物理AI触发工业软件智能化变革，传统CAE面临深度重构

物理AI，正在推动人工智能从虚拟的数字世界走向真实的物理世界。而它，也成了资本市场里热度蹿升最快的话题之一。今年6月上旬，好几家被贴上了“物理AI”标签的上市公司密集发布公告，虽然措辞各有不同，但核心意思相当一致：要么业务还处在布局初期，要么现有产品和物理AI之间存在明显区别。

那么，物理AI的产业底座到底是什么？距离规模化落地又还有多远？6月11日，中国科学院院士、宁波东方理工大学校长陈十一在第四届软件创新发展大会上给出了他的判断：物理AI正在成为AI发展的下一阶段，它的竞争，比拼的其实是仿真能力、数据生态和基础设施——这才是真正的底牌。

工业场景具有结构性优势

这轮A股的行情，起点其实是6月7日。那天，英伟达和韩国斗山集团宣布扩大合作，内容覆盖了物理AI、机器人和AI工厂基础设施三大板块。紧接着，多只概念股接连涨停，市场情绪被迅速点燃。

不过，产业侧的反应要冷静得多。四连板的天娱数科发布公告说得很直接：公司没有物理AI业务，也未形成相关业务收入。格灵深瞳则表示，公司不直接从事物理AI产品及业务，现有的机器人感知与控制技术主要应用于轨交运维领域，应用场景比较单一。索辰科技的说法更谨慎：物理AI业务目前尚处于布局初期。

二级市场的热度和产业端的冷静，形成了一组很有意思的对照。陈十一认为，人工智能正经历一场跨越式的演进：从感知智能到深层智能，再到物理智能。他从一个更本质的角度来解读：“懂物理”，才是真正的分水岭。他举了两个例子：2016年的AlphaGo，赢了围棋但除了图形没有真正理解物理；ChatGPT可以生成海量模型，但如果没有空间位置和物理守恒性，给出的图像往往是错的。换句话说，物理AI的核心，不是生成内容，而是理解、预测和影响真实的物理世界。

浙商证券在最新研报中也指出，当前物理AI没有固定的实现范式，需要世界模型和VLA（视觉—语言—动作模型）共同支撑。自动驾驶、具身智能和工业软件，是物理AI最核心的三大落地场景。而在这三者之中，陈十一特别强调，工业场景具有不可替代的结构性优势——设计规划、智能制造、分析验证、工业具身，都能派上用场。为什么？因为工业场景的数据基础好、价值可量化，比起其他场景，天然更适合物理AI的落地。

CAE是进入工业世界的关键底座

在陈十一看来，物理AI的价值不是简单地替代某个环节，而是贯穿设计、验证、制造、运维的全流程重构。而CAE提供的物理规律、仿真数据、工程约束和验证闭环，正是物理AI跨入工业世界的那块关键底座。

他的观点值得细读：“以前我们认为是AI支撑CAE发展，但现在我觉得，工业软件可以支撑物理AI发展。AI必须懂物理，而这恰恰是CAE的核心能力。” 这不是简单的角色互换，而是底层基础设施的重新定义。

目前，纯数据驱动的AI有三个硬伤：能量不守恒、物体相互穿透、外推失败。说白了，就是容易出现永动机式的错误——违反物理定律；物体之间可以随意穿透——无视碰撞约束；一旦超出训练数据的分布范围，模型就失灵了。这些缺陷在工业场景中是致命的。

陈十一指出，CAE的定位已经彻底转变。它不再是传统意义上的离线验证工具，而是升级为四个核心角色：一是物理引擎，生成无限逼近现实的数字样本，为AI模型训练提供支撑；二是物理规律导师，以基础物理原理约束AI生成过程；三是实时精度把关者，对AI推理结果开展毫秒级验算与误差校准；四是数字孪生底座，构建高保真数字体，映射实体全生命周期状态。

随着AI技术的全面渗透，传统CAE也在被深度重构，从资深从业者使用的“专家工具”，进化成一个可交互、可推理、可自主执行的工业智能体。陈十一的判断是，抓住AI+CAE融合的窗口期，完全有可能让中国在自主工业软件与AI平台领域形成新的优势。

AI多层面重塑工业软件

浙商证券进一步指出，在物理AI的落地场景中，工业软件被定位为训练、验证、部署和运维的“控制台”。工业软件的数据不可复制、安全合规要求高、云边端协同复杂，构成了很强的护城河。它与物理AI之间是互补共生、双向赋能的关系。

中国科学院院士、大连理工大学教授郭旭也在这次大会上表达了类似的看法。他认为，AI正从多个层面重塑工业软件：一个是AI与物理模型深度融合，加速产品研发迭代；另一个是人机协同共智决策，让智能体具备自动能力。用他的原话来说：“以人工智能赋能工业软件全生命周期，从工具向智能体加速进化。”

目前，软件巨头已经在积极布局AI赋能的工业软件。但郭旭也指出了几项关键挑战：比如智能底座能力薄弱，难以集成数据模型、工业知识，也无法有效驱动AI智能体；再比如，高质量工业大数据的“饥渴”问题亟待破解；此外，还需要攻关智能工业软件的底层根技术，摆脱黑箱桎梏，让机理透明、可解释。

针对这些问题，郭旭的建议是：中国工业软件产业应该依托关键领域的龙头企业，开放核心场景和试验田，提供真实数据反馈和试错容错空间。这样既能快速催熟软件、积累工业知识图谱，又能攻克“卡脖子”难题，抢占全球工业软件智能化发展的制高点。这不仅仅是技术问题，更是一场关于耐心和定力的长跑。