、成本高、协同难等痛点，实现了从“经验驱动”到“智能协同”的跨越，其技术与工程需求的深度融合为气动设计智能化提供了可落地范式；未来，该智能体将向多学科协同优化（整合结构、材料约束）、应用场景拓展（从二维翼型到全机及支线客机、无人机等多机型）等方向突破，长远将降低设计门槛、推动“人机共生”设计新模式，助力航空工业实现高效、安全、环保发展，支撑全球航空运输可持续发展。

分享

微信分享 复制链接

微信扫一扫分享

收藏