工业仿真承载产品创新迭代、降本增效的核心使命。随着智能化转型的深入，传统仿真技术面临计算效率瓶颈、多物理场耦合复杂性剧增、全流程协同不足等挑战，难以满足科学研究领域对实时性和精准性的高阶要求。人工智能技术(Artificial Intelligence，AI)的突破性发展，尤其是大模型、物理信息机器学习、神经算子、生成式AI等方向的演进，正为工业仿真注入全新动能。通过构建“数据+物理”双驱动的智能仿真范式，AI不仅能够提升仿真效率，更能在多目标优化、虚实交互决策等场景开辟新路径，推动仿真从“事后验证工具”向“全生命周期决策中枢”跃迁。

2025年10月16日，中国信息通信研究院(简称“中国信通院”)人工智能研究所、中国人工智能产业发展联盟和全国智能计算标准化工作组在全国智能计算标准化工作组2025年度全体会议上发布《科研智能：人工智能赋能工业仿真研究报告(2025年)》。

报告全面梳理了AI赋能工业仿真的技术路径与实践脉络。一是探讨人工智能赋能工业仿真的必然性及其应用价值。二是聚焦计算机辅助设计(Computer Aided Design，CAD)、计算机辅助工程(Computer Aided Engineering，CAE)两大核心领域，对比分析国内外技术路线与应用现状。三是在关键技术层面，解析数据驱动、物理驱动及融合驱动这三类AI仿真方法的本质区别与适用场景。四是通过轨道交通、航空航天、轻工业、汽车工业及工程建筑等领域的实践案例，验证AI仿真的规模化应用潜力及应用前景。五是分析AI仿真面临的核心挑战，并对其未来发展趋势进行展望。

报告核心观点

1. 人工智能赋能工业仿真应用场景不断拓展

工业设计方面，人工智能正推动工业设计范式的创新变革。人工智能技术可以基于设计约束条件，自动探索广阔的设计空间，提出突破传统经验模式的创新方案。建模仿真方面，人工智能为复杂场景的建模仿真提供新方案。对于多物理场耦合(如电磁-热-力耦合)、跨尺度问题(如从微观材料特性到宏观结构响应)等高度非线性、难以通过解析方程精确建模的复杂工程问题，AI展现出独特优势。

2. 人工智能赋能工业仿真实现质效双升

CAD方面，人工智能主要用于自动化设计与设计优化。借助AI技术，设计师可以实现产品外形的自动生成设计，在减少设计师负担的同时实现产品的快速设计。同时AI可以基于海量数据帮助设计师优化CAD模型，提高模型的质量和效率。CAE方面，人工智能主要应用于逆向设计与优化和设计验证。人工智能赋能CAE的核心本质是对物理场合设计空间的建模。AI技术通过分析海量CAE历史数据，可以快速识别关键特征和实时仿真，在前处理、求解与优化、后处理阶段实现一站式设计探索。

3. 生成式AI实现CAD自动化生成

生成式设计，根据用户设定的设计目标与约束条件，通过对历史数据的学习实现设计方案的自动生成，如汽车座椅设计场景，通过输入载荷、约束和材料等参数，可快速生成多个设计方案。语义驱动参数化建模，通过自然语言处理解析设计意图，实现“语言指令—三维模型”的自动转换，如地理场景建模场景，利用大语言模型和知识图谱，通过渐进式知识图谱，将地理实体的语义信息转化为建模参数，最终实现更智能的三维地理场景建模。

4. 数据、物理、融合驱动实现CAE全流程智能化仿真

数据驱动的代理模型完全依赖观测数据训练模型，无需显式物理方程，即可在短时间内响应新的设计参数，实现对仿真结果的实时预测。物理驱动的仿真方法深度融合已知的物理定律与方程来构建模型框架，实现在保持较高预测精度的同时，提供对复杂物理现象的可解释性洞察。融合AI修正传统求解器方法将传统求解器作为基础计算引擎，在其关键环节嵌入轻量化AI模块，形成“物理计算-AI修正”的反馈机制，实现AI与传统求解器协同工作，在保证求解精度的同时有效提升求解效率。