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 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、

工厂三维仿真 物流仿真 三维工艺仿真 信息共享 发货管理 供应商平台 SRM 订单发布确认 发票管理 计划协同 销售管理 供应链管理 SCM 采购计划 仓储管理 产品数据 物流管理 制造执行系统 MES 目视化管理 数据采集 过程控制 在制品管理 质量追溯 物料管理 计划排程 生产派工 能源分析 能源调度 能源监控 智慧能源 规则管理 计划仿真 高级排程 注塑 阴模 弱化 原料 组装 集中供料、水路监控、自动换模 柔性化选择 人机协同 厂内物流及线边缓冲（ AGV 、线边 库） 设备互联 调度控制 信息集成 智能追踪 CAD 模型 CAE 仿真 CAPP 工艺 CAM 模具设计制造一体化 门 板 主工艺 02 解决方案 工厂功能区规划 ① 原 材 库 房 ② 注塑车间 1 ③ 注塑车间 2 ④ 后 处 理 设备数据实时 采集 仿真规划—系统仿真流程 问题定位 任务规划 系统定义 工艺流程图 系统绩效测量 输入数据准备 3D 建模 验证 确认 仿真实 验设计 仿真实验 实验结果分析 实施和落实文档 yes yes no no 批准 修 订 仿真规划—工厂布局仿真路线图 概念设计 设备建模 / 导入 工厂布局示意仿真 讨论 / 确认 工厂布局仿真修 订 / 细化 讨论

脱敏及风险评估等标准。 3. 可靠性标准 主要包括工程管理、技术方法等 2 个部分。工程管理标 准主要包括智能制造系统可靠性要求、可靠性管理、综合保 障管理、寿命周期成本管理等标准。技术方法标准主要包括 可靠性仿真、可靠性设计、可靠性试验、可靠性分析、可靠 性评价等标准。 4. 检测标准 主要包括检测要求、检测方法、检测技术等 3 个部分。 检测要求标准主要包括不同类型智能装备和系统的互操作 性、互 主要包括智能工厂/数字化车间的设计要求、设计模型、 设计验证、设计文件编制以及协同设计等总体规划标准；物 理工厂数据采集、工厂布局，虚拟工厂参考架构、工艺流程 及布局模型、生产过程模型和组织模型、生产设备全信息建 模、仿真分析，实现物理工厂与虚拟工厂之间的信息交互等 物理/虚拟工厂设计标准。 （2）智能工厂交付标准 主要包括设计、实施阶段数字化交付通用要求、交付信 息模型、交付数据采集要求、交付系统要求、交付系统集成 于模型的系统工程（MBSE）设计、多 CAD 协同设计、基于 多业务协同的动态优化设计与仿真等产品设计与仿真标准； 基于制造资源数字化模型（MBD）工艺设计、柔性设计、质 量要求以及验收要求等工艺设计与仿真标准；试验方法、试 验数据与流程管理等试验设计与仿真标准。 （4）智能生产标准 主要包括计划建模与仿真、多级计划协同、可视化智能 云排产、云边协同优化调度等计划调度标准；全流程多工序

设计规则检查、测试验证、闭环反馈，最终要落实 到研发流程中可交付、可验证的活动、输入和输出 当中，并成为技术评审和质量控制的重要内容； • 数字化：数字化的工具和协同平台是提升DFx能 力的必不可少的手段。例如，通过工艺仿真提高产 品的可制造性，减少试制和试生产过程中的DFM （面向制造的设计）问题；通过产品数据和BOM （物料清单）管理实现在早期阶段研发与下游环节 的数据共享和并行工作等等。 32 | 保持10%左右的增长。随着云计算、物联网、人工智 能、大数据分析、元宇宙等新技术的发展，PLM在功 能和应用、平台和技术架构以及商业模式等方面都将 呈现出新的特点和趋势。 功能和应用层面，仿真分析与IoT、AI和大数据 分析结合，衍生出产品全生命周期的各类数字孪生应 用，包括产品设计和性能验证、营销展示和体验、制 造工艺和制造系统的验证，以及服役产品的故障监 测和预测性维护等；端到端的产品数据得以拉通， 的闭环反馈和持续改进流程。 埃森哲帮助该企业导入了综合的解决 方案，包括：优化DFx流程，促进跨职能的 DFx需求管理和追溯验证；建立统一产品 数据源，实现研发制造高效数据共享；引入 DFM早期仿真验证工具，如装配仿真、数 控加工仿真等，减少试制过程中的问题；通 过打通研发、工艺、制造系统，实现数据的 准确传递及问题的根因分析和持续改进。 通 过以 上 解 决 方案 的导入，该企 业 实现了设计到制造数据传递“零”等待、

......................................................................................43 5.1 设计优化与仿真................................................................................................... 的应用， 以实现更低的能耗和更高的续航里程。 其次，动力系统的设计与优化是研发的重点之一。新能源汽车 的动力系统通常由电机、电池和电控系统组成，其性能直接决定车 辆的驾驶体验和能源效率。通过仿真分析和实验验证，可以优化电 机的功率输出与能耗比，同时提升电池的能量密度和寿命。例如， 采用智能算法对电池的热管理系统进行优化，能够有效延长电池的 使用寿命并提高安全性。 在软件系统的研发中，智能驾驶辅助系统（ADAS）和车联网 够及时发现设计中的缺陷并进行优化。例如，通过大数据分析，可 以优化车辆的能耗管理策略，提升整体能源利用效率。  设计与研发的关键步骤： o 整体架构设计与模块化开发 o 动力系统优化与仿真验证 o 软件系统与智能驾驶技术的集成 o 数据采集与性能优化 此外，设计与研发阶段还需注重供应链的协同管理。通过与供 应商的紧密合作，确保关键零部件的质量和交付周期，从而为后续 的生产制

异构模型对齐：解决不同工厂模型架构差异的知识迁移问题 15 ➢ 区块链存证：确保模型更新过程的可追溯性 1.3.2 基于应用场景的分类体系 (1) 研发设计类大模型 ➢ 多物理场耦合仿真加速（CFD/FEM 计算速度提升） ➢ 材料基因工程（预测新型合金性能参数误差降低） ➢ 工艺参数智能推荐（减少试错实验次数） 技术架构：融合物理方程约束的生成式模型。 (2) 生产制造类大模型 产流程优化和质量检测，标准对其功能、性能和安全性提出了明确要求，确保 其与智能制造系统的深度融合。 除了官方标准，大型制造企业也在制定符合自身需求的内部应用标准。例 如，航空航天企业针对高精度、高可靠性要求，制定了大模型在设计仿真和性 能预测中的应用规范，确保其在生产运营中的稳定性和有效性。这些企业实践 为行业标准的完善提供了有益参考。 随着工业大模型技术的持续发展，未来的技术标准将呈现新的趋势。一方 面，标准将更 领域发挥着重要作用。基于深度学习、大数据分析和仿真优化技术，工业大模 型能够优化装备设计、提升制造精度、提高设备智能化水平，并促进高端装备 制造业向数字化、智能化方向发展。 智能数控机床是现代制造业的核心装备，工业大模型在加工参数优化、刀 具寿命预测和故障诊断方面具有重要应用。在加工参数优化方面，大模型可以 基于历史加工数据和物理仿真，优化切削速度、进给率、主轴转速等参数。在 刀具

个生产效率，而且影响产品品控，因此颇受企业重视。 注释：针对已经进行了数字化转型的企业客户进行调研，N=45。 来源：艾瑞咨询研究院自主研究及绘制。 研发设计：如产品 /产线/工艺/工厂 设计及仿真验证等 生产管理：如设 备、能耗、AI质 检、排产规划等 经营管理：如销售 及售后、协同办 公、财务、人力等 运维管理：IT运维 场景、生产安全、 数据安全等 供应链管理：供应 商管理、仓储物 31.1% 75.6% 33.3% 6.7% 未计划引入 初步引入，在寻找厂商 已建立试点实施 优化推广中 研发场景-CAD 等辅助设计 研发场景-CAE 等产品/产线/工 艺等仿真模拟 生产制造场景- APS等 生产制造场景- MES/MOM 生产制造场景- AI质检 远程运维- AR/VR 注释：针对已经进行了数字化转型的企业客户进行调研，N=45。 来源：艾瑞咨询研究院自主研究及绘制。 企业探索大模型的主要落地场景分布 24.4% 26.7% 17.8% 24.4% 8.9% 40.0% 15.6% 8.9% 20.0% 35.6% 33.3% 22.2% 研发设计-产 品/产线设计 及仿真验证 生产环节-设 备管理、预 测性维护等 生产环节- 排产计划 生产环节- AI质检 生产环节- 协同作业 经营环节- 客户洞察与 营销管理 运维管理-IT 运维、生产/ 数据安全等

工业大模型应用报告 潜在的不规则引脚、自动化测试平台的连接设置、以及辅助完成工具脚本和 RTL 代码 的编写。 Ansys15推出 Ansys SimAI™，一款将 Ansys 仿真软件与生成式人工智能结合的云端 应用，可以快速评估新设计的性能。Ansys SimAI 并不依赖于几何参数来定义设计，而 是以设计本身的形状作为输入，即使形状的结构在训练数据中的记录不一致，也能有 允许用户迅速生成、优化自动化代码并加速仿真流程，将原本需要数周的任务缩短 至几分钟。该工具整合了西门子 Xcelerator 平台的自动化与仿真信息，并结合微软 Azure OpenAI 服务提升数据处理能力，同时确保客户对数据的完全控制，不用于 AI 模型训练。 Industrial Copilot 旨在提升整个工业生产周期的效率，通过自然语言交 互，使维修人员得到精确指导，工程师能迅速使用仿真工具，从而推动工业创新和 根据指令进行相应的动作。第二，大模型可以帮助机器在执行路径规划、物体识别等 任务时做出相应的决策。 RoboDK22推出了 RoboDK’s Virtual Assistant，一个基于大模型的 AI 应用，专为机 器人编程和仿真提供智能化的支持和指导。RoboDK’s Virtual Assistant 通过与 Microsoft Azure OpenAI Service 的集成，实现了机器人数据的高效处理和分析。该应用提供了一

抓痛点：定位 8 大核心工程问 题 问题 2 ：计划与控制的协同 问题 1 ：基于仿真的优化的平台 问题 8 ：面向企业决策的挖掘 问题 6 ：物理、社会信息的感 知 问题 7 ：异构信息的规范和提 取 问题 4 ：生产绩效指标体系 问题 5 ：生产过程的知识挖 掘 生产计划 过程仿真 生产需求 效益偏差 人 人 机 料 法 环 认知融合 需求预测 实际效益 优化