全球 CAE 软件产业分类体系的重构：从物理场、工程应用到求解器、Physics AI 与产业竞争力

基于CAE市场分类的系统梳理与八维研究框架

全球工业软件与 AI-Native Engineering 产业研究系列 · 2026

导语｜我们究竟应该如何理解全球 CAE 软件产业？

当我们试图研究全球计算机辅助工程（Computer-Aided Engineering，CAE）软件产业时，首先遇到的困难，往往并不是缺少企业名单，而是缺少一套能够同时解释技术、产品、市场和产业竞争力的分类体系。

Ansys、Siemens Simcenter、Dassault Systèmes SIMULIA、COMSOL、Altair、MSC、Cadence、Keysight、Autodesk 等企业或产品组合，通常被纳入 CAE 研究范围。

但它们之间的差异究竟是什么？

有的企业提供覆盖结构、流体、电磁、热分析等领域的综合性仿真平台；有的企业专注于流体动力学、电磁场、多体动力学或特定制造工艺；有的企业提供网格生成、前后处理、优化算法和数据管理；有的企业则掌握数值求解器、并行计算算法与数学基础软件。

进入 AI 时代以后，情况更加复杂。

以 PhysicsX、Luminary Cloud 等为代表的新兴企业，正在探索将机器学习、代理模型、神经算子及云计算引入工程仿真。NVIDIA 等计算基础设施企业，则通过 Physics AI 框架、GPU 计算和科学机器学习工具，参与工程仿真技术生态的建设。

传统 CAE 厂商也在持续引入 AI 技术。

这意味着，我们不能简单地把全球 CAE 产业划分为“结构仿真、流体仿真、电磁仿真”几个大类，更不能仅依据软件公司的规模、产品数量或者市场份额判断其技术竞争力。

CAE 产业实际上存在多套彼此交叉、但又不能互相替代的分类逻辑。

从技术角度，需要回答软件能够模拟什么物理现象。

从工程角度，需要回答软件解决什么设计、制造与运行问题。

从产业角度，需要回答哪些行业和企业愿意为仿真能力付费。

从底层技术角度，需要回答软件采用什么数学方法、数值算法和求解器架构。

从新一轮 AI 技术变革角度，还需要回答人工智能究竟改变了仿真流程的哪个环节，以及能否改变求解成本、工程效率和仿真可信度。

本文以 Cambashi （全球行业专业咨询机构）的全球 CAE 市场分类为起点，对其原有的 Capability、Application 和 Industry 三个维度进行系统梳理，并进一步提出八维产业研究体系。

希望通过这一框架，帮助专业读者建立从计算数学、物理模型、工程软件、企业能力到产业价值链的完整认识。

第一章｜CAE 的本质：工程问题的数学表达、数值求解与可信决策

1.1 CAE 不是单纯的“仿真软件”

CAE 通常被理解为利用计算机辅助开展工程分析、验证和优化的技术体系。

但如果从工程科学的角度观察，CAE 的技术链条远比传统软件分类复杂。

一个现实工程问题，需要经历多个转换过程：

真实物理系统 → 工程问题定义 → 数学模型 → 计算模型 → 离散化 → 数值求解 → 结果解释 → 实验验证 → 工程决策。

以航空发动机涡轮叶片为例，研发人员需要解决的问题可能包括：

叶片在高温、高压和高速旋转条件下的应力分布如何？

复杂气流经过叶片时如何产生压力损失？

高温气体与冷却通道之间的热交换如何发生？

材料在周期性热载荷和机械载荷下如何疲劳？

不同叶片几何结构对气动效率、强度和使用寿命产生怎样的影响？

这些问题可能分别涉及结构力学、计算流体力学、传热学、材料科学和优化算法。

然而，在实际工程中，这些学科并非相互独立，而是存在复杂耦合。

例如，流体温度影响叶片热变形，热变形改变几何形状，几何变化进一步影响流动特征，而应力与温度共同影响材料寿命。

这就是典型的多物理场耦合工程问题。

因此，CAE 软件的核心价值，并不是简单地输出一张应力云图或流线图，而是把真实物理过程转化为能够被计算、验证和用于决策的工程模型。

1.2 一个完整的 CAE 系统包含哪些技术层次？

从计算架构观察，现代 CAE 系统通常可以拆解为七个逻辑层次。

第一层：工程问题与物理模型。

定义计算对象、物理现象、控制方程、材料属性、载荷、约束和边界条件。

第二层：几何与计算域表达。

将 CAD 几何转化为适合分析的模型，包括几何清理、特征简化、理想化和计算域构建。

第三层：网格与离散化。

通过有限元网格、有限体积网格、结构化网格、粒子或其他离散化方法，将连续物理问题转化为有限维计算问题。

第四层：数值求解器。

采用线性代数算法、非线性迭代、时间积分、多重网格、并行计算等方法求得数值解。

第五层：结果分析与可视化。

将计算数据转换为应力、应变、温度、速度、压力、频率、寿命和工程性能指标。

第六层：仿真流程与数据管理。

管理模型、材料、版本、算例、参数、计算任务、结果和验证证据。

第七层：工程决策与优化。

将仿真结果用于设计方案比较、性能优化、试验规划、风险评估及工程认证。

需要说明的是，这七层属于技术分析上的逻辑划分，不意味着所有 CAE 软件都必须包含七套独立的软件模块。

例如，部分专业求解器只提供计算核心，而完整的工程平台可能覆盖从 CAD 几何到仿真数据管理的多个环节。

一些云原生软件通过服务化架构将上述能力组合在一起；部分工程企业则通过脚本、工作流系统和自研工具集成不同厂商的模块。

这也解释了为什么全球 CAE 产业既存在综合性平台企业，也存在大量专精于底层技术或细分应用的专业厂商。

第二章｜理解全球 CAE 软件市场的经典三维分类体系

2.1 为什么市场研究需要多维分类？

在全球工业软件研究中，Cambashi 采用的一套重要分类逻辑，是从三个不同视角观察软件市场。

Capability：软件具备什么技术能力？

Application：软件被用于解决什么工程应用问题？

Industry：软件最终服务哪些行业？

这三个维度看起来相似，实际上回答的是不同问题。

例如，一款计算流体力学软件可以具备 CFD 技术能力，用于汽车空气动力学设计，最终服务汽车制造行业。

同一款软件也可能用于数据中心气流组织、船舶阻力分析或建筑通风设计。

因此：

• • Capability 描述技术能力；
• • Application 描述工程问题和使用场景；
• • Industry 描述最终客户所属的经济行业。

三者之间是多对多关系，而不是一一对应关系。

这一分类思想具有非常高的研究价值。

它让研究者不仅能够分析一家软件企业的产品组合，还能够观察不同技术能力的市场需求、不同工程应用的市场结构，以及特定行业的软件支出方向。

不过，Cambashi 是以市场研究为主要目的的分类体系，并不是一套严格按照物理学、计算数学和软件工程技术层级建立的知识分类。

理解这一点，是正确使用其研究数据的前提。

2.2 2026 年 CAE 市场规模及研究边界

根据本次研究采用的 Cambashi 2026 分类资料，全球 CAE 市场规模估算为 121.895 亿美元。

其中：

资料汇集了371家企业、1,537条分类排名记录，涵盖14项技术能力、8项工程应用及11项具名行业榜单，另外还有整体市场排名。

这些数字需要采用审慎的数据解释方式。

首先，市场规模是该研究口径下的估算结果，不等于整个广义工程仿真生态的全部收入。

其次，不同研究机构可能将系统仿真、电子设计仿真、数字孪生、工程咨询、EDA、工业AI等活动归入不同市场边界，因此不同来源的CAE市场规模不能直接比较。

再次，371家企业代表本资料覆盖的企业集合，而不意味着全球仅存在371家CAE软件相关企业。

另外，原始资料中的收入分配、企业排名及市场份额需要在正式财务分析时进一步核对，不能全部视为公司公开披露的财务数据。

第三章｜Capability：从14项传统能力到现代 CAE 技术全景

Capability 是理解 CAE 软件技术结构最直接的入口。

Cambashi 2026 资料将 CAE 市场划分为14个能力类别。

按照资料中的市场规模，结构力学与流体力学是两个最重要的基础领域。

需要注意，原始分类混合了物理学科、工程工艺和软件工作流功能，因此不能简单地将所有类别视为同一技术层级。

3.1 结构力学：从静态强度到复杂材料与极端工况

计算结构力学（Computational Structural Mechanics，CSM）是 CAE 最成熟的技术领域之一。

其基础是固体力学、连续介质力学、材料本构理论和数值计算方法。

典型分析对象包括：

线性静力学。 研究小变形、线弹性条件下的应力、应变和位移。

非线性结构分析。 研究大变形、材料非线性和复杂接触。

结构动力学。 研究模态、瞬态响应、谐响应、冲击与振动。

显式动力学。 用于碰撞、冲击、爆炸、金属成形等短时强非线性过程。

疲劳与断裂力学。 研究材料循环载荷下的损伤、裂纹扩展和寿命。

复合材料分析。 研究层合板、纤维增强材料、各向异性和失效准则。

这一领域的重要技术壁垒，不仅在于是否实现有限元方法，还包括接触算法、非线性材料模型、稳健的时间积分、收敛控制以及复杂实际工况下的求解可靠性。

Abaqus、Ansys Mechanical、MSC Nastran、Simcenter 3D、LS-DYNA、OptiStruct、Marc 等产品代表了不同历史路线与技术积累。

对于产业研究，必须进一步识别企业在求解器内核、材料模型、前处理、工业验证和行业客户等方面的差异。

3.2 流体动力学：从工程流动到高精度复杂流动

计算流体力学（Computational Fluid Dynamics，CFD）的核心是对流体控制方程进行数学建模和数值求解。

在连续介质条件下，典型控制方程包括质量守恒、动量守恒和能量守恒方程。

针对复杂流动，还需要引入湍流模型、多相流模型、化学反应模型及其他物理描述。

CFD 内部至少可以进一步分为：

1. 1. 内部流动与外部空气动力学；
2. 2. 不可压缩与可压缩流动；
3. 3. 层流、RANS、LES与DNS；
4. 4. 多相流、自由液面与空化；
5. 5. 燃烧、化学反应与传热；
6. 6. 旋转机械与透平机械流动；
7. 7. 气动声学与流固耦合；
8. 8. 微尺度流动与稀薄气体动力学。

从数值方法上看，有限体积方法具有重要地位，但并非 CFD 的唯一技术路线。

有限差分、有限元、谱方法、格子玻尔兹曼方法和粒子方法同样拥有特定的适用场景。

Fluent、STAR-CCM+、CFX、CONVERGE、OpenFOAM、SU2、PowerFLOW 等产品或开源体系，不能仅依据“是否属于 CFD”判断其技术同质性。

真正的比较必须深入求解器方法、物理模型、网格策略、并行架构、用户工作流与验证体系。

3.3 计算电磁学：电磁场计算不等同于 EDA

计算电磁学（Computational Electromagnetics，CEM）以 Maxwell 方程组及其工程近似为基础。

它覆盖：

• • 静电场和静磁场；
• • 低频电磁与电机设计；
• • 高频电磁与射频器件；
• • 天线与电磁波传播；
• • 信号完整性和电源完整性；
• • 电磁兼容与电磁干扰；
• • 电磁热耦合。

该领域通常采用 FEM、FDTD、MoM、积分方程等方法。

值得注意的是，CEM 与 EDA 存在重要交叉，但两者不应等同。

EDA 涉及数字逻辑设计、综合、布局布线、时序分析、形式验证、物理验证等大量并非传统 CAE 的功能。

而用于天线、电机或电磁场分析的软件，也不一定属于半导体 EDA 产品。

因此，全球产业数据库应当允许 CEM 与 EDA 形成交叉标签，同时保留各自的技术和市场边界。

3.4 热分析：不是 CFD 或结构分析的附属功能

热分析（Thermal Analysis）通常关注温度分布、热流密度、热阻和热过程对系统性能的影响。

其基础包括：

热传导、热对流、热辐射、相变及热源模型。

在电子系统中，热分析可能决定芯片、封装和服务器的可靠性。

在电池领域，热管理与热失控研究直接关系到安全。

在航空发动机中，热分析与结构寿命紧密耦合。

在数据中心中，热管理又与流场、电力系统和能源效率联系在一起。

因此，热分析虽然经常与 CFD 或结构求解器集成，但仍然具有独立的专业知识体系和商业需求。

3.5 声学、光学与多体动力学

声学仿真研究声波传播、噪声源、振动噪声及声场响应，涉及有限元、边界元及统计能量分析等方法。

光学仿真则需要区分几何光学和物理光学。前者通常研究光线传播、成像和照明，后者涉及衍射、干涉、偏振以及光子器件等问题。

多体动力学研究相互连接的刚体和柔性体系统的运动、约束和力学响应，广泛用于汽车底盘、机器人、工程机械及机械传动系统。

这三个领域的数学模型、工程指标和专业软件生态均具有独立性。

特别是多体动力学，在机器人与具身智能的发展中具有新的战略价值。

机器人研发中的动力学、接触、执行器、控制与物理交互问题，需要将多体动力学与控制系统、接触建模和实时仿真技术结合起来。

3.6 多物理场：复杂工程产品发展的必然需求

现实中的工程系统通常不存在绝对独立的物理场。

电机同时涉及电磁、温度、结构和振动。

电池同时涉及电化学、热、结构和老化。

流体机械可能同时存在流动、传热、结构形变和声学问题。

因此，多物理场仿真逐渐成为现代 CAE 的重要发展方向。

从技术角度，可以区分：

单体式耦合（Monolithic Coupling）：将多个物理系统方程组合后统一求解。

分区式耦合（Partitioned Coupling）：由不同求解器分别计算，并在求解过程中交换边界量和状态变量。

两类方法各有优势和限制，其稳定性、计算效率和适用场景需要依据具体问题判断。

多物理场不只是“一个软件能够计算几种物理场”。

更重要的是，软件是否能够正确表达不同物理过程之间的相互作用，并建立数值稳定、精度可靠的耦合计算机制。

3.7 制造工艺、塑料、失效分析与设计探索

Cambashi 将制造工艺仿真、塑料仿真和失效分析设为独立类别，有其市场研究上的合理性。

制造工艺仿真包括铸造、锻造、冲压、焊接、切削、注塑、热处理和增材制造等问题。

塑料成型仿真属于其中一个专业领域，但拥有独立的市场需求、材料数据库和产品技术。

失效分析则涉及疲劳、断裂、腐蚀、磨损、极限载荷及其他损伤机理。需要注意，失效物理计算和传统 FMEA 风险分析并非同一技术概念。

设计空间探索（DSE）与仿真流程自动化（SPA）则属于横向优化能力。

其典型方法包括实验设计（DOE）、响应面、多目标优化、鲁棒优化和自动化参数研究。

它们不仅可以服务结构、CFD或电磁分析，也可以用于多学科设计优化。

3.8 前后处理和 SDM：容易被低估的软件价值层

在传统工程软件市场研究中，求解器往往受到最多关注。

但实际工程使用成本，很大程度上来自前处理、后处理和数据组织。

对于复杂仿真问题，研究人员可能花费大量时间进行几何清理、网格划分、载荷定义、边界条件配置以及结果整理。

前处理工具影响工程师能否高效、正确地建立计算模型。

后处理工具则影响海量仿真数据能否被有效理解和利用。

SDM（Simulation Data Management）以及更完整的 SPDM（Simulation Process and Data Management），进一步解决模型、算例、版本、参数、结果与审批证据的组织问题。

对于大型汽车、航空航天和复杂装备企业，这类能力往往与产品研发流程深度结合。

仿真平台真正的竞争力，不仅来自计算核心，也来自将计算结果纳入企业研发决策体系的能力。

第四章｜为什么原有14类需要扩展：现代 CAE 技术边界已经发生变化

如果研究目标是延续历史市场数据，那么保持原有14类非常重要。

但如果研究目标转向技术竞争力、核心软件能力和 AI 时代产业演进，单纯依赖14类就会遇到新的问题。

例如，如何归类只提供数学求解库的企业？

如何评价专业网格生成技术？

如何归类专门研发降阶模型与神经算子的创业公司？

如何区分传统 CFD 求解器、基于物理约束的机器学习模型，以及通过智能体调用求解器的自动化平台？

这些问题说明，现代 CAE 的技术结构需要新的观察维度。

本文建议将能力研究目录扩展为24类：保留 Cambashi 14个类别，另外增加10个研究类别。

新增类别包括：

其中，C20至C24更适合作为横向技术标签或平台能力分类，而非与结构、流体并列的互斥物理学科。

扩展后的24类，应视为完整研究目录，而不是可以直接相加的24个独立市场。

4.1 DEM：独立于连续介质仿真的重要领域

离散元方法（Discrete Element Method，DEM）通常用于研究颗粒、块体及其他离散对象之间的运动与接触行为。

典型应用包括：

矿石输送、粉体混合、颗粒破碎、仓储物流、土石工程和部分增材制造工艺。

从技术角度看，DEM 的核心是接触检测、接触力模型、颗粒运动积分及大规模并行计算。

在实际工业场景中，DEM 经常与 CFD、结构分析形成耦合。

因此，将 DEM 独立研究，有助于识别隐藏在传统 CFD 或制造工艺分类中的专业软件技术。

4.2 1D系统仿真：连接零部件与完整产品系统

传统三维 CAE 往往关注局部物理场。

但完整产品系统还包含控制器、执行器、传感器、电路、机械机构、液压和热管理模块。

1D系统仿真与基于方程的系统建模，强调跨部件动态行为与系统级响应。

其技术基础包括常微分方程、微分代数方程、系统动力学和多领域组件模型。

典型工具包括 Simcenter Amesim、Dymola、Modelica 生态以及 GT-SUITE 等。

这类软件的重要价值，是在产品开发早期开展架构级性能分析，并与3D CAE、控制软件、试验系统协同工作。

4.3 计算材料：从材料数据库走向材料行为预测

材料是所有工程物理模型的重要基础。

传统 CAE 通常使用经验材料参数、本构模型和实验曲线。

而现代计算材料科学进一步研究材料在原子、分子和微结构尺度上的行为。

典型技术包括分子动力学、密度泛函理论、相场方法、晶体塑性和多尺度均匀化。

这些方法使材料研究与工程性能预测逐渐连接。

但是需要明确：原子尺度材料模拟并不自动等同于传统产品设计CAE市场。将它纳入扩展图谱，属于拓宽工程计算技术研究范围，而不是直接扩大 Cambashi 原有市场规模。

4.4 数值求解器基础设施：真正值得单独建立的产业图谱

这是扩展分类中极其重要的一类。

工业软件产品可以更换界面、重构前端，也可以通过第三方组件快速获得部分功能。

但稳定、高效、可扩展的数值求解器体系，需要长期数学研究、算法工程和复杂工程测试。

其主要技术包括：

• • 稀疏矩阵与大型线性方程组；
• • 迭代求解与预条件技术；
• • 非线性求解和收敛控制；
• • 时间积分与误差控制；
• • 网格生成、网格自适应和分区；
• • MPI、GPU与异构计算；
• • 并行I/O和大规模数据管理。

PETSc、Trilinos、Hypre、SUNDIALS、Gmsh、METIS、ParaView 等分别代表不同层次的计算基础设施。

其中部分项目是数值求解库，部分是网格、分区或可视化工具，不能把它们全部称作求解器。

建立这一分类，可以让产业研究从“有哪些CAE软件公司”，进一步深入到“哪些组织掌握CAE基础技术”。

这对于理解开源生态、国产工业软件底层能力和AI时代的新进入者，具有直接意义。

第五章｜Application：技术能力如何转化为工程应用？

理解 CAE 市场的第二个维度，是 Application。

Capability 研究的是软件能够模拟什么。

Application 研究的是软件被用于完成什么工程任务。

同样的 CFD 技术，既可能用于航空发动机，也可能用于建筑通风。

同样的有限元技术，既可能用于汽车碰撞，也可能用于骨科植入物。

因此，应用分类是将物理技术与工程需求连接起来的重要桥梁。

Cambashi 原有八类应用分别为：

AEC/Civil、Biomedical、Process & Piping、Materials、Mechanical Product Design、Geophysical/Climate、Shipbuilding & Maritime，以及 Vulnerability。

这套分类覆盖了广泛的传统工程场景。

但在新兴产业研究中，我们还应为若干重要应用建立独立标签。

5.1 电池与储能系统工程

电池工程将电化学、热、结构、老化和安全问题结合起来。

研究内容包括：

电池内部电化学过程、充放电发热、热管理、热失控、机械冲击、寿命衰减和系统级安全。

一个完整的电池仿真系统，可能同时调用电化学模型、CFD、结构有限元和系统级模型。

因此，电池工程不应该被简单理解为一个新的热分析子类。

它是围绕独特产品对象、工程流程和客户需求形成的多物理场应用集合。

5.2 半导体器件与先进封装工程

半导体相关仿真需要区分多个层面。

TCAD 主要研究半导体器件工艺、材料和器件物理。

电磁仿真研究高频信号、封装互连、电磁兼容和信号完整性。

热分析研究芯片、封装及电子系统的散热问题。

结构分析则研究先进封装中的翘曲、热应力和可靠性。

这些领域存在交叉，但技术模型、客户部门和工具链并不完全相同。

对产业研究来说，应将 TCAD、封装多物理场和更广义的电子设计自动化分别建立标签与边界说明。

5.3 机器人与具身智能

机器人领域对 CAE 提出了新的组合需求。

传统机械臂设计关注结构强度、刚度、运动学和动力学。

而具身智能系统进一步需要接触动力学、柔性物体、执行器、传感器、控制器以及机器人与真实环境的交互。

物理仿真可以用于机器人机构设计，也可以用于控制算法训练和 Sim-to-Real 研究。

需要区分的是，用于控制训练的高吞吐物理模拟器，与用于结构强度验证的高保真有限元求解器，其目标并不相同。

前者可能优先追求实时性、可扩展性和批量环境模拟，后者则可能更强调应力精度、材料行为和工程验证。

这意味着机器人领域可能形成与传统机械CAE不同的仿真技术组合和商业市场。

5.4 增材制造、复合材料与核工程

增材制造涉及热过程、熔池行为、材料组织演化、残余应力和结构变形。

复合材料涉及各向异性材料、层合结构、微观结构与多尺度失效。

核工程则涉及中子输运、热工水力、材料辐照和系统安全。

这些领域虽然可以映射到原有的物理分类，但已经形成具有独立知识体系、软件工具和工程验证要求的应用方向。

对于建设全球 CAE 企业数据库，将其作为独立应用标签具有明显价值。

第六章｜Industry：终端行业决定了CAE的商业价值和工程门槛

第三个维度是 Industry，即软件的最终行业市场。

Cambashi 的原始框架覆盖航空航天与国防、汽车与交通、消费品、能源、公用事业、电子与半导体、医疗与制药、重型装备、船舶、工业机械、流程工业和服务业等类别。

这一维度最重要的作用，是帮助研究者理解不同产业的CAE需求结构。

6.1 行业差异不仅是市场需求差异

航空航天企业重视多学科高保真计算、复杂产品验证与长期工程数据追溯。

汽车企业高度关注产品迭代效率、碰撞安全、NVH、热管理、空气动力学以及大规模仿真自动化。

半导体和电子企业关注多尺度、电热耦合、封装可靠性与高频电磁问题。

能源企业关注系统可靠性、极端工况、长期运行以及安全分析。

医疗器械企业则需要将人体生理、材料行为和医疗监管环境结合起来。

因此，同样的软件能力，在不同终端行业中的价值、验证要求和销售模式，可能具有显著差异。

6.2 建议建立六个重点新兴行业观察标签

面向2026年及未来产业研究，我建议在原有12个行业类目的基础上，重点追踪六个行业方向：

半导体制造与先进封装。 研究高密度互连、先进封装、热管理及可靠性。

电池与储能。 研究电化学、热安全、寿命和系统级性能。

机器人与具身智能。 研究运动学、接触、控制、物理仿真及机器学习环境。

数据中心与算力基础设施。 研究散热、液冷、气流、电力及能源效率。

核能、聚变与先进能源。 研究极端物理工况、等离子体、结构和安全。

商业航天与卫星产业。 研究推进、轨道环境、轻量化结构、热控及可靠性。

需要强调，这些属于产业研究标签，而不一定是统计上互斥的新行业。

例如，先进封装与原有电子半导体行业存在从属关系；商业航天与航空航天行业存在重叠。

如果目的是统计市场规模，必须通过行业映射、主行业归属和收入分摊规则避免重复计算。

如果目的是产业洞察，则应允许一家公司同时出现在多个新兴行业专题中。

第七章｜第四个维度：Numerical Methods—从软件功能深入数值计算内核

如果前三个维度主要回答“CAE解决什么问题、服务什么市场”，那么第四个维度开始深入CAE软件的技术基础。

数值方法与求解器架构，是认识CAE企业核心技术能力的重要入口。

但需要注意，数值方法本身不等于软件竞争力。

同样采用有限元方法的两款软件，可能因为材料模型、单元技术、接触算法、并行计算、网格技术和工程验证体系不同，而表现出明显的性能差异。

7.1 为什么必须区分物理模型与数值方法？

物理模型回答的是：现实中的物理规律如何表达？

数值方法回答的是：我们如何在有限计算资源下求得近似解？

例如，在结构力学中，工程师可能采用线弹性或弹塑性本构模型。

这些物理关系与力学平衡方程结合后，可以采用有限元方法进行求解。

但有限元方法并不只用于结构力学。

它同样可以用于流体、电磁、热传导及其他偏微分方程问题。

类似地，CFD也并不只有有限体积方法一条技术路线。

因此，以物理领域划分软件，与以数值方法划分软件，是两种不同的研究方式。

7.2 现代CAE的主要数值方法家族

值得进一步区分的是，这些方法并不总处在完全相同的概念层级。

例如，相场方法更接近一类连续场建模框架，需要与具体离散化和求解方法配合。

蒙特卡洛方法则是一类随机计算方法，其应用范围远超某一个物理领域。

对于专业技术数据库，我们应分别记录控制方程、物理模型、空间离散化、时间积分、线性或非线性求解方法，以及随机计算方法。

这种颗粒度，才足以支持真正深入的求解器技术比较。

7.3 从数学算法到工业级求解器，还有很长的距离

工程软件研究中，一个常见误区，是把“掌握数值算法”与“拥有工业级CAE产品”视为同一回事。

实际上，两者存在显著区别。

一个有限元教学程序可以正确求解某些标准算例。

但工业级有限元软件需要处理复杂几何、多材料接触、非线性本构、复杂载荷、极端网格质量和大规模计算问题。

同时，还需要处理数值误差、求解失败、异常输入、版本兼容及结果可追溯等工程问题。

在一些复杂非线性计算中，求解过程能够稳定收敛，本身就是重要的工程技术能力。

因此，评价一家CAE企业的底层竞争力，至少需要区分四个层级：

算法理论能力、软件实现能力、复杂算例求解能力、工业级验证与长期维护能力。

一个创业企业可能在新型算法上具有创新优势，但未必已经形成成熟的工业软件产品。

反过来，一个成熟平台可能未必在所有基础算法研究上领先，但长期积累的工程模型、测试算例和客户经验，也可能构成重要竞争壁垒。

7.4 开源数值基础设施正在重塑技术进入路径

今天的CAE创业者不必完全从零开始开发每一项数值计算组件。

PETSc、Trilinos、Hypre、SUNDIALS、Gmsh、OpenFOAM、SU2、CalculiX 等开源项目，为科学计算与工程仿真提供了不同层次的技术基础。

这些项目覆盖稀疏线性代数、数值积分、并行求解、网格生成以及专业物理场求解。

但是，开源组件的存在，不意味着工业级CAE软件开发已经没有技术门槛。

企业仍需要解决多个关键问题：

其一，不同组件之间的数据结构、网格格式和求解接口如何兼容。

其二，开源软件是否具备目标工业场景需要的材料模型、物理模型和求解稳定性。

其三，如何建立长期验证体系，确保版本升级不会破坏历史工程结果。

其四，如何处理软件许可证、商业集成、代码维护和第三方依赖。

其五，如何构建面向工程师的专业工作流、技术支持体系与商业交付能力。

因此，开源生态首先改变的是底层技术的可获取性与开发成本结构，而不是自动消除工业仿真的工程知识和可信度壁垒。

第八章｜第五个维度：Architecture—CAE正在从桌面软件走向计算平台

软件架构是理解CAE产业演进的另一个关键维度。

传统CAE软件往往以桌面建模、专业求解器、HPC集群和许可证系统构成完整工作流。

但是，云计算、GPU计算、容器化、API服务和AI工作流正在改变这种组合方式。

需要明确：桌面CAE、云CAE、HPC求解、云原生CAE和AI原生CAE并不是严格互斥的技术类别。

它们分别描述用户交互方式、运行环境、扩展架构以及计算范式。

8.1 桌面与集群架构：成熟工业软件的重要基础

传统商业CAE仍广泛采用桌面前后处理与高性能计算资源结合的模式。

工程师在工作站上完成建模、网格生成和求解设置，再将计算任务提交到本地工作站、服务器或HPC集群。

这种架构具有成熟工具链、精细交互、强大的模型处理能力以及企业内部数据管理优势。

尤其在航空航天、汽车和大型装备领域，相关部署与企业既有信息系统、工程流程和IT治理体系深度结合。

因此，不能简单地认为“桌面CAE属于落后架构，云CAE代表先进架构”。

架构选择首先取决于数据规模、交互需求、安全要求、算力组织方式与实际工程流程。

8.2 云原生CAE：改变算力与协作的交付方式

云原生CAE通常将仿真任务管理、数据组织、计算资源调度和用户访问接口进行服务化设计。

浏览器界面只是其可见特征之一。

真正重要的能力包括弹性算力、任务队列、分布式执行、结果存储、协作权限和自动化接口。

SimScale是云仿真模式的重要代表之一。

云CAE的优势在于降低部分用户的本地IT部署负担，并让计算资源能够随着任务规模变化。

但云端成本、数据传输、数据安全、复杂模型交互效率和供应商依赖等问题，仍需要根据使用场景进行权衡。

8.3 API-First与Headless Solver：面向自动化的新基础

传统CAE工作流高度依赖工程师与图形界面的交互。

而面向自动化和智能体的软件架构，需要能够通过机器可调用接口执行建模、计算和数据处理。

这种架构通常包括：

模型描述接口、几何处理接口、网格生成接口、求解任务接口、结果查询接口以及模型校验接口。

求解器不再必须通过人工点击图形界面才能运行。

这对大规模参数研究、批量仿真、设计优化以及AI智能体控制，具有直接价值。

不过，Headless或API-First不等于AI-Native。

一个传统求解器也可以提供成熟的API，而一个所谓AI原生产品如果缺乏可靠的程序化接口，反而可能难以融入大规模工程自动化系统。

8.4 GPU与异构计算：数值计算架构的重要演进

CAE长期依赖CPU与HPC集群。

随着GPU硬件、并行计算框架和相关数值算法的发展，越来越多计算任务能够利用GPU加速。

但不同仿真问题对GPU的适配程度并不一致。

规则计算、特定稀疏运算和高吞吐批处理问题，可能比较容易获得加速收益。

复杂非线性接触、动态变化的数据结构、不规则内存访问和某些高度耦合问题，则可能面临不同的工程挑战。

评价GPU求解器时，不能仅比较某个算例的峰值加速比。

还需要比较端到端计算时间、精度、内存消耗、硬件成本、可扩展性和求解成功率。

未来CAE产业的竞争，将越来越多地涉及数值算法与计算硬件之间的协同设计。

第九章｜第六个维度：AI Maturity—Physics AI如何改变CAE？

AI与CAE的关系，不能仅仅理解为给传统工程软件增加一个自然语言聊天窗口。

从技术路径看，AI至少正在沿着三条不同方向进入工程仿真。

第一条路径：让工程师更容易使用传统CAE。

第二条路径：用机器学习提高物理计算和工程预测效率。

第三条路径：让智能体能够组织、执行和优化工程仿真工作流。

这三条路径相互促进，但并不等价。

9.1 Copilot：降低专业CAE的使用门槛

传统CAE对使用者的专业知识要求很高。

工程师需要理解材料本构、边界条件、求解器参数和结果验证方法。

对于复杂模型，仅学习软件界面并不足以正确使用软件。

AI Copilot可以在多个环节提供辅助：

解释求解设置、检索软件文档、推荐仿真流程、生成脚本、排查错误以及辅助分析结果。

其最大价值之一，是降低软件学习与知识获取成本。

但是，AI回答正确的自然语言问题，并不意味着其能够正确设置复杂工程边界条件。

在专业CAE系统中，Copilot应该被视为面向工程师的知识与操作辅助能力，而不是自动替代工程判断。

9.2 机器学习代理模型：改变重复仿真的计算成本

在工程优化中，研究人员往往需要反复调整设计参数并运行仿真。

对于高保真CFD、多物理场和大规模非线性计算，每次运行可能需要大量计算资源。

代理模型（Surrogate Model）试图利用已有仿真或实验数据，学习设计参数与输出结果之间的关系。

在适当的适用域内，训练完成的代理模型可以用于快速预测，降低重复调用高成本求解器的需求。

传统代理模型可能采用响应面、径向基函数、高斯过程等方法。

现代机器学习则进一步引入深度神经网络、图神经网络和其他复杂模型。

但代理模型的预测能力取决于训练数据的覆盖范围、物理问题复杂性以及模型验证程度。

对于远离训练分布的新工况，代理模型可能产生不可靠结果。

因此，工业级代理模型需要明确其适用域、预测误差和不确定性，并建立必要的高保真求解回退机制。

9.3 PINN：将物理约束引入机器学习

Physics-Informed Neural Networks（PINN）是一类将物理控制方程或物理约束纳入神经网络训练过程的方法。

例如，可以将偏微分方程残差、初始条件和边界条件纳入损失函数。

这样，训练过程不仅受数据约束，也受到物理规律约束。

PINN具有求解正问题、反问题以及结合有限观测数据估计未知物理参数的潜力。

但PINN并非所有PDE问题的通用高性能替代方案。

复杂多尺度问题、强非线性、尖锐间断和训练优化困难等问题，仍可能限制其实际适用性。

对于工程应用，更合理的研究方法是比较其相对传统求解器的整体成本、稳定性、误差和应用边界，而非仅仅证明神经网络能够输出物理场。

9.4 Neural Operator：从求解一个问题到学习一类问题

神经算子（Neural Operator）与普通函数拟合模型相比，强调学习函数空间之间的映射。

以参数化偏微分方程为例，输入可能是材料场、初始条件、边界条件或几何表示，输出则是相应的物理场解。

傅里叶神经算子（FNO）和DeepONet是这一领域的重要技术路线。

在适当条件下，神经算子能够对同一问题族内的大量新工况进行快速推断。

这使它在参数研究、数字孪生、设计优化和实时近似预测中具有吸引力。

但必须注意：

神经算子通常需要训练数据或其他有效监督信号，其性能取决于问题分布。

对新几何、新物理条件和分布外场景的泛化，并不能仅由少量演示案例证明。

在安全关键工程中，神经算子更需要与验证、不确定性评估和高保真物理求解形成互补。

9.5 Physics AI不一定替代传统Solver

这是理解未来CAE产业非常重要的一点。

对于某些需要大量重复计算的参数化问题，AI代理模型可能显著降低推断成本。

对于某些逆问题，机器学习可能提供传统优化方法之外的新工具。

对于某些多尺度问题，AI可能作为物理模型闭合项或复杂子模型的近似工具。

但是，高精度基准计算、分布外工况验证和复杂工程认证，仍然需要具有可靠误差控制与验证证据的计算方法。

因此，未来较有现实基础的技术路径之一，是形成混合求解体系：

传统高保真求解器负责可靠物理计算，AI模型负责快速预测、参数探索和部分计算加速，再通过验证机制连接二者。

这种组合可能扩展CAE的使用频率与适用场景，而不只是替代已有求解器。

9.6 从Copilot走向Simulation Agent

如果说Copilot主要帮助工程师操作软件，那么Simulation Agent进一步涉及自主执行工程任务。

例如，工程师提出：

“在满足最大应力、固有频率和制造约束的前提下，对某个机械支架进行减重优化。”

一个完整的仿真智能体工作流可能需要：

1. 1. 理解工程目标与约束；
2. 2. 读取CAD几何及材料信息；
3. 3. 生成或调整计算模型；
4. 4. 检查网格质量；
5. 5. 选择合适的求解器及参数；
6. 6. 运行结构分析；
7. 7. 判断结果是否满足工程约束；
8. 8. 调整设计参数；
9. 9. 自动执行下一轮仿真；
10. 10. 汇总结果、误差证据和优化建议。

这里需要强调，智能体能够自动执行十个步骤，并不意味着它已经具备工程设计责任主体的能力。

真正可用于工业环境的Simulation Agent，必须受到任务权限、物理约束、模型适用域和工程审核机制的约束。

在安全关键应用中，应保留工程师和相应责任主体的审批权。

9.7 建议的AI能力成熟度体系

为便于产业研究，可以建立以下六级研究框架：

这是本文提出的分析框架，而非行业公认的统一标准。

在实际评估企业时，AI预测能力与AI智能体能力应分别评分，不能将六级简单理解为单一路径上的能力递进。

第十章｜第七个维度：Business Model—CAE企业究竟处在价值链的什么位置？

传统产业研究经常以软件产品分类企业，例如将企业归入结构、流体、电磁或多体动力学领域。

这种方式便于观察细分市场，却不能充分解释不同公司的商业模式和技术护城河。

两家同样被归入CFD市场的企业，可能处于完全不同的价值链位置。

一家掌握自主研发的流体求解器。

另一家主要基于开源求解器提供行业定制、用户界面、云计算和技术服务。

两者都可能向客户交付CFD解决方案，但其知识产权、研发投入、维护责任和商业竞争方式存在显著区别。

因此，需要从价值链角度重新认识CAE企业。

10.1 综合性CAE平台企业

综合性平台企业通常覆盖多个物理领域，并通过产品组合、数据管理、企业集成与长期服务满足大型客户需求。

代表性的企业与业务体系包括Siemens Simcenter、Dassault Systèmes SIMULIA，以及整合相关技术资产后的Synopsys工程仿真业务组合等。

这类企业的竞争力不能仅用求解器数量评价。

完整的工程工作流、行业解决方案、企业客户关系、长期工程数据兼容性以及研发体系集成，同样构成其价值基础。

而且，不同厂商的历史路线和业务重点差异明显，不应将其简单描述为从“单一工具竞争”转向“平台竞争”。

事实上，大型工业软件企业早已在持续建设跨学科、跨产品和跨生命周期的工程软件组合。

AI更多是在既有平台化与工程数据体系基础上，推动新的能力扩展与竞争重组。

10.2 专业Solver企业

专业求解器企业通常集中于一个或少数物理领域。

例如，专注内燃机与复杂燃烧的流体仿真、专业多体动力学、特定材料成形过程，或者高频电磁分析。

这类企业可能规模并不大，却拥有长期积累的数值方法、物理模型和工程验证经验。

对于产业投资和并购研究，这类企业尤其值得关注。

因为某个专业Solver可能被嵌入大型平台、作为OEM技术组件销售，也可能因其独特专业能力而成为重要收购标的。

但是，潜在并购价值仍取决于知识产权归属、技术适用范围、客户结构和商业独立性。

10.3 数学算法与基础组件企业

这类主体提供的可能不是面向最终工程师的完整CAE产品，而是底层计算能力。

典型技术包括网格生成、稀疏矩阵求解、并行计算、数值积分和可视化。

相关生态中既有商业企业，也有高校、科研机构和开源社区。

建立基础技术供应商图谱具有重要意义，因为最终软件产品中的关键技术，并不一定全部来自产品品牌所属企业。

对于中国工业软件产业研究，这也意味着不能只关注大型CAE产品厂商，还应该追踪基础数学软件、仿真内核、科学计算库及相关研发机构。

10.4 前后处理、SDM和工程工作流企业

另一类企业的价值，不在于拥有全部核心物理求解器，而在于提高工程师的工作效率。

例如，自动网格划分、几何简化、仿真任务调度、计算结果管理以及跨求解器的数据转换。

在大型工程企业中，软件用户面对的不只是计算时间问题。

模型准备时间、协同管理成本、历史结果复用困难，以及跨部门审批成本，都可能成为仿真流程中的重要约束。

因此，降低工程工作流成本，同样具有商业价值。

10.5 云CAE、AI仿真与工程服务企业

云CAE企业通过部署架构和算力组织方式形成差异化。

AI仿真企业可能围绕机器学习代理模型、快速设计探索、工程数据训练和自动化优化形成产品。

工程咨询和专业服务企业则可能通过长期行业知识、验证经验以及客户场景交付获得收入。

其中存在一个需要特别关注的问题：

拥有AI仿真平台，不代表拥有自主高保真物理求解器；拥有高保真求解器，也不代表具备完整的AI自动化能力。

两者是不同的技术资产。

产业数据库应分别记录，避免因产品宣传使用相似术语而混淆企业能力。

第十一章｜第八个维度：Credibility—仿真可信度为什么可能成为最重要的竞争门槛？

CAE软件的商业价值最终来自它是否能够帮助工程师做出更可靠的决策。

这与很多通用软件存在根本差异。

一个办公软件的某项功能出现错误，可能导致文档返工。

而在航空、核能、汽车安全或医疗器械中，不可靠的仿真结果可能影响真实物理系统的安全。

因此，仿真结果是否可信，是评价工业CAE软件能力不可缺少的维度。

11.1 Verification与Validation并不是一回事

工程仿真中的 Verification 通常关注计算模型及其数值求解是否被正确实现和求解。

Validation则关注模型对真实物理系统的预测，是否满足特定使用目的所要求的准确性。

两者不能混为一谈。

一个数值程序即使正确求解了给定数学模型，也不代表该数学模型能够准确描述真实世界。

例如，一个结构有限元模型可能具有良好的网格收敛性，但如果材料本构参数错误，最终结果仍可能不可靠。

相反，即使数学模型的物理描述合理，如果数值离散误差过大、非线性计算不收敛，结果也不值得信任。

因此，需要同时关注数学模型、数值实现和物理实验之间的关系。

11.2 不确定性量化是工程决策的重要基础

不确定性量化（Uncertainty Quantification，UQ）研究模型输入、参数、物理描述及数值计算中的不确定性如何影响输出结果。

例如，一个零部件的材料强度、制造尺寸和实际载荷都可能存在变化。

如果仿真只使用一组确定性的输入参数，就可能无法充分表达真实工程风险。

通过敏感性分析、概率方法和不确定性传播，可以进一步理解结果变化范围，以及哪些因素对工程性能影响最大。

对于具有安全要求的复杂系统，这些问题尤为重要。

11.3 AI仿真将可信度问题进一步放大

传统物理求解器通常具有明确的数学模型和数值计算流程。

而机器学习模型还引入了训练数据质量、模型结构、训练过程和分布外泛化等新因素。

例如，某个AI代理模型能够在训练范围内快速预测流场，并不意味着它能可靠预测全新的高攻角失速工况。

如果模型在关键边界条件下失效，而用户又无法识别这一点，就可能产生严重的工程风险。

因此，Physics AI的企业竞争力不能仅以速度衡量。

至少应关注：

预测误差、适用范围、不确定性、物理一致性、泛化能力和结果追溯。

同时，需要评估AI模型与传统Solver、实验数据及专业工程师之间的验证机制。

11.4 仿真可信度正在形成制度化要求

ASME针对计算结构力学、计算流体力学等领域发布了Verification与Validation相关标准。

NAFEMS长期推动仿真质量管理、验证及工程应用可信度研究。

这些工作反映出一个重要趋势：

CAE的价值不仅在于能够计算复杂物理现象，还在于能够提供可供工程决策使用的可信证据。

对于安全关键行业，仿真结果可能需要被组织内部专家、客户、认证机构或监管主体审查。

因此，企业长期积累的验证算例、实验数据、质量管理流程及行业应用记录，是无法简单用软件功能数量衡量的技术资产。

第十二章｜八维分类体系：如何系统研究一家全球CAE软件企业？

在理解以上技术与市场逻辑之后，可以构建更完整的CAE企业研究框架。

本文建议采用以下八个维度：

对于专业研究而言，这八个维度应被视为一个互相连接的分析系统。

它们既可用于研究一家综合性CAE平台，也适用于专业Solver企业、开源项目、工程AI创业公司及底层技术提供商。

12.1 从公司清单转向企业—产品—技术数据库

全球CAE企业数据库不应只有公司名称、成立时间、总部和主营业务。

更合理的结构至少需要包括：

企业实体表。

记录法律主体、集团归属、总部、成立时间、历史名称、资本关系和并购情况。

产品与版本表。

记录产品名称、品牌、版本、技术路线、许可及商业交付方式。

求解器技术表。

记录物理模型、离散化方法、核心算法、并行架构和底层依赖。

工程能力映射表。

按照Capability、Application、Industry分别建立多对多标签。

技术成熟度与验证表。

记录公开基准测试、工业客户验证、质量体系及AI模型适用范围。

财务与资本表。

记录企业收入、软件收入、融资、投资者、并购交易及相关信息的来源与置信度。

通过上述数据库结构，研究者可以回答更加深入的问题。

例如：

全球有哪些企业开发自主CFD求解器？

哪些公司采用有限体积方法，哪些采用格子玻尔兹曼方法？

哪些企业既拥有电磁场求解技术，又覆盖汽车和电子行业？

哪些AI仿真创业企业已经拥有可商业化的工程产品？

哪些企业主要提供技术组件，哪些主要通过专业工程服务获得收入？

哪些中国CAE企业具备独立求解器能力，哪些主要基于开源内核构建产品？

这类问题，需要企业、产品和技术层面的关联数据，而不是单一排名表。

12.2 需要特别处理集团与软件产品之间的关系

工业软件领域经历了长期并购整合。

同一产品在不同历史时期可能属于不同公司。

一家大型集团也可能通过收购拥有来自不同技术路线的求解器。

因此，研究一家企业时，需要将集团品牌、法律主体、历史产品品牌与核心技术来源分别记录。

例如，对于Ansys相关技术资产的研究，不仅需要关注其当前集团归属，还应保留Fluent、Mechanical、HFSS、LS-DYNA等产品的技术发展脉络与历史归属。

对于Altair、MSC、Cradle、FunctionBay等相关企业或技术体系，也需要根据实际交易和产品归属建立准确的时间线。

否则，在统计企业数量、市场份额及自主技术来源时，很容易发生重复计算或历史关系错误。

12.3 三类证据必须分开

专业产业研究应当明确区分三类信息。

第一类：公开确认事实。

例如官方网站披露的产品功能、公开技术文档、企业成立和收购公告。

第二类：研究机构估算。

例如市场规模、细分收入、市场份额，以及特定产品线的收入分配。

第三类：研究判断。

例如技术成熟度、商业竞争力、护城河强度和未来增长潜力。

这三类信息都有研究价值，但不能混用。

对于不具备公开数据的技术能力，应该标记为“待核实”或“暂无充分证据”，而不是直接认定不存在。

第十三章｜AI时代全球CAE产业竞争格局将如何变化？

在理解产业分类之后，还需要进一步考虑：AI究竟会怎样改变CAE市场结构？

本文认为，有几个方向值得特别关注。

13.1 底层算法可获取性提高，不等于工业级求解器壁垒消失

开源数值软件、GPU计算和AI辅助编程，正在降低部分软件开发门槛。

一个具备工程背景的团队，可以更容易地调用开源求解器、建立自动化工作流，并开发面向特定场景的产品。

但是，工业级求解器的可靠性来自长期的数学、工程和软件维护积累。

新进入者可能以较低成本获得基础计算能力，却仍需要解决复杂工况、特殊材料、求解稳定性和验证体系等问题。

因此，未来不同层次的竞争壁垒可能出现分化。

通用工作流与部分标准化功能，可能因开源及AI而更容易进入。

高可靠性专业求解器、特殊材料模型和严格工程验证能力，则可能继续保持较高技术门槛。

13.2 Physics AI可能改变CAE市场的供给成本

传统高保真仿真的一个重要限制是计算成本。

部分复杂问题需要大量计算资源，也需要专业工程师进行模型构建和结果判断。

如果AI代理模型可以在适当的场景中提供高质量预测，就可能使原本成本过高的设计探索变得可行。

例如，原本仅在少数关键设计点进行高保真求解的企业，未来可能在更多设计方案上进行快速预测，并对关键方案使用高保真仿真验证。

这种变化可能同时带来两种结果：

一方面，部分重复求解任务的单位计算成本下降。

另一方面，仿真应用频次增加、设计方案数量增长，可能激活此前未被满足的工程需求。

因此，不能简单地假设“AI替代传统Solver”就会导致传统CAE市场按相同比例萎缩。

未来更值得研究的是CAE预算、用户群体和使用频率如何重新分配。

13.3 传统CAE厂商具有快速吸收AI的能力

大型工业软件企业通常拥有长期研发团队、成熟产品架构、客户基础与行业技术积累。

当新的AI模型、GPU计算方法和自动化技术出现时，它们可以通过自主研发、合作、收购以及生态集成，将新能力引入既有产品组合。

其优势包括客户需求理解、工业数据接入、软件工程经验、全球服务网络和工程验证体系。

但大型企业同样面临产品架构复杂、历史兼容、业务协调与商业模式调整等挑战。

因此，AI不会天然地让传统厂商或创业企业中的某一方必然获胜。

更合理的研究角度，是比较不同企业在技术吸收速度、产品化能力、工程可信度和市场进入效率方面的综合表现。

13.4 AI-Native Simulation创业企业的竞争机会

新兴企业不一定需要复制成熟CAE平台的全部功能。

它们可以从更窄、更高价值的应用切入。

例如：

针对某一类复杂物理问题建立高性能代理模型；

为特定工业设备提供快速优化和实时预测；

将仿真流程与云计算、设计自动化结合；

通过智能体管理跨求解器工作流；

针对新兴行业构建数据、模型和工程验证体系。

这些路径可能帮助创业企业在特定市场形成竞争力。

但投资者需要警惕一个问题：某个演示场景下的模型性能，并不自动证明其产品具备跨行业规模化能力。

产业研究应将模型效果、客户需求、可复用性、研发成本和商业化能力分开评价。

13.5 工程数据正在成为新的关键资产

CAE企业长期拥有大量有关几何、材料、边界条件、仿真参数和计算结果的知识。

但这些数据通常分散在不同文件、软件和工程流程之中。

随着AI模型训练和工程智能体发展，高质量、可追溯的仿真数据具有新的应用价值。

企业不仅需要保留计算结果，还需要保留完整的工程语义。

例如：

一个应力场结果如果没有对应的几何版本、材料参数、载荷工况、网格设置和求解器版本，其复用价值会受到很大限制。

一个高质量的工程仿真数据集，应能够连接这些上下文关系。

这意味着SDM和SPDM可能从传统的数据管理工具，进一步成为工程AI基础设施的重要组成部分。

但要形成可持续的数据价值，还需要解决知识产权、访问权限、保密、数据质量和跨组织共享等问题。

第十四章｜对中国CAE产业体系建设的启示

对于中国工业软件产业研究，建立更加完整的CAE分类体系具有特殊意义。

过去，国内CAE研究常常围绕结构、流体、电磁等学科领域，以及商业软件产品名单展开。

这种方式适合建立初步产业图谱，却很难完整回答中国CAE的核心技术能力处在什么位置。

14.1 从“有没有产品”转向“掌握哪些技术能力”

评价国产CAE企业，首先需要识别其技术资产。

例如：

企业是否拥有自主研发的数值求解器？

是否自主掌握关键材料本构模型？

是否具备核心接触算法和非线性求解技术？

是否拥有成熟的网格生成与网格质量控制能力？

是否建立复杂工业算例及验证数据库？

是否能够支持大规模并行计算？

是否形成稳定的工程软件开发和长期维护体系？

这些问题，比简单统计软件产品数量更能反映产业技术结构。

但也不能反过来认为，基于开源技术构建的工程软件就一定缺少价值。

开源技术之上的复杂系统工程、行业模型、产品化能力和客户交付，同样可以形成重要商业竞争力。

关键在于准确识别不同企业的能力来源和自主贡献。

14.2 国产CAE不应只有完整产品路线

中国CAE产业体系建设，可以同时关注多个层次。

底层数学软件。 包括数值线性代数、稀疏求解、并行计算与数值积分。

核心求解器。 包括结构、流体、电磁、多体动力学和专业物理领域。

工程建模工具。 包括几何处理、网格生成、前后处理和可视化。

工程数据平台。 包括SDM、SPDM和仿真流程自动化。

行业专业应用。 包括航空航天、汽车、电子、能源和复杂装备。

Physics AI与智能体。 包括神经算子、快速代理模型、智能优化和自动化工程工作流。

这些层次之间存在互补关系。

国家、区域和产业资本不一定需要在每一层重复投入，而应围绕已有技术积累、客户需求和关键能力缺口形成协同。

14.3 构建中国CAE企业图谱需要新的研究方法

中国企业研究应在全球统一分类下开展，而不是另建一套难以与国际企业比较的分类体系。

建议采用以下做法：

首先，使用相同的物理技术分类比较中外企业。

其次，对重点产品追踪底层求解器、开源依赖、知识产权和自主研发情况。

第三，结合实际行业客户、工程案例与验证证据评价技术成熟度。

第四，将高校、科研机构和开源社区纳入基础技术生态研究，但与商业软件企业分别统计。

第五，将AI原生工程仿真企业作为独立专题，同时映射到它们实际服务的物理领域和行业应用。

最终形成能够比较技术能力、商业价值和产业缺口的研究体系。

14.4 产业政策需要关注长期工程能力的建设

CAE产业具有知识密集、研发周期长、行业验证成本高等特点。

从国际工业软件发展历史看，成熟工程软件往往与长期产业需求、基础数学研究和工程试验能力相互促进。

因此，产业生态建设不应只关注软件功能发布和企业数量增长。

还应该关注：

基础算法研发、长期软件维护、工业测试算例、行业联合验证、高校人才培养、专业用户社区和持续商业化能力。

尤其在安全关键领域，一个通过严格验证并能够长期迭代的软件产品，其形成过程通常无法被短期功能开发完全替代。

第十五章｜面向2026—2031年的五项产业战略判断

在上述分析基础上，本文提出五项值得持续检验的产业判断。

这些判断是研究假设与趋势研判，而不是已经确定的未来事实。

判断一：CAE市场的技术边界将继续向外扩展

传统结构、流体、电磁、热分析仍将是重要基础。

与此同时，系统仿真、多尺度材料、先进制造、机器人物理仿真和Physics AI，会扩大工程仿真的技术研究范围。

但并非所有新增计算技术都会直接计入传统CAE市场收入。

未来市场研究需要更加精确地划定CAE与EDA、科学计算、控制仿真和工业AI之间的边界。

判断二：数值算法与计算架构的协同创新将更加重要

HPC、GPU、并行算法与新型AI模型，将继续推动工程计算性能改善。

未来竞争不只是比较求解器软件算法，也涉及算法对硬件架构的适配。

对于复杂工程问题，端到端性能、数值精度与计算经济性，将比单纯的峰值加速数字更有意义。

判断三：传统Solver与Physics AI更可能长期共存

对于适用域明确、重复计算量大的任务，代理模型可能获得更广泛应用。

但高保真物理求解器仍将在训练数据生成、关键工况验证以及复杂工程认证中发挥作用。

两类技术可能形成更紧密的混合工作流。

其产业影响需要从总体计算成本、软件收入、用户数量和工程使用频次等多个指标共同观察。

判断四：仿真自动化将从脚本走向工程智能体

传统仿真流程自动化已经拥有长期积累。

AI智能体的新增价值，在于更灵活地理解任务、选择工具、处理部分异常，并组织跨软件工作流。

但工程智能体能否进入真正的工业生产环境，取决于接口成熟度、执行可靠性、物理约束和审批机制。

未来的Simulation Agent，更可能首先在边界明确、可自动验证的任务中成熟，而不是立即自主承担所有工程设计责任。

判断五：工程可信度与长期数据资产将继续构成重要护城河

在AI降低部分软件开发门槛的同时，工程验证、复杂工业场景经验、材料模型和高质量数据的重要性可能进一步提高。

具有历史技术积累的企业，不一定在所有新技术路线中领先。

但是，能够将新算法与真实工程验证体系结合的组织，有机会形成更强的技术与商业竞争力。

未来CAE企业之间的竞争，也可能越来越体现为：

物理模型能力 × 数值计算能力 × 工程数据资产 × 自动化水平 × 仿真可信度。

这种竞争不是简单的软件界面之争，也不只是某一个求解器性能指标之争，而是能够持续为工程决策提供可靠计算能力的体系化竞争。

结语｜认识CAE产业，需要从软件分类走向工程计算体系

全球CAE软件产业经历了长期发展，已经形成结构力学、流体动力学、电磁学、热分析、多体动力学、多物理场和专业制造仿真等复杂技术体系。

Cambashi的Capability、Application和Industry分类，为理解这类产业提供了重要的市场研究基础。

但是，进入AI时代以后，仅从技术功能、应用场景和终端行业观察CAE产业，已经不足以完整解释其技术结构与竞争格局。

数值求解器、计算架构、Physics AI、工程工作流、商业模式和仿真可信度，需要成为同样重要的研究维度。

因此，本文建议建立八维CAE产业分类体系，在保留传统市场研究连续性的同时，进一步揭示企业底层技术能力和未来竞争方向。

对CAE企业而言，重要的不是自己是否被划入一个热门分类，而是能够在特定工程问题上持续提供什么样的技术能力和客户价值。

对产业投资者而言，重要的不是某个企业是否使用AI、GPU或者神经算子等新术语，而是这些技术是否真正改善工程性能、计算成本、开发流程及商业交付能力。

对政府产业部门而言，重要的也不只是引进多少家软件企业，而是一个区域是否在基础数学软件、求解器、工程数据、专业应用和人才生态方面形成了可持续的技术能力。

而对工程师和科学研究者而言，我们仍然需要回到CAE最根本的目标：

通过可信的数学模型、数值计算和工程验证，更有效地理解物理世界，预测系统行为，并支持真实工程产品的设计、制造和持续改进。

AI可能改变这一过程的计算成本、工作方式和参与者结构，但不会改变真实工程必须尊重物理规律的基本要求。

理解这一点，才能真正看清全球CAE软件产业的长期演进方向。

研究说明与参考资料

一、基础分类与市场数据

Cambashi 2026 CAE Market Snapshot，公司分类全名单。本次研究使用的整理资料包含整体市场、14项Capability、8项Application及11项具名Industry榜单。

市场规模、企业数量及排名均按所提供资料引用，未将其视为已经独立审计的企业财务数据。扩展的24类技术能力、16类应用、18类行业及八维研究框架，为本文提出的研究性分类建议，并非Cambashi官方分类。

二、工程仿真验证与质量管理

1. 1. ASME，Standard for Verification and Validation in Computational Solid Mechanics，V&V 10。
2. 2. ASME，Standard for Verification and Validation in Computational Fluid Dynamics and Heat Transfer，V&V 20。
3. 3. NAFEMS，Engineering Simulation Quality Management Guidelines。
4. 4. NAFEMS，Guidelines for Validation of Engineering Simulations，2024。
5. 5. NAFEMS / ASSESS，Engineering Simulation Supporting Certification – The Role of Verification, Validation and Uncertainty Quantification，2026。

三、科学计算与Physics AI技术资料

1. 6. NVIDIA，PhysicsNeMo Framework Documentation。
2. 7. PETSc，Portable, Extensible Toolkit for Scientific Computation。
3. 8. Trilinos，数值算法与并行计算项目官方资料。
4. 9. OpenFOAM，开源CFD技术文档。
5. 10. SU2，开源多物理场设计优化软件技术文档。

四、研究方法说明

本文区分了市场分类、技术分类和工程能力评价三种不同目的。涉及企业产品和技术路线的案例主要用于说明分类逻辑，不构成完整的产品性能排名或商业投资建议。

研究主题：全球CAE产业技术图谱、工业软件核心技术、Physics AI、AI-Native Engineering与未来产业竞争格局。