2025年计算机行业专题报告：物理AI，AI技术演进新方向，赋能产业智能化升级

一、物理 AI 概览

1.1 物理 AI 的概念

1.1.1 物理 AI 的概念

物理 AI 指的是一种结合传感器、智能体、物理材料与环境感知的 AI 系统，能够感知、理解、预测并操 作物理世界中的对象与行为。通过将 AI 大模型、物理引擎、多学科仿真等方法结合起来，物理 AI 可以实现对 现实世界高精度动态模拟预测优化，从而以 AI 赋能传统产业。物理 AI 的概念，最早起源于对具身智能的研究， 即 AI 不只是“大脑”，还需“身体”与环境交互。此后，物理 AI 的概念逐渐延展为具备传感、认知、推理、 动作能力的一体化智能系统，并融入边缘计算、分布式系统、机器学习等现代 AI 机制。

1.1.2 物理 AI VS 数字 AI

传统的数字 AI，主要指的是基于大数据、深度学习等算法，在纯数字空间中完成信息处理与智能决策的人 工智能形态。它强调数据驱动模型训练，核心能力集中在语言理解、图像识别、知识推理等抽象认知上，依赖 于云计算中心、高性能 GPU 进行集中计算，其典型应用包括搜索引擎、推荐系统、语音助手、文图生成大模型等，这类智能系统通常不直接感知或操作物理世界，缺乏与环境交互形成闭环的能力。 相比之下，物理 AI将软硬件结合，是能同时集成感知、认知、决策与物理执行能力的下一代智能系统。物 理 AI 强调的是具身智能与实体行为，不仅仅依赖数据计算，还整合了材料科学、传感器技术、嵌入式系统、机 械控制等多个学科能力。物理 AI 可通过视觉、触觉等多模态传感器对真实世界进行实时感知，并结合知识模型 和本体推理对物理环境做出因果判断，最终驱动车辆、机械臂等执行系统进行实际动作，从而形成“感知–理 解–执行”的闭环结构。 总的来说，数字 AI 是对信息世界的建模与处理，而物理 AI 则是让 AI 实实在在走入物理世界，具备执行 力、实体交互能力和任务闭环反馈能力。它们代表了人工智能发展的两个阶段：一个是数字认知智能，另一个 是融合行为智能的具身智能系统。随着机器人、自动驾驶、智能制造等场景快速落地，物理 AI 正成为推动 AI 应用从决策与感知走向行动的核心力量。

1.1.3 物理 AI VS CAE

传统 CAE作为工程分析的重要工具，依赖有限元分析、CFD、结构热力学耦合等物理建模与数值计算技术， 对产品进行建模、仿真和验证。然而，其过程往往是静态的、失真的，依赖工程师经验设定边界条件与初始参 数，且建模复杂、计算耗时。物理 AI 的引入，使这些过程从“被动计算”迈向“主动学习与认知”，进而实现 工程建模的智能化、自适应和闭环反馈。 物理 AI 的引入，为传统 CAE 带来变革与进步，将其原有的分析体系“智能升级”。一方面，物理 AI 利 用机器学习、深度学习等 AI 技术，对历史仿真数据、实验数据进行挖掘，实现参数预测、模型快速拟合、结果 回归校正，大幅缩短建模周期，提高仿真精度；另一方面，结合传感器数据，物理 AI 能够与真实工程系统形成 闭环，使仿真不再是脱离实体的预测工具，而成为实时决策与控制的一部分，支持系统自优化、自感知、自适 应。随着 CAE与物理 AI 的深度融合，也催生了如引入物理约束的神经网络模型、AI 辅助的多尺度建模等新兴 方向，探索将物理规律与数据驱动建模有机结合，这正是物理 AI 应用于产业的生动实践。物理 AI 也可作为连 接 CAE 与控制系统的中间层，构建出“认知+执行”的新型工程闭环系统。物理 AI 是 CAE 在 AI 时代背景下 的认知型升级，它赋予工程系统更强的适应性、学习能力与决策能力，使传统工程仿真由工具向智能体演进。 这种融合不仅拓宽了 CAE 的应用边界，也预示着未来工程设计将从“人工驱动”向“智能共创”迈进。

1.1.4 物理 AI VS 数字孪生

数字孪生是真实物理世界的一种数字映射，其本质是物理实体在虚拟空间的实时动态映射，通过传感器数 据持续更新模型状态。通过监测、模拟、预测和优化物理实体的全生命周期行为，数字孪生可以实现复制现实 情况并支持决策。 数字孪生为物理 AI提供了可控、可重复、可扩展的训练与验证环境，在具身智能系统的开发中扮演“虚拟 测试场”的核心角色。以英伟达 Omniverse 平台为例，它通过高保真还原现实场景（如智能仓储、自动化工厂、 生产线车间），结合物理仿真引擎与传感器模拟，为机器人、自动驾驶系统等物理 AI 模型的训练提供高度逼真 的环境。企业可以在虚拟空间中对路径规划、抓取动作、避障行为等进行上万次测试，形成鲁棒性更强的控制 策略，避免高风险与高成本的实机调试。例如富士康借助该平台对人形机器人进行任务规划训练，在部署前完 成策略验证与优化，有效降低了设备磨损与测试周期，为复杂物理行为系统的工程化落地建立起“先虚后实” 的闭环流程。

物理 AI的引入也在不断增强数字孪生本身的智能性。传统数字孪生虽然能同步现实世界状态，但在面对复 杂物理系统时往往缺乏高质量预测能力。而将具备物理约束与因果推理能力的 AI 模型嵌入其中，则可使数字孪 生从“仿真”转向“推演”。例如在灾害预测场景中，AI 通过学习历史风场、地形数据与气象变量，并嵌入大 气物理模型，可在数字孪生平台上实现对台风路径、降雨落点、风速分布的高精度预测，为气象调度与城市应 急提供更具前瞻性的辅助决策。在能源、电网、建筑等领域，物理 AI 也可在数字孪生中实现对设备老化、环境 变化、系统扰动的智能识别与响应，使其从静态可视化模型跃升为动态智能化代理系统。

1.2 物理 AI 实现广泛场景落地

物理 AI 融合了人工智能与物理建模，具备强大的仿真、预测与优化能力，正在各行业中广泛落地应用。通 过将多物理场耦合仿真与机器学习算法结合，物理 AI 可在工业设计、能源管理、医疗健康、自动驾驶、航空航 天等领域提升研发效率、降低成本并加速创新，为复杂系统的实时决策提供了可行路径，正逐步成为驱动未来 智能工程的重要引擎。

二、海外物理 AI 已应用于智能制造具身智能等领域

2.1 头部海外厂商物理 AI 布局

2.1.1 英伟达的物理 AI 布局概览

近期，英伟达创始人兼 CEO 黄仁勋先后在拉斯维加斯 CES 展会、圣何塞英伟达 GTC 大会、北京第三届链 博会上发表演讲，阐述英伟达物理 AI 布局，并推出一系列新产品和技术。英伟达认为，物理 AI 作为 A I 技术演 进的第四波浪潮，标志着“通用机器人时代”的开端，英伟达正在通过硬件和软件生态加速这一进程。黄仁勋 将 AI 的演进划分为四个阶段，即感知 AI、生成式 AI、代理式 AI、物理 AI，并强调物理 AI 将成为未来的技术 拐点，赋能机器人产业。

英伟达发布 Cosmos 模型，全球首个世界基础模型，专为理解物理世界打造。想要把 AI 嵌入物理世界中， 需要建立一个理解现实世界规则的世界模型，比如重力、摩擦力、惯性这些物理动力学，还要理解几何与空间 关系、因果关系。Cosmos 模型就这样应运而生，它是在 2000 万小时的视频数据上训练而成，这些视频聚焦动 态物理事物，包含自然主题、人类行走、手部动作、操控物体，还有快速的相机运动，目的是教会 AI 理解物理 世界，而非生成创意内容。同时，英伟达还宣布了 Cos mos 开源许可，在 GitHub 上线了小、中、大不同规模的 模型，对应快速模型、主流模型，以及知识转移模型，赋能机器人和工业 AI 领域。 英伟达将 Cosmos 与 Omniverse 融合，搭建物理 AI 时代的基座。Omniverse 是基于算法物理、原理物理、 模拟构建的系统，将其与 Cosmos 相连，能为 Cosmos 生成内容提供基准事实，控制、调节生成结果。这样一来， Cosmos 成为了基于真实场景物理规律的多元宇宙生成器，为物理 AI 在机器人和工业领域的应用奠定了基础。 基于 Cosmos 和 Omniverse 模型，英伟达定义了未来物理 AI 领域的全新生产方式，即 Cosmos + Omniverse 组成的数字孪生、AI 训练侧、AI 部署侧这三者所构成的循环。未来，每个机器人公司最终都需要三台计算机：一台 用于训练 AI 的 DGX 计算机；一台用于部署 AI 的 AGX 计算机，部署在汽车、机器人、自动移动机器人等各种 边缘设备中，实现自主运行。连接两者需要一个数字孪生平台，数字孪生平台是训练好的 AI 进行实践、改进、 合成数据生成、强化学习和 AI 反馈等操作的场所，是所有模拟的基础。这三台计算机将交互式工作，构成了英 伟达针对 AI 工业世界的战略。

2.1.2 Google 物理 AI 布局具身智能方向

谷歌正在积极推进其在物理 AI 领域的战略布局，致力于将通用人工智能从数字空间拓展至真实物理世界。 2025 年 3 月 12 日，谷歌 Deep Mind 发布了基于多模态通用大模型 Gemini2.0 构建的两类大模型：Gemini Robotics （VLA）和 Gemini Robotics-ER（VLM），构建了一套覆盖“感知-推理-控制-执行”的完整物理智能体系。 Gemini Robotics-ER（Embodied Reasoning）专注于机器人在物理环境中的空间与视觉推理能力，支持物体 检测、指向、轨迹和抓取预测、多视角对应和 3D 辨识等功能。该模型可用于构建机器人感知层，将 Gemin i 的 多模态理解能力延伸至真实世界场景。Gemini Robotics 则将 Gemini Robotics-ER 的推理能力与底层动作控制结 合，直接控制机器人完成复杂操作任务，如折纸、挂包、分类物品等。模型具备零样本和少样本学习能力，支 持跨硬件平台泛化，执行自然语言指令时可自动生成控制代码或策略。通过上述模型，Google DeepMind 构建了 从感知推理到动作执行、再到本地部署的完整战略，目标是实现通用、交互性强、具备精细操控能力的智能机 器人系统。

2.2 英伟达打造了从硬件到平台的全方位物理 AI 生态

英伟达已在物理 AI领域构建起完整的技术与算力生态，涵盖模拟、训练与部署等核心环节。其中，Cosmos 平台聚焦通过视频数据训练物理世界模型，是其最具战略意义的物理感知基础架构；Isaac 平台则用于高精度训 练机器人在虚拟环境中的行为决策，强化具身智能发展；PhysicsNeM 专注偏微分方程的 AI 加速求解，支持工 程、气候等高精度物理建模；BioNeMo 则服务于药物分子结构模拟与蛋白质-化合物相互作用预测。硬件方面， 英伟达通过规划 Blackwell、Rubin、Feynman 等系列先进 GPU 芯片，并形成 DGX SuperPOD 超级计算集群，支 撑 Omniverse、Modulus 等平台大规模并行运算，构成从 AI 模型训练到物理仿真的完整基础设施。

2.2.1 物理世界建模引擎：Cosmos 平台

物理 AI的基础在于对现实世界的数字化建模，它不仅是将物理系统数学公式化，更是在 AI语境下构建可 以被理解、可以被推理、可以被计算的世界。传统的建模方式依赖偏微分方程、有限元法、计算几何与拓扑学 来精确描述现实中的力学、电磁、热传导等现象。但在物理 AI 系统中，建模不仅限于人工定义方程，而是借助 物理感知数据构建世界认知模型。这就要求建模引擎能够处理高度复杂的输入，如视觉视频、力觉序列、温度 曲线等，将其转化为具备结构性和可推理性的数据。

Cosmos 是英伟达推出的通用物理世界建模框架，旨在通过大规模视频和传感器数据训练 AI模型，让机器 具备对物理规律的感知与推理能力。Cosmos 不依赖传统的物理方程，而是通过观察现实世界中物体的运动、交 互和变化，自动学习其背后的动力学机制。该模型可广泛应用于自动驾驶、机器人、增强现实等领域，为虚拟 场景生成、路径预测和环境理解等任务提供物理一致性的支持。作为英伟达“物理 AI”战略的核心组成，Cosmos 与 Omniverse、Isaac、Modulus 等平台协同工作，推动具身智能和数字孪生系统的发展，目前已广泛应用于具身 智能、自动驾驶、视觉等行业头部客户。

2.2.2 多场景耦合仿真：Omniverse 平台

多场景耦合仿真是物理 AI 中将建模与实际行为连接起来的特定环境仿真工具，它允许系统对扰动、指令 或外部因素做出结构性响应。物理系统往往不是单一场主导的，而是多场耦合协同演化的，例如热-电-磁耦合、 电磁-结构耦合、流体-结构耦合等，这要求仿真平台具备跨场建模能力、边界条件动态调整能力以及动态响应模 拟能力。传统 CAE 平台已具备强大的耦合建模能力，但它们主要面向离线工程计算，无法满足物理 AI 在在线 反馈、决策响应和低延迟模拟方面的需求。 以英伟达 Omniverse 为例，其核心由 Universal Scene Description (通用场景描述) 驱动，能够以统一的数据 结构整合来自多源建模软件的几何、材质、动力学和行为描述。在仿真层，Omniverse 支持通过英伟达 Phys X 实 现刚体/软体动力学，通过 Flow 模块实现流体动力学，通过 Flex 支持粒子系统与柔性体仿真，同时与 Isaac Sim （机器人）、Drive Sim（自动驾驶）、Kaolin（3D AI）等模块深度集成，完成结构-控制-感知一体化模拟。物理 AI 系统在这种仿真平台中，可以输入扰动（如动作、指令），观测系统响应，训练其预测与反馈机制，实现感 知-决策闭环。Omniverse 还支持仿真可微分与 AI 可插拔：它可以将仿真结果实时供给 AI 模型，或将 AI 控制 结果注入仿真，实现 AI-in-the-loop 循环。这为物理 AI 系统在控制器设计、策略评估、机器人调度等方面提供 了可调可测的环境。此外，Omniverse 的数字孪生能力也使其成为工业级 Sim2Real 训练平台，可用于生成合成 数据，提升 AI 模型的泛化能力。

仿真平台不仅是训练场，还是行为验证器。系统可通过世界模型提前模拟不同策略路径的结果，在真实部 署前进行筛选和评估。它兼具现实物理系统的“近似替身”与高效推理引擎的角色。由于不依赖高保真的求解 器，仿真速度快、推理灵活，更适用于控制场景、机器人操作、自动驾驶决策等在线物理交互系统。正因多场 景耦合仿真工具具备轻量级、智能化、多场景物理世界等诸多优势，物理 AI 正在成为赋能传统仿真系统的核心 动能。

2.2.3 Modulus、Bionemo、Issac 等垂直细分模型

PhysicsNeMo（原 Modulus）是一个面向物理模型驱动 AI 的高性能框架，支持物理知情神经网络（PINNs）、 神经算子、图神经网络（GNNs）与扩散模型等多种 SciML 架构。物理研究人员能够直接在该平台上构建包含偏 微分方程约束的代理模型，用于加速计算流体动力学、热传导、结构力学、电磁学等多物理场问题的仿真，预 测速度相比传统 CAE方法快数十倍。PhysicsNeMo 提供从几何输入、网格处理到训练、推理、分布式并行训练 的完整流水线，封装了高效数据管道、工程参考样例与 GPU 加速能力，可广泛部署于数字孪生与实时模拟场景 中。 与之并行，BioNeMo 是英伟达面向药物发现和计算生物学开放的生成式 AI 平台，包含 BioNeMo Framework、 BioNeMo NIM 微服务以及 Blueprints 模板解决方案。该平台为小分子生成、蛋白质结构预测、分子对接和属性 预测等任务提供预训练模型和端到端优化工具，显著缩短药物候选筛选周期。BioNeMo 特别适配大型分布式 GPU 集群，可在数百张 A100 GPU 上完成千亿 token 的蛋白语言模型训练，部分客户已实现推理能力提升 12 倍以上效果，极大加速药物研发流程，并在多个行业与学术机构间建立协作落地。

Isaac 是英伟达为机器人开发构建的端到端 AI 平台，集成了模拟训练、模型开发与硬件部署能力，旨在推 动具身智能的发展。平台核心包括 Isaac Sim仿真环境、Isaac ROS 感知与控制模块、以及可部署在 Jetson 与 Or in 等硬件上的加速引擎。Isaac Sim基于 Omniverse 构建，支持真实物理环境建模、碰撞检测、传感器模拟和合成 数据生成，广泛应用于物流、制造、服务机器人等领域的虚拟训练与策略验证。该平台支持强化学习、模仿学 习与迁移学习等多种训练方式，并可与 ROS2 无缝集成，加速从虚拟到现实的部署流程，是当前实现物理世界 智能体训练与部署的重要基础设施。 三者均为开源生态，分别针对工程物理、生物药物、机器人等领域的数据驱动科学建模提供底层工具与参 考流水线，均依托英伟达 GPU 的训练与推理加速特性，并可与 Omniverse、DGX SuperPOD 等平台与算力基础设施集成，支撑可扩展、高性能的科学 AI 模型开发。这种跨领域、跨平台的物理 AI 开放生态，标志着英伟达 对 AI 驱动科学工程和药物发现的战略性布局正在稳步推进。

2.2.4 GPU 系列产品打造物理 AI 算力底座

英伟达在物理 AI 领域构建了强大的硬件体系，为大规模物理建模与仿真提供算力支撑。最新的 Blackwell GPU 架构以支持千亿参数模型为核心，具备高吞吐低延迟的推理能力，特别适配数字孪生与具身智能任务。Rubin GPU 则面向未来超算与 AI 融合工作负载，强调通用性与能效比，适用于物理建模中高精度大尺度求解。Feynman 系列 GPU 是为科学计算定制的专用架构，支持更高精度浮点计算，服务于偏微分方程求解和精细网格仿真任务。 在系统层面，英伟达的 DGX SuperPOD 超级计算集群已可实现每秒数千万亿次浮点运算，集成 InfiniBand 网 络、高速 NVLink 互联与液冷技术，已部署于全球多个研究机构与企业环境中，支 Omniverse、Modulus、BioNeMo 等模型的训练与推理，成为推动物理 AI 落地的算力核心。

2.3 英伟达物理 AI 落地案例

2.3.1 宝马集团智能工厂

宝马集团正在通过与英伟达深度合作，积极推进其“iFACTORY”战略，将生产与设计流程数字化、虚拟化， 并借助英伟达的 Omniverse 平台构建全球首个“虚拟工厂”。该平台能够将建筑、设备、物流、车辆和人工操作 等多源数据整合入一个统一的三维数字孪生模型，实现跨地区多用户实时协作。宝马将其 Debrecen 电动车工厂 等未来生产基地的完整虚拟模型提前两年以上投入使用，通过实时仿真布局、机器人动作与物流路径，验证任 何新车型是否会在设备与空间中发生碰撞，显著降低试运行风险并加快生产准备。 借助 Omniverse 与英伟达 DGX 系统的协同能力，宝马能够在高保真虚拟环境中模拟装配线、人工操作、机 器人行为及人机协同流程，并生成用于训练视觉检查、机器人路径优化等 AI 模型的合成数据集。这些工具和流 程已助力宝马将生产规划成本降低约 30%，将原本可能耗时高达数周的碰撞测试缩短至仅数天完成，同时实现 对超过 30 座工厂的全球推广。这种由感知模拟到生产执行的闭环协作方式，体现了宝马集团将数字孪生、A I 模 拟与实体工厂连接起来的系统性战略构想，也推动了工业元宇宙与物理 AI 协同落地的新范式。

2.3.2 西门子应用物理 AI 赋能工业软件产品

西门子与英伟达自 2022 年起深化战略合作，以 Siemens Xcelerator 平台与英伟达 Omniverse 的整合为核心， 全面推进“工业元宇宙”愿景。二者共同打造一个物理准确、实时交互的数字孪生系统，覆盖从产品设计、仿 真验证到工厂规划与执行的全生命周期。借助 Omniverse 的实时光线追踪与物理渲染能力，西门子将其 Teamcenter 产品生命周期管理软件无缝嵌入 Omniverse，实现高保真数字孪生展示，工程师团队能够协同可视化 复杂 CAD 数据，快速识别和消除设计瓶颈，从而显著提升工程效率与决策质量，支持多方实时协同的场景在汽 车、船舶、电池工厂等行业中得以实装。 基于 Omniverse 的加速计算与模拟能力，西门子借助英伟达 Blackwell GPU 和 CUDA 生态，将其 Simcenter STAR-CCM+ CFD 软件的仿真效率提升约 30 倍，实现对整车空气动力学、流程工程体系等复杂仿真的跨越式优化。与此同时，在生产车间层面，西门子推出配备英伟达 GPU 的工业 PC，为机器人视觉检测、质量控制、预 测性维护等工业 AI 应用提供可靠边缘计算基础，实现 AI 在制造现场的稳定落地，AI 执行速度提升约 25 倍。 此外，Siemens Industrial Copilot 与英伟达的生成式 AI 模型结合，为车间操作人员提供智能辅助，实现维护响应 时间缩短约 30%。综合而言，西门子与英伟达借助 Omniverse 打造物理与数字融合的工业 AI 基础设施，不仅加 快了产品开发与工厂部署周期，还显著提升制造过程中成本效率与整体协同水平，标志着工业 AI 落地进入新阶 段。

三、国内物理 AI 产业发展概览

3.1 工业软件国产化持续加速

3.1.1 工业软件国产化替换借力设备更新政策

工业软件是制造业的数字底座，国产产品已适配并应用于较多场景，高端领域技术与生态仍存差距。CAD 领域，中望软件、浩辰软件等厂商基于数十年的产品迭代，在二维 CAD 已基本对标海外龙头产品 AutoCAD， 且具备较大性价比优势；三维 CAD 领域技术难度较高，国产产品在航空航天、高端制造等市场与海外厂商仍有 差距。CAE领域，求解器研发周期长、难度高，目前国产化率约 20%，多重非线性分析、多物理场耦合等复杂 仿真场景下国产产品求解效率与稳定性仍有差距。国内头部厂商索辰科技通过收并购与技术迭代完善产品性能， 打造物理 AI 平台拓展具身智能、低空经济、智能工业等高速增长的下游领域，助力国产 CAE生态构建。 2024 年以来，我国针对工业软件领域密集出台多项国家级支持政策，针对关键行业提出量化目标，并给予 一定资金支持，同时建立产业联盟推动生态建设，加速研发成果转化。作为工业软件领域核心支持政策，《工 业重点行业领域设备更新和技术改造指南》明确到 2027 年全国完成 200 万套工业软件和 80 万套工业操作系统 更新。政策出台与技术迭代双重催化下，国产工业软件及操作系统有望迎来广阔市场空间。

根据中研普华产业研究院发布的《2025-2030 年中国工业软件行业竞争分析及发展前景预测报告》，2023 年 全球工业软件市场规模已达 5028 亿美元，同比增长 5.25%。中国作为全球最大的制造业国家之一，对工业软件 的需求尤为旺盛。2023 年中国工业软件市场规模已达到 2414 亿元，同比增长 12.3%，预计到 2027 年将达到 5312.7 亿元。 当前我国工业软件领域中嵌入式软件市场份额最大，占比达 57.4%。经营管理类工业软件和生产控制类工 业软件市场占比分别约为 17.1%、17.0%，研发设计类软件占比相对较小，仅为 8.5%。工信部相关文件明确到 2027 年更新 200 万套工业软件和 80 万台工业操作系统，覆盖石化、航空等关键行业。若以上述目标作为测算 基准，结合各类产品大致价格区间测算，未来三年国产工业软件替换市场空间约为 1870 亿元。

3.1.2 AI+工业软件市场加速渗透赋能工业企业智能化转型

AI+工业软件细分市场预计保持高速增长，深度赋能工业企业转型升级。据 IDC《中国核心工业软件市场预 测，2025-2029》报告预测，中国核心工业软件市场（含 CAD、CAE、EDA、PLM、MES 等，不含咨询与实施 服务）市场规模将从 2024 年的 318.6 亿元增长至 2029 年的 765 亿元，年复合增速 19.1%。其中，AI+工业软件 子市场年复合增速达到 43.3%，远高于整体市场及其他细分领域增速，到 2029 年预计规模达到 171.4 亿元，占 工业软件市场比例有望由 2024 年的 8.9%提升至 2029 年的 22.4%。AI 代码生成工具显著提高软件开发效率，而AI 带来的仿真及智能化决策能力有望推动 AI+工业软件在工艺优化、预测性维护、智能排产等核心场景和环节 实现落地。

3.2 索辰科技物理 AI 布局

3.2.1 国产 CAE 龙头，战略并购实现平台化布局

索辰科技作为中国 CAE领域领军企业之一，核心竞争力源于深厚的多学科自研求解器矩阵。根据 IDC《IDC 中国制造业数字孪生-CAE 市场厂商份额，2021：潜力无限》报告，索辰以 1.6%市场份额位居第七位。索辰科 技自研突破了流体力学、结构力学、声学、电磁学等多个关键物理场的核心算法，构建起具有完全自主知识产 权的求解器产品体系。当前国内 CAE 市场稳健增长，索辰凭借技术完整性和领先性，成为国产替代的中坚力量。 伴随国产 CAE 能力提升以及国产替代政策推动，海外头部厂商市场份额正逐步下降，索辰等国内 CA E 产品厂 商有望获取更高市场份额。

索辰持续推进并购整合，加速构建覆盖全场景的物理 AI 平台。海外工业软件龙头成长过程中并购整合是 核心举措之一，索辰目标形成平台型工业软件厂商，推进全场景覆盖的物理 AI 平台构建，近年来持续推进并购 整合。2023 年年末，通过收购专注于电磁兼容仿真的阳普智能，索辰快速增强了其在复杂系统级电磁仿真、电 磁环境效应预测以及高速电路信号完整性分析等关键领域的能力；2024 年 12 月，通过收购特种行业信息化厂 商麦思捷，索辰实现了海洋、特种行业的拓展，并与麦思捷的预警业务在仿真、智能化维度实现优势互补；2025 年 2 月，索辰发布公告拟收购 SCADA（数据采集与监控）行业领军企业力控科技多数股权，目标将业务范畴由 CAE 仿真设计延伸至工业数据采集监控，有助于在物理 AI 产品中实现数据采集、环境感知、数据连接环节等 功能。未来索辰有望通过持续并购完善产品体系与能力范围，打造完善的物理 AI 产业生态，更好服务国内高端 制造业智能化升级。

3.2.2 前瞻布局物理 AI，已形成平台和典型行业应用

索辰前瞻性地布局“物理 AI”创新引擎，形成开发工具到垂直应用产业闭环。索辰于 2025 年 3 月发布“天 工·开物”物理 AI 平台，并于 WAIC 大会上进一步完善平台产品矩阵，通过生成式物理 AI 技术，将物理规律 与深度学习和实景渲染技术融合，实现真实场景下四维时空多物理场耦合仿真。结合物理 AI 能力，索辰在“天 工·开物”平台基础上拓展了应用于具身智能、低空经济等领域的物理 AI 产品，形成了从开发工具到垂直应用 的产业闭环。

3. 2.2.1 物理 A I 应用开发平台“天工·开物”

“天工·开物”平台实现了生成式建模仿真一体化：通过物理 AI 自动生成海量设计样本并快速验证，替代 传统依赖人工经验的设计流程，大幅提升优化效率。平台结合多物理场仿真和生成式物理 AI 技术，快速预测真 实世界中的三维多物理及其在时间维度上的演化，形成生成式时空四维多物理场。 依托索辰在 CAE 产业积累的流体力学、固体力学、电磁学、声学、光学等领域的自研求解器，高保真多物 理场仿真为物理 AI 提供高精度训练数据，结合高性能 GPU 集群的算力保障，支持机器人、新能源装备等复杂场 景的高保真虚拟验证。平台还支持通过传感器与企业级实时历史数据库 pSpace，支持多种数据格式互联，实现 实时感知现实环境并同步至虚拟环境，进一步提升对于真实与虚拟环境的实时感知能力。

3. 2.2.2 具身智能虚拟训练平台

平台通过物理 AI 技术精确复刻材质、气流、电磁干扰等真实物理环境，支持机器人运动规划、结构规划、 电池热管理等多个场景训练。平台整合了结构动力学、流体力学、电磁学等多学科模型，可实现真实场景环境 与机身结构数据的实时生成与分析功能，形成“采集-训练-生成-评估”的完整链路，让机器人训练更经济、更 高效、更真实、更简单。以机器人首部结构训练为例，模拟机械臂末端执行器以可控、渐进的方式挤压物体， 为捕捉受压过程中材料的非线性响应与复杂形变，训练平台内置引擎将挤压过程划分为多个加载步，每步加载 一个小幅位移，逐步逼近目标加载状态。整个训练过程中最低的最终损失为 3.47e-5，显示出模型良好的收敛性 能和数值稳定性。每一步中都对变形后的状态进行高精度建模与损失收敛训练，从而逐步逼近真实物理响应。

3 . 2.2.3 “低空三维物理地图”

当前我国低空经济产业高速发展，有望形成万亿级产业集群。低空空域物理环境相较传统高空空域存在显 著差异，其风场态势多变，湍流、阵风等易导致飞行器失稳；电磁场分布密集，易对导航及控制系统形成干扰。 此类大规模物理信息，若采用传统有限测点方案难以全面捕捉，一旦出现疏漏，便可能引发事故，造成人身与 财产的安全损失。 索辰结合自身电磁学、流体力学模型与物理 AI 平台结合，首次向全球推出“低空三维物理地图”产品，可 快速且精准地获取目标区域内低空环境中的各类复杂风场状态，同步提供全面的风速、压力等关键数据，覆盖 海量气流信息，为低空飞行器巡航起降提供风险评估标准。同时，可实现目标区域中真实电磁场的全场生成能 力，无需主动发射信号，便能在复杂电磁环境中实现对合作与非合作目标的精准定位与追踪。上述功能有望为 低空飞行安全风险评估提供理论依据和实践标准，有望在未来低空飞行密度提升后有效的保障低空飞行安全。

3.3 国内厂商物理 AI 布局概览

3.3.1 华为以全栈技术推动物理 AI 产业应用落地

华为全面布局物理 AI，从多模态行业大模型到智能算力芯片全方位推动物理 AI 在工业领域的应用落地。 华为盘古大模型在物理 AI 领域聚焦于构建数字与物理世界深度融合的智能系统，通过多模态大模型生成高保 真数字物理空间，赋能真实场景的模拟训练与优化。2025 年 6 月，华为在 HDC2025 上正式发布了盘古大模型 5.5，其中基于盘古多模态大模型的盘古世界模型，可以为智能驾驶、具身智能机器人的训练构建数字物理空 间，实现持续优化迭代。

在智能驾驶领域，输入行车场景、控制信息和路网数据，盘古世界模型即可生成多路摄像头行车视频和激 光雷达点云，为智能驾驶生成大量训练数据，减少对真实世界高成本路采数据依赖。目前广汽集团已与华为云深度合作，实现了数分钟内完成复杂场景 Corner case 复现，大幅缩短了端到端模型的迭代周期。在机器人领域， 华为发布了 CloudRobo 具身智能平台，平台整合了数据合成、数据标注、模型开发、仿真验证、云边协同部署 以及安全监管等端到端能力，提供具身多模态生成大模型、具身规划大模型、具身执行大模型三大核心模型， 加速具身智能创新。

底层算力基础设施维度，华为云将 384 颗昇腾 NPU 和 192 颗鲲鹏 CPU 通过 MatrixLink 全对等互联，构成 CloudMatrix384 超节点，单卡理论吞吐量提升至 2300Tokens/s，较非超节点提升近 4 倍。超节点架构能够更好 支持混合多专家 MoE 大模型推理，灵活分配资源以提升效率。此外，432 个超节点级联形成的最高 16 万卡超 大集群可应用于云数据中心的万亿参数级别大模型训练任务，并可实现训推算力灵活分配，优化客户资源使用 体验。

3.3.3 中望软件 CAx 全生态一体化解决方案，打造物理 AI 落地的工业软件基础设施

中望软件推出 CAx 一体化解决方案，核心产品串联起 CAD、CAE、CAM 一体的工业制造全流程闭环， 打造物理 AI 落地的工业软件基础设施。中望 CAD、中望 3D、中望结构仿真作为中望软件推出的三款核心产 品，覆盖工程设计中二维设计、三维协同、有限元结构仿真等环节，重点解决企业数字化转型中“图纸驱动” 向“模型驱动”的关键跃迁难题，逐步形成工程建设、制造业、教育等行业级解决方案，搭建起自主 CA x 的技 术与生态基座。

中望 3D 是基于自主几何建模内核的国产三维 CAD/CAE/CAM 一体化解决方案，为企业提供高效工程协作 环境，覆盖从概念设计到生产制造的产品开发全流程，广泛应用于机械、电子、电器、模具、汽车等行业。中望 3D 集成了 CAD 功能（几何修复、实体曲面混合建模等）、CAE 功能（流体仿真、低频电磁仿真等）、CAM 功 能（五轴铣削、刀具编辑器等）、工程协同功能（工程迭代协同、标准件复用等），实现设计、仿真、制造的一 体化协同。其中，中望 3D+CAM 模块引入 AI 驱动的加工路径优化算法，将设计数据直接转为数控代码，深度 融合 AI 能力以提升效率、缩短研发周期。目前，中望 3D 已在东华机械、京东方、中车株洲所等单位正式应用， 以 CAx一体化物理 AI 赋能千百行业。 智能机器人加工制造辅助软件 iRobotCAM 是越擎科技基于中望 3D 平台开发的智能机器人加工制造辅助软 件，具有机电概念数字样机 CAD 模型设计，数字样机物理属性配置，数字样机编程与仿真功能，可以适配 P LC 以及机器人通信接口，支持机器人、PLC、传感器等控制系统的仿真软件以及硬件系统的数据通信，实现机电概 念设计的虚拟调试，虚拟监控能力。该软件完全基于中望 3D 生态开发，具有机器人设计与仿真、离线编程、虚 拟调试等功能，已应用于广州数控产线设计与虚拟调试、汽车主机厂智绘机器人自动化喷涂等项目。

3.3.4 霍莱沃开展 AI+CAE 研发，以物理 AI 引领国防智能仿真升级

霍莱沃将 AI+CAE作为物理 AI 落地的关键载体，致力于为国防领域构建智能仿真与验证平台。霍莱沃长期 致力于工业软件的研发，专注电磁场仿真领域 CAE，具有仿真设计软件、测量系统、阵列及天线产品等核心产 品线，仿真软件包含通用仿真软件、三维电磁仿真软件 RDSim、专用仿真软件、天线布局仿真软件等，设计优 化软件包含天线设计优化软件、相控阵设计优化软件等产品，应用验证软件包含复杂电磁环境仿真软件、天线 故障诊断软件等。霍莱沃在近场、远场和紧缩场的技术基础上，为相控阵与天线罩测试提供广泛的测试解决方 案选择，从系统部件到完整的交钥匙工程，为客户提供专业、高效的测试系统。 7 月 21 日，霍莱沃在投资者互动平台中表示，AI+CAE 是物理 AI 落地的关键载体，可为自动驾驶及机器人 等核心场景提供支撑，公司正在开展 AI+CAE 的研发，旨在提升 CAE求解器运算效率，开发具备持续学习能力 的智能辅助设计内核，最终打造以高效算法为基石、专家知识为指引、持续学习为特征的超级智能设计与验证 系统，研发进展将会在 2025 年半年度报告中披露。 霍莱沃已具备半实物仿真系统能力，物理 AI 落地有望以此展开。半实物仿真是将系统的一部分以数学模型 描述，并把其转化成为仿真计算模型，另一部分以实物或者物理模型的方式引入仿真回路的技术。半实物仿真 不仅可以提高仿真的可信性，也能够解决以往存在于系统中的许多复杂建模难题。半实物仿真系统可广泛应用 于特种、卫星、通信、汽车等领域的产品研发设计阶段。霍莱沃物理 AI 落地有望结合半实物仿真系统展开，将 系统中的数学模型与多学科物理规律相融合，构建精度更高、响应更快的智能仿真平台。通过引入半实物仿真 技术，不仅提升了仿真的可信性，也有效突破了传统建模中面对复杂边界条件和多物理耦合问题的瓶颈。同时， 依托公司在 AI 算法方面的持续投入，该平台有望具备对复杂电磁环境的感知、预测和自主优化能力，为特种装 备、卫星通信、汽车电子等领域在设计验证阶段提供更高效、更智能的支持，进一步推动国防智能化转型升级。

四、物理 AI 发展展望

4.1 算力与模型持续迭代升级

物理 A I 的核心竞争力将深刻依赖于上游能力的持续突破。一方面，以算力芯片集群构建的英伟达 AI 工厂、 昇腾超节点集群等为物理 AI 模型训练提供高性能智能算力基座，海内外芯片能力持续提升，英伟达 Rub i n、 Feynman 系列 GPU 芯片已明确规划，谷歌、亚马逊以及国内华为、寒武纪等头部厂商 ASIC 能力持续迭代，将成 为物理 AI 发展的基石。更强大的加速计算芯片将有效克服目前面临的计算瓶颈，实现更大规模、更高精度、更 实时的物理模拟与 AI 训练，处理包含复杂物理规律和极端参数场景成为可能。 另一方面，模型架构和训练范式的革新，将物理定律与公式作为硬性或软性约束融入神经网络结构或损失 函数中，将促进模型在有限的训练数据情形下，拥有更强的泛化能力和预测鲁棒性，模型将能够更好的理解并 符合现实世界的各类物理规律，可解释性得到提升，有助于模型应用于复杂、容错率低的增量场景中。

4.2 应用深化，生态繁荣，市场爆发

上游模型与算力的基础进步将驱动下游应用的发展和生态的繁荣。开源生态建设将持续壮大并趋于成熟， 以英伟达为例，其开源了针对工程物理、生物药物、机器人等领域的物理 AI 模型，支撑可扩展、高性能的科学 AI 模型开发，目前相关模型在开源平台得到广泛使用，有望逐步形成覆盖物理模型、求解器、AI 框架、数据集、 预训练模型库的综合平台，将大幅降低物理 AI 的开发门槛，促进社区协作和创新。物理 AI 开发门槛降低将促 进其在细分场景的应用，针对流体力学、材料科学、结构分析、电磁学等细分领域的行业标准和最佳实践有望逐步确立，解决方案可靠性和可复制性持续提升。 物理 A I 的应用范围有望持续延伸。包含工业领域的高端制造设计优化、汽车智能驾驶仿真实验、医药领域 的药物设计研发、气象领域的精准气候预测、基础科学领域的新型粒子发现等等，逐步由传统的制造业领域向 更前沿的科学领域拓展。物理 AI 解决方案将持续完善，为客户提供高精确度、高效率、低成本的应用效益，正 如英伟达 CEO 黄仁勋公开表述，物理 AI 将成为人工智能的下个浪潮。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）