大多数仿真团队并没有在构建模型上浪费时间。他们浪费时间在阅读他人编写的逻辑代码、排查导致运行失败的事件，以及在结果获得认可之前反复进行相同的验证工作上。这正是仿真建模中的人工智能已经开始发挥作用的地方。
关于运营中人工智能的讨论往往直接跳到“自动化工厂”这一话题。而更立竿见影的收益其实更细微、更实用：原本需要数小时的建模繁重工作被压缩至几分钟，且模型内的决策更加精准，而无需任何人编写新规则。以下是当前在仿真和排程模型中应用人工智能的五种方式。 文中所有示例均来自对样本模型的现场演示，而非客户项目，因此您可以直观地了解每种应用在实践中的具体表现。
目前有两种人工智能技术在仿真建模中非常有用。一种是人工智能助手，它与仿真软件连接，能够根据自然语言请求读取、构建、运行并解释模型；另一种是嵌入模型内部的神经网络，它能在模型运行时从仿真数据中学习并进行预测。前者协助建模者，后者则优化模型本身。
AI 助手。 AI 助手与您的仿真软件连接后，能够识别您当前打开的具体模型并据此采取行动，而非仅泛泛地讨论仿真。这种连接通过开放标准“模型上下文协议”（MCP）实现，因此团队可以利用现有的 AI 工具。
嵌入式神经网络。 神经网络是一种机器学习模型，它通过示例数据（而非人工编写的规则）来学习输入与输出之间的关系。当嵌入到仿真中时，它可以预测某个值（例如，在特定生产线上处理一笔订单需要多长时间），而模型可以实时根据该预测采取行动。
下文中的前四种方法使用 AI 助手，第五种则使用神经网络。
AI 能在几分钟内解释一个陌生的仿真模型：它做什么、其逻辑如何运作，以及各个参数控制什么。您无需手动追踪流程，只需用自然语言提出问题，即可获得关于该特定模型的答案。
任何长期使用仿真技术的组织都会继承一些模型：这些模型可能是由顾问、前同事，或是您自己三年前构建的。 要重新熟悉这些模型，通常需要花费数小时逐点点击逻辑流程，才能有把握地进行任何修改。同样的审查过程往往还会发现值得修正的问题，例如逻辑中重复计算同一数值，或者某些输入仅应用于模型的一部分而未应用于另一部分。
示例： 在一场演示中，我们使用了一个包含5个终端、15个施工现场和75条卡车路线的燃料供应示例模型。第一个问题非常简单：解释该模型的作用及其工作原理。该助手在约一分半钟内给出了准确的通俗语言总结，其中还包括决定每个周期运输量的优化步骤。 随后被问及一个名称晦涩难懂、仅由两个字母组成的参数设置时，它根据名称给出了一个猜测，明确指出这是猜测，然后对照模型本身的描述进行了确认。这正是我们所期待的行为：将猜测明确标记为猜测，并进行验证。
是的，对于结构明确的场景。只需像向同事解释那样描述你的需求，AI 就会添加对象、设置属性并建立逻辑关联。它还会告知你在整个过程中做出的每项假设。
这并非取代模型设计，而是一种更快建立常规结构的方法，让你能将时间投入到需要判断的部分。任何未明确指定的内容都会获得合理的默认值，这正是其选择的书面摘要之所以重要的原因。请务必阅读它。
示例： 在一次演示中，系统被要求构建一条简单的三工位生产线，工位每小时接收10个工件，处理率分别为每小时12、14和11个。它在不到一分钟的时间内就构建并连接好了模型。 在此过程中，他将数据转换为软件所需的格式，针对细节缺失之处阐明了所做的假设，并在模型运行之前就预测出了哪个工位会成为瓶颈。
借助AI进行调试，首先是描述问题，而不是去追查问题。您只需告诉助手哪里看起来有问题以及大致发生的时间，它就会读取模型的事件日志，回溯导致该问题的事件，并解释发生了什么，这样您就不必翻阅成千上万条日志记录了。
任何有过仿真调试经验的人都熟悉这种模式：运行到后期会发生一些异常情况，要找出原因就必须逐个事件地逐步执行，直到问题显现出来。AI 消除了这种搜索过程。
示例： 假设某次运行在进行到一半时开始出现异常。 请求可以非常笼统，比如“大约在时间点 14.7 左右发生了异常情况。怎么回事？”助手会在事件日志中定位该时间段，并追溯导致该问题的事件序列，这样你就能更快地锁定具体时刻和相关逻辑，从而将时间用于制定解决方案。
可以。仅凭一个请求，AI 就能设计并运行模型验证实验：选择方法、进行预试验、决定模型的运行时长和次数、将结果与理论进行比对，并撰写发现报告。其流程与经验丰富的建模师完全一致。
验证是截止日期临近时最容易被省略的步骤，而这一步恰恰决定了结果是否值得信赖。这一过程也十分繁琐：运行预试验、查看输出结果、调整参数、再次运行。AI的方法本身并无新意，变化之处仅在于由谁来完成这些重复性工作。
示例： 对于上文提到的三站线路示例，用户仅用一句话要求AI验证模型、决定运行时长和次数，并将结果写入Excel。但并未说明具体方法。 该助手选择了标准的统计方法，进行了多轮实验并不断优化，将结果与理论对这类生产线的预测进行了对比，并生成了一份工作簿，详细记录了每个步骤和最终的设置。整个过程耗时约十分半钟。
嵌入仿真模型中的神经网络可以预测结果，例如订单在每条生产线上需要多长时间，而模型可以在运行时利用该预测来做出路线规划或调度决策。由于该网络是从模型自身的仿真数据中学习而来的，因此它能够捕捉到手动编写的规则所无法察觉的模式。
大多数仿真和排程模型都依据规则进行决策：将任务发送至队列最短的生产线，或剩余工作量最少的生产线。这些规则在实际关系尚未变得复杂时效果良好。但交货时间往往取决于生产线上的产品组合，而不仅仅是数量，简单的规则无法察觉这一点，而神经网络可以。
另一个不太明显的优势在于训练数据的来源。实际运营中很少能产生足够多、且足够干净、多样化的数据来训练模型。而模拟可以生成任意数量的数据，包括尚未发生的情景。神经网络还可以在外部工具中进行训练，并通过行业标准的 ONNX 格式导入系统。
示例： 在一个演示模型中，系统根据每条生产线的预测交货期，将订单分配到三条生产线。与随机分配订单相比，神经网络路由方案将完成整批订单所需的时间缩短了三分之一以上。 不过，随机分配只是一个容易超越的基准。在实际项目中，正确的对比对象应该是您现有的最佳规则；如果神经网络未能明显胜出，则应保留原有规则。因为它更易于解释和维护。
从团队因必要但重复性工作而浪费最多时间的地方入手。对大多数团队而言，这些环节包括理解现有模型、调试或验证，这些也是尝试应用AI风险最低的领域，因为建模师会审查每一项结果。
以下三个问题有助于缩小范围：
无论您选择哪种方案，请务必具体说明。详细的需求比模糊的需求能获得更好的结果。
不会。AI和仿真承担着不同的职责。仿真模型是对实际运营行为的可测试呈现，因此您可以在实际生产中实施变更之前先进行模拟测试。AI能加快该模型的构建、理解和验证速度，并能从模型生成的数据中学习。 工作中重复性的部分将由人工智能承担。而判断模型是否反映现实，以及如何处理结果，仍需由人来完成。
不会。人工智能虽然加快了模型的构建、解释、调试和验证速度，但仍需有人判断模型是否真实反映了系统状况，以及结果是否合理。正是专业知识，才使人工智能的输出结果值得信赖。
不需要。由于 MCP 是一个开放标准，支持该标准的仿真软件并不绑定于单一的人工智能提供商。目前许多流行的 AI 助手都支持 MCP，因此团队通常可以使用现有的工具。具体支持情况因产品和套餐而异，请查阅您所用 AI 工具的文档，以确认其能否连接到 MCP 服务器。
可以，但只能实现部分功能。它无法对正在运行的模型进行操作：实时检查、修改、运行实验以及验证结果。这正是直接连接带来的差异。
它们是高质量的初稿。AI 的响应在不同运行中可能存在差异，因此请像对待同事的工作一样对待这些输出：审查其假设，询问其做出关键选择的原因，并在采取行动前进行验证。
Simio 包含两个 MCP 服务器：一个将 AI 助手连接到 Simio 的文档，另一个将其连接到您当前打开的模型，因此本文中前四种用法均可直接在 Simio 中与您选择的 AI 协同工作。 Simio 还支持嵌入式神经网络，这些网络可基于您自己的模型生成的数据或以 ONNX 格式导入的数据进行训练，用于实现第五种用法中所述的模型内决策。
本文中的示例来自一场实时演示，其中在 Simio 中演示了这五种用法。要查看每种用法的实际操作，请观看《在 Simio 中使用 AI》网络研讨会录像。
如果您已经在使用支持 MCP 的仿真软件，不妨尝试一个最简单的测试：选择一个您的团队觉得难以处理的模型，并请 AI 助手对其进行解释。几分钟之内，您就能知道答案是否与您自己得出的结论一致。