Las simulaciones CFD precisas y eficientes son esenciales para una amplia gama de aplicaciones en ingeniería y ciencia, desde el diseño estructural resistente hasta el análisis ambiental. Los métodos tradicionales, como las simulaciones RANS, a menudo enfrentan desafíos para capturar fenómenos de flujo complejos como la separación, mientras que los enfoques de alta fidelidad, incluidos las Simulaciones de Grandes Remolinos y las Simulaciones Numéricas Directas, requieren recursos computacionales significativos, limitando así su aplicabilidad práctica. Este documento proporciona una síntesis profunda de los avances recientes en la integración de técnicas de inteligencia artificial y aprendizaje automático con CFD para mejorar la precisión de las simulaciones, la eficiencia computacional y las capacidades de modelado, incluidos los modelos de sustitución impulsados por datos, los métodos informados por la física y los solucionadores numéricos asistidos por ML. Esta integración marca un cambio de paradigma crucial, trascendiendo mejoras incrementales para redefinir fundamentalmente las posibilidades de la investigación en dinámica de fluidos y el diseño de ingeniería. Los temas clave discutidos incluyen modelos de sustitución impulsados por datos, métodos informados por la física, solucionadores numéricos asistidos por ML, diseño inverso y modelado avanzado de turbulencia. Aplicaciones prácticas, como el diseño de carga de viento para paneles solares y enfoques de aprendizaje profundo para la predicción de viscosidad de remolino en flujos de cuerpos bluff, ilustran el impacto sustancial de la integración de ML. Los hallazgos demuestran que las técnicas de ML pueden acelerar las simulaciones hasta 10,000 veces en ciertos casos, manteniendo o mejorando la precisión, particularmente en regímenes de flujo desafiantes. Por ejemplo, los modelos que emplean interpolación aprendida pueden lograr aceleraciones computacionales de 40 a 80 veces mientras igualan la precisión de los solucionadores base con una resolución de 8 a 10 veces más fina. Otros enfoques, como los Operadores Neurales de Fourier, pueden lograr tiempos de inferencia tres órdenes de magnitud más rápidos que los solucionadores PDE convencionales para las ecuaciones de Navier-Stokes. Tales avances no solo aceleran flujos de trabajo críticos en ingeniería, sino que también abren avenidas sin precedentes para el descubrimiento científico en sistemas complejos y no lineales que anteriormente eran intratables con métodos computacionales tradicionales. Además, el ML permite avances sin precedentes en el modelado de turbulencia, mejorando las predicciones dentro de zonas de flujo separado complejas. Esta integración está remodelando la mecánica de fluidos, ofreciendo caminos hacia soluciones de ingeniería más confiables, eficientes y resilientes necesarias para abordar los desafíos contemporáneos.