全球 CAE、CFD 与 Simulation AI 产业技术演进综述

从数值求解器、网格生成与多物理场仿真，到 Physics Foundation Models、神经算子和自主工程智能体

研究周期：2026年1月1日—2026年10月13日
研究范围：全球CAE、CFD、FEA、Multiphysics Simulation、Engineering Optimization、Physics AI、Scientific Machine Learning及AI Native Simulation
研究对象：传统仿真软件集团、专业求解器企业、工程计算基础设施、工业AI创业公司、开源数值计算项目与科研生态

2026年，工程仿真产业的竞争正在发生什么变化？

2026年，全球工程仿真产业正在进入一个技术路线、资本结构与软件产品形态同时变化的阶段。

过去，CAE产业的核心竞争主要围绕数值计算展开。企业通过长期积累的数学模型、离散化方法、数值求解器、网格技术以及专业工程验证能力，在结构力学、流体动力学、电磁场、传热、声学和多体动力学等领域建立竞争优势。这些能力通常需要持续十年以上甚至数十年的技术积累，因此，工业仿真市场长期由少数综合性软件集团和一批专业求解器企业占据重要位置。

人工智能正在改变这一产业的部分技术基础，但变化并不是以通用大模型直接替代数值求解器的形式发生。

一方面，GPU计算、稀疏矩阵算法和并行求解技术正在继续提高传统CAE的计算性能。另一方面，神经算子、几何深度学习、物理代理模型和生成式优化方法，正在使部分工程问题能够以不同于传统数值求解的方式进行近似预测和设计探索。与此同时，工程智能体开始承担仿真前处理、任务配置、计算资源调度、结果分析以及多软件流程编排等工作。

这三类变化具有不同的技术来源，却开始在同一套工程仿真体系中汇合。

2026年3月，Synopsys发布完成Ansys收购后的首个重大产品版本，推出Ansys SimAI Pro与Premium产品分层，并发布Ansys GeomAI等新能力。与此同时，Fluent 2026 R1继续扩展GPU求解器的物理模型覆盖范围，并将Engineering Copilot进一步引入专业流体仿真工作环境。这里同时存在两种不同的技术进步：一种是让传统数值求解器运行得更快，另一种是让AI学习已有计算结果，在限定条件下快速预测新的工程状态。 (Synopsys、Ansys SimAI、Ansys Fluent)

2月23日，Cadence完成对Hexagon Design & Engineering业务的收购，交易总对价约27亿欧元。这笔交易将MSC Nastran、Adams等结构与多体动力学软件纳入Cadence，同时与其既有的Fidelity CFD、电子系统多物理场仿真及BETA CAE前后处理技术形成新的产品组合。2025年才被市场充分讨论的EDA与CAE产业融合，在2026年已经通过实际资产交割改变了全球专业仿真技术的控股格局。(Cadence)

7月28日，Siemens宣布推出整合Altair技术的新一代Simcenter产品组合。这是其2025年3月完成Altair收购之后，在产品层面进一步整合结构分析、优化、高性能计算和多物理场技术的重要进展。(Siemens)

这两组产业整合具有重要的共同特征：大型工业软件集团正在进一步控制跨学科求解器、工程优化和高性能计算能力，使CAE不再只是独立的设计验证工具，而是更加深入地参与复杂产品及系统级工程过程。

与此同时，一批AI原生工程企业开始建立不同的竞争路径。

英国PhysicsX于2026年6月宣布完成3亿美元C轮融资，投后估值约24亿美元。8月，公司进一步公开面向汽车空气动力学的预训练Large Physics Model：PX-Car-Aero-v1，并展示其利用预训练减少特定工程任务所需仿真数据的能力。(PhysicsX融资公告、PX-Car-Aero-v1)

瑞士Neural Concept于1月推出结合几何理解、物理预测和设计生成的AI Design Copilot；美国Rescale于4月至5月推出Agentic Digital Engineering，将专业仿真智能体、Physics AI模型开发和计算资源管理纳入同一平台。(Neural Concept、Rescale)

这些公司并不都在开发新的Navier–Stokes方程求解器或者有限元稀疏矩阵算法。它们试图解决的，是传统仿真软件使用过程中存在的另外一些成本问题：训练高质量代理模型需要大量数据，设计优化需要进行大量重复计算，仿真工作流依赖专业工程师手动操作，而不同求解器和计算资源之间的组织成本较高。

因此，Physics AI正在形成与传统CAE既有竞争又有互补关系的新型软件市场。

中国企业也正在沿着不同路径参与这一变化。4月17日，上海积鼎科技发布VirtualFlow 2026.0，将几何处理、网格划分、CFD求解器、后处理和AI代理模型训练与推理纳入一体化产品。索辰科技继续发展CAE仿真与物理AI技术，并通过2026年的产业整合进一步连接工业现场数据和工程仿真能力。(积鼎科技)

在基础设施层，NVIDIA于2026年8月发布PhysicsNeMo 26.08，进一步扩展GPU原生网格处理、几何变形、神经算子、模型训练和不确定性量化等能力。这表明通用AI计算平台已经开始向工程仿真的专业数据结构和科学计算工作流深入。(NVIDIA PhysicsNeMo 26.08)

如果把这些事件联系起来，就会发现2026年的CAE产业并非沿着单一技术方向发展。

传统仿真软件巨头正在通过并购整合和GPU计算强化求解能力，专业CAE企业不断完善特定物理场的算法与工程验证体系，AI原生公司尝试减少重复仿真的成本，而计算基础设施企业则开始提供通用的科学机器学习框架。

这种多层次演进，提出了一个比“AI能否替代CAE”更加重要的问题：

当高保真数值求解、物理代理模型、工程数据和AI智能体能够被组织在同一工作流中，未来工程仿真的核心竞争力究竟会由哪些技术能力共同决定？

2026年的变化尚不足以证明传统CAE求解器将被AI基础模型全面替代。相反，工程仿真的技术价值正在沿着两个方向同时扩展：高保真求解器继续负责复杂物理规律的数值计算与验证，而AI模型开始承担部分近似预测、设计空间探索和优化任务。

两者之间的关系，很可能构成未来五年Simulation AI发展的主要技术基础。

一、CAE产业真正的技术壁垒：从物理模型到经过验证的数值计算体系

1.1 工程仿真软件的价值，最终取决于计算结果能否用于现实工程决策

CAE软件与大多数通用软件的根本区别，在于其输出需要对应真实物理世界中的行为。

机械结构是否会在特定载荷下失效，飞机机翼是否满足气动性能要求，电动机是否会出现局部过热，芯片封装能否维持足够的散热能力，均属于具有明确物理意义的工程问题。

对于这些问题，软件输出一个数字或者漂亮的云图，并不意味着工程任务已经完成。

工程师还需要判断物理模型是否适用、边界条件是否合理、计算方法是否稳定，以及结果是否能够通过实验或其他独立方法验证。

因此，CAE的核心价值不是简单地执行数学计算，而是将实际工程问题转化为经过验证的计算模型。

这一过程涉及物理建模、几何处理、网格离散、数值求解、误差分析和结果解释等多个技术环节。

以CFD为例，即使选择了相同的几何模型和控制方程，不同网格质量、湍流模型、边界条件和离散格式，也可能导致不同的计算结果。

在复杂湍流、燃烧、多相流和流固耦合等问题中，这种差异尤为明显。

因此，成熟CAE软件的技术竞争力来自一整套相互联系的数值计算体系，而不是一个单独的求解算法。

1.2 网格与离散化仍然是工程仿真的核心技术层

在传统数值仿真中，工程师通常需要把连续物理空间转化为计算机可以处理的离散对象。

有限元方法（FEM）通常通过单元和形函数近似连续场，适用于结构、传热、电磁以及大量多物理场问题。有限体积方法（FVM）则通过控制体积上的守恒关系构建离散方程，在工业CFD中具有广泛应用。有限差分方法（FDM）在规则结构化网格和特定物理问题中仍然具有重要价值。

除此之外，边界元、谱方法、格子玻尔兹曼方法（LBM）、光滑粒子流体动力学（SPH）、离散元方法（DEM）及其他数值技术，分别适用于不同的物理对象和计算场景。

这些方法不是按照时间先后形成简单的替代关系，而是构成了一个长期并存的专业计算体系。

其中，网格生成是工程仿真中经常被非专业研究忽略，却具有重要产业价值的技术环节。

复杂几何通常包含曲率急剧变化的区域、狭小间隙、边界层和多尺度细节。网格需要在几何适配、计算规模、数值稳定性和结果精度之间取得平衡。

对于大型CFD模型，网格质量会影响流场预测结果，并可能直接决定求解器能否收敛。

因此，专业网格软件和前处理技术同样具有长期竞争壁垒。

BETA CAE的ANSA、Siemens Simcenter中的相关网格技术，以及Ansys、Cadence和其他专业软件提供的前处理能力，均属于工程仿真技术链中不可忽略的组成部分。

AI可能通过几何识别、网格参数推荐和自适应加密减少人工操作，但这并不意味着离散化误差和网格收敛问题已经消失。

尤其对于新的复杂物理场问题，工程师仍然需要判断网格分辨率是否足以捕捉关键现象。

1.3 求解器的技术积累，来自算法、软件工程与工业验证的共同作用

CAE求解器的核心任务，是将离散后的数学问题转换为计算机能够有效求解的数值过程。

对于大量隐式有限元问题，这通常涉及大型稀疏线性方程组；对于非线性结构问题，需要处理材料非线性、几何非线性和接触条件；对于CFD，则经常需要解决压力速度耦合、湍流闭合、时间推进和多物理场之间的相互作用。

这些问题不仅要求数学算法正确，还要求软件在复杂工程数据和不同计算环境中保持稳定。

成熟求解器通常需要通过大量行业案例、实验结果和不同软件版本之间的对照验证，才能逐步积累客户信任。

因此，CAE软件的竞争力具有长期累积特征。

一个新算法即使在公开基准上取得较高计算性能，也不一定能够立即用于航空结构认证、核工业分析或其他高风险工程场景。

对于这些领域，计算结果的可追溯性、版本稳定性和长期验证记录，与计算速度同样重要。

这一特点将持续影响Physics AI的商业化。

AI可以在特定设计空间内快速逼近数值求解器的输出，但如果需要进入具有严格工程责任要求的应用，就必须建立更加完整的误差分析和验证机制。

二、全球CAE产业的资本重组：专业求解器正在进入更加广泛的工程平台

2.1 三项大型交易改变了2026年的全球仿真产业格局

研究2026年的CAE产业，首先必须重新确认主要技术资产的归属。

过去的市场研究通常将Ansys、Altair和MSC Software分别作为重要的CAE企业讨论。但截至2026年10月13日，这三组资产已经进入不同的综合性工业软件集团。

Ansys于2025年7月被Synopsys收购，Altair于2025年3月被Siemens收购，MSC Software相关的Hexagon Design & Engineering业务则于2026年2月被Cadence收购。

这意味着全球仿真软件的产业格局已经发生实质变化：两个全球性EDA平台Synopsys和Cadence，正在通过大型收购成为综合性工程仿真市场的重要参与者，而Siemens则进一步强化了其已有的CAD—CAE—PLM—制造软件体系。

不过，这些交易具有不同的技术逻辑。

Siemens与Altair的整合，主要是在原有工业工程软件体系上补充专业求解、优化和高性能计算能力。

Synopsys与Ansys的整合，则使芯片设计自动化与系统级多物理场仿真之间形成更紧密的联系。

Cadence收购Hexagon Design & Engineering，进一步扩展了其从电子系统仿真向结构、声学和多体动力学分析的发展范围。

这三条路线虽然不同，却指向一个共同现象：复杂工程系统越来越需要跨越单一物理场和单一专业软件的协同计算。

尤其在AI服务器、先进封装、电动汽车、机器人和航空航天等领域，电子系统、机械结构、散热、运动和材料行为之间的联系不断加强。

未来CAE产业的竞争可能因此更加重视跨专业求解能力、工程数据连接和计算工作流组织，而不仅仅是某个独立求解器在单项基准上的性能。

表1｜影响2026年全球CAE竞争格局的主要交易

资料来源：Siemens、Synopsys、Cadence及Hexagon正式交易公告。表中列举主要技术资产，不代表全部产品目录。交易完成时间与相关技术的最初研发时间应分别记录。 (Cadence、Siemens)

2.2 Synopsys与Ansys：从电子设计验证走向芯片—封装—系统级物理协同

Synopsys收购Ansys，是近年来全球工程软件产业最具结构性影响的交易之一。

Ansys长期积累的Fluent、Mechanical、HFSS、LS-DYNA、Rocky和Twin Builder等产品，分别服务于流体、结构、电磁、显式动力学、颗粒系统和数字孪生等不同领域。

在收购之前，Ansys已经拥有相对完整的多物理场软件体系，其客户并不局限于电子产业，而是广泛分布于汽车、航空航天、能源、工业设备和高科技制造等市场。

因此，不能将这笔交易简单理解为Synopsys获得了几个用于芯片热分析的软件模块。

其更深层的战略意义，是Synopsys开始拥有跨越芯片设计、电子封装和广泛物理系统的专业仿真资产。

随着芯片集成密度不断提高，电子系统性能越来越受到温度、电源完整性、电磁干扰、封装应力和材料特性的影响。即使数字逻辑设计完全正确，系统仍然可能因为热管理、结构可靠性或信号完整性问题而无法满足工程要求。

传统EDA工具和多物理场仿真软件之间长期存在专业分工，但系统级设计正在提高它们协同使用的价值。

2026年3月11日，Synopsys发布Multiphysics Fusion技术，同时推出Ansys收购后的首个重要产品更新。其战略重点已经从单纯的EDA产品整合，延伸到由AI辅助的芯片及系统级工程。(Synopsys Converge 2026)

不过，业务整合不意味着所有EDA与CAE工具已经使用统一的求解内核。不同仿真方法仍然具有各自的数学模型、数据结构和计算流程。

真正需要观察的是跨工具的几何、网格、材料、边界条件和结果数据能否可靠转换，以及工程师是否能够在同一设计流程中完成多物理场验证。

这类整合如果成功，可能形成新的工程软件价值，但其技术复杂度也明显高于普通软件功能组合。

2.3 Ansys 2026 R1：传统CAE公司已经开始形成独立的AI产品线

Ansys在2026年3月推出的SimAI产品更新，清楚地显示了传统CAE企业对Physics AI的技术定位。

SimAI Pro面向工作站GPU及较本地化的工程应用，SimAI Premium则提供更大规模的云端模型训练与预测能力。

公司同时扩大了训练数据处理范围，并增强模型管理与工程工作流功能。(Ansys SimAI 2026 R1)

这种产品分层说明，Physics AI已经开始从实验性技术进入独立的商业软件产品体系。

但它与传统Fluent、Mechanical及HFSS的关系，需要准确理解。

传统求解器依据物理方程和数值算法求解工程问题，而SimAI通过已有仿真数据训练机器学习模型，针对相关设计空间形成预测能力。

两者的主要区别在于计算过程。

传统求解器通常针对新的几何和边界条件重新进行数值计算；训练后的代理模型则尝试利用已有规律进行快速推断。

在重复设计、参数优化和相似工况分析中，这种方式可能显著降低单次预测成本。

但预测成本降低并不代表建立模型的成本可以忽略。企业需要提前生成训练数据、处理不同模型之间的差异，并判断AI模型在新的工况下是否仍然可靠。

因此，Physics AI的经济价值需要从完整工程周期衡量，而不能只比较一次AI推理和一次CFD求解所需时间。

Ansys同年推出的GeomAI，则进一步尝试将几何生成与专业工程优化结合，使AI参与候选设计方案的形成。

这一方向意味着传统CAE厂商正在向设计早期延伸，而不是仅仅在已有几何模型完成后提供分析结果。

但生成几何与可制造CAD模型之间仍然存在技术差异，相关产品的实际工程用途需要按照模型格式、参数化程度和后续验证能力进行评价。

2.4 Cadence与MSC Software：CAE资产正在进入电子系统设计平台

2026年2月23日，Cadence完成Hexagon Design & Engineering业务收购，使其获得MSC Nastran、Adams等具有长期技术积累的产品。

这笔交易的总对价约27亿欧元，其中约70%为现金、30%为Cadence股票。Cadence在公告中预计，所收购业务将为2026年收入贡献约1.6亿美元。这属于公司对当年新增收入的预期，而不是交易公告时已经实现的经营结果。(Cadence)

MSC Nastran长期用于结构有限元分析，Adams在多体动力学领域具有较强影响力，Marc服务于复杂非线性结构问题，Actran则涉及声学和振动分析。

这些产品与Cadence此前的Fidelity CFD、Celsius、Clarity、Sigrity及BETA CAE技术，覆盖了不同的物理学科和工程工作流。

对于复杂电子机械系统，这种组合具有明显的潜在协同价值。

例如，高性能计算设备可能同时受到电子功耗、热流体、机械结构及振动环境影响；先进机器人系统则需要同时评价电子控制、结构响应、运动学和热管理。

如果这些专业模型能够被更有效地组织，企业就可能在设计早期发现跨学科问题，减少后期试验和修改成本。

但这里仍然存在复杂的技术整合挑战。

传统MSC产品与Cadence电子系统软件具有不同的数据模型、求解流程和用户群体。即使同属一个集团，也需要长期的软件工程投入才能建立可靠的跨学科工作流。

因此，Cadence收购MSC相关业务后，最值得跟踪的不是新增了多少产品，而是其能否真正形成跨电子、机械和物理系统的工程协同能力。

2.5 Siemens与Altair：CAE平台正在强化优化、HPC和工程数据体系

Siemens的Simcenter长期覆盖多物理场仿真、流体、结构、系统仿真和试验数据相关技术。

Altair则长期在结构优化、有限元前后处理、高性能计算和数据科学方面形成专业优势。

2026年7月28日，西门子发布整合Altair技术的新一代Simcenter产品组合，明确提出利用AI驱动仿真、GPU计算和更加连接的工作流，提高复杂工程分析的效率。(Siemens)

这项产品整合说明，传统CAE企业的竞争不仅发生在物理求解器之间，还涉及数据处理、计算资源、优化算法和设计协同。

尤其在大规模设计空间探索中，工程师往往需要运行大量候选方案。单次仿真性能固然重要，但如何组织数百次甚至数千次分析，同样影响整个研发周期。

Altair长期积累的优化和HPC技术，与Simcenter的多学科仿真能力结合，可能提高这一类工作流的效率。

但其实际成效需要通过产品接口、客户计算案例和不同求解器之间的协同质量验证。

因此，西门子在2026年的战略重点，更适合被理解为扩大完整仿真体系的工程能力，而不是简单地以AI替代Altair或Simcenter原有技术。

2.6 Dassault SIMULIA：复杂产品仿真与虚拟孪生继续保持独立的竞争路径

与Synopsys、Cadence和Siemens主要通过大型并购扩展CAE组合不同，Dassault Systèmes长期围绕SIMULIA建立内部专业仿真平台，并将其与CATIA、ENOVIA和3DEXPERIENCE体系连接。

SIMULIA的核心技术资产包括Abaqus、fe-safe、Isight、Tosca、Simpack、CST Studio Suite、PowerFLOW和XFlow等产品，分别服务于非线性结构、疲劳、流程优化、多体动力学、电磁场和流体分析等专业领域。

这类产品不仅具有较长的研发历史，还在复杂工业客户中形成了长期验证基础。

2026年，达索通过Industry World Models、Virtual Companions和3DEXPERIENCE平台，进一步强化对工程模型、专业知识和AI协作的整合。

但不能因此将SIMULIA全部描述为已经转向AI求解器。

Abaqus等传统物理求解器仍然承担精确数值计算职责，AI主要通过新的交互、设计探索和工程工作流组织方式参与相关任务。

对于达索而言，其长期竞争优势来自CAD几何、产品结构、物理仿真和制造信息之间的联系。

未来AI如果能够在统一工程对象的基础上组织不同专业仿真，可能提高多学科协同效率。

但这种能力是否已经在大型工业客户中形成成熟的自动执行闭环，仍然需要具体产品和客户案例验证。

三、从Physics AI到Physics Foundation Models：哪些计算环节可能被改变？

3.1 必须区分三种经常被混为一谈的“AI仿真”

2026年，Physics AI已经成为全球工程软件产业中使用频率很高的概念，但不同企业所指的技术能力并不相同。

部分厂商将AI用于仿真软件操作，通过语言模型协助用户完成模型设置、网格生成、计算任务提交和结果整理。这类系统的主要价值是降低软件使用成本，并不改变物理方程的数值求解方法。

另一类系统利用历史仿真数据训练机器学习模型，使其在特定参数范围内预测工程性能。这通常被称为代理模型或数据驱动降阶模型。它可以减少重复求解的次数，但其可靠性依赖训练数据和适用范围。

第三类系统试图通过神经算子、预训练物理模型和跨任务学习，提高模型在不同几何、边界条件甚至不同物理问题之间的迁移能力。这类技术正在推动Physics Foundation Models的发展，但截至2026年，还不能将其视为已经形成统一成熟技术标准的产业。

三者的根本差异，在于AI参与工程计算的层次不同。

仿真智能体主要改变工作流，专业代理模型主要改变部分预测任务的计算方式，物理基础模型则进一步尝试改变模型训练与跨问题复用的方式。

因此，一家企业发布了“AI仿真”产品，并不足以说明其已经具备高精度物理求解器的自主研发能力，也不能证明其模型可以适用于任意工程问题。

表2｜CAE领域主要AI技术路线及其工程边界

该表是技术路线分类，而不是技术成熟度排名。实际产品可能同时采用多种方法。GPU求解器虽然经常与AI一同发布，但本质上不属于机器学习代理模型。

3.2 传统代理模型最重要的价值，是改变设计空间探索的计算经济性

代理模型并不是AI时代才出现的新概念。

工程优化领域长期使用响应面模型、多项式近似、高斯过程、径向基函数、POD降阶模型及其他方法，减少重复高保真求解的计算成本。

深度学习带来的变化，是代理模型能够处理更加复杂的几何数据、高维参数和空间场信息。

传统代理模型可能主要预测某些标量结果，例如阻力系数、最大应力或温度峰值。新一代几何深度学习模型，则尝试预测物体表面或计算域内的压力、速度、温度和应力分布。

这种能力使代理模型开始从简单的优化辅助工具，向更广泛的物理场预测技术发展。

但其经济价值仍然需要从完整项目周期理解。

例如，一个工程项目需要比较数百种产品方案。使用传统高保真CFD逐一求解可能非常昂贵。通过少量高保真计算训练代理模型，再使用AI预测大批候选方案，可能显著减少总体计算成本。

但如果项目只需要完成少量仿真，或者设计空间经常发生重大变化，训练代理模型所需的数据和开发投入可能无法获得相同收益。

此外，代理模型预测的精度通常依赖训练样本是否充分覆盖目标参数空间。

因此，Physics AI最容易形成经济价值的场景，往往是设计空间明确、重复分析需求较大、具有充足高质量数据并能够持续开展工程验证的专业任务。

3.3 Physics Foundation Models试图解决传统代理模型的数据复用问题

传统代理模型存在一个长期限制：针对新的产品和设计空间，企业通常需要重新生成大量训练数据。

如果一个模型主要基于某类汽车外形训练，它未必能够可靠预测完全不同的车辆结构；如果训练数据来自特定湍流模型和计算边界条件，迁移到其他求解设置时也可能发生明显性能下降。

Physics Foundation Models试图通过更加广泛的预训练数据和神经网络架构，使模型能够在不同设计任务之间复用已有物理规律的统计表示。

与传统代理模型从头训练不同，预训练模型可以先学习大量相关物理场和几何对象，再利用较少的目标场景数据完成适配。

这一方法借鉴了机器学习领域的预训练与微调机制，但在工程场景中面临更高的数据成本。

自然语言可以从大量文本中获得训练样本，而复杂工业物理场数据往往需要通过高保真求解器或实际实验产生。每个训练样本可能对应大量计算资源、复杂网格及专业验证过程。

因此，物理基础模型的关键竞争力不仅是神经网络架构，还包括能够持续生成、管理和验证高质量工程数据的能力。

2026年PhysicsX发布的PX-Car-Aero-v1，为这一方向提供了较具体的技术证据。

3.4 PX-Car-Aero-v1：2026年大型物理模型的重要实证案例

2026年8月7日，PhysicsX公开介绍面向汽车外流场预测的PX-Car-Aero-v1。

公司披露，其PXNetCar数据集已扩展至444种基础车辆几何，并通过参数化形态变化构建了33,203个汽车仿真样本。

这些样本主要基于RANS方法及相关湍流模型生成，用于训练能够预测阻力、升力以及表面和空间物理场的模型。(PhysicsX，2026年8月7日)

该模型的技术特点之一，是在预测阶段不要求生成传统CFD所使用的完整体积计算网格，而是通过几何编码和查询机制预测相关物理场。

这一设计可以减少部分前处理成本，使模型更适合快速设计探索。

但更加值得研究的，是公司公布的跨任务迁移结果。

在其使用的一个具有21个几何变化参数的SUV设计空间中，当目标任务使用20个训练样本和5个验证样本时，经过预训练再微调的模型，对阻力变化方向的判断准确率达到85.6%，而采用相同网络架构从头训练的模型为68.3%。

图1｜PhysicsX预训练物理模型与从头训练模型的表现对比

汽车气动设计变化方向预测准确率

同一21参数SUV设计空间、20个训练样本与5个验证样本；对比预训练后微调与相同架构从头训练。

来源：PhysicsX《PX-Car-Aero-v1》，2026年8月7日。属企业公开技术评估，不代表所有车型、工况和工程任务的平均表现。

PhysicsX还披露，在其部分测试场景和目标精度下，采用预训练模型可以将目标任务所需的仿真数据量减少约80%。

这一结果说明，物理模型的预训练有可能降低新工程任务的训练成本。

但必须特别注意三个边界。

首先，85.6%表示模型在特定测试中正确判断两种设计之间阻力变化方向的比例，并不意味着其对阻力数值的预测精度达到85.6%。

其次，模型在不同物理场和不同车辆类型中的泛化能力，仍然需要通过更多独立数据验证。

最后，该模型所使用的高质量预训练数据仍然来自传统数值仿真。Physics AI在这里并不是摆脱传统CFD，而是利用大量CFD计算结果建立可迁移的预测能力。

因此，PX-Car-Aero-v1最重要的产业意义，是证明预训练物理模型在部分工程问题中可能提高数据利用效率，而不是证明通用CFD求解器已经可以被基础模型完全替代。

3.5 神经算子正在改变复杂物理场的表达方式

神经算子是2026年Physics AI研究中需要重点关注的技术方向。

传统神经网络通常学习有限维输入与输出之间的关系，而神经算子试图学习函数空间中的映射。

对于偏微分方程，可以把不同几何、材料参数或边界条件看作输入，将相应的物理场解看作输出。神经算子学习的是这类问题中输入函数与解函数之间的关系，而不是仅仅记忆某个固定网格上的计算结果。

Fourier Neural Operator（FNO）通过频域表示学习相关映射，DeepONet通过分支网络与主干网络表达算子关系，图神经网络和几何Transformer则尝试在不规则网格与复杂几何上预测物理场。

这些方法的共同目标，是提高AI模型对高维物理问题的表达能力。

但它们在复杂工业环境中仍然面临多个限制。

当几何拓扑发生明显变化时，模型可能无法保持相同精度；当边界条件超出训练范围时，预测可能出现物理上不合理的结果；当流动发生分离、激波或复杂湍流变化时，细微的预测误差可能产生较大工程影响。

因此，神经算子并不是一种已经能够无条件求解所有偏微分方程的通用计算方法。

2026年NVIDIA PhysicsNeMo 26.08引入了更多神经算子架构及几何处理技术，包括GeoTransolver、FLARE、xDeepONet等，并增强了网格处理和模型不确定性相关能力。(NVIDIA)

这些进展说明，神经算子正在逐步形成更加丰富的开发框架，但其工程成熟度仍然需要根据具体物理问题判断。

3.6 Physics-Informed Machine Learning不是传统数值方法的通用替代

物理约束机器学习，尤其是PINNs，经常被描述为能够直接通过物理方程训练AI模型，从而摆脱传统网格和求解器。

这种理解并不准确。

PINNs通常通过在训练目标中加入控制方程残差、边界条件和初始条件等约束，使模型输出尽可能满足物理规律。

它在部分反问题、参数识别和数据稀缺场景中具有研究价值，但对于高雷诺数流动、多尺度湍流、复杂非线性以及存在不连续解的问题，其优化过程和数值精度仍可能面临困难。

因此，不能仅因为模型损失函数包含物理方程，就认为其预测必然满足守恒定律或工程精度要求。

从实际工业应用看，更值得关注的方向可能是将物理约束、数据驱动模型和成熟数值方法结合，而不是要求单一神经网络完全承担全部物理计算。

四、GPU、HPC与AI：传统数值计算正在经历另一场技术升级

4.1 GPU原生求解器与Physics AI是两条不同的技术路线

2026年工程仿真产业中最重要的变化之一，是GPU计算进一步进入成熟专业求解器。

长期以来，大型CAE求解任务主要依赖CPU集群和高性能并行计算。GPU由于具有较强的数据并行能力，已经在部分数值运算中展现出优势，但将成熟求解器完整迁移至GPU，并不是简单重新编译软件。

不同物理场和数值方法具有不同的计算结构。

显式有限元、部分粒子方法和某些规则计算结构相对容易获得GPU加速，而复杂稀疏矩阵求解、隐式多物理场耦合和具有大量不规则数据访问的算法，则可能受到显存、通信和计算依赖关系限制。

因此，GPU仿真软件的技术难点不仅是硬件计算速度，还包括算法重构、内存管理、求解精度和并行效率。

这一点对于AI时代的产业竞争非常重要。

GPU原生求解器仍然通过数值离散和物理方程求解工程问题，而Physics AI通常通过训练模型近似预测结果。

前者改变的是传统求解过程的计算实现，后者改变的是部分问题的预测方式。

两者可以相互补充，但不应被归为同一种技术。

4.2 Ansys Fluent 2026 R1：GPU正在进入更加复杂的流体物理场

Ansys Fluent在2026年3月发布的R1版本中，进一步扩展了GPU求解器的物理模型覆盖范围。

根据正式发布资料，Fluent GPU Solver增加了包含能量方程的VOF多相流支持，以及电池热管理、共轭传热和部分燃烧模型相关能力。

这些进展具有较强的工程意义。

传统GPU CFD在某些物理模型和边界条件下具有使用限制。当客户需要分析复杂多相流、热传递或化学反应时，可能仍然需要使用CPU求解流程。

随着GPU求解器支持的物理模型逐步增加，更多工业仿真任务有机会利用GPU计算资源。

但需要注意，GPU求解器功能扩展并不意味着其已经覆盖Fluent全部CPU求解能力，也不意味着所有计算任务都能够获得相同加速比例。(Ansys Fluent 2026 R1)

工程计算性能应当在相同网格、物理模型、收敛标准和精度要求下比较，同时考虑硬件成本与软件许可条件。

此外，GPU加速与AI代理模型结合，可能形成新的技术组合：高保真求解器负责更高效地生成训练数据，AI模型再用于大量快速预测。

因此，GPU技术不仅可能降低传统仿真成本，还可能间接影响Physics AI训练数据的经济性。

4.3 COMSOL：稀疏求解器GPU化与AI代理模型正在并行发展

COMSOL是多物理场仿真领域的重要独立软件企业，其产品长期强调通过统一建模环境连接不同物理场。

需要准确记录其版本时间线。

COMSOL Multiphysics 6.4正式发布于2025年11月18日，而不是2026年。该版本引入NVIDIA cuDSS相关GPU稀疏直接求解能力、DEM颗粒流模块、显式结构动力学以及更加丰富的代理模型功能。

2026年1月29日、3月19日和5月29日，COMSOL分别发布6.4的维护更新，主要涉及性能、稳定性和问题修复。(COMSOL版本历史、COMSOL 6.4更新)

这一时间线虽然需要区分，但6.4的技术方向仍然是理解2026年CAE市场的重要背景。

COMSOL将GPU稀疏求解器引入成熟多物理场软件，说明传统有限元计算仍然在通过底层数值算法和硬件架构改进性能。

与此同时，其代理模型功能支持将训练后的神经网络导出为ONNX格式，并支持批处理与集群环境中的训练数据生成。

这种技术组合，实际上代表了传统CAE企业对AI的一种务实态度：保持成熟物理求解器的专业功能，同时通过代理模型和开放数据格式扩展其计算结果的使用方式。

对于客户而言，这意味着AI可以成为仿真平台的附加计算能力，而不是必须替换原有数值求解体系。

4.4 Flexcompute：GPU原生CFD本身可能形成新的专业软件竞争者

美国Flexcompute的Flow360，代表了另一种值得关注的仿真技术路线。

其核心不是首先建立通用的Physics Foundation Model，而是开发面向GPU计算的高性能CFD求解器，并通过云计算和Python API提供工程服务。

2026年1月、3月、6月和9月，Flow360持续更新求解器、网格和计算资源功能。

例如，1月版本增强了气动声学相关计算能力，3月版本加入新的稳态求解技术及物理模型，6月更新Krylov求解器与通量离散方法，9月进一步改善复杂网格处理及边界条件能力。(Flow360版本记录)

Flexcompute的商业价值来自高性能数值计算，而不是以大模型直接预测流场。

其技术路线说明，传统CFD市场仍然可能出现具有竞争力的新型求解器公司。

尤其在云端GPU计算基础设施不断发展的背景下，能够充分利用GPU硬件的新一代数值算法，可能获得不同于传统CPU求解器的成本和性能优势。

但厂商关于“数十倍”或“百倍”计算加速的宣传，应当限定于相应测试条件，并且需要比较总成本、计算精度、网格和物理模型覆盖范围。

因此，不能仅依据某一个性能宣传数字，就认定Flow360在全部CFD场景中优于其他成熟求解器。

4.5 GPU计算可能改变CAE软件的成本结构和商业模式

传统CAE商业模式通常涉及专业软件授权、HPC计算许可、维护费及相关服务。

当工程计算逐步迁移至云端GPU基础设施时，客户的成本结构可能发生变化。

企业不仅需要购买或租用专业软件，还需要管理GPU资源、计算任务、数据存储和模型训练。

这可能推动按计算量、使用时间及专业任务计费等商业模式发展。

对于拥有大量重复仿真需求的企业，GPU加速和Physics AI可能共同降低部分研发成本。

但对于需要长期保存数据、处理高保密工程模型或使用特殊求解器的企业，云端部署可能增加新的安全和合规要求。

因此，未来CAE市场的商业竞争可能越来越多地涉及软件与算力基础设施之间的成本分配。

这一变化也将影响Rescale、SimScale及其他云原生工程计算平台的发展。

五、AI Native Simulation企业：新兴平台正在重组工程数据、求解器和AI模型

5.1 PhysicsX：从专业代理模型向可迁移的大型物理模型发展

PhysicsX是2026年全球Physics AI产业中最值得研究的新兴公司之一。

与传统CAE厂商主要提供广泛物理场求解器不同，PhysicsX将研究重点放在物理AI模型、设计优化和面向工业企业的AI原生工程平台。

其技术发展涉及高质量仿真数据集、几何深度学习、神经算子和跨设计任务模型迁移。

2026年8月发布的PX-Car-Aero-v1，说明公司正在尝试摆脱为每一个新设计任务从头训练代理模型的传统方法。

如果这一技术路线能够在更多专业领域中得到验证，可能降低工业企业采用Physics AI的初始数据成本。

但该路线仍然高度依赖专业仿真数据。对于复杂湍流、多相流和极端物理条件，模型是否能够可靠泛化，仍需具体评价。

2026年6月，PhysicsX完成3亿美元C轮融资，进一步扩大其研发和商业扩张能力。10月8日，公司宣布在新加坡建设亚太业务中心，并公布与新加坡A*STAR开展为期五年、总规模4000万新加坡元的合作计划。(PhysicsX新加坡公告)

这些资本和国际化动作说明Physics AI已经开始形成独立的软件创业与产业投资市场。

但企业融资规模和估值不能直接用于判断其专业计算精度、商业收入或市场份额。

从产业竞争角度看，PhysicsX最重要的长期变量，是能否将目前在部分工程领域验证的技术扩展至更加复杂的物理问题，并建立可重复交付的软件产品。

5.2 Neural Concept：几何理解与物理预测正在向设计早期移动

瑞士Neural Concept的技术方向，与PhysicsX存在相似性，但其产品定位更加突出设计早期的几何与性能协同。

2026年1月7日，公司发布AI Design Copilot，尝试根据设计意图生成和评价具有物理性能约束的候选几何。

这一系统利用几何相关模型和已有工程仿真数据，使工程师能够在设计早期更快探索候选方案。(Neural Concept)

传统CAE通常在设计模型已经形成后开展性能分析。

但产品研发中的很多关键决策，发生于设计早期。此时，工程师需要快速比较不同结构、外形和性能之间的关系。

Physics AI如果能够在这一阶段提供足够可靠的近似预测，就可能扩大工程师能够探索的设计空间。

这意味着AI不仅在降低单次仿真的计算成本，也可能改变仿真在产品研发流程中的位置。

但其商业价值仍然取决于设计建议的可靠性。

对于高风险工程应用，AI快速生成的候选方案通常仍需要通过成熟CAD、CAE及实际试验进一步验证。

因此，Neural Concept更加适合作为AI驱动设计空间探索的代表，而不能简单视为已经全面取代传统CFD或结构仿真软件。

5.3 SimScale：从云端CAE转向开放的工程智能体执行环境

德国SimScale是2026年AI Native Simulation发展中具有较强代表性的企业。

其长期通过云端仿真平台提供流体、结构、热及相关工程计算能力，不要求用户首先建设完整的本地HPC环境。

2026年5月7日，SimScale宣布开放Engineering AI Agents的企业试用申请，使系统能够根据工程要求组织CAD准备、网格、求解器设置与结果报告等流程。

5月29日，公司进一步推出Workflows，允许第三方求解器和AI模型接入其云端执行基础设施。

8月18日，SimScale宣布将Engineering AI Agent开放给更广泛的社区用户。(SimScale Engineering AI、SimScale Workflows、社区发布)

这三项进展具有连续性。

第一步是让智能体参与仿真任务，第二步是开放不同专业求解器和模型之间的执行环境，第三步则进一步扩大相关能力的用户范围。

从技术逻辑看，SimScale的竞争重点并不局限于某一个物理模型。

它正在尝试成为工程仿真工作流的统一运行环境，让专业求解器、Physics AI和工程智能体能够在同一平台中协同。

但这类平台的技术挑战同样明显。

不同求解器的输入、材料模型、网格和结果格式存在差异，自动化任务必须能够处理专业配置错误和计算异常。

因此，SimScale将完整仿真流程自动化作为产品方向，并不意味着其智能体已经可以在所有物理学科和复杂工况下达到专家级可靠性。

尤其对于涉及安全认证的工程计算，仍然需要独立验证。

从产业角度看，SimScale的路线说明，未来CAE平台的竞争可能越来越重视不同求解器的组织能力，而不只是单个求解器的拥有数量。

5.4 Rescale：仿真数据、AI模型和HPC成本正在被组织为统一平台

美国Rescale在2026年提出的Agentic Digital Engineering，代表了另一种平台路线。

与主要提供内置求解器的仿真软件不同，Rescale长期连接多种商业和专业求解器，并提供云端高性能计算和工程任务管理能力。

2026年4月30日，公司公布Spring 2026产品更新，随后于5月12日正式宣布Agentic Digital Engineering相关功能。

产品主要涉及专业仿真智能体、Physics AI模型开发和计算资源成本管理。

其中，智能体可以辅助执行输入检查、计算失败诊断、求解器环境配置、结果整理和报告生成等任务。(Rescale)

这类任务虽然并不直接创造新的物理求解算法，却可能显著影响实际工程团队的工作效率。

在大型企业中，CAE工程师通常需要处理大量重复性的模型配置、数据转换、计算任务提交和错误诊断。

即使单次求解器运行速度没有提高，如果这些工作能够被可靠自动化，整个工程分析周期也可能缩短。

Rescale进一步提供AI Physics模型开发环境，尝试将已有仿真数据转换为可训练、可管理和可部署的代理模型。

这种架构的长期价值，在于将专业求解器、工程数据和AI模型组织为可以持续使用的计算资产。

但从商业角度看，Rescale与传统CAE企业之间并不完全属于替代关系。它可以连接不同供应商的专业求解器，同时也可能与传统厂商自有云平台形成竞争。

未来需要关注其软件生态开放程度、模型治理能力、计算成本及客户数据安全。

5.5 Monolith：真实试验数据可能构成不同于高保真仿真数据的竞争优势

英国Monolith是另一类值得关注的工业AI公司。

其技术发展长期强调利用工程试验、产品测试和复杂物理系统数据训练机器学习模型，帮助企业减少部分重复试验和工程分析成本。

与完全依赖数值仿真数据训练的代理模型不同，真实测试数据可以反映某些难以完整建模的物理现象。

例如，设备磨损、制造公差、材料差异和复杂环境条件，可能使实际物理系统与理想化仿真模型之间存在偏差。

如果AI能够在经过质量控制的实际测试数据中识别相关规律，就可能辅助工程师预测产品表现，并减少部分试验工作量。

但试验数据同样存在噪声、采样偏差和数据分布不一致问题。

因此，Monolith的技术路线不能简单描述为比传统CAE更加准确，而应理解为在特定工程问题中利用真实数据补充数值模型。

未来工业AI的重要发展方向之一，可能就是将高保真仿真数据、实际试验数据和运行数据结合，用于提高模型可靠性。

5.6 Luminary Cloud与Flexcompute：专业云计算平台正在形成新的细分市场

美国Luminary Cloud围绕云端CFD、Physics AI和工程数据协同发展。其技术方向强调将专业流体仿真与AI预测连接，并提供可编程的工程工作流。

2026年9月23日，Luminary Cloud发布SDK 0.27.0，将Physics AI推理结果的场数据比较、几何与网格前的模型检查等能力进一步纳入API。相关SDK仍被明确标记为Early Access，因此不能将其视为已经完全稳定的长期公开接口。(Luminary Cloud发布记录)

Flexcompute则以GPU原生CFD求解器Flow360为重要技术基础，强调高性能数值计算和云端仿真服务。

两家公司都利用云计算基础设施降低专业计算的使用门槛，但其技术重点并不相同。

Luminary Cloud更加突出仿真与AI模型及工作流的结合，Flexcompute则强调GPU原生求解器本身的性能。

这说明新一代CAE企业不一定需要复制Ansys和Siemens的全部产品体系，仍然可以在高性能求解、云端工作流和Physics AI等不同环节形成专业市场。

但其长期竞争力必须通过真实工程应用、产品稳定性和持续商业收入验证。

六、中国CAE与CFD：自主求解器、物理AI与工业数据正在形成新的技术组合

6.1 中国CAE产业已经形成不同于单纯软件代理的专业研发体系

中国CAE产业长期面临专业求解器、网格技术、工业验证和成熟商业软件生态方面的挑战。

但经过持续发展，国内已经出现一批具有自主研发能力的专业企业，分别在结构、流体、电磁、多物理场仿真、工程优化和云端计算等领域建立了产品体系。

研究这些企业时，必须避免两个相反的偏差。

一方面，不能因为企业拥有自主仿真软件，就推断其已具备与全部国际成熟CAE产品相同的功能覆盖和工程可靠性。

另一方面，也不能因为国内企业在某些高端场景仍然需要持续验证，就将其简单归类为缺乏底层技术的软件集成商。

不同专业仿真领域的研发复杂度、客户需求和产业成熟度存在明显差异。

例如，自主CFD求解器需要解决流体控制方程离散、湍流模型、多相流、网格和并行计算等问题；结构仿真软件则需要处理材料本构、接触、非线性求解及复杂载荷；电磁仿真又具有不同的计算方法和行业验证要求。

因此，中国CAE产业的技术评价，需要深入到专业求解器和具体物理场，而不能只按照企业规模排序。

2026年，国内CAE产业又增加了物理AI和工程智能体这一技术变量，使传统专业软件与AI模型之间的结合开始成为新的研发方向。

6.2 索辰科技：从CAE求解器向物理AI与工业运行数据延伸

索辰科技是中国CAE领域的重要上市企业。

其长期围绕结构、流体、电磁、声学及其他多物理场工程计算开展研发，并通过“天工”CAE平台组织相关专业软件能力。

2026年，索辰进一步发展“开物”物理AI产品体系，并推出“大圣”智能体、“行者”合成数据及“营造·万象”世界物理模型等产品。

根据2026年半年度报告，公司正在推进这些技术在工业、能源、具身智能和低空经济等场景中的验证与客户导入。(索辰科技2026年半年度报告)

这里需要区分两类技术进展。

第一类是公司已有的CAE专业求解能力，包括传统工程建模、仿真和行业应用。

第二类是公司正在发展的物理AI体系，包括模型训练、合成数据、智能体和相关应用平台。

这两类能力可以相互支持，但不应视为同一层次的技术。

高保真CAE可以为AI提供训练数据和模型验证，AI则可能降低部分工程分析的计算及操作成本。

但公司对“世界物理模型”的产品定位，仍然需要通过跨场景精度、物理一致性和独立验证加以评价。

索辰2026年的另一项重要变化，是整合力控科技相关软件能力，使其业务进一步涉及SCADA、工业历史数据库及生产管控。

这类技术资产与传统CAE具有明显不同的应用场景。

设计阶段的高保真仿真模型，可以帮助工程师理解产品在不同工况下的物理行为；生产运行数据则反映设备在现实环境中的实际状态。

如果两类数据能够建立可靠联系，就可能形成用于运行优化和数字孪生的混合模型。

但这种联系的建立，需要解决物理模型参数校正、数据质量、运行工况变化和系统实时性等问题。

因此，索辰未来的长期竞争力，需要同时从自主专业求解、Physics AI模型与工业数据融合三个维度评价。

6.3 积鼎科技：VirtualFlow 2026.0展示国产CFD向完整专业平台发展的路径

上海积鼎信息科技有限公司是中国CFD及相关颗粒仿真领域值得重点研究的专业企业。

2026年4月17日，积鼎正式发布VirtualFlow 2026.0，升级范围覆盖几何处理、网格剖分、求解器、后处理、软件交互以及AI代理模型等环节。(积鼎科技，2026年4月17日)

这项发布具有明确的技术价值。

真正的工业CFD软件不仅需要数值求解器，还需要完整处理复杂几何、网格、边界条件和结果分析。

尤其对于流体和颗粒系统，前处理和物理模型配置通常占据较多工程时间。

因此，VirtualFlow将这些能力进一步组织到统一产品中，说明企业正在从专业计算工具向更加完整的仿真应用平台发展。

2026.0版本还将代理模型的训练、推理和可视化纳入软件环境，使用户能够利用已有计算数据建立AI预测能力。

这种技术架构与国际CAE企业的发展具有一定相似性。

传统求解器继续生成高质量物理数据，AI模型在特定参数空间内减少重复求解，软件平台负责组织两者之间的数据流。

但积鼎披露的“从小时级到秒级”效率改善，应视为其相关代理模型应用场景中的性能表述，不能推导为所有VirtualFlow求解任务都取得相同比例的加速。

尤其对于新的复杂流动问题，AI代理模型仍然需要依赖充分训练和专业验证。

积鼎还拥有CFDPro及DEM等相关产品，体现了其在专业流体和颗粒计算方面的持续布局。

因此，在中国CAE产业图谱中，积鼎应被明确归入自主CFD和相关专业求解软件企业，而不应被笼统列为工业信息服务商。

6.4 云道智能：Simdroid与物理AI开发平台的组合

北京云道智能科技股份有限公司是中国多物理场仿真领域的重要企业。

其核心技术体系围绕伏图Simdroid展开，涵盖结构、流体、电磁和热分析等专业方向，并通过仿真平台和专业应用支持不同工业场景。

2026年6月6日，公司举办年度用户生态大会，进一步提出以仿真为基础发展物理AI和工业世界模型的技术方向。

公司公开的产品体系还包括Sim-PI物理AI开发平台，试图将高质量仿真、数据生成和智能模型结合，用于复杂工程和工业系统。(云道智能，2026年6月6日)

这一发展方向与索辰具有部分相似性，但产品架构和具体专业能力需要分别评价。

Simdroid更加突出多物理场仿真平台与专业应用生态，Sim-PI则扩展至物理AI模型开发和相关训练场景。

从产业角度看，云道的价值不仅在于自主开发求解器，还在于尝试降低专业仿真能力的应用门槛。

如果工业企业能够在统一平台中建立工程模型、生成数据并开发专业AI应用，就可能减少对多个独立工具的集成依赖。

但其技术成熟度仍需要通过专业求解器的验证、客户实际部署和AI模型效果判断。

尤其需要注意，平台覆盖多个物理领域，并不代表其在所有专业问题中具有相同水平的数值性能。

6.5 安世亚太：自主CAE与工程知识体系之间具有更长期的联系

安世亚太是国内长期从事CAE及工程仿真软件发展的企业。

其PERA SIM体系包含结构、流体和相关多物理场分析软件，同时围绕仿真流程管理、数字化试验、模型管理与工业知识工程形成产品布局。

2026年，安世亚太继续推广“从仿真到物理AI”的技术路线，并公开相关工程应用案例。

9月21日，公司发布基于PERA SIM Fluid的大型铁路客站热环境仿真案例，展示了其专业流体计算在复杂建筑环境中的应用。

9月29日，公司披露“精智iGPT”工业大模型完成相关备案，并继续发展工业知识与智能体产品。(安世亚太官方新闻)

这一发展方向说明，CAE企业的竞争优势还可能来自工程知识和试验数据。

成熟工程项目通常包含模型版本、载荷条件、试验结果及相关技术结论。将这些信息结构化，可以提高模型复用、计算质量控制和工程知识传承效率。

AI可以辅助检索和组织这些知识，但模型是否满足实际工程要求，仍然需要依靠专业计算与验证。

因此，安世亚太所代表的技术路线，可能在自主求解器、仿真流程管理和工业知识体系之间形成新的结合。

6.6 南京天洑：优化设计、代理模型与AI仿真工具正在形成产品矩阵

南京天洑软件有限公司在工程优化和智能仿真领域具有明确的专业产品布局。

其官网公开的产品包括AICFD、AIFEM、AIPOD及工业AI底座DTEmpower等，分别涉及智能流体仿真、结构分析、设计优化和数据建模。

其中，AICFD强调CFD仿真智能体、AI网格、加速求解和降阶预测；AIPOD则围绕多学科优化、试验设计和代理模型开展应用。(南京天洑)

这一产品组合说明，AI Engineering并不必然要求一家企业首先拥有完整的通用物理求解体系。

围绕设计优化、仿真工作流和代理模型，也可能形成具有独立商业价值的专业软件。

但需要区分这些能力的实际技术来源。企业可能同时使用自研算法、第三方求解器和开源技术，不能因为产品支持多种物理场，就直接认定所有核心求解器均为自主研发。

因此，对南京天洑及类似专业企业，应进一步研究其独立知识产权、专业算法、计算精度和客户部署情况。

6.7 中国CAE的长期机会，首先来自专业技术成熟度的持续提高

从2026年的实际情况看，中国CAE企业已经形成不同的技术定位。

索辰围绕综合仿真与物理AI扩展，积鼎在专业CFD及颗粒仿真领域持续研发，云道智能发展多物理场平台与物理AI，安世亚太结合自主CAE与工程知识体系，南京天洑则重点布局智能仿真与优化设计。

这些企业之间存在一定竞争，但并不能简单视为产品同质化。

未来中国CAE产业最值得研究的，是能否形成更加完整的专业技术分工：有的企业重点突破核心求解器，有的持续完善网格与前后处理，有的建设多物理场平台，有的利用AI提高工程优化效率。

这种分工可能有助于形成更完整的国产CAE产业生态。

但其长期成功仍然依赖专业软件之间的互操作、工程验证体系和持续商业化能力。

特别是在航空航天、半导体、先进制造和复杂工业设备等场景中，软件可靠性和计算结果的可追溯性仍然是客户采用的重要条件。

七、开源CAE与Scientific Machine Learning：基础技术生态正在成为新的竞争变量

7.1 OpenFOAM在2026年的进展说明传统CFD仍然持续演化

OpenFOAM是全球最重要的开源CFD生态之一。

但在研究其产业历史和2026年技术进展时，需要明确区分不同发行分支。

OpenFOAM Foundation于2026年7月14日发布OpenFOAM 14，进一步改进多相流、燃烧、拉格朗日粒子、网格处理及边界条件等专业功能。

另一发行分支OpenFOAM.com则于6月发布v2606，并由Keysight相关业务提供商业及工程支持。(OpenFOAM Foundation、OpenFOAM v2606)

两者具有共同的历史技术基础，但发行维护组织和版本体系并不相同，不能将OpenFOAM 14与v2606视为同一版本的不同命名。

更重要的是，2026年的OpenFOAM更新并不主要围绕大语言模型展开，而是持续完善专业流体数值计算能力。

这说明传统CFD算法仍然具有大量研发空间。

即使Physics AI模型能够在特定场景中快速预测流场，复杂燃烧、多相流及专业边界条件等问题，仍然需要持续改进传统数值方法。

7.2 开源求解器与AI工具链正在形成新的开发基础

除OpenFOAM外，全球开源数值计算生态还包括SU2、CalculiX、Code_Aster、Elmer FEM、MFEM、deal.II、FEniCSx、MOOSE Framework、OpenSees、Kratos Multiphysics、OpenRadioss及其他专业项目。

这些软件分别提供不同物理场、数值离散方法和工程计算框架。

其中，SU2在航空航天CFD、气动优化及相关科研领域具有较强影响力；CalculiX和Code_Aster服务于结构有限元分析；FEniCSx、deal.II和MFEM等项目则更偏向可扩展的有限元研究与软件开发框架。

MOOSE Framework和Kratos Multiphysics具有多物理场及研究平台特征，OpenSees主要面向结构和地震工程。

这些项目的技术范围、许可证及开发模式不同，不能简单归类为可以直接替代全部商业CAE的软件。

但在AI时代，开源专业求解器具有明显的开发生态价值。

研究团队可以利用现有数值计算能力生成训练数据，开发神经算子或物理代理模型，并通过Python及其他接口组织自动化工程流程。

因此，开源CAE可能在AI模型研发、算法验证和专业创业公司早期开发中发挥更加重要的作用。

7.3 OpenRadioss说明商业求解器技术也可以形成开放生态

OpenRadioss由Altair推动开源，属于显式动力学求解领域的重要项目。

2026年，Altair相关Radioss求解器仍然持续更新材料模型、接触算法及专业物理能力。(Altair Radioss 2026版本说明)

OpenRadioss的意义，在于它提供了一种不同于从零开始开发开源求解器的产业模式。

拥有长期商业研发历史的专业算法，可以通过开放部分技术形成新的开发者生态。

但开源代码存在，并不等于软件能够直接满足所有工业客户的验证和服务要求。

大型工业企业仍然可能需要长期技术支持、特定认证和完整的商业软件工作流。

因此，开源与商业CAE之间并非简单的免费替代关系，而是可能通过不同的工程服务和产品形式长期并存。

7.4 NVIDIA PhysicsNeMo正在形成面向物理AI的开源开发工具层

与传统开源CAE项目不同，NVIDIA PhysicsNeMo主要服务于科学机器学习和物理AI模型开发。

2026年8月的PhysicsNeMo 26.08版本，扩展了几何与网格处理、不确定性量化、神经算子以及相关工程训练工作流。(NVIDIA PhysicsNeMo)

其产业价值在于，为不同企业和研究团队提供相对通用的模型训练与开发基础。

传统求解器企业可以使用这些技术开发代理模型，AI原生公司可以在其基础上构建专业模型，工业客户也可能利用自身仿真数据训练特定场景应用。

但PhysicsNeMo不是一个能够独立解决所有工程问题的完整CAE软件。

它不自动提供所有专业物理模型、实验数据和工业验证体系。

因此，其竞争位置应归入Physics AI基础设施，而不能直接与Fluent、Abaqus或COMSOL等完整专业求解器产品进行同类市场份额比较。

八、Simulation AI的技术成熟度：为什么速度提升不能直接等同于工程价值提升？

8.1 传统求解器与AI模型的评价标准必须保持区别

在2026年的AI仿真市场中，企业经常使用“百倍加速”“千倍加速”和“实时仿真”等指标展示技术优势。

这些指标可能反映真实的计算性能进步，但如果缺少测试条件，就难以作为不同产品之间的可比证据。

例如，一个高保真CFD任务可能需要数小时完成，而训练好的代理模型可能在数秒内输出预测结果。

表面上看，AI获得了巨大速度优势。

但如果训练代理模型需要预先完成数千次高保真仿真，那么对于只需要分析少量设计方案的客户，整体计算成本未必降低。

同时，代理模型可能只适用于特定的几何、物理参数和边界条件。一旦工程问题发生明显变化，就需要重新训练或进行额外验证。

因此，AI仿真的经济价值应当在完整项目周期中评价。

对于大量重复优化任务，AI代理模型可能具有明显优势；对于高度复杂、低重复率和高风险的工程问题，传统高保真求解器仍然可能是更可靠的选择。

这种差异决定了Physics AI和传统CAE不会在所有市场中形成完全相同的替代关系。

8.2 物理场预测必须同时评价数值误差、守恒关系和工程决策正确性

在CAE领域，预测误差不能只使用单一平均指标评价。

对于CFD，可以比较速度、压力和温度等场变量的相对误差，也可以检查质量、动量和能量守恒。

对于结构分析，需要关注位移、应力、应变及局部极值，还需要检查材料模型和边界约束是否得到满足。

对于电磁场分析，则可能需要考虑场分布、能量关系、损耗及器件参数。

这些指标之间并不必然一致。

一个AI模型可能在大部分计算区域取得较小平均误差，却在具有重要工程意义的局部位置产生较大偏差。

例如，航空结构的最大应力位置、流体中的局部激波或电子设备中的温度热点，都可能对产品安全和可靠性具有决定性影响。

因此，平均场误差较低，并不自动意味着工程决策一定正确。

从产业研究角度看，Physics AI的成熟度应当同时考虑物理一致性、极值预测、分布外泛化和具体工程决策。

8.3 仿真智能体还需要独立的任务可靠性评价

Agentic Simulation的主要目标是自动组织专业工程任务。

一个智能体可能根据自然语言完成几何导入、网格生成、边界条件配置、求解器运行和报告输出。

但如果其中某一步出现错误，整个任务可能得到看似完整却不可靠的结果。

例如，边界条件设置错误，求解器仍然可能正常收敛；材料参数使用了错误单位，模型仍然可能输出平滑的应力云图。

因此，仿真智能体的评价不能只看任务是否运行结束，还需要检查模型是否符合用户需求、专业配置是否正确、计算结果是否经过验证，以及错误发生时系统能否及时中止并提示人工处理。

这意味着工业AI智能体需要建立比普通办公自动化更严格的执行机制。

8.4 2026年Simulation AI应采用多维成熟度评价体系

表7-3｜CAE、Physics AI及仿真智能体的技术成熟度评价框架

本表为本报告提出的技术评价框架，不是国际通行的统一评分标准。具体指标应根据结构、流体、电磁及其他专业物理领域调整。

这一框架的主要作用，是防止把不同性质的技术进步放在同一个维度直接比较。

例如，GPU求解器实现计算加速，与Physics AI模型提高训练数据效率，分别解决不同的问题。一个仿真智能体能够自动完成任务，也不意味着其底层物理求解比传统方法更加准确。

只有建立分层评价体系，才能准确判断AI Native Simulation的真实技术进展。

九、全球CAE、CFD与Physics AI企业全景：传统求解器与新兴平台的专业分工

截至2026年，全球仿真产业已经形成多个具有独立技术价值的市场层次。

大型工业软件集团控制着一批成熟专业求解器，独立CAE企业继续在多物理场和专业行业中发展，新兴AI工程公司尝试改变模型训练与工作流，而开源项目和GPU基础设施进一步扩大了产业参与者范围。

因此，全球CAE企业图谱不能仅列举Ansys、Siemens和Dassault Systèmes，也不能将所有Physics AI创业公司都视为传统求解器企业。

更合理的方法，是同时建立专业技术资产、当前控股关系和新型AI平台的分类体系。

表4｜全球CAE、CFD、Multiphysics与Simulation AI企业观察池