物理AI浪潮下的共生机遇:工业软件不会被吞噬,反而成为核心壁垒

进入2025年以来，以具身智能为代表的物理AI（Physical AI）技术在全球范围内掀起新一轮资本热潮，其影响力迅速从一级市场传导至二级市场。然而，在这场技术驱动的狂欢背后，估值泡沫、商业模式模糊以及资本与产业价值脱节的争议也随之而来，为市场描绘了一幅机遇与风险交织的复杂图景。

资本市场的热度首先在一级市场得到了极致体现。据统计，仅2025年1月至10月，中国具身智能领域的融资总额已突破500亿元人民币。但与之形成鲜明对比的是，截至2025年底，该领域头部公司的年度营收总和预计不足100亿元。这种巨大的资本投入与商业产出缺口，引发了业界对估值泡沫的普遍担忧。

这种现象在全球范围内亦不鲜见。部分缺乏明确产品、客户或营收计划的初创公司，仅凭强大的概念叙事和明星团队，便获得了令人咋舌的估值。

这一轮AI热潮背后是巨大的算力需求，形成了一个“烧钱循环”：AI公司投入巨资购买算力，支撑其模型训练，而芯片公司如英伟达则成为最大受益者。据报道，OpenAI和Anthropic两家公司就采购了全球约三分之一的英伟达GPU。为支撑这一庞大的算力开支，科技巨头们不惜进行巨额债务融资，例如微软与Nebius高达194亿美元的算力合作，以及Meta为数据中心融资的290亿美元，都凸显了AI基础设施的“重资产”属性。

在A股市场，尽管没有出现如此极端的估值个案，但“重概念、轻业绩”的倾向同样存在。小鹏汽车的境遇便是一个缩影。尽管公司在技术输出上取得了实质性突破——其第二代VLA大模型可由视觉信号直接生成驾驶动作，并在2025年第三季度通过向大众汽车提供技术研发服务实现收入23.3亿元，毛利率高达74.6%——但自2023年11月以来，其市值却累计下跌近30%。与此同时，特斯拉仅凭其人形机器人Optimus在实验室的“跑步”演示，便足以推动公司市值在下半年累计上涨超40%。这种强烈的反差表明，资本市场对“未来叙事”的追捧，有时甚至超越了对当前业绩的认可。摩根士丹利的报告指出，全球上百家主要的人形机器人公司中，过半数来自中国，这既揭示了中国在该领域的巨大潜力，也暗示了同质化竞争和估值虚高的风险。

随着物理AI技术的兴起，“模型吞噬软件”（Models Eating Software）的论调开始在市场流传。该理论认为，功能强大的通用AI模型最终将取代现有的各类专用软件。然而，当我们将这一宏大叙事置于工业软件的特殊语境下审视时，会发现其底层逻辑存在深刻的认知偏差。工业软件的物理约束、行业知识壁垒和系统复杂性，决定了它非但不会被模型吞噬，反而将成为物理AI时代最坚固的护城河。

“模型吞噬软件”的逻辑主要源于消费互联网的发展经验。在消费领域，海量的用户行为数据可以被标准化、规模化地用于模型训练，从而诞生出能够替代多种单一功能应用的“超级App”或“超级模型”。但这种逻辑无法简单地平移到工业领域。工业软件的核心并非处理信息，而是描述和求解物理世界。无论是CAE软件对产品力学性能的分析，还是CAM软件对机床加工路径的规划，其根基都是建立在牛顿力学、流体力学、电磁学等严谨的物理定律和数学方程之上。安世亚太在复杂多物理场耦合仿真领域的积累，以及索辰科技在气体动理学流体仿真内核等方面的自主可控技术，都是数十年科研与工程实践的结晶。这些凝结了行业know-how的物理引擎和求解器，其确定性、精确性和可靠性是当前以概率和模式识别为基础的通用大模型所无法比拟的。

此外，工业领域的数据特性也从根本上限制了“模型吞噬软件”叙事的成立。与消费互联网中海量、易得的用户数据不同，工业数据具有“三高一稀”的特点：获取成本高、保密级别高、专业门槛高，以及数据量相对稀疏。高端制造、国防军工等领域的数据更是涉及商业机密乃至国家安全，不可能向通用模型开放。同时，工业数据的标注需要深厚的领域知识，无法通过简单的众包完成。这种“数据饥渴”的现实，使得任何试图训练一个“全能”工业AI模型的尝试都注定失败。即使是拥有海量真实路况数据的小鹏汽车，其VLA大模型也仅在自动驾驶这一特定领域展现出强大的能力，其成功恰恰印证了垂直领域深度学习的价值，而非通用模型能力的泛化。

因此，将“模型吞-噬软件”的叙事应用于工业领域，至少存在三大认知偏差：

1. 低估了工业知识的壁垒：工业软件是数千名顶尖工程师数十年智慧的沉淀，其内在的物理规律和行业经验无法被通用模型轻易学习和复制。

2.  高估了通用模型的能力：工业仿真要求结果的100%可复现和高可信度，而当前AI模型的“黑箱”特性和概率性输出，使其难以承担关键工程设计的重任。

3.  忽视了数据获取的障碍：工业数据的稀缺性和封闭性，决定了只有深度嵌入产业链、与工业企业形成共生关系的参与者，才能获得构建有效工业AI模型所需的“养料”。

索辰科技通过收购力控科技（SCADA软件）和昆宇蓝程（实时数据库），打通从数据采集到仿真验证的全链条，正是对“模型吞噬软件”论调的有力反驳。这表明，在工业世界，不是模型吞噬软件，而是软件定义和赋能模型，二者将走向一条深度融合与共生的道路。

在物理AI的众多应用场景中，工业软件，特别是以CAE（计算机辅助工程）为代表的高端工业软件，因其独特属性构筑了多层次、立体化的竞争壁垒，成为物理AI时代最具战略价值和长期投资潜力的领域。这些壁垒并非单一因素所致，而是由高昂的研发投入、深厚的知识积淀、严格的行业准入和独特的生态系统共同构筑而成。

首先，高强度的研发投入与顶尖人才构成了第一道壁垒。 工业软件的开发是一项长周期、高投入的智力密集型工程。以国内CAE龙头索辰科技为例，公司在2025年的研发投入占营业收入比例高达23.41%，这一比例远超绝大多数科技公司。巨额资金主要用于开发其自主可控的仿真内核，如气体动理学流体仿真内核等十四项核心技术。更重要的是，一支能够驾驭这些复杂技术的人才队伍非一日之功所能建成。报告期末，索辰科技研发人员占比高达33.42%，其中硕博学历者占比超过35.82%。这种“高投入、高智力密度”的模式，对新进入者构成了难以逾越的门槛。

其次，深厚的行业知识（Know-how）积淀构成了第二道无形壁垒。 优秀的工业软件不仅是数学和物理定律的程序化实现，更是特定行业工程经验和设计准则的结晶。当一名工程师使用ANSYS或西门子的软件进行设计时，他实际上是在调用其背后数十年来积累的庞大行业知识库。这种隐性知识无法仅通过算法和算力来弥补，新进入者即便拥有先进的AI模型，也因缺乏经过无数工程实践验证的知识沉淀而难以在短期内获得市场认可。

第三，严格的行业准入与高昂的转换成本构成了第三道制度壁垒。 在航空航天、汽车、国防等对安全性、可靠性要求极高的领域，工业软件的选用需经过长期而严苛的认证流程。一款新型飞机发动机的设计，必须使用经过适航当局认证的CAE软件进行仿真，任何计算偏差都可能导致灾难性后果。因此，用户一旦选定某款软件并围绕其建立起完整的设计、验证流程，其转换成本将变得极其高昂，从而形成了强大的用户粘性，使外资巨头如ANSYS、达索和西门子等能够长期占据市场主导地位。

第四，独特的“软件+数据”生态构成了第四道动态壁垒。 随着AI技术的发展，数据的重要性日益凸显。在工业领域，拥有成熟软件平台的企业能够利用其产品收集海量的仿真数据和真实工况数据。这些高质量、高价值的数据反过来又成为训练和优化AI模型的最佳“燃料”，从而进一步提升软件的智能化水平和预测精度，形成一个“赢家通吃”的正反馈循环。根据普华有策的数据预测，中国CAE市场规模将从2021年的32.1亿元增长至2026年的74.8亿元，年均复合增长率约17%。在这片快速增长的市场中，拥有数据生态优势的头部企业将占据越来越大的份额。

最后，国家战略层面的大力支持，既是产业发展的东风，也从侧面印证了其极高的技术壁垒。 由于工业软件在制造业和国防安全中的核心战略地位，国家将其列为重点攻关的“卡脖子”技术，通过专项基金、税收优惠等政策给予大力扶持，为本土企业的追赶创造了有利的宏观环境。

物理AI与工业软件的关系并非“替代”与“被替代”的零和博弈，而是一种深刻的“互补”与“双向赋能”。物理AI的强大推理与生成能力，正为传统的工业软件注入前所未有的智能，使其从“事后验证工具”向贯穿产品全生命周期的“智能决策中枢”演进。与此同时，工业软件所沉淀的物理规律、行业知识和海量工程数据，也为AI模型提供了从虚拟走向现实的“物理锚点”和“训练基石”。

AI对工业软件的赋能，首先体现在仿真效率与广度的革命性提升。 传统CAE分析虽然精确，但计算量巨大、耗时漫长，往往成为研发流程的瓶颈。而AI代理模型（Surrogate Models）可以通过学习少量高精度仿真数据，构建一个计算开销极小的近似模型。在设计迭代中，该模型能够对新方案进行秒级预测，将原本数小时甚至数天的仿真时间缩短至分钟级，从而允许工程师在有限时间内探索更广阔的设计空间。索辰科技前瞻性布局的“物理AI模拟引擎”与“物理AI训练一体化平台”，其核心目标正是利用AI技术实现仿真流程的自动化与智能化，实现效率的指数级提升。

AI赋能的第二重表现，是实现设计的智能化与自动化，即生成式设计。 工程师只需输入产品的性能需求、材料、成本等约束条件，AI模型便能自动生成数百种满足要求且性能优越的创新设计方案。中国信通院的报告明确指出，AI正推动工业仿真向“数据+物理”双驱动的智能仿真范式转型。例如，通过生成式设计，AI可以自动生成符合力学和轻量化要求的汽车座椅最佳拓扑结构，这些设计往往是人类工程师凭借经验难以想到的。虹软科技在智能商拍领域推出的ArcMuse计算引擎，其背后强大的图生视频、AI模特等技术，在原理上完全可以迁移至工业设计领域，实现零部件的智能生成与优化。

反过来，工业软件为物理AI提供了不可或缺的价值。 首先是提供了物理约束。工业软件内置的、经过数十年验证的物理引擎，是AI模型在工业领域应用的“安全带”和“导航仪”，确保其所有生成和预测都遵循基本的物理规律，避免产生天马行空的无效解。其次是提供了高质量的训练数据。物理引擎可以生成海量、精确、多样化的仿真数据，这些数据是训练出可靠工业AI模型的“黄金燃料”，有效解决了工业场景真实数据稀缺的难题。索辰科技坚持自主研发核心内核，正是为了牢牢掌握这一核心资产，并通过整合SCADA和实时数据库，构建起一个从真实世界获取数据、在虚拟世界进行仿真、再用AI优化决策的闭环系统。

这种双向赋能的路径，正在催生以“仿真即服务”（Simulation-as-a-Service）为代表的新商业模式。借助云计算和AI，中小企业无需再购买昂贵的软件授权和高性能计算集群，而是可以通过云道智造、数巧科技等云原生CAE平台，以订阅方式按需使用最先进的仿真能力，极大地降低了创新门槛。

展望未来，工业软件产业正站在一场深刻范式革命的门槛上。传统的、以求解器为核心的软件架构，将被一个以“物理引擎+智能模型”为双核心的新一代体系所取代。这一变革将重塑工业软件的技术、商业和生态，也为产业参与者指明了未来的发展方向。

新一代工业软件体系的灵魂，在于**“物理引擎”与“智能模型”的深度融合**。前者代表了工业界百年积累的、关于物理世界运行规律的精确描述，是软件科学性的基石；后者则代表了AI带来的前所未有的学习、推理和生成能力，是软件智能化的引擎。在这种新体系下，物理引擎提供高保真度的仿真基础和不可逾越的物理约束，确保结果的可靠性。而智能模型则在此基础上，扮演“超级副驾”的角色，实现自动化建模、智能设计寻优、实时预测性维护等过去难以想象的功能。

这一变革将带来技术架构的系统性演进，其核心特征可归纳如下：

具体而言，软件的核心将从“求解器”演变为“推演引擎”。它不仅能回答“在给定条件下结果是什么”，更能回答“为了达到某个目标可以有哪些路径”。索辰科技正在研发的“生成式机器人设计、仿真及验证系统”和“低空飞行环境全要素实时重构与智能推演平台”等项目，正是这一趋势的体现。其次，软件的应用模式将从“离线分析”走向“实时交互”。结合数字孪生技术，新一代工业软件将与物理实体实时同步，在产品的全生命周期内提供动态监控、故障预测和决策支持。最后，软件的能力将从“单一学科”拓展到“多物理场联合仿真”。AI技术在处理高维、非线性问题上的优势，将有效解决电磁-热-力耦合等复杂系统建模的难题。

技术架构的变革将驱动商业模式的重构。“软件即服务”（SaaS）和“仿真即服务”（SaaS）将成为主流，云原生方案将进一步降低技术普惠的门槛。同时，“平台+生态”的模式将取代单一的产品销售。未来的行业巨头，很可能是一个开放的工业应用平台，吸引第三方开发者贡献专业的模型和应用，共同服务于庞大的客户群。索辰科技通过战略并购构建完整工业生产管控软件体系的举动，已显露出构建平台生态的雄心。

产业链分工也将随之重塑。硬件（芯片）、软件（平台）、服务（云）和应用（行业）之间的界限将日益模糊，跨领域协同成为常态。正如虹软科技多年来与高通、联发科等产业链伙伴的深度协同，是其在端侧AI保持领先的关键。在更复杂的工业领域，这种生态协同将是成功的必要条件。

对于产业而言，“物理引擎+智能模型”不仅是一个技术框架，更是一个清晰的产业路线图。它要求企业既要有“向下扎根”的能力，持续投入基础研究，打造坚实的物理引擎；也要有“向上生长”的视野，积极拥抱AI，探索创新的应用场景。那些能够在这两个维度上同时取得突破，并成功构建起开放共赢生态系统的企业，将有望在下一轮产业竞争中占据领导地位。

👇点击下方小程序，立即获取核心标的名单👇

🔑 专属邀请码：161616

注：本文所提及行业逻辑及数据仅供参考，不构成任何投资建议。涉及的具体上市公司标的及详细投资逻辑，请通过文末小程序链接自行查看。

此外，我们也建立了【玄玑情报站】，群内每天分享最新行业动态与投资逻辑。想进群交流探讨的朋友，请扫码加入～

#玄玑#璇姬 #AI #金融 #投资 #理财 

#A股 #股民 #具身智能 #物理AI 

#估值泡沫 #算力需求 #工业软件 

#CAE仿真 #索辰科技 #小鹏汽车 

#特斯拉 #英伟达 #商业模式 #技术壁垒

 #自主可控 #研发投入 #行业经验

 #生成式设计 #数字孪生 #仿真引擎 

#SaaS模式 #平台生态 #自动驾驶

 #资本热潮 #业绩验证 #市场份额 

#工业仿真 #多物理场 #国产替代 

#投资价值 #产业链 #垂直领域 

#概念叙事 #算力开支