中国数字仿真网

近两年，AI+CAE已经成为仿真行业最热门的话题。各大论坛展会上，不少宣传不断放大AI的颠覆性作用。但回到产业一线就能发现，现状远没有宣传故事那样美好。

实验室里的AI仿真算法论文层出不穷，软件厂商快速上线各类AI功能，制造企业满怀期待开展POC测试，可大多都是演示效果亮眼，一旦对接真实产品工况，就容易出现精度漂移、违背物理逻辑的问题，很难真正嵌入常态化研发流程。

针对此问题以及现状，安世亚太副总裁田锋分享了贴合产业现实的观点：学界、厂商、企业三方，本身就有着不一样的诉求：高校偏向理论算法创新，厂商要兼顾产品迭代与市场宣传，企业最关心能不能实实在在解决工程问题。诉求之间的错位，进一步拉大了概念炒作和产业落地之间的鸿沟。

田锋明确强调："AI不会取代传统CAE求解器。"

在他看来，AI在仿真全链条中只能承担辅助角色：用来简化前处理网格、快速筛选设计方案、依托历史工程数据搭建代理模型缩短迭代周期。而核心求解运算、高可靠性工况验算，依然必须严格遵循物理方程的底层约束。

当下不少声音将AI视作国产CAE弯道超车的捷径，这点需要行业冷静看待。田锋指出，AI没办法跳过材料数据库、工况沉淀、求解器稳定性这些需要数十年积累的硬门槛。脱离工程知识沉淀，单纯堆砌大模型能力，最终只能停留在演示Demo层面。

谈及国产CAE智能化的发展方向，田锋并没有单纯谈论技术本身，更多聚焦于产业生态中长期存在的痛点，这些现实矛盾，是智能化转型无法避开的前置条件。

学界和产业之间，长时间存在明显断层。实验室诞生大量创新算法，但缺少真实工程样本、工业标准的约束，很难转化为企业可用的软件功能；企业手握海量真实工况数据，却缺少渠道反哺高校基础研究。三方链条无法打通，很多AI仿真研究就只能悬浮在实验室，落不到生产线上。

针对这些矛盾，田锋提出国产CAE智能化应当走知识先行的路线。他同时指出，软件底层也需要完成组件化改造，让AI能够直接调用调度几何、网格、求解模块，而不是仅仅增加一个聊天交互外壳。

很多人都在关心一个问题：我们能不能依靠AI实现国产CAE的弯道超车？

田锋给出了相对审慎的判断：AI是行业发展重要的加速器，但绝不是国产仿真的救命稻草。

海外CAE巨头的软件能力背后，是数十年伴随航空、汽车、能源产业发展，沉淀下来的海量工程案例、材料库、行业规范。这些长期积累下来的产业资产，无法依靠AI凭空生成。

田锋认为，国内仿真产业当下，求解内核、智能化算法可以加速追赶，但工程知识库、行业验证案例，只能通过承接项目、落地真实产品一点点积累。寄希望依靠AI跳过这个过程，本身就不符合工业软件的发展规律。

当然，AI确实为国产CAE带来了全新机遇。在传统路线上追赶海外成熟求解器难度巨大，但智能化这条新赛道，国内外的起点差距并没有想象中悬殊。田锋建议，我们可以依托国内海量制造业场景，将AI和自主求解器相结合，优先解决国内企业最迫切的痛点：降低仿真使用门槛、缩短设计迭代周期，把仿真能力下沉到更多中小制造企业。

但机会不等于捷径。田锋强调，智能化功能想要真正创造价值，前提是软件本身求解能力过硬，企业已经搭建起基础仿真流程，行业愿意开放真实场景开展验证。

   更多面向真实工业工况开展研究，关注算法在现实约束下的稳定性，而不是单纯追求理想数据集上的亮眼指标；

   克制概念营销的冲动，把AI能力嵌入完整的工程业务流程，而非只追求炫酷的演示效果；

理性看待AI仿真的能力边界，搭建自身仿真体系、沉淀工程知识，同时为国产软件提供试错验证的场景。

总之，国产CAE想要实现智能化突围，技术只是其中一环，商业闭环、产业协同、工程知识沉淀，缺一不可。褪去AI身上的光环，回归仿真的本质，行业才能走得更远。