这是AIE加速工业进化【AI+CAE的现状和未来】系列的第14篇，在之前对国内外供应商、工业企业、研究项目等进行系统性盘点的基础上，总结与分析AI+CAE的应用场景、发展方向。

本文通过回答几个核心问题的方式，对AI+CAE的发展情况，趋势等进行一些总结和分析。这几个问题是：

• AI+CAE有哪些典型场景？
• AI+CAE整体进展如何？
• AI代理模型是否会取代传统CAE求解？
• AI代理模型准确率是否可用？
• 训练数据对AI代理模型的影响如何？
• AI+CAE催生了涉及哪些新的产品形态？
• 国内CAE是否有弯道超车的机会？

AI+CAE的场景都有哪些？

AI在CAE的主要方向，往大了说，主要是2个方向：

1.通过AI代理模型（Surrogate Models）加速求解过程

2.通过Agent打通仿真流程加速仿真自动化

具体落地到仿真的前处理、求解以及后处理等各环节，则形成一些更具体的场景，如下图

前后处理

在软件使用及前后处理过程中，AI辅助或自动化完成很多过去人工承担的重复、复杂工作。

软件客服问答：AI助手回答用户在软件使用各环节中的问题，帮助快速上手。

例如：ANSYS 为软件推出的Engineering Copilot，COMSOL推出的 Multiphysics Chatbot等

国内的如同元软控MWORKS Syslab Copilot。

仿真参数推荐：在载荷、工况、材料定义等仿真设置环节，进行一些智能化推荐与辅助，从而更快完成仿真设置。

例如：西门子Simcenter Testlab新版本增加的AI辅助模态分析功能，智能推荐智能传感器布置位置，结合后处理的自动化模态选择和验证，流程速度提升7倍；又如SimScale仿真云平台的AI助手Engineering AI，可以诊断缺失的输入，根据几何形状建议适当的设置，并在模拟运行前标记潜在的错误。

国内的如同元软控MWORKS Syslab Copilot提供智能代码补全功能；泊松软件Magicsim动力学仿真平台运动副自动创建解决方案。

相似几何搜索：借助AI识别相似模型特征的能力，辅助搜索、选择相似模型细节，加速几何体的清理与简化、仿真设置等工作。

例如：Altair HyperMesh的“Classify”和“Match”功能，基于ShapeAI技术，能够自动识别提取指定几何形状的特征，从而加速后续进一步分组等工作。

辅助结果分析：AI助手帮助进行分析结果的总结，数据可视化分析，结论的洞察，问题原因的智能搜索等。

例如：Rescale云仿真平台上线的Rescale Assistant提供更智能的任务摘要、灵活的数据可视化和跨任务、研究和项目的自然语言查询等功能

国内的如天洑软件AIFEM搜索和整合数据、云图、图表等结果自动生成仿真报告。

求解计算

仿真计算需要进行复杂方程组的求解，过往费时费力。为加速这一过程，多种技术路线在应用，AI也在其中各自有一些应用方向，其中占比最高的是AI代理模型。

路线1：直接求解:

求解器参数优化：使用AI算法智能推荐求解器的一些参数设置，或者使用一些AI增强的算法进行仿真方程组的求解，从而加速仿真求解的过程。

例如：Siemens NX 2506 MCD（Mechatronics Concept Designer）模块新增 “”智能推荐“功能，通过AI技术自动优化 PhysX 求解器参数，实现更高效、更精准的物理仿真。

路线2：代理模型（Surrogate Models）

代理模型方向目前主要是使用AI代理模型（NVIDIA相关公司也称其为物理AI模型）替代或部分替代仿真计算，以近实时的得出仿真结果，显著提高计算效率，从而可以在短时间内探索更多的设计方案。

AI代理模型基于过往的仿真输入和输出训练而来，它不经过复杂的方程求解，直接给出仿真结果。比如根据车的外形直接给出空气阻力系数。

仿真结果预测。在CAE学科软件中，增加训练AI代理模型及用代理模型进行快速求解，预测仿真结果。

例如：ANSYS 2025 R2 推出 AI+ 智能功能模块，覆盖多款核心产品，软件允许用户创建代理模型，并基于代理模型快速预测仿真结果；又如COMSOL 6.2版本开始增加代理模型训练功能；西门子Simcenter 3D Durability 疲劳分析模块中，引入了基于AI的材料模型来预测3D打印零件的疲劳性能。

国内的如云道智能Simdroid-EC引入AI加速计算；戴西软件AICrash行人保护模块AI结果预测等。

路线3 降阶模型（ROM，Reduced Order Modeling）

协助创建降级模型：降阶模型创建工具使用AI算法更高效的创建出高维度仿真计算的低维度降阶模型。

例如：西门子Simcenter ROM软件提供了包含AI在内的一系列方法，使用户无需专业领域知识即可构建降阶模型。又如Altair的romAI使用AI 驱动的工作流程使团队能够“少数据、高精度、快速度”创建降阶模型ROM。

国内的如英特数字孪生平台INTESIM-dTPlatform基于AI算法创建降阶代理模型；云境智仿YJ-DORGP“小样本、高可信”智能求解器直接在网格或几何模型上调参预测等

设计及仿真流程一体化

在单一环节外，面向融合全流程的仿真及设计探索工作流方面，AI也有几种典型应用场景：

加速设计空间探索。面向设计目标开展多参数优化的设计探索过程，过往需要进行大量的仿真计算。在过程中先采取少量仿真训练代理模型，由代理模型快速进行大量设计探索，再筛选优选方案进行高精度仿真。或者由AI智能参数设计策略，加速设计探索过程。

例如：西门子多学科设计分析和优化软件HEEDS引入AI仿真预测器，针对多组仿真方案先用少量仿真训练代理模型，基于代理模型进行海量快速的探索优化，再筛选出少数顶尖设计进行高保真仿真的工作流程，在保证结果精度的前提下，将整体优化时间从“周”缩短到“天”甚至“小时”；又如Hexagon的ODYSSEE CAE也支持基于代理模型加速设计参数快速预测及优化。

国内的如天洑软件的AIPOD软件智能代理学习和智能优化策略；灵易数智LY-AIROM灵易智能降阶软件等

自动化工作流编排：提供Agent开发平台，面向仿真及设计探索的工作，开发自动化执行工作流的Agent。

例如：Synera提供专面向CAE领域的工作流编排平台，可以连接各种CAX软件，可视化编排自动工作流及AI Agent；又如 Altair Rapid Miner Agent Studio、RESCALE DATA Intelligence、PhysicsX 平台等，都提供面向CAE自动化流程的Agent编排功能；Physics AI正在与Microsoft Discovery合作，构建多Agent协同的完整智能自动化仿真工作流。

设计仿真一体化优化：结合参数化模型生成及实时的仿真结果预测，形成一体化的快速的多学科设计优化工作流。

例如：西门子Simcenter STAR-CCM+ CFD工具 与 Compute Maritim的 NeuralShipper生成式AI船舶设计工具连接， 生成式设计船舶外形，自动化仿真，快速选出最优方案；

又如：nTop 与 Luminary Cloud合作的生成式飞机模型设计与快速仿真优化；Neural Concept 推出的AI设计助手；西门子推出的创成式工程工具箱Simcenter Studio 等。

国内的如天洑软件的AITurbo叶轮机械智能设计软件、灵易数智的飞机翼肋智能设计工具等

以上只是目前能看到公开的一些应用方向。可以探索的场景和技术路线还有不少，伴随着Skills和OpenClaw类技术的发展，未来预计仍将有新的场景出现。

AI+CAE的整体进展程度如何？

由于提效更显著，也更容易落地，AI+CAE目前在供给和应用侧都比AI+CAD进展的更快，主流大厂都已经推出了相关产品，并在持续推动现有产品的改造。不少知名工业企业也完成了很多试点项目，有的创企也迎来了收入快速增长。

Altair 东盟及大中华区总经理刘源博士表示，“AI + 仿真，不是趋势，而是新的常态”。Neural Concept公司在25年底表示，在过去1年半时间里， 公司营收增长了四倍（基数可能很小）。

在具体技术方向上，AI代理模型显然是进展最快的领域。AI代理模型各方向中，计算流体力学CFD是最多最快的领域，对应的涉及CFD较多的行业：汽车、航空航天、船舶等，应用自然也更快。结构有限元分析领域仅次于CFD领域。

其中汽车外形和风阻是目前应用最多的行业领域。汽车行业也在结构强度领域有一定的应用。

航空航天和船舶行业中，传统的大型装备应用相对不多，新兴产品设计应用相对多一些，如低空无人机、新型船舶等。

以CFD为基础的电子产品散热、数据中心散热、风机流场预测等方向也有较多的一些应用进展。

相比AI代理模型，其他更偏Agen方向的流程自动化类的场景，还处于刚刚起步的状态，相关案例较少。

从国家角度看，国外的整体进展和案例显著多于国内。国内一些头部汽车和航空航天、轨道交通企业在AI CFD方面也有较多的探索。

AI代理模型是否会取代传统仿真计算？

当前看不会，更多是增加了新的手段，在部分环节提供有益的补充。

传统CAE求解计算慢的需求很明确，但加速求解计算的技术路线有很多，AI代理模型并不是唯一解。如GPU加速的并行计算（如各种云平台、PTC Creo Simulation Live、Siemens NX Performance Predictor）、代理模型、降阶模型、无网格求解器（如Altair SimSolid等）等。多种不同的路线在并行发展，各有优势，很多时候需要在不同场景下结合使用。

AI代理模型技术路线本身，目前的应用场景也主要是在初步设计阶段，快速从大量潜在设计中，找到优化的设计参数，用于后续详细设计。详细设计阶段还是会使用传统仿真计算方式进行后续设计。

前期使用AI代理模型的意义，更主要的在于前期做过全面的探索，避免后期返工的可能，以及探索过去凭经验所没有探索过的方向。

当然，如果更长远的来看，针对特定类型产品，可能结合实际数据，训练出一个准确性达到甚至高于仿真计算的可复用模型。

更宏观的说，CAE仿真本身也是对实际世界的一个降阶模型，设置仿真系统时很可能也进行了一些条件的简化或近似，也不一定完全跟现实世界一致。如果直接拿现实世界的实测结果训练的AI代理模型，也存在AI模型比仿真更准确的可能。

AI代理模型准确率是否可用？

从目前看到的案例来看，大部分AI代理模型与仿真计算的误差大体在5-10%这个水平段，更高的能做到3%以内。

有来源不明的信息称，Autodesk收购的NAVASTO使用机器学习结果与CFD计算结果的误差仅在1.1%。

AI代理模型目前也还有多种技术路线进行优化，提升效率或达到更高的精度：

PINN模型：相比于使用GNN图神经网络进行AI代理模型训练，PINN将物理公式嵌入AI模型，强制AI模型的输出符合物理规律的结果。

混合模型模式：Ansys TwinAI平台 Hybrid Analytics工具支持AI代理与高精度仿真的混合建模，先通过低精度仿真生产大量仿真数据，从中挑选优化的参数进行高精度仿真计算，最后使用两者共同用于训练一个AI代理模型。

LGM-Aero（大几何模型）：PhysicsX 公司提出的技术路线，先将几何网格模型转换为一个低维度的参数化潜在表示，再用这个潜在表示来训练对应的AI代理模型。该方法克服了过拟合以及训练成本高的挑战，且更易对设计进行修改和探索。

专家经验融入：Altair ExpertAI提出的技术路线，开展多目标优化的设计探索时，将人类专家对仿真结果的一些直观分类和优先性判断训练到AI模型，并将这个主观指标也纳入优化目标中，从而实现“客观指标+主观经验”的全维度自动化优化，大幅提升设计优化效率与方案可靠性。

训练数据对AI代理模型的影响如何？

众多周知，AI模型达到比较好的结果，前提是足够多且质量高的训练数据，即过往的仿真结果。

具体多少仿真数据足够，不同场景有显著差异。目前的多数项目中，通过几十到几百组仿真数据用于训练，就得到了还不错的效果，少量项目用到了千组数据。

催生了哪些新的产品形态？

除了现有CAE软件中嵌入AI训练和推理功能、AI预测模型外，AI+CAE也催生了一些新产品形态，如模型的开发工具，以及对应的模型及新应用等。

AI模型开发工具：提供一个平台，使用户可以基于过往的仿真数据，进行AI代理模型的训练和开发。

其中又可以简单分为2种，面向CAE工程师使用的，只需要选择仿真数据就可以进行模型训练的轻量级平台，如ANSYS 的SimAI，Altair的PhysicsAI，以及面向AI开发者的，可以进行更深度数据管理、模型训练、模型调参等功能的更重量的平台，如NVIDIA的PhysicsNeMo DoMINO等。

一些典型代表产品如：

• ANSYS SimAI
• Altair PhysicsAI
• NVIDIA PhysicsNeMo DoMINO
• Hexagon ODYSSEE CAE
• SimScale
• Rescale
• Neural Concept platform
• Luminal Cloud Physics AI Factory
• PhysicsX
• 北京熙流数字 Aerocae-AI实时CFD流体仿真AI训练平台
• 宁波树优科技UniXDE.DTM
• 索辰科技开物平台
• 湖南迈曦软件MxSim.AI
• 广州十沣科技TF-AIDEA

流程/Agent编排平台：提供一个平台，使用户可以连通各种CAX系统数据，编排开发仿真自动化流程或Agent。

一些典型代表产品如：

• Synera
• Rescale data Intelligence
• Altair RapidMiner
• PhysicsX

垂直AI模型/应用：已经训练过的专门面向特定领域的AI代理模型，或基于AI代理模型或AI驱动ROM进行实时仿真的的CAE/CAD应用，如：

• SimScale 离心泵模型
• 南京天沥软件AITurbo叶轮机械智能设计软件
• 十沣科技AI湍流模型、城市建筑群风环境AI大模型
• 北京云境智仿 数字化CFD风洞
• 阿尔特汽车“御风”空气动力学AI系统
• 北京灵易数智飞机翼肋智能设计工具
• 神工坊数字孪生风洞「风神NF3」
• 北京长风道科技AiAero汽车风阻系数及流场预测工具
• 北京宇拓智源旋翼设计仿真智能体（开发中）

在针对特定场景训练AI代理模型之上，还形成了基础物理模型的技术路线：即先训练一个懂XX领域（如流体力学）的通用模型，以后针对特定场景或方向只需要在这个模型的基础上，使用少量数据微调模型。已经发布的相关基础物理模型如：

• NVIDAI Apollo系列模型
• Luminary Cloud SHIFT-SUV

为了推动这个领域的发展，一些企业选择了将这类基础模型开源和开放，如NVIDIA和Luminary Cloud。

当然，对内国内，可能还会催生的更多是一些定制类的项目和解决方案

国内CAE是否有弯道超车的机会？

仅从AI带来的市场机会角度，短期的确带来了一些AI模型构建的解决方案型机会，但中期这些功能或者模型肯定会被逐步整合到现有CAE软件产品中。

远期，随着仿真前移的趋势，CAD和CAE可能进一步融合，或许会形成特定垂直细分方向，基于AI驱动的一体化CAD+CAE替代原有通用CAE的市场机会。甚至可能诞生卖模型本身的这一模式。

国内CAE产业相比国外差距还是很明显的，目前整体看国内企业在AI化方面的动作也略落后于国外巨头。在AI方向的投入和经验积累难以快速比拟的情况下，国内企业试图弯道超车国外大厂的难度非常大。

国产化相关支持政策的持续，以及更快的推出部分垂直细分领域AI驱动的一体化CAD+CAE，可能会为国产CAE软件提供一些机会。