老黄完成物理AI新落点，让工业AI落地生产线

作者：毛烁

2月3日，在达索年度盛会3DEXPERIENCE World的舞台上，达索系统CEO Pascal Daloz与NVIDIA创始人兼CEO黄仁勋（Jensen Huang）联袂登台，宣布“长期战略合作伙伴关系”，通过“行业世界模型”概念，重新定义工业AI的走向。（下文达索系统简称“达索”））

这一表态，显然指向了当下AI产业的一条分叉路径。

过去几年，AI催生文本、图像与视频的生成能力不断刷新认知边界。但在工业领域，这种热潮却并未被照单全收。

ChatGPT可以生成流畅的方案描述，却无法保证一架飞机在复杂气动约束下的结构安全；Sora可以合成逼真的工业画面，却无法承担微米级装配误差所带来的系统性风险。

在制造、能源、航空航天等工业领域，任何一次偏差，都会被迅速放大为系统级风险——轻则成本失控，重则发生安全事故。

也是在这一背景下，达索与NVIDIA 选择从“世界模型”入手，为工业AI建立一条不同于通用生成式AI的发展路线。

01 工业世界模型 = Know-How + Compute & AI

要理解这次达索与NVIDIA 合作的厚度，首先需要厘清“行业世界模型”，与当下流行的“基础世界模型”之间的本质差异。

在现场，Pascal Daloz对通用AI的局限给出极为直接的判断。当前，主流的世界基础模型，主要依赖互联网上的视频和数据进行训练，它们理解的是事物“完成之后的样子”（Observation），却缺失了“事物是如何被建造出来的”（How built）这一核心信息。

换句话说，这类模型擅长复现结果，却无法还原过程。

工业AI的挑战恰恰出在这里。对于制造、能源、航空航天等行业而言，他们关心的从来不是“看起来是否合理”，而是“设计为何必须如此设计”。

也正因此，达索与NVIDIA所构建的“行业世界模型”，在数据来源上选择了新的路径。数据基于达索过去40多年积累的工业知识体系，涵盖40万家企业客户、4500万用户，以及数亿工程师在达索的3DEXPERIENCE 平台中沉淀下来的工程数据。

截取自达索软件官网

这些数据并非一次性样本，而是可被反复验证、持续调用的工业事实记录。本质上，它们承载的是因果关系、设计意图，以及必须遵守的物理定律与工程约束。

在NVIDIA 算力与仿真能力的支撑下，达索的虚拟孪生不再是静态模型，而是可持续运行的物理系统，内部集成了热力学、流体力学、材料科学、电磁学等多学科模型。当 AI 被引入其中，其生成过程就被严格锁定在第一性原理之内。

这一步，实际上直指工业级AI最致命的风险——幻觉。

通过将 AI 约束在可验证的物理与工程规则之中，工业 AI的定位，便从“辅助工具”，提升为“关键业务场景下的系统级架构（Mission-Critical System Architecture）”。这意味着，AI的输出不再只是参考建议，而是可以直接进入制造与生产流程，成为真实工业系统的一部分。

这次，AI第一次被当作必须对结果负责的系统组件。

02 “AI工厂”闭环

工业AI能否成立，取决于其是否拥有与之匹配的基础设施。没有专用算力、稳定的运行环境和明确的数据边界，再严密的工业模型也只能停留在概念层。

这正是达索与 NVIDIA合作中，技术含量最高的部分。

目前，达索旗下的云品牌OUTSCALE正在三大洲部署基于NVIDIA最新AI 基础设施的“AI 工厂”。

达索的核心客户集中在航空航天、国防、核能、生命科学等领域。在这些行业中，工程数据与知识产权本身就是核心资产，既不能出域，也不能进入不可控的共享云环境。

所以，OUTSCALE的做法，是在本地环境中直接部署NVIDIA的高性能计算集群。算力、数据、模型都在本地运行，在提供超大模型所需计算能力的同时，满足了对数据、IP安全的硬性要求。

在这一基础设施之上，双方的技术关系也形成了明显的反向依赖。

黄仁勋透露，NVIDIA正在使用达索的软件来设计NVIDIA自己的 AI 工厂。原因是，AI工厂本身已经成为物理世界中复杂的系统之一。事实上，一个服务器机架包含约200 万个零部件，重量超过2吨，内部线缆长度以英里计算。要设计这样的系统，已经无法依赖传统的分阶段的工程方法。

因此，在新一代NVIDIA Rubin平台的设计中，NVIDIA引入了达索的MBSE（基于模型的系统工程）方法论，通过统一模型对芯片、服务器、机柜、电力、散热和网络进行系统级建模与验证。

由此也形成了清晰的技术闭环——达索利用NVIDIA的GPU和算力基础设施来运行工业AI；NVIDIA则利用达索的3DEXPERIENCE平台和MBSE方法论来设计更复杂的AI芯片和数据中心；而更复杂的数据中心，又进一步推高了对工业级建模与仿真能力的需求。

03技术栈三维融合，深度集成CUDA-X、Omniverse、BioNeMo

真正的分水岭，发生在技术栈层面。计算、物理仿真和模型，开始直接参与核心工程软件的计算路径中。

这一变化首先出现在仿真层。

在SIMULIA体系中（包括 Abaqus 在内），达索开始在部分CAE 求解流程中使用NVIDIA CUDA-X 计算库。这些流程原本主要运行在CPU上。

CUDA-X在其中承担的角色，是为SIMULIA 的部分求解步骤提供GPU级并行执行能力。作为工程化的科学计算库，CUDA-X可覆盖线性代数、稀疏矩阵、FFT、随机数与图计算等算子层。这些算子，正好对应CAE求解中计算量高、并行度强的环节。

截取自：NVIDIA官网

在此基础上，NVIDIA提供的物理AI模型，被达索嵌入到求解器的收敛阶段。具体做法是：使用GPU训练出的近似算子，对非线性迭代过程中的中间解进行预测，从而减少传统数值求解在收敛阶段所需的迭代次数。

这一调整直接改变了仿真的使用方式。仿真结果仍然受物理方程约束，但计算周期从一次性、长时间运行的批处理任务，变成可以在设计过程中被多次调用。

另外，达索的DELMIA将制造系统模型运行在NVIDIA Omniverse提供的实时物理执行环境中。DELMIA负责定义逻辑层的工艺顺序、路径和节拍关系，而Omniverse负责让这些逻辑在仿真环境中运行。

截取自：NVIDIA官网

通过OpenUSD（OpenUSD是场景数据标准，Omniverse是基于OpenUSD运行的实时执行平台），3DEXPERIENCE平台中的几何结构、层级关系和运动约束被直接送入Omniverse的物理引擎中执行。

这一步改变的是验证方式。原本只能通过简化模型、离线仿真验证的产线逻辑，如今可以在接近真实物理条件的虚拟环境中连续运行。

这也是Sim-to-Real能够规模化成立的前提。

在生命科学领域，达索的科学建模软件体系BIOVIA利用了NVIDIA的BioNeMo生成式生物学平台。两者分工关系十分明确，BioNeMo负责在GPU集群上生成大规模分子与蛋白质候选，BIOVIA负责对这些候选进行分子动力学和物理化学性质验证。

截取自：NVIDIA官网

这种组合方式，将生成与验证放在同一条流程中完成。NVIDIA的优势体现在执行层规模上，BioNeMo能够在GPU上覆盖远超传统枚举方法的搜索空间；而BIOVIA的优势体现在物理约束上，将生成结果持续拉回到可验证的科学模型中。

生成与验证不再分属不同工具链，而是在同一流程中交替推进。

04 Agentic AI，加速“操作工具”向“指挥系统”进化

当工业AI“能不能算、算得准、跑得动”等问题被解决，下一步就是如何用的问题。2026年，工业软件的形态发生了明确的交互范式迁移，从“人操作软件”，转向“人指挥系统”。

此次，达索正式提出了“代理式（Agentic）3DEXPERIENCE平台”，让软件不再被动等待用户逐步操作，而是由具备目标理解和任务拆解能力的代理式AI，主动完成一系列跨系统操作。

这一范式的具体落点，在于虚拟助手（Virtual Companions）的引入。

达索基于NVIDIA的Nemotron开放模型，构建了新的交互层。这些虚拟助手被明确设计为具备角色分工的操作代理，它们被赋予清晰的人设，对应工业软件中的三类核心能力。

截取自：NVIDIA官网

Leo代表工程能力。Leo被定位为工程师虚拟助手，能够处理复杂的工程问题。当用户提出诸如“在保持强度的前提下，将起落架结构减重15%”这样的目标时，Leo不会给出文字建议，而是会自动调用底层的SIMULIA求解器和AI物理库，运行仿真计算，并返回多个可行的工程方案供用户选择。

Mary代表科学研究能力。其面向生物学和材料科学场景，能够理解分子结构、材料特性和实验约束，辅助研究人员进行假设验证和方案筛选。这一角色中，AI更多承担的是科学工作流中的推理与验证支持。

Ohad则对应业务与运营能力。其关注的是供应链、成本结构和运营效率，面向管理者提供跨工程与业务数据的分析支持。

这三类虚拟助手的共同特点在于，它们直接运行在3DEXPERIENCE平台之上，且能够跨越工程、仿真、制造和业务模块执行操作。

通过虚拟助手，每一位用户都能获得可被调度的“专家团队”。工程师不再需要逐步完成建模、设置参数、运行仿真和整理结果，而是可以将工作重心放到目标定义和方案判断上。

更关键的是，NVIDIA的Nemotron开放模型并不局限于只生成文本，还能被训练去理解3DEXPERIENCE平台的API和数据结构。这使得，该虚拟助手能够执行具体操作，如创建几何体、调用仿真流程、修改参数配置，以及自动生成工程或业务报告等。

也正因为如此，这一交互范式进入了任务级操作代理的阶段。在这一维度上，工业软件开始从“操作工具”，转变为“可被指挥的系统”。

这一次，人真正站在了流程之上，进行调度。

05行业壁垒“极限突围”

在Agentic AI的系统平台建立之后，工业AI进入生产系统的下一个检验标准，就是其能否在高成本、高风险、低容错的行业中，被复用。

汽车、航空航天、制造和生命科学行业，正是这一变化优先落地的行业。

在汽车行业，较为典型的案例来自Lucid Motors。最先受到冲击的，是车辆研发阶段对物理样车的高度依赖。作为定位高端的电动汽车品牌，Lucid的核心瓶颈长期集中在工程迭代效率上，其传统研发流程周期漫长，且高度依赖物理样车测试，单次迭代成本极高。

现在，Lucid利用的是基于物理信息训练的NVIDIA Nemotron开源AI模型，在不牺牲预测精度的前提下，缩短从概念设计到量产决策的周期。通过模拟20种物理行为，在同一虚拟样车上，同时建模并测试悬架、空气动力学、热管理、结构强度等多类物理响应。

这意味着，在第一辆实体样车制造出来之前，虚拟样车已经在数千种极端工况下完成了性能与安全验证。

在航空航天领域，航空器设计的难点在于必须通过极其严格的适航认证。NIAR的实践，是将虚拟助手引入飞机数字孪生的构建流程，用于加速“符合设计规范的虚拟飞机”的生成。

其引入的关键在于，将虚拟孪生模型与合规性要求（Compliance）直接绑定。AI在设计阶段即可实时检查结构、材料和系统配置是否符合FAA或EASA的适航法规，而不是在设计完成后再进入冗长的认证流程。

在制造业，欧姆龙（Omron）的路径是向“软件定义工厂”过渡，其目标是逐步建立完全自主、且经过数字化验证的生产系统。在实施层面，其将NVIDIA的物理AI框架与达索的虚拟孪生工厂结合，用于对产线进行连续建模和优化。

时间来看，欧姆龙透露，AI可以在几分钟内生成针对制造优化的功能驱动任务，而传统方式下这一过程通常需要数小时甚至数天。

在消费品与生命科学领域，贝勒集团（Bel Group）利用大规模建模与仿真能力，对配方设计和包装方案进行优化。通过与NVIDIA和达索的合作，贝勒集团得以使用过去主要服务于航空航天和半导体行业的高端计算与仿真工具。

06 人与系统新分工

当代理式工业AI已经在汽车、航空航天和制造等行业中被反复使用，一个更现实的问题开始浮现。如果系统可以稳定地“代替人跑流程”，工程组织还需要怎样的人？

事实上，全球制造业正面临人才短缺与工程师老龄化等问题。大量资深工程师即将退休，而他们的核心价值是以“隐性知识（Tacit Knowledge）”的形式，存在于个人判断和长期实践中。

达索与NVIDIA构建的系统，正是针对这一问题给出的结构性解法。通过将达索40多年积累的工业知识、工程规则和验证逻辑嵌入行业世界模型，并用于训练AI，企业可以把原本高度依赖个人经验的判断过程，转化为可运行、可复用的系统能力。

从组织角度看，这意味着工程能力开始从“个人资产”，转变为“系统资产”。这也是当前工业体系应对人才短缺问题时，少数具备可操作性的路径之一。

与此同时，Pascal在讨论中进一步提出了“生成式经济（Generative Economy）”的概念，而这一概念在工业语境下被赋予了明确的实体含义。

这套平台已经不只是生成设计方案，还能够生成制造工艺、材料配方以及供应链计划。生成的对象不再停留在概念层，而是直接进入可验证、可制造的流程。

由此，传统的“设计—制造—销售”线性链条，被压缩为“需求—AI生成—敏捷制造”的闭环结构。这里的变化并不体现在速度提升，而在于决策和执行之间的层级被压缩，系统开始直接参与价值创造过程

07 写在最后：工业AI来到下半场

达索与NVIDIA的联手，正加速工业AI告别“生成式幻觉”，进入必须接受物理规律审判的下半场。

过去两年，通用大模型解决的是“像不像”的问题。“像”没有任何价值，只有“能不能”，才是工业世界唯一的判断标准。

这正是行业世界模型与通用AI的根本区分。

通过将物理第一性原理，直接写入AI的底层逻辑，达索软件与NVIDIA实际上是在给AI 戴上“镣铐”。但也正是这种“受限的智能”，为AI 赢得了进入高风险工业场景的通行证——可解释性与安全性。

当设计、仿真与制造被压缩进同一个高频闭环，工业软件将彻底摆脱“辅助绘图工具”的历史定位，进化为——直接驱动物理世界运行的引擎。

接下来，工业A而下半场的下一个问题是：你，敢不敢交出控制权。