把 AI 内建进 CFD 闭环
多数 AI for CFD 工具只是依附于求解器之外，在不同硬件之间来回搬运数据。TesboAI 生于求解器之内：它建立在我们自研的 GPU 原生引擎之上，神经模型就在同一块 GPU、同一个求解循环里完成推理，无需跨设备搬运。从离线代理，到物理约束与可微仿真，AI 是求解器与生俱来的一部分，而非事后添加。
用说话的方式，
把仿真做完
提出问题、追问、改条件、比较方案 —— 一直对话下去。Agent 负责理解与编排，所有数值由我们的 GPU 求解器算出，并须通过校验才会给你结论。
演示重演一次真实会话。所有数值由 GPU 求解器算出并经校验判定；结论中的数字不由 AI 生成。
拿结果说话。
下面每一张图、每一帧都是真实的求解场或预测场。
- 10×
场预测误差下降
场到场超分辨率：相对 L2 从插值基线的 0.1–0.19 降到约 0.01，仅用 25 个样本训练。
- 92.3%
相对插值基线的平均改善
同一次实验在留出集上的平均值。零样本迁移到未见分辨率时，该算子的退化也小于同类 CNN:0.063 对 0.084。
- 1.8×
求解器内推理加速
400 万网格下每次推理调用，模型跑在求解器自己的显存里。跨设备时，这次调用有 45–65% 的时间花在搬数据。
神经算子超分辨率
单个 Fourier Neural Operator（FNO）学习粗到细的整场映射，无需重训即可跨网格分辨率迁移。
与分辨率无关 —— 粗网格训练、细网格推理。
可微物理
把控制方程嵌入训练回路，让模型以尊重物理的方式学习。
数据驱动湍流闭合（TBNN）
从高保真数据中学习湍流闭合，并把物理不变性嵌入模型结构。
基础模型 · 广度决定泛化
模型训练覆盖的工况越广，跨工况的泛化就越好。
SIREN —— 无网格场
POD / POD-NN 降阶模型
Agentic CFD —— LLM 驱动建案
范围：2D 基准流动、研究原型。
AI 只是统称，不是具体方法
我们只把 AI 当作领域名。落到实处，我们在四类不同的方法上工作，并且会明确指出用的是哪一类。
非神经网络的统计与降维方法，如 POD。
深度神经网络——神经算子、坐标网络、张量基闭合、自编码器。
深度学习结合数值方法（伴随、PDE 残差）——独立范畴，并非纯 ML。
做自然语言建案与编排的生成式模型——不是数值模型。
核心能力
设计迭代，秒级响应
模型训练完成后，一次评估只需数秒。设计迭代由此从数小时缩短为一次次即时交互。
从采样到可视化，一气贯通
整条流水线自动运转。目标只有一个：不再手工配置 CFD。
为你的物理而训
模型按应用与物理定制。结果在它所属的领域里可信，也可部署。
物理自洽，而非形似
散度为零等约束写进训练。预测在物理上成立，而不只是看上去像。
从代理模型到可微
我们的工作沿着 AI 与求解器逐层加深的集成方式递进推进。
与传统 CFD 的对比
传统 CFD
- 依赖专家经验
- 网格与设置：数小时到数天
- 探索设计空间，代价高昂
AI 辅助 CFD 设计
- 无需手动设置，直接推理
- 单次评估：毫秒到秒
- 即改即见，设计周期交互进行