AI 与仿真结合的路线判断及国产 CAE 的战略困境

分享一些我自己对AI+仿真的看法，文章是通过和AI对话最后总结生成的。

一、核心观点

当前 AI 与仿真结合主要存在三条路线。

第一条是用 AI 替代或近似传统仿真求解过程，例如 PINN、Physics AI、neural operator、surrogate model 等。这一路线强调速度提升，常见叙事是“原来仿真需要数小时或数天，现在 AI 几秒钟给出结果”。

第二条是用 AI 增强仿真工程流程，而不是替代求解器。其核心价值在于沉淀专家知识，简化前后处理，降低建模和结果解释门槛，让仿真工程师从重复性软件操作中解放出来，真正专注于物理假设、工程判断和设计决策。

第三条是用 Physics AI 为机器人、自动驾驶和具身智能生产训练数据。它不一定追求 CAE 意义上的单次高精度工程判定，而是追求大规模、可交互、可并行生成的物理经验数据。

本报告认为，第一条路线有研究价值和局部应用价值，但很难在高可信工业场景中真正替代传统仿真。第二条路线更符合工业仿真的真实痛点，也更可能形成长期商业价值。第三条路线在机器人和具身智能领域更容易成立，但它服务的是训练数据闭环，而不是传统 CAE 的工程验证闭环。

二、对 PINN 与 Physics AI 替代求解器路线的判断

PINN 和 Physics AI 的问题不在于没有价值，而在于它们经常被过度包装。

在复杂工程仿真中，问题通常包含复杂几何、多物理场耦合、强非线性、接触、湍流、材料失效、制造偏差、边界条件不确定性等因素。传统 CAE 求解器虽然计算成本高，但背后有长期积累的数值算法、网格技术、收敛控制、误差分析和工程验证体系。

相比之下，Physics AI 或 surrogate model 往往通过简化物理问题来获得速度。它们适合用于设计初筛、参数扫描、实时预览和交互式探索，但不应轻易承担最终工程判定，尤其是在安全、寿命、强度、热管理、流固耦合等高风险场景中。

更合理的定位是：

Physics AI 可以作为仿真流程中的快速近似工具，但不应被包装成高可信求解器的直接替代品。

三、工业仿真的真实痛点

工业仿真的瓶颈并不只是“算得慢”，更多时候是“建模难、设置难、解释难、复用难”。

许多仿真失败并不是因为求解器能力不足，而是因为：

• 几何简化不合理；
• 边界条件定义错误；
• 载荷路径不真实；
• 材料参数不可信；
• 接触、约束、单位设置存在问题；
• 网格策略不合适；
• 收敛结果没有被正确判断；
• 后处理只停留在云图，没有形成工程解释；
• 仿真结果没有和试验、历史项目、工程经验闭环。

这些问题不是单纯提高求解速度能够解决的。真正稀缺的是资深仿真工程师的判断力，而不是单次计算能力。

因此，更有价值的 AI + 仿真方向应当是：

AI 不替代仿真，而是替代仿真流程中的低价值重复劳动，并帮助沉淀专家经验。

四、更合理的 AI + 仿真产品形态

一个更务实的产品方向是“仿真工程 Copilot”或“Simulation Intelligence Platform”。

它不以替代 Ansys、Abaqus、Fluent、STAR-CCM+ 等求解器为第一目标，而是成为仿真流程中的智能工作层。

核心能力包括：

1. 前处理智能化

   自动识别 CAD 几何特征，辅助几何清理、模型简化、网格策略推荐、局部加密、边界层设置、接触区识别等。

2. 仿真设置检查

   检查单位、材料、载荷、约束、接触、边界条件、求解器参数、收敛准则是否自洽。

3. 工程知识沉淀

   把历史项目、报告、试验数据、建模规范、专家 checklist、行业模板转化为可查询、可复用、可审计的知识库。

4. 后处理解释

   自动识别应力集中、温度热点、流动分离、变形模式、模态风险等关键现象，并生成工程解释，而不是只生成图表和云图。

5. 多工况自动化

   自动创建 case、提交计算、管理版本、汇总多工况结果、对比不同设计方案。

6. 可信度管理

   提示哪些结果可信，哪些需要网格无关性验证、试验验证、高保真复算或专家复核。

这一方向的本质不是“AI 求解器”，而是“AI 工程助手”。

五、为什么现在多数公司仍在做 Physics AI

Physics AI 的叙事更容易传播。

它可以用非常简单的指标打动市场：

仿真从几小时变成几秒钟。

这个叙事适合融资、媒体传播、GPU 厂商生态和 demo 展示。它看起来像技术突破，也更符合当前 AI 产业对“大模型、算力、速度、替代”的偏好。

相比之下，仿真 Copilot 的叙事更复杂。它不是一个单点模型突破，而是涉及 CAD、CAE、材料、网格、边界条件、求解器、后处理、企业流程、权限审计、知识管理等复杂系统。它更像企业软件和工程知识平台，而不是纯 AI 模型公司。

因此，市场上 Physics AI 公司更多，并不代表这条路线一定更接近工业本质，而是因为它更容易讲故事。

六、Physics AI 的另一条叙事：机器人训练数据

除了加速工程仿真，Physics AI 还有一条重要叙事：为机器人、自动驾驶和具身智能生成大规模物理交互数据。

这一路线的逻辑不同于传统 CAE。CAE 关注的是单个工程问题的高可信分析，要求边界条件、材料模型、网格、收敛和验证都足够严谨。而机器人训练关注的是在大量环境中学习策略，需要的是海量、多样、可交互、可并行生成的数据。

因此，在机器人训练场景中，Physics AI 的价值不一定是“比传统仿真更准”，而是：

• 快速生成大量物理交互样本；
• 支持机器人在虚拟环境中反复试错；
• 生成真实世界难以采集的极端工况；
• 降低真实机器人训练的时间、成本和安全风险；
• 通过 domain randomization 提高策略泛化能力；
• 为视觉、控制、操作、导航等模型提供合成数据；
• 帮助构建可交互的世界模型。

这也是 NVIDIA、机器人公司和具身智能公司重视 Physics AI 的原因之一。对于机器人训练来说，仿真不一定要在每个局部物理细节上达到 CAE 级精度，但必须足够快、足够稳定、足够可扩展，并且能覆盖足够多的环境变化。

这条路线的合理性比“Physics AI 替代高精度 CAE”更强。因为机器人训练本身需要的是统计意义上的经验覆盖，而不是单次工程判定的绝对精度。只要仿真环境能够帮助策略学习到有用的行为，并且最终通过真实世界验证，Physics AI 就有价值。

但这一路线也有明显风险：

• sim-to-real gap 仍然存在；
• 接触、摩擦、柔性体、颗粒、液体、复杂装配等物理仍然很难准确模拟；
• 如果合成数据分布与真实世界偏差过大，训练出的策略可能失效；
• 机器人任务不仅需要物理，还需要感知、语义、任务规划和人类环境理解；
• 对安全关键场景，最终仍必须依赖真实测试闭环。

因此，Physics AI 在机器人训练中的合理定位不是“产生完全真实的物理世界”，而是“以足够低的成本产生足够有用的训练经验”。

这与工业 CAE 的逻辑不同。

对于工业 CAE，用户需要的是可信结果和工程责任；对于机器人训练，用户需要的是大规模交互数据和策略泛化能力。前者不能轻易牺牲精度，后者可以在一定程度上用规模、多样性和真实世界验证来弥补单次仿真的误差。

所以，Physics AI 实际上有两种完全不同的市场叙事：

1. 工业仿真加速

   用于 surrogate model、设计初筛、快速预览和参数探索，但最终仍需传统高可信求解器验证。

2. 机器人训练数据生成

   用于构建可交互虚拟环境，批量生成训练数据，降低真实采集成本，并帮助机器人策略在大规模场景中学习。

这也解释了为什么 Physics AI 在资本市场上有吸引力。它不仅绑定 CAE，还绑定机器人、自动驾驶、具身智能和世界模型。这些方向的市场想象力更大，也更符合当前 AI 行业对“数据飞轮”和“物理世界智能”的期待。

但从国产 CAE 公司的角度看，这条叙事未必能直接转化为机会。因为机器人训练需要的是实时仿真、图形渲染、传感器模拟、强化学习环境、控制接口、数据生成管线和 sim-to-real 工具链，和传统 CAE 求解器能力并不完全相同。

因此，国产 CAE 公司如果切入这个方向，需要明确自己到底是在做：

• 工业 CAE；
• 机器人仿真环境；
• 合成数据平台；
• 物理世界模型；
• 还是某个垂直任务的训练闭环。

如果仍然只具备传统数值算法能力，而没有机器人、控制、感知、强化学习和数据管线能力，那么“为机器人训练生产数据”这条 Physics AI 叙事也不容易承接。

更准确的判断是：

Physics AI 在机器人训练中的价值，比在高可信 CAE 替代中的价值更容易成立；但它服务的是具身智能训练闭环，不是传统 CAE 工程验证闭环。

七、AI 叙事下国产 CAE 的困境

AI 的出现会让国产 CAE 的传统替代路线更加困难。

国产 CAE 原本已经面临几个现实问题：

• 中小企业可以使用盗版国外 CAE，付费购买国产软件动力不足；
• 大企业已有成熟国外软件流程，不愿意冒工程风险切换；
• 国产 CAE 功能完整性、稳定性和工程验证积累不足；
• 国外 CAE 软件拥有几十年用户习惯、行业案例和求解器经验；
• CAE 结果涉及工程责任，用户不会轻易为了“国产替代”牺牲交付质量。

在 AI 叙事下，国外 CAE 大厂反而拥有更强优势。因为它们掌握真实工作流入口，拥有大量历史模型、用户操作习惯、工程案例和生态插件。一旦它们把 Copilot 嵌入现有软件，用户切换到国产 CAE 的动力会进一步下降。

这意味着，如果国产 CAE 继续沿着“做一个国产 Ansys”的路线追赶，会非常被动。

八、国产 CAE 的潜在机会

国产 CAE 的机会不应首先来自通用求解器替代，而应来自“仿真工作流智能层”。

也就是说，国产厂商可以先不要求用户放弃国外求解器，而是接在 Ansys、Abaqus、Fluent、OpenFOAM、国产求解器之上，帮助用户管理流程、知识、模板、检查和报告。

这种路线有几个优势：

• 不直接挑战用户已有软件习惯；
• 可以绕开国产求解器功能不全的问题；
• 可以先控制仿真流程入口；
• 可以积累真实工程需求和案例；
• 可以逐步引入国产求解器进行对标和替换；
• 可以把产品价值从“软件许可证”转为“效率、规范、知识资产和安全合规”。

长期看，如果 AI 把仿真入口从“手动操作软件”变成“描述工程问题并自动生成流程”，那么底层求解器可能会被平台抽象。用户关心的将不再是具体使用哪个求解器，而是工况是否建对、结果是否可信、报告是否能支撑决策。

这给国产 CAE 提供了重新定义入口的机会。

九、国产 CAE 公司自身能力短板

对于很多国产 CAE 软件开发公司，最大问题并不是不会写算法，而是缺少工程问题入口。

典型短板包括：

• 没有真实用户数据；
• 没有垂直行业经验；
• 不理解用户实际需求；
• 缺少应用工程师和行业专家；
• 只知道实现算法，不知道工程师为什么用、怎么用、在哪些地方不信任结果；
• 缺少真实项目闭环和试验验证数据。

但 CAE 用户购买的并不是算法本身，而是：

• 工程问题能不能建起来；
• 结果能不能相信；
• 项目能不能按时交付；
• 报告能不能支撑设计决策；
• 出问题时有没有人能解释。

因此，只有算法能力而没有工程应用能力，很难形成真正的 CAE 产品竞争力。

十、建议路线

短期内，不建议国产 CAE 公司直接训练大型 Physics AI 模型，也不建议直接做通用 CAE 平台替代。

更现实的路线是：

1. 选择一个窄场景

   不要做“结构仿真”“流体仿真”这种大类，而应选择具体问题，例如电池包热管理、电子设备散热、管路压降、阀门流量系数、支架强度校核、螺栓连接强度、钣金模态、风道均匀性等。

2. 先做规则、模板和流程自动化

   在没有数据的情况下，不应先做模型训练。可以先沉淀建模模板、网格策略、材料库、边界条件模板、单位检查、参数检查、后处理模板和自动报告。

3. 获取真实工程案例

   通过低价项目、联合开发、高校研究院合作、行业客户共创等方式，积累真实或半真实案例。目标不是做 demo，而是理解用户如何定义问题、如何建模、如何判断结果、如何交付报告。

4. 建立专家知识库

   把每个项目拆解成几何、材料、网格、边界、求解、后处理、验证、报告等结构化流程，逐步形成企业级仿真知识资产。

5. 做求解器中立的平台

   早期不要强迫用户使用国产求解器。可以同时支持国外商业求解器、开源求解器和国产求解器。国产求解器先从低风险场景进入，再逐步扩大适用范围。

6. AI 先做检查和推荐，不做最终判断

   早期 Copilot 应定位为辅助工具，例如检查设置错误、推荐模板、解释结果、生成报告、检索历史案例。最终工程判断仍由仿真工程师负责。

7. 谨慎评估机器人训练数据方向

   如果公司希望借助 Physics AI 和具身智能叙事，需要评估自身是否具备实时仿真、渲染、传感器模拟、控制、强化学习、数据管线和 sim-to-real 闭环能力。否则，这条路线虽然叙事空间大，但并不天然适合传统 CAE 算法团队。

十一、结论

AI 确实会加剧国产 CAE 的压力，尤其是在国外 CAE 大厂将 Copilot 深度嵌入现有软件后，国产软件的替代难度会进一步上升。

但 AI 也提供了重新定义 CAE 入口的机会。

国产 CAE 不应继续单纯追求“功能对标国外软件”，而应转向“仿真工程智能平台”：先控制流程入口、知识沉淀、模板规范、自动检查和报告生成，再逐步积累行业数据和替换底层求解能力。

对于 Physics AI，则需要区分两种叙事：

• 在工业 CAE 中，它更适合作为快速近似和设计初筛工具；
• 在机器人和具身智能中，它更适合作为大规模训练数据生成工具。

这两个场景对精度、可信度、速度、数据规模和验证方式的要求完全不同，不能混为一谈。

最终，国产 CAE 的竞争力不应只来自算法实现，而应来自对具体工程场景的深度理解。

一句话总结：

国产 CAE 的突破口不是先做一个国产 Ansys，也不是盲目追逐 Physics AI 叙事，而是先做一个真正懂工程师、懂流程、懂行业场景的仿真智能工作台。