为何 AI 取代前处理工作那么难？

这阵子AI用得有点儿上头了。都是国庆假期各大厂家乱扔Tokens闹的。现在整个人都被AI嚯嚯的不行，一点点事儿都想着让AI去做，一点脑筋都不想动，感觉在这么持续下去，整个人都要废了。昨天半夜三更突然才发现zcode又送了三亿tokens，真的是不当礽子，还让不让人睡觉了。以后有这种活动，提前给个预告嘛。

之前尝试过利用AI控制通用CFD软件进行仿真计算，搞了一批MCP和Skills，国庆期间在大量Tokens的投喂下，基本上能做一些简单的教学型的仿真，但实际上对于工业应用意义不大，主要还是卡在几何和网格上，这一块目前还没有找到比较靠谱的处理方式，人工交互性太强了，AI很难替代。至于从网格到仿真计算报告这一整套路子，AI取代人工基本上没有太大问题。

目前在github上也有一些用于前处理（如用于ANSA和HyperMesh的）的MCP，不过体验下来还是存在较大的问题。个人觉得主要原因在于：

1. 前处理操作没有非常明确的流程性。在整个几何及网格处理过程中，人工需要深度参与，根据实际状态临时决策，这些难以实现流程化的东西让AI去做，它其实也很迷糊。当然我们可以根据自己的经验，通过Skills告诉AI一步步怎么操作，但这些经验通常都很难具有通用性，因为你无法预料新的几何会是什么样子。当然对于几何固定的模型，自然问题不大，但几何固定的模型，压根就没有必要使用AI了。现在的前处理软件几乎没有不支持脚本流程化操作的。
2. 前处理很依赖于视觉。人工在处理几何或生成网格时，其实很多时候是依赖于感觉的。比如说看到个小凸台，直觉告诉我们可以清除掉，然后顺手就干掉了。但如果让AI或程序来做就很麻烦，需要搜索整个几何，然后还要规定阈值，另外还得能够驱动软件操作几何。对于复杂的工业模型，这无疑会极大地增大处理难度和失败的概率。有人可能说，多模态AI也是具有视觉的，也可以看清屏幕上的图像。这话看着似乎是对的，但目前AI模型的多模态水平还远远比不上人类。
3. 几何操作和网格生成过程中，经常会有一些不可逆操作。比如说利用AI清理几何模型时采用批量删除掉了某个圆角，后来发现此圆角不应该被删除，这时候AI可没办法再将圆角补回去。当然有人会说，可以让AI在批量处理的时候保存信息，然后想回退的时候利用保存的信息回退。但要明白如果模型比较复杂而且形状不确定的话，需要保存的信息也是不明确的，显然要做到保存所有的操作信息有点难度。
4. 前处理耗费时间有时候很长，难以调试和修正。除非模型非常简单，否则稍微复杂的工程模型处理起来经常要花费大量的时间，而且有时候中途出错会导致只能从头再来。换句话说，复杂模型的试错成本非常高。而今AI最大的优势就是在遇到麻烦的时候通过试错法找到解决方案，但对于前处理来说，试错法代价太大。
5. 前处理缺乏明确的评价指标。网格数量多一点儿少一点儿，网格质量只要不是太离谱，通常情况下计算的时候是没有特别提示的，计算完了也未必能够意识到存在问题。这就导致利用AI进行此方面处理时，难以对任务完成质量进行衡量，开环控制想达到好的目标其实难度相当大。

懒得扯了，随便写写，就到这里吧。

（完）