中国科学院院士陈十一：物理AI的核心是仿真

进入今年下半年以来，随着物理AI的需求进一步清晰，业内越来越开始关注仿真技术。

为什么仿真在物理AI中如此重要，它真正解决的问题是什么？

在10月28日举行的《2026成都产投产业投资生态大会暨“产投28计划”年度大会》上，中国科学院院士、宁波东方理工大学校长陈十一发表了题为《面向工程应用的AI+ACE》。

他在演讲中提出，物理AI正在成为人工智能技术的主要焦点。而物理AI的竞争，本质上是仿真能力、数据生态、基础设施和工业软件的竞争。没有工业软件、不懂仿真，物理AI就难以真正走向工业世界：CAE为物理AI提供物理先验和海量训练数据，AI则让CAE从离线走向在线、速度提升数百倍，二者结合正在推动制造业全链条重构。

他还预测，随着AI写代码能力的发展，按现在的算力发展速度，3到5年内工业软件的“卡脖子”问题有望在AI帮助下完全解决。

以下为演讲实录，由投中网整理：

感谢邀请，我来分享一个最近比较热的话题——物理AI。习总书记在今年7月17日召开的世界人工智能大会上提出了一个重要论述：人工智能是世界经济增长的新引擎，是新旧动能转换的加速体现，正从数据世界走向物理世界；我们要推动人工智能技术创新、产业发展和场景化应用。

实际上，我们国家在去年就提出了“人工智能+”行动意见；今年1月份提出“AI+制造”专项行动，9月份又特别提出“人工智能+软件”专项行动计划，要推动CAD、CAE、EDA等工业软件的AI升级。这是一个现在非常热的课题，还有一些具体的要求，比如说推动100个工业领域高质量数据集和1000个高水平的工业智能体等等。

世界模型的核心是仿真

物理AI正成为人工智能技术的主要焦点。人工智能的发展有一个过程：从早期的感知智能，到后来的深层次智能，再到现在的物理智能；技术上从GPT走到现在的世界模型，讲仿真、讲机器人，这是一个非常有序的演进过程。

世界AI的大脑是世界模型，世界模型的核心是仿真。李飞飞提出了世界模型的功能分为三块：渲染性、仿真性、规划性。渲染器负责呈现好看的东西；规划器负责输出各种动作，比如机器人；但中间最重要的一块，是在几何、物理和动力学上忠实地表征这个世界的状态。今天讲世界模型，主要就是讲它跟模拟器的关系，它跟工业软件是紧密相关的。

科技巨头正在布局AI基础设施和工业场景。有预测认为，物理AI将有6万亿美元的市场；黄仁勋在2026年提出，物理AI将重塑制造业和物流产业，规模将达50万亿美元。这个观点跟我2022年提出“AI+工业软件”三个圈的框架是一致的。全球科技巨头正在布局，前面专家也分享了有关经验，大家都在做这方面的工作。

物理AI的竞争，本质上是仿真能力、数据生态、基础设施和工业软件，即如何把物理嵌入到你的AI里，这方面的技术将会成为下一个竞争的重点。

全球科技力量正在加速布局物理AI与世界模型。李飞飞2024年4月成立的公司，今年10月份估值涨到82亿美元，并被AMD收购；杨立昆2026年1月份建立的企业，3月份估值就到45亿美元；贝索斯创立的一家企业，2025年11月成立，不到一年估值380亿美元。同时这两个人都讲，AI可以讲这个世界，但实际上它对这个世界的本质是不了解的。

随着算力增长，OpenAI还在前进。但更重要的是，下一个赛道是如何真正跟制造业、跟企业紧密结合，这才是真正的几万亿、几十万亿估值的根本。

没有工业软件，物理AI难以走向工业世界

没有工业软件，不懂仿真器、不懂CAE，没有这个支撑，物理AI难以真正走向工业世界。工业仿真为什么可行？因为工业仿真是根据牛顿定律的，我们从中学开始就学过，总结出来的这个世界的真理；当然还有爱因斯坦提出的理论以及电磁场、量子力学等，这些都是可以仿真的，都遵循物理规律。没有这些，AI就是虚的，不能真正用到物理世界。

一个球往下掉，是往下掉还是往上飘？在水中有可能往上飘，但根据重力，那是有规律的，重力就是物理。没有重力约束，你生成的水杯也许往上升，完全是非物理的。比如说2016年阿尔法狗战胜围棋世界冠军，但它只知道围棋，不知道其他东西；如果没有碰撞约束，球打到一个挡板上，完全不知道它的受力情况，它可以穿过去。所以AI必须跟真实物理结合。

CAE赋能物理AI，提供物理先验，让AI自觉遵循物理定律。现在的大模型存在问题缺陷，比如能量不守恒、会出现“永动机”；物理上互相穿透，没有碰撞约束。把物理概念嵌入到AI的参数函数里面是非常重要的。我们前天发表文章，把数学物理里的很多东西慢慢放进AI里面，使得AI可以模拟真实物理世界。

物理AI的真实价值，最终要在实体工业中体现出来：深层次的设计、智能建模、工艺规划，还有智能制造。

我最近非常关注智能制造，CAE如何做制造工艺，比如AI加工、分析验证、代理模型、AI网络、仿真加强、数据融合、工业具身智能等。

CAE赋能物理AI以后，还会成为模型训练数据的核心来源。大家都知道工业界采集数据是最难的，各个公司对数据分享的积极性不太高。CAE从“给人看”升华到“教AI学”：基于CAE合成生成海量训练样本；还有一些高风险场景，比如核、台风等气象灾害没法做实验，可以模拟，让AI学会预测这些东西。CAE由此成为世界模型的底座，为世界模型提供训练数据及物理约束，一下子变成了AI的重要数据生产工具。

另一方面，CAE本身也会从AI得到很大的帮助。CAE的发展面临成本和效益的挑战：CAE非常精准，精准度很高，但很多产业没法用，因为太慢。AI非常快，但无法反映物理。把这两个一结合，既能快，又能反映物理，就可以真正用起来。

我们已经做了基于AI+CAE的物理AI，融合快速求解与物理约束，形成了一系列成果，基本上把全世界做得比较好的AI+CAE快速求解都做了，比如汽车外流场、锻造过程、电子元件等，都开始可以应用，这些领域的应用正处于一个快速上升的时期。

AI+将推动CAE全链条的重构：从几何建模，到设计的CAE工程，再到最后的优化制造工艺，整个过程都会发生系列的全链条改变。随着物理AI的到来，今后制造业将会发生巨大变化。

传统的CAE正在从专家工具进化为工业智能。以前要画图纸，现在不用了，你跟Agent互动就可以了：自然语言理解任务、自动拆分仿真流程、调用CAD、网格求解器、快速预测等。Agent已经能跟成熟软件进行互动，并且可以帮助你修改。

CAE的新定位：原来十几个小时，现在一两秒钟就可以做，从原来的离线变成在线引擎，这是根本性的变化。原来造一辆车，形状不对，回去再算一算；现在几秒钟内就告诉你这个设计是对还是不对。以前说的数字孪生，只是“照照相”，没法帮你预测；现在随着AI对CAE的改变，速度提升几百倍，这是非常重要的革命性进展。

人工智能对工业软件开发的加速作用也非常明显。我在苏州创立了一家企业，基本上所有的工程师都用AI写软件，比原来快6倍。AI辅助CAE软件开发已经成为主流，现在如果哪家软件公司还完全靠人写代码，就远远落后了。

从代码生成到可信赖的工业软件开发

当然，大语言模型在加速软件开发的同时，也会引入工程层面的不确定性：提示词不一样，生成的代码可能就不一样；上下文不一样，模型的输出可能会发生偏移；随机采样也可能得到不同的结果。真正用于工程实践的工业软件开发，需要保证正确性、数值稳定性和工业应用中的可复现性。这方面我们已经开展了工作，从代码生成到可信赖的工业软件开发，相关流程已经初步形成。

举个例子：我以前在美国做了20多年教授，当时有一个非常基础、后来被全世界广泛采用的程序，我个人花了6个月才写出来；现在，我的学生在北大利用AI，只用了6个星期就把它完整地复现出来。这完全是一个不同时代的工业软件开发方式。

写完以后，下一步就要问：人和机器的互动，未来能不能真正改变，甚至替代传统工业软件的开发方式？大家都说工业软件是“卡脖子”问题，关系到国家的核心竞争力。随着AI的发展、算力的提升和Token规模的增长，有没有可能在一定时间内，依靠AI复现国际顶尖成熟工业软件的核心能力？我画了一张图，按照现在的算力发展趋势预测，我个人认为，未来3到5年，在AI的帮助下，我们有望在解决工业软件“卡脖子”问题上取得重大突破。所以，问题的中心正在改变：AI能否生成有用的代码，已经不是主要问题，现在更重要的是专家如何验证它。

第二个问题：AI何时能够自主开发工业软件，并达到与人工开发的成熟工业软件相媲美的水平？现在很多企业都在探索相关技术，包括逆向工程等方法，其中涉及一些知识产权和法律合规问题。我认为，随着AI技术的发展，在尊重知识产权、依法合规的前提下，未来工业软件的开发方式将发生重大变化，技术实现本身可能不再是最主要的瓶颈。最后比拼的还是你的思想和创新能力。我觉得，随着AI的增长和应用，这一点非常重要。

汽车设计。 我们小时候都喜欢画汽车。现在，只要你能画出来，我们的软件就可以在两三秒钟内，从手绘的汽车外形生成可用于后续工程设计和分析的三维模型，并快速预测其空气动力学性能。这已经不再是过去的想象。我们的软件在一项有全球320多支队伍参加的国际竞赛中取得了优异成绩，进入前三名，在汽车风阻计算方面表现非常出色，能够将汽车外形与能耗相关的气动性能结合起来进行分析。

优化设计。 我们又开发了一个Agent，实现全局性能和局部物理场的统一预测：你可以对局部设计进行修改，系统会告诉你怎样调整能够降低阻力。这项技术正在逐步应用，AI带来了非常有意义的进展。

风电与低空经济。 中国的风力机技术已经非常先进，但风电场建设首先要解决选址问题；低空经济也是一样，无人机飞到城市里，局部风场和涡流可能非常复杂，带来飞行安全风险。我们现在利用激光雷达获取风场数据，结合机载人工智能，可以帮助判断哪些区域存在飞行风险，提示无人机避开危险区域。相关技术已经具备实现条件，我们也开发了相应的软件。

在成都的山区进行风电选址，只要提供GPS坐标，我们就可以利用软件快速评估不同位置的风资源条件，帮助寻找更适合建设风电场的位置。这项技术已经基本实现。我们利用AI构建复杂地形风场预测模型，AI预测结果与CAE仿真高度一致，显著提升了复杂地形风场预测的速度。在特定测试条件下，预测效率较传统方法提升约600倍，精度也与国外先进软件及实验结果具有较好的一致性。我们还到内蒙古阿拉善开展现场验证，在90米、100米高的测风塔上，结合激光雷达进行实测，结果显示预测误差较小。

城市风环境。 我们在宁波开展低空经济相关研究，利用气象雷达数据，对城市风环境进行快速评估。一两秒钟，就可以预测城市5公里、10公里范围内不同高度的风场变化。这类预测能力未来还可以进一步应用到无人机的飞行系统中。特别是飞越山区时，有些区域可能存在危险风场，系统可以提前识别并提示避让。

动力电池。 这一领域现在非常重要，我们与宁德时代、欣旺达、亿纬锂能等企业都有合作。动力电池的散热与热管理，从很小的局部结构到整个电池系统，涉及的流动和传热过程非常复杂，需要实现快速预测。现在，在一些特定场景下，我们的AI模型可以在1到2秒内完成预测，帮助判断设计方案的性能优劣，相关技术已经取得了较为成熟的应用成果。

电子器件热分析。 我们最近与一家企业合作，开展从芯片到整个系统的热管理研究。大家知道，芯片除了封装之外，热管理也是非常重要的一环。热管理做好了，设计才能进一步优化，性能才能进一步提升。我们利用AI对电子元器件的热性能和内部温度场进行快速预测，目前已经取得了很大的进展。

我们还开发了一个平台，将CAE、CAD、PDM和数据管理等能力整合在一起。在行业应用方面，涵盖汽车、能源、装备、材料等多个领域。我们与上汽、中国电建、中广核、欣旺达、北新建材、美的以及船舶研究所等企业和机构都有合作，全面推动物理AI在工业领域的应用。

最后讲一个新的方向。现在物理AI领域一个非常值得关注的方向，从我们的角度来看，就是可微分的工业软件。通过可微分计算与优化设计，在一些特定场景中，效率可以比传统工业流程提升10倍到100倍。我们整个团队在这方面已经取得了初步进展，例如可微分动力学在机器人优化控制中的应用。

我们自己动手开发的成果实际上是非常成功的。大家看到的那个一开始跑得比较慢、后来追上来的机器人，就是我们与国家人形机器人创新中心合作研究的成果。后来追上来的机器人，采用的就是我一位学生开发的可微分控制方法。

所以我认为，物理AI与AI+工业软件的深度融合，将为整个工业制造业带来革命性的变化。

谢谢大家！