AI 仿真代理模型：用几何深度学习突破仿真效率瓶颈

2026 年，“用 AI 加速仿真”从研究话题变成了产品与资本集中的地带。Ansys 在 2026 R1 版重构了 SimAI，西门子以约 100 亿美元收购 Altair 后把 PhysicsAI 并入 Simcenter，英国初创公司 PhysicsX 完成 3 亿美元 C 轮。这些产品的共同名字是代理模型（surrogate model）：用预先跑好的仿真数据训练一个模型，之后对新几何做秒级预测，而不必每次都调用解算器。本文依据各家官方发布与公开报道，梳理它们的做法、能用在设计流程的哪一步，以及为什么现在还不能替代验证过的 FEA/CFD。资料核对截至 2026 年 10 月 30 日；文中性能与融资数字均为厂商或报道口径，CADFrontier 未做实测。

一、代理模型是什么

传统的降阶模型（ROM）通常要先把几何手工参数化，才能建起代理。新一代做法是几何感知的深度学习：直接读入三维几何或网格，在不同拓扑之间预测物理场。西门子 Simcenter PhysicsAI 用针对几何优化的 transformer 网络，直接在网格单元上预测应力、应变等场；Neural Concept 则称其 Shape 平台直接读 CAD、无需预处理。

图 1：传统 ROM 需先手工参数化，几何感知深度学习直接读入几何或网格、跨拓扑预测。图由 CADFrontier 绘制。

要先分清两件事：预测一个几何的性能，和生成一个新几何，是不同的能力。后者如 Ansys GeomAI、Simcenter PhysicsAI Generate、Neural Concept 的设计副驾驶。本文主讲前者，生成能力只做区分、不展开。

二、几家在做什么

以下为厂商公开说法，未经实测。

• Ansys SimAI（现属 Synopsys）：2026 R1 把它拆成两档——Premium 为云端 SaaS，Pro 面向需要数据留在本地的团队；并通过 optiSLang 连成“生成训练数据 → 训练 → 用于优化与设计研究”的闭环。同一版还推出用于概念几何探索的 GeomAI。
• Simcenter PhysicsAI（原 Altair PhysicsAI）：作为 STAR-CCM+ 的插件，用已有的仿真数据训练，号称设计探索比传统解算快约 1000 倍；2026.1 版加入多 GPU 训练、直接在单元上预测应力应变，以及一个“几何相似度分”。
• PhysicsX（英国初创）：完成 3 亿美元 C 轮、估值约 24 亿美元，由 Temasek 领投，NVIDIA、西门子等参投；方向是更大的预训练“大物理模型”。
• Neural Concept：Shape 平台直接在 CAD 上训练几何感知代理，称有 60 多家 OEM 客户（空客、ESA、博世、斯巴鲁等）。
• 另有两条路线值得区分：Luminary Cloud 走 GPU 原生的“数据工厂”，把几何变体、仿真、训练、部署串起来；Monolith 则从物理测试数据、而非仿真结果学代理。

三、能用在设计流程的哪一步

代理模型目前最成熟的用法是早期设计探索与优化：在一个确定的设计族里扫上千个变体，把慢解算从关键路径上移走。它的前提是你已经有可用于训练的仿真或测试数据——多数产品学仿真结果，Monolith 这类学物理测试数据，两者含义不同。换句话说，代理把算力成本从“每次评估”前移到“一次训练”，省下的是重复评估的时间，而不是验证本身。

图 3：代理把算力成本从“每次评估”前移到“一次训练”——一次训练后可做上千次秒级预测；但验证本身不省。图由 CADFrontier 绘制。

四、为什么还不能替代 FEA/CFD

这是工程师最该关注的一节。

代理模型的根本限制是：对训练域之外的输入，它照样会给出一个预测，而且常常低估自己的不确定性——也就是“自信的幻觉”。学术与行业的共识是：代理只能在已验证的设计与工况范围内替掉部分解算；一旦更换几何族、材料模型或解算方法，往往需要重新训练和重新验证。快速预测不等于经过验证的 CFD/FEA，更不等于物理试验。

图 2：代理在训练域（已验证）内可替部分解算；对分布外输入仍会给预测，但应回退到 FEA/CFD 校核。图由 CADFrontier 绘制。

厂商也在加护栏。西门子在 2026.1 给出“几何相似度分”，用来提示一个新设计与训练集有多接近——本质上是一个面向不确定性的提醒；合理的做法是，低置信度或超出覆盖范围的情形自动回退到解算器。更现实的约束是标准：面向机器学习代理的验证与确认（V&V）方法尚未统一，这让航空、土木等认证敏感行业保持谨慎。正如有报道所言，这类物理 AI“仍不会替你给安全气囊签字”——最终判断仍在工程师手里。

五、给工程师的判断

评估一个代理模型，可以先问几个问题：训练数据是否覆盖我的几何族与工况？有没有面向分布外输入的指标，以及回退到解算器的机制？关键结论是否仍走高保真校核与必要的物理试验？把代理当作筛选与加速的工具，而不是放行的依据——它能在定稿前替你排除明显不可行的方案，省下的是时间，不是那一轮验证（为什么每一步都要验证，见让工程智能体可靠执行；AI 能否落地真实工程，另见RWE-bench 解读）。

本文为基于公开资料的编辑分析，性能与融资数字均为厂商或报道口径，未经独立验证；配图为 CADFrontier 绘制的概念示意。