人工智能的应用已从研究环境扩展到现实世界。仿真建模为利用人工智能的前景提供了支持性环境，从而促进了这种扩展。人工智能与仿真的结合为整个工业领域的企业提供了评估流程的各种机会，从而获得准确决策所需的数据驱动型洞察力。
人工智能包括机器学习（ML）、深度学习（DL）和神经网络等子集。就定义而言，人工智能是构建能够模拟人类智能的机器和计算机系统的过程。机器学习深入探讨了这些机器或系统通过经验提高性能的各种教学方法，而神经网络则描述了分析经验与决策之间的联系。
基于智能对象的仿真指的是创建使用决策逻辑进行思考的对象。例如，Simio 使用嵌入决策逻辑的智能对象来选择工作或资源。因此，对象表现出的智能行为能够预测未来的表现。在仿真中使用人工智能的背景下，智能对象的使用凸显了仿真模型中基于规则的人工智能的整合。
一般来说，现实世界中的挑战比选择工作或资源更为复杂。例如，考虑在一家工厂的两条生产线之间做出选择以快速完成订单的决策。这两条生产线由十几个工作站组成，这意味着下游工作站的状态和工作站的设置等因素是影响生产线完成时间的关键因素。选择哪条生产线能保证更快的完成时间，需要在模型中应用复杂的基于规则的逻辑。
手动构建复杂的规则逻辑是一项耗时的任务，创建者的熟练程度也将决定规则的性能。人工智能，特别是神经网络的应用，可以绕过手动构建过程。将神经网络添加到仿真模型中，可自动构建基于规则的复杂逻辑，无需人工参与。此外，利用模拟数据对神经网络进行训练，可使模型选择性能更好的生产线。持续训练还能让模型运用逻辑回答其他复杂问题，从而优化生产率。
仿真可以评估人工智能和 ML 算法的性能。在这种情况下，仿真模型将算法决策的影响与从真实世界系统中收集的历史性能数据进行比较。评估结果为训练算法和增强其决策能力奠定了基础。
基于智能对象的仿真或人工智能辅助仿真的理论应用凸显了利用人工智能优化系统的可能性。然而，现实世界中的应用更能说明应用场景和累积效益。
AlphaGo 被认为是一个经典棋局，有无数种下棋方法。这是一个复杂的游戏，棋手必须运用创造性和战略思维才能获胜。据估计，结束一盘棋的技巧比宇宙中的原子还要多。因此，职业棋手要在几十年的持续比赛中学习多种下棋模式，从而磨练自己的棋艺。
为了展示人工智能的进步，谷歌开发了 DeepMind AlphaGo 系统。该系统的神经网络是在一个模拟模型中训练出来的。训练过程包括使用整个围棋在线库中的合成数据，AlphaGo 还从自己的对弈经验中学习。2016 年，AlphaGo 与围棋世界冠军李世石下了 5 盘棋，赢了其中的 4 盘。
据李世石称，"AlphaGo 采用了人类围棋选手不会采用的策略，随着比赛的进行，人工智能的棋艺也在不断提高，并适应了创造性的招法"。人工智能在围棋比赛中成功地驾驭了棘手的局面，这凸显了其实时学习和做出优化决策的能力。
联邦福利管理机构负责为公众裁定医疗资源、食品和经济福利。福利裁定流程中的低效率对公众中的弱势群体造成了负面影响，因此强调了优化管理流程的必要性。
离散事件模拟的使用有助于减少医疗保健的等待时间，并在不同的福利中心之间共享资源。然而，人工智能的集成可以引入实时决策，解决与福利管理相关的复杂操作问题。
为了了解人工智能解决方案的影响，我们开发了福利应用系统的数字孪生系统。数字孪生为测试人工智能技术提供了一个虚拟环境，以确定将人工智能解决方案引入福利应用系统的影响。在将人工智能技术引入系统之前研究其影响，可以减少资源浪费，简化实施过程。
上述例子表明，我们正处于人工智能可以超越人类解决问题的能力，并与仿真技术一起为运营问题提供解决方案的阶段。这两个领域的兼容性为整个工业领域的企业提供了优化生产力和改进决策的工具。