夜雨聆风工业软件的巨头们以计算机辅助设计（CAD）和计算机辅助工程（CAE）为基石，带领传统工业迈入了数字时代。他们曾引领这场变革，是旧考纲下最优等生。而今天人工智能来临，工业领域的考试大纲被重写了，那些曾经的巨头又该如何应对？
工业软件的巨头们为什么要做物理AI？
工业软件的本质，是用数字化的方式翻译物理规律。
过去七十年，工程师们依靠有限元、计算流体力学和经典数值算法，在现实世界与虚拟世界之间搭建桥梁——精度足够高，但代价是时间。
无论是汽车的气动、风噪、碰撞，还是飞机的颤振，一次仿真动辄耗时数小时甚至数天。眼看着算力坐着火箭往上飞，可工业仿真领域的求解速度却还像蜗牛爬行。
更紧迫的压力来自客户。新能源汽车的爆发，把产品的迭代周期从五年压缩到两年以内，客户不再满足于"算得准"，他们要求"算得快、算得便宜、算得能直接指导设计"。传统仿真就像一家精细打磨的手工作坊，而市场需要的是流水线。
与此同时，一批 AI-native 创业公司正从侧翼包抄。它们用神经网络代替传统求解器，把海量数据装进一个自学习模型，预测的耗时被压缩到秒级。
对工业软件巨头而言，这不是"锦上添花"的技术升级，而是生存威胁：一旦仿真速度提升百倍，客户为什么还要为传统求解器支付高昂的license费用和时间成本？
对巨头们来说，物理AI不是选修课，而是必修课。它关系到这些巨头能否继续扮演"制造业操作系统"的角色。
物理AI这门新课，优等生怎么学？
如果打开过去两年的工业软件版图，你会发现一个反常的现象：那些平时成绩优秀的工业软件巨头 — 西门子、达索、Synopsys、Autodesk — 在物理AI这门新课上，没有一份作业是自己独立完成的。
西门子花了大概 106 亿美元把 Altair 收入囊中，拿下了 PhysicsAI 的AI仿真能力；同时战略投资 PhysicsX，把后者的大物理模型（LPM）绑进自己的 Xcelerator 平台。
达索和 NVIDIA 建立了长期战略合作，共同构建工业 AI 平台。Synopsys 用 350 亿美元吞掉ANSYS，把它的 SimAI 纳入自己的拼图。Autodesk也没闲着，收购了德国AI仿真公司NAVASTO，然后把 NavPack 集成到 Alias 的汽车设计工作流。
行业里的头部玩家们，在面对同一场技术海啸时，不约而同地选择了相同的姿势：购买或者绑定。
这说明了一件事 — 这些研发预算动辄十亿欧元的工业软件巨头，没有在自己体内长出真正的 AI-native 能力。
他们为什么不自己做？
为什么不做？恰恰是因为做得好
在面对颠覆性的技术时，工业软件巨头的沉默，不是因为不够强，而是因为太强了。良好的客户关系，精细化管理、高利润率 —— 这些曾经帮他们赢下每一场考试的优点，如今成了最沉重的惯性。
惯性的源头，是他们最引以为傲的客户关系。
工业软件的客户不是普通消费者，而是波音、空客、大众、台积电这样的制造巨头。它们采购的不是一个工具，而是保证工程能力的基础设施。这些企业对现有软件的要求很清晰：稳定、便捷、合规。
于是，软件厂商的资源分配不断地响应这些声音，每年的预算自然拨向“让 STAR-CCM+ 的包面更稳定一些、效率更高一些”，而不是“用一个黑箱神经网络替代整个求解器”。
说到底，大公司的资源流向哪里，并不由管理层主观决定，而是由现有客户和资本市场的增长预期共同锁定。但是，你越是认真倾听客户，就越会系统性地筛掉那些客户尚不需要的新技术。
这种惯性在研发流程中体现得更为残酷。大企业的流程使命是保证这个庞大的机器把事情做对，但破坏性技术面对的是未知市场，它需要的不是围绕执行制定的战略，而是围绕学习制定的战略。所以，大企业这种为执行而优化的组织，天然无法为探索而生存。
更深层的枷锁来自财务结构。以西门子为例，西门子2025财年的营业收入为789亿欧元，2026 财年的增长目标是6%–8%。掐指一算，今年大概要新增五六十亿欧元的收入。面对这样的体量和增长目标，AI仿真的早期市场小得可怜，根本不值得做。
不过，话说回来，如果等市场长到五十亿的时候再发力，窗口早就关闭了。
西门子也有自研的AI工具，但那些项目更像是传统汽车的“油改电”，只是优化现有流程，却不挑战流程本身。
大公司的成本结构天然要追逐高利润率，而破坏性技术往往只能在低利润的边缘地带先站稳脚跟。这个时候，高利润率不再是护城河，而是困住自己的牢笼。
比财务和流程更根本的冲突，是两种世界观难以共存。工业软件公司卖的是正确答案，AI 卖的是概率近似和实时预测，当两者被塞进同一个产品部门，确定性标准天然拥有否决权。显而易见，AI 改造不了工业软件，而工业软件的价值观会把 AI 改造成一个必须自证清白的插件。
两条路：买下来，还是绑在一起
既然内部长不出来，出路就只剩两条：要么从外面买，然后消化吸收；要么找个有前景的伙伴绑在一起。
西门子对Altair的收购，是第一条路径。106亿美元买的不只是 Altair 的求解器，还有 Altair 花了五年时间转型的AI资产。
对PhysicsX的处理则是"生态绑定"的标本。西门子提供 STAR-CCM+ 和 Nastran 等仿真数据，供 PhysicsX 训练其大物理模型，PhysicsX 以模块化形式嵌入 Xcelerator 开放式数字商业平台。
这是一种风险外包的精巧设计：如果 PhysicsX 成功了，西门子直接受益；如果失败，损失的只是一笔投资，而非内部事业部的沉没成本。
尾声：旧考纲下的优等生
买下来也好，绑在一起也罢，巨头们用的还是老办法：把外部创新装进自己的生态，像过去二十年整合求解器一样整合AI。
他们把旧规则下的功课做到了极致。倾听客户、优化流程、回报股东，每一项都是商学院教科书上的满分答案。在旧考纲里，他们一直是第一名。
但考纲变了。当 AI 把三天的计算压缩到三秒，当工程师开始用自然语言描述设计意图而非手工拉网格，当"正确答案"的标准从"精确"变成"快速 & 够用" — 旧世界的满分试卷，突然就不值钱了。
不是他们做错了什么，是他们做对了所有事，但世界的规则变了。而他们用来判断"做对了"的那个标准，本身就是旧规则的一部分。
【往期推荐】
