科研智能：人工智能赋能工业仿真研究报告（2025年）-中国信通院

微信扫码，打开到小程序

中国信息通信研究院人工智能研究所 中国人工智能产业发展联盟 全国智能计算标准化工作组 2025年10月 科研智能：人工智能赋能工业 仿真研究报告 (2025 年) 版权声明 本报告版权属于中国信息通信研究院、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，并受法律保护。 转载、摘编或利用其它方式使用本报告文字或者观点的， 应注明“来源：中国信息通信研究院、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”。违反上述声明者， 编者将追究其相关法律责任。 前 言 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。 本报告基于科研背景，全面梳理了 AI 赋能工业仿真的技术路径 与实践脉络。首先探讨人工智能赋能工业仿真的必然性及其应用价 值，然后聚焦于 CAD、CAE 两大核心领域，对比分析国内外技术路 线与应用现状；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适用场景；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；最后，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。 本报告力求为人工智能赋能工业仿真领域的研究与实践提供参 考，但难免有不足之处，恳请各位专家和读者不吝指正。 目 录 一、人工智能赋能工业仿真发展背景....................................................................... 1 （一） 工业仿真智能化升级的必要性..................................................................... 1 （二） 人工智能赋能工业仿真应用价值初显......................................................... 2 二、人工智能赋能工业仿真发展应用现状............................................................... 3 （一） 人工智能赋能工业仿真主要应用................................................................. 4 （二） 人工智能赋能工业仿真国内外现状........................................................... 13 三、人工智能赋能工业仿真关键技术..................................................................... 17 （一） AI 赋能 CAD.................................................................................................17 （二） AI 赋能 CAE................................................................................................. 19 四、人工智能赋能工业仿真应用实践..................................................................... 27 （一） 轨道交通....................................................................................................... 27 （二） 航空航天....................................................................................................... 35 （三） 轻工业........................................................................................................... 40 （四） 汽车工业....................................................................................................... 48 （五） 工程建筑....................................................................................................... 56 五、人工智能赋能工业仿真应用挑战..................................................................... 63 六、建议与展望......................................................................................................... 65 图 目 录 图 1 AI+CAD：文本到模型.....................................................................................6 图 2 AI+CAD：图像到模型.....................................................................................6 图 3 AI+CAD：多模态输入到模型.........................................................................7 图 4 设计验证流程................................................................................................... 9 图 5 使用有限元和 PINN 方法预测的温度分布热力图对比.............................. 11 图 6 利用人工智能方法实现后处理过程中的特征识别..................................... 13 图 7 斫轮·风驰总体思路..................................................................................... 29 图 8 斫轮·风驰大模型架构................................................................................. 30 图 9 斫轮·风驰大模型技术方案......................................................................... 30 图 10 动静统一自动并行技术............................................................................... 31 图 11 斫轮·风驰大模型仿真应用........................................................................31 图 12 FuncGenFoil 算法框架组建与功能示例..................................................... 37 图 13 FuncGenFoil 算法框架操作界面示例......................................................... 38 图 14 AIPOD 智能优化平台.................................................................................. 43 图 15 风扇优化中的关键设计变量....................................................................... 43 图 16 风扇设计优化前后对比............................................................................... 44 图 17 数值回归验证结果....................................................................................... 50 图 18 参数-数值回归和参数+点云-点云重建...................................................... 51 图 19 预测仿真对比............................................................................................... 52 图 20 CAE 仿真结果数据与代理模型预测结果.................................................. 53 图 21 自动生成 CAD 图.........................................................................................59 图 22 ChatCAD 识别图形元素.............................................................................. 59 图 23 内容智能编辑............................................................................................... 60 表 目 录 表 1 AIPOD 风扇 优化设计前后指标对比...........................................................45 科研智能：人工智能赋能工业仿真研究报告（2025 年） 1 一、人工智能赋能工业仿真发展背景 人工智能赋能工业仿真是指将人工智能技术（如机器学习、深度 学习）与工业仿真技术进行深度融合，通过数据驱动、智能决策和动 态优化，实现对工业全流程的虚拟化建模、实时模拟与自主优化的一 种新型技术范式。其核心在于利用人工智能的自主学习与预测能力， 提升仿真的精度、效率与智能化水平，推动工业系统从传统模拟向自 适应决策演进。人工智能赋能工业仿真不仅覆盖产品研发阶段，还延 伸至制造、运维等全生命周期管理，构建“设计-验证-优化”的闭环体 系。本文主要围绕人工智能赋能工业仿真在产品研发阶段的应用进行 探讨。 （一）工业仿真智能化升级的必要性 工业仿真作为产品研发与优化核心环节的重要性日益凸显。随着 制造业向数字化、智能化加速迈进，工业仿真作为产品落地投产前的 理论验证手段，不仅承担着优化生产流程、降低试错成本的基础支撑 作用，更肩负着借助智能化技术推动产品持续创新与迭代的重要使命。 然而，传统工业仿真技术面临计算资源依赖度高、流程复杂、专业门 槛高等诸多瓶颈。一是计算资源与时间成本高昂。传统仿真模型的求 解过程以及其后续海量结果数据的分析与解读，通常依赖高性能计算 集群等昂贵的硬件资源的支持，导致仿真应用的技术门槛和经济成本 长期居高不下。二是建模方法与流程存在局限。传统仿真主要基于经 验与规则模型，需通过反复的人工调参与验证假设，造成研发周期长、 成本高等问题，尤其在面对多物理场耦合、非线性动态系统等复杂工 科研智能：人工智能赋能工业仿真研究报告（2025 年） 2 程场景时，极易入“建模难—计算繁—精度不足”的恶性循环。 工业 4.0 与智能制造的发展趋势进一步凸显了工业仿真领域日益 突出的供需矛盾。现代工业对产品快速迭代、多工况协同设计以及高 精度预测能力的持续追求，正在倒逼仿真技术加速向智能化转型。以 汽车设计中的气动特性测试为例，传统风洞实验往往需要需数月时间 完成测试，而当前市场已要求按周甚至天为单位的快速反馈周期。基 于人工智能技术，通过对历史数据的学习与预测，可大幅提升仿真速 度和精度。AI 技术的引入已成为突破传统仿真技术瓶颈、实现工业 智能化升级的关键路径。 （二）人工智能赋能工业仿真应用价值初显 人工智能推动工业设计范式创新变革。以生成式人工智能为代表 的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。例如，达索系统的 AURA 等工 具引入自然语言交互功能，将设计意图直观地转化为三维 CAD 模型； MIT 的 SketchGraphs 项目则利用人工智能技术实现跨领域知识迁移， 将建筑建筑桁架拓扑应用于航空承力框架的设计中。 人工智能引领工业仿真效率跃升。传统的基于物理方程求解的仿 真方法，如计算流体力学（CFD）仿真和有限元分析（FEA）等，往 往需要数小时甚至数天，耗时巨大。基于人工智能的代理模型 （Surrogate Models）、降阶模型（ROM）以及物理信息神经网络（PINN） 等技术的应用，正给工业仿真带来效率革命。例如，ANSYS SimAI 等平台借助 AI 技术，可将特定场景的仿真预测时间缩短至秒级或分 科研智能：人工智能赋能工业仿真研究报告（2025 年） 3 钟级。南京天洑推出的 AICFD 利用 PINN 技术在保证流场预测误差 低于 5%、接近主流 CFD 工具精度的前提下，实现了千倍级别的加速。 在新能源电池热失控仿真等场景中，AI 模型的加速比可达 180 倍， 为实时监控与安全预警提供了现实基础。 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。一方面，AI 可通过学习大量仿真数据或实验数 据，构建高维非线性映射关系，从而实现对复杂系统的高效建模与预 测。例如，索辰科技的 CAE 平台利用图神经网络（GNN）对复杂拓 扑结构进行建模，在电磁-结构耦合仿真中将预测误差控制在 8%以内。 另一方面，人工智能技术还能够有效应对传统方法难以覆盖的“长尾” 或边缘工况（如极端温度、材料失效等）。例如，SpaceX 通过 AI 生 成设计方案，成功覆盖了 90%以上的燃料舱异常工况，显著提升了系 统鲁棒性与设计效率。 二、人工智能赋能工业仿真发展应用现状 传统工业仿真技术在成本、效率等方面面临显著挑战。一是使用 门槛高、人力投入大。仿真过程中的几何建模、网格划分等环节高度 依赖工程师经验，构建几何模型与划分网格的前处理阶段占据了整体 仿真流程中的大量时间。二是迭代效率低、试错成本高。为了获取高 精度的仿真结果，通常需要进行多轮参数调整与仿真迭代，导致过程 繁琐且成本高昂。三是优化效率低下。在复杂产品优化中，人工调优 科研智能：人工智能赋能工业仿真研究报告（2025 年） 4 不仅效率较低，且容易陷入局部最优解，难以实现全局优化与突破性 创新。 人工智能技术的发展提升为传统工业仿真技术提供了全新的解 题思路。一是智能化方法革新了工业仿真基础框架。例如，国防科技 大学团队利用人工智能技术，构建了液态煤油超声速燃烧室两相燃烧 过程模拟的仿真模型，成功实现了燃料雾化、蒸发、混合及燃烧全过 程的建模与预测。二是人工智能技术有效推动了工业机理与数据驱动 方法的深度融合，同元软控依托其自主研发的新一代科学计算与系统 建模仿真平台 MWORKS，结合装备机理-数据融合的高精度模型构建 技术、智能控制与智能运维技术，将人工智能与装备数字化技术深度 融合，显著提升了装备在智能控制与运维方面的性能与效率。 （一）人工智能赋能工业仿真主要应用 1.AI 赋能 CAD 人工智能赋能 CAD，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。 生成式设计突破设计模式提升设计效率。生成式设计借助人工智 能技术对海量设计案例、行业知识和用户需求进行智能化分析，在设 定目标与约束条件下，突破传统设计思维的局限，自动生成多样化、 创新性强的设计方案。例如，在航空航天领域，生成式设计可在飞行 器机翼设计中结合空气动力学、材料特性等因素，生成符合性能要求 科研智能：人工智能赋能工业仿真研究报告（2025 年） 5 的轻量化结构，在提升飞行效率的同时有效减轻结构重量；在电子产 品设计中，该技术可生成符合人体工程学、兼具美观与功能性的产品 外形造型，为产品创新提供更多可能。 输入模态方面，生成式设计可以分为文本到模型、图像到模型和 混合模态生成三个类别。文本到模型，通过大语言模型解析文本生成 参数化指令。如 Text-to-CAD1，根据自然语言描述生成 B-Rap（边界 表示）曲面，Text-to-CAD 生成的 STEP 文件可以导入任何现有的 CAD 软件并进行编辑，如图 1。图像到模型，通过人工智能方法解析图像 特征生成 CAD 文件，实现基于产品照片重建可编辑的工程模型，如 Wonder3D，利用扩散模型实现了从单视图图像中高效生成高保真纹 理网格的生成2，如图 2。混合模态生成，结合文本、图像、传感器数 据等多源输入，生成复杂的设计方案。如 CAD-MLLM3，实现从点云、 图像、草图和文本等多种模态条件生成 B-Rap，为后续的 3D 重建和 利用 CAD 模型的命令序列，基于大型语言模型将多模态输入数据与 CAD模型的矢量化表示之间的特征空间对齐，生成参数化CAD模型， 如图 3。