Physics AI
搜索文档
Luminary Introduces First-Ever Agent-Led Experience to Automate the Physics Behind Engineering
The Manila Times· 2026-11-18 01:19
文章核心观点 - Luminary在首届Physics AI DevDay上发布两项新创新:Luminary Autopilot(支持NVIDIA Nemotron)和Continual Large Physics Models(基于NVIDIA CUDA-X与PhysicsNeMo库构建),显著压缩价值实现时间与专业门槛,并在整个Physics AI建模流程中实现高效GPU使用 [1] - 这些进展帮助客户加速从理论到价值的转化,优化并简化Physics AI模型的构建与上线流程,从而加速车辆、火箭及其他物理系统的设计与开发 [1] - 传统Physics AI建模需CAD导入、几何清理与网格划分、仿真等多步骤,模型查询前可能耗时数月;Autopilot以智能、基于理由的方式自动化该流程 [2] - 单一提示即可让代理在平台内无人值守执行工作,并设有明确的人在环审批检查点;专业代理在平台或通过Slack接收工程师提示,随后使用NVIDIA CUDA-X与PhysicsNeMo库运行数据生成、训练与推理任务 [2] - 代理在更改数据或花费算力前请求许可,客户可一次性批准、始终允许特定命令或重定向代理,且这些批准可随时撤销 [2] - NVIDIA工业与计算工程副总裁兼总经理Tim Costa表示,持续学习使工程AI跟上产品需求变化,将仿真数据转化为能力随时间增长的模型 [3] - Luminary Autopilot利用Luminary Data Lake——新的训练就绪存储,索引平台作业数据、第三方仿真数据与参考数据集,使客户能针对现有数据、公开基线及自有数据训练或微调代理 [3] - Data Lake直接接入Luminary Pipelines,用户可将工作流步骤编码化,无论由人还是代理启动 [3] - Luminary首席技术官Juan Alonso表示,此前搭建Physics AI工作流需十几个手动步骤、耗时数周至数月并涉及多人,每次交接都可能引入错误并占用工程资源;Autopilot使工程师仅通过单一提示描述设计即可自动化设计工作,是重要里程碑,将帮助工程师更快交付新设计或更新设计并最终将新产品推向市场,同时保持所需精度 [4] - 客户可利用Data Lake训练或微调模型而无需Luminary团队成员协助;公开SDK现包含模型训练,客户或代理可将训练作业指向Data Lake中的数据集并在平台GPU上启动分布式训练 [4] - SDK还使用户能利用预训练基础模型并在客户领域数据上继续训练,以远低于从零训练的数据与算力成本实现领域特定精度;客户可选择更新每个权重的全量微调或冻结基础模型并训练小型附加网络的低秩适配(LoRA) [4] - LPM能力日益增强,组织正探索初始用例之外的新应用与领域,但这些模型受静态特性限制——训练完成后能力固定,适配需更多数据或新数据类型并最终重新训练 [6] - Luminary推出更敏捷、快速适配的新一类LPM:Continual Large Physics Models,基于LPM在工程设计周期更早阶段高精度预测设计性能特征的能力,Continual LPM仅通过使用即变得更智能,无需从零重新训练、无需人工启动即可自主改进,识别自身弱点、生成所需数据并从中学习且不遗忘已有知识 [7] - Continual LPM以三阶段循环运行——主动学习、数据生成与模型训练;该过程利用不确定性量化与分布外检测识别知识缺口、生成所需训练数据、将信息输入Luminary Data Lake并在数据上训练新模型版本 [8] - 该过程保留模型已有知识并助其随时间更智能,自动提升新模型、对退出模型版本进行完整 lineage 版本管理,并让用户按需退役或保留任意版本而不中断在线推理或其他使用 [8] - Luminary首席产品官Suds Menon表示,客户要求制造组织更快、更具成本效益地交付新创新;Physics AI帮助加速设计时间、降低物理测试与原型成本、减少现场性能不确定性;Autopilot与Continual LPM的推出将放大客户的开发引擎,体现Luminary作为处于AI创新前沿的研发实验室的定位 [9] - Luminary在Physics AI DevDay虚拟活动上揭示了Physics AI的最新突破 [9] Luminary Autopilot - 支持NVIDIA Nemotron,显著压缩价值实现时间与专业门槛,并在整个Physics AI建模流程中实现高效GPU使用 [1] - 自动化并智能处理传统多步骤流程(CAD导入、几何清理与网格划分、仿真),该流程此前可能耗时数月才能查询模型 [2] - 单一提示让代理在平台内无人值守执行工作,设有人在环审批检查点;代理在平台或通过Slack接收工程师提示,使用NVIDIA CUDA-X与PhysicsNeMo库运行数据生成、训练与推理任务 [2] - 代理在更改数据或花费算力前请求许可,客户可一次性批准、始终允许特定命令或重定向代理,批准可随时撤销 [2] - 利用Luminary Data Lake索引平台作业数据、第三方仿真数据与参考数据集,使客户能针对现有数据、公开基线及自有数据训练或微调代理 [3] - Data Lake直接接入Luminary Pipelines,用户可将工作流步骤编码化,无论由人还是代理启动 [3] - 此前搭建Physics AI工作流需十几个手动步骤、耗时数周至数月并涉及多人,每次交接都可能引入错误并占用工程资源;Autopilot使工程师仅通过单一提示描述设计即可自动化设计工作 [4] Luminary Data Lake与SDK - Data Lake为新的训练就绪存储,索引平台作业数据、第三方仿真数据与参考数据集 [3] - Data Lake直接接入Luminary Pipelines,用户可将工作流步骤编码化 [3] - 客户可利用Data Lake训练或微调模型而无需Luminary团队成员协助 [4] - 公开SDK现包含模型训练,客户或代理可将训练作业指向Data Lake中的数据集并在平台GPU上启动分布式训练 [4] - SDK使用户能利用预训练基础模型并在客户领域数据上继续训练,以远低于从零训练的数据与算力成本实现领域特定精度 [4] - 客户可选择更新每个权重的全量微调或冻结基础模型并训练小型附加网络的低秩适配(LoRA) [4] Continual Large Physics Models - LPM能力日益增强,组织正探索初始用例之外的新应用与领域,但模型受静态特性限制——训练完成后能力固定,适配需更多数据或新数据类型并最终重新训练 [6] - Continual LPM为更敏捷、快速适配的新一类LPM,基于LPM在工程设计周期更早阶段高精度预测设计性能特征的能力 [7] - Continual LPM仅通过使用即变得更智能,无需从零重新训练、无需人工启动即可自主改进,识别自身弱点、生成所需数据并从中学习且不遗忘已有知识 [7] - 以三阶段循环运行——主动学习、数据生成与模型训练;利用不确定性量化与分布外检测识别知识缺口、生成所需训练数据、将信息输入Luminary Data Lake并在数据上训练新模型版本 [8] - 保留模型已有知识并助其随时间更智能,自动提升新模型、对退出模型版本进行完整lineage版本管理,并让用户按需退役或保留任意版本而不中断在线推理或其他使用 [8] 行业与客户价值 - 这些进展帮助客户加速从理论到价值的转化,优化并简化Physics AI模型构建与上线流程,加速车辆、火箭及其他物理系统的设计与开发 [1] - NVIDIA工业与计算工程副总裁兼总经理Tim Costa表示,持续学习使工程AI跟上产品需求变化,将仿真数据转化为能力随时间增长的模型 [3] - Luminary首席技术官Juan Alonso表示,Autopilot将帮助工程师更快交付新设计或更新设计并最终将新产品推向市场,同时保持所需精度 [4] - Luminary首席产品官Suds Menon表示,客户要求制造组织更快、更具成本效益地交付新创新;Physics AI帮助加速设计时间、降低物理测试与原型成本、减少现场性能不确定性;Autopilot与Continual LPM的推出将放大客户的开发引擎 [9] - Luminary提供业界唯一的全栈Physics AI平台,结合深厚行业与部署专业知识,构建LPM以在数秒而非数小时或数天内准确预测物理行为,使客户重塑从设计到制造与运营的产品开发流程 [10] - 客户涵盖航空航天与国防、汽车及工业制造,包括Northrop Grumman、Joby Aviation与Otto Aerospace [10]