MCP正在拆掉CAE软件的墙

   当 Claude、Cursor 通过 MCP 直接"握住"Abaqus 的鼠标，整个 CAE 行业的交互范式被从根上重写了 

   如果你了解 CAE 行业过去五十年的历史，就会知道这件事有多离谱： 

Ansys、Abaqus、COMSOL——这些工业仿真软件的 GUI 操作逻辑，从上世纪 70 年代至今几乎没有本质变化：点菜单、填参数、等进度条、看云图。一代又一代工程师花几个月学会的操作肌肉记忆，突然之间显得不再重要了。 

   因为 MCP（Model Context Protocol） 出现了。它不是又一个 AI 插件，而是一层让 AI 可以直接"握住"任何工业软件的操作系统级协议。 

   2026 年 5 月，一个叫 Text-to-CAE 的开源项目让它变成了现实：你在 Claude 或 Cursor 里输入"建一个悬臂梁，端部加 1000N 力，跑静力分析"，AI 通过 MCP 协议自动调取 Abaqus/CAE 执行建模、网格划分、求解，结果直接呈现在浏览器中。 

这不是"帮你写一段脚本让你复制粘贴"——这是 AI 握住了工业软件的操作权。两者的区别，相当于自动挡和手动挡、电梯和楼梯。 

   01 在此之前，AI 和 CAE 只有"半条路" 

   在 MCP 之前，AI 赋能 CAE 的路径其实只有一条：AI 生成代码，人复制粘贴。 

   你让 GPT 写一段 Abaqus Python 脚本，它写得又快又好；但接下来的步骤——打开 Abaqus/CAE、粘贴脚本、检查模型、提交 Job、读取 ODB 结果——每一步都需要人手动介入。AI 生成的信息流在到达工业软件边界时就断了。 

   这个断层才是 CAE 效率瓶颈的真正根源。编写脚本只占整个仿真工作流的 10%-20%，剩下 80% 的"脏活累活"——模型检查、参数调优、迭代返工——仍然靠人力驱动。 

   业内也有厂商尝试自己造"桥"。Ansys 的 Engineering Copilot 和 SimAI、Siemens 的 Design Copilot NX，本质上都是各自在产品体系内修建封闭的 AI 通道。问题是：这些桥只在自己的围墙里通。

   真正的变量来自外部——一个开放协议的出现，让围墙本身变得不再重要。这就是 MCP。 

   02 MCP 做了什么？把工业软件变成 AI 的工具函数 

   MCP 的全称是 Model Context Protocol，由 Anthropic 提出并开源。它解决的核心问题很简单：让 AI 模型能调用外部工具和数据源。 

   类比一下就清楚了：MCP 之于 AI，就像 USB 协议之于外设。有了 USB，你不需要为每个设备单独设计接口——键盘、鼠标、U 盘插上就能用。MCP 同理：任何软件只要实现一套 MCP Server，任何 AI 客户端（Claude、Cursor、Codex）就能直接调用它。 

   在 CAE 场景下，这套机制的实现链路如下： 

   这套链路的关键一步是 Abaqus MCP Plugin v4.0。它暴露了 6 组核心工具接口： 

   看到差别了吗？这不是"AI 帮你写一段代码"，而是 AI 可以完整操作一个工业软件——写脚本→提交→看状态→读结果→发现问题→改脚本→再跑。这个闭环被称为 Agentic Engineering Loop（代理式工程闭环），是 CAE 智能化从根上的范式改变。 

   03 Text-to-CAE 已跑通：从 Abaqus 到 OpenFOAM 

   2026 年 5 月，开源项目 Text-to-CAE（GitHub: Cai-aa/text-to-cae）首次完整验证了这条链路的工程可行性。项目验证了 6 类仿真案例： 

   这个项目虽然目前只有 69 个 Star，但它踩下的脚印极具信号意义——这是 AI 第一次以"操作者"而非"建议者"的身份与工业软件互动。 

   更值得关注的是，MCP 路线在 CFD 领域同样快速推进。OpenFOAM MCP Server 已经支持自然语言描述的 CFD 案例自动生成——你输入"模拟一个二维不可压缩顶盖驱动流"，AI 自动完成 OpenFOAM 算例配置、求解和结果输出。Foam-agent 项目则将这一能力进一步产品化。 

   当 AI 通过 MCP 协议"握住"了 Abaqus，工程师们很快发现：Codex（OpenAI）直接操作 CAE 软件的可能性，远不止于此。

▎Codex + COMSOL：AI 写 Java API，你只需说需求

   COMSOL Multiphysics 在 AI 面前一直有个"门槛"——它的底层自动化依赖 Java API，而不是工程师更熟悉的 Python。这意味着即使你想用 AI 辅助生成脚本，LLM 也需要理解 COMSOL 的 Java 对象模型和 API 层级关系。 

   但实践表明，Codex（基于 GPT-4/5）完全胜任这个角色。工程师已经验证了一套完整的工作流：把需求写成 Prompt，附上 COMSOL 官方 Java API 文档作为参考，Codex 就能自主完成几何建模→物理场设置→网格划分→求解→后处理→优化迭代的全链路闭环。 

   一个典型的 Prompt 结构如下： 

关键发现：Codex 在操作 COMSOL 时会经历大量试错，但每次试错后它会自动修正。更值得关注的是，工程师可以让 Codex 把试错经验总结为一份 "附注 Prompt"——下次运行相同任务时直接注入，将仿真效率提升数倍。这个"经验沉淀→复用"的模式，恰恰是 MCP 路线的核心价值之一。 

   而社区开发者 wjc9011 更进一步，开源了 COMSOL Multiphysics MCP Server，将 COMSOL 的完整仿真能力封装为标准 MCP 工具接口： 

   这意味着你现在就可以对 Claude 说"帮我仿真一个芯片热管理问题，带 TSV 结构的温度分布"，AI 自动调用 COMSOL MCP Server 完成建模→物理设置→求解→后处理全流程。支持 COMSOL 5.x 和 6.x，配合内置知识库和 PDF 语义搜索，甚至能帮助排查设置错误。 

   Codex + COMSOL 的组合说明了一个更大的趋势：MCP 不是某个产品的专属功能，而是整个 CAE 生态的通用基础设施。无论是 Ansys 的 PyAnsys 生态、达索 Abaqus 的 Python 接口，还是 COMSOL 的 Java API，最终都可以通过 MCP 统一接入 AI。 

   MCP 的逻辑一旦跑通 Abaqus、OpenFOAM 和 COMSOL，接下来就是 CAD（SolidWorks/CATIA）、EDA（Cadence/Synopsys）、BIM（Revit/Tekla）——所有专业软件都可以被 AI 调用。 

   04 国际巨头在做什么？封闭 vs 开放两条路线 

   面对"AI 操控工业软件"这个方向，国际巨头走出了两条截然不同的路线。 

▎Ansys（Synopsys 旗下）：自建围墙路线

   Ansys 选择了在自己的产品体系内深度集成 AI。2025 R2 版本中发布的 Engineering Copilot 已集成到 Mechanical、Discovery、Fluent、HFSS 等 10 余款产品中，提供统一的 AI 虚拟助理界面，背后接入超过 50 年的仿真知识库和 800+ 创新课程。Ansys SimAI 则是云端的 AI 快速仿真平台，支持用代理模型替代传统求解器。 

   这条路线的优点很明显：用户体验统一、知识库深度绑定、商业闭环清晰。HFSS 中辐射图计算速度提升 17 倍的数据也很扎实。但问题是——它只对 Ansys 产品有效。一个同时用 Abaqus 和 Ansys 的工程师，仍然需要在两个 AI 系统中来回切换。 

▎Siemens：生态捆绑路线

   西门子的 Design Copilot NX（2025 年夏季）为 NX 平台引入自然语言接口，同时推出 NX CFD Designer——基于 Simcenter FLOEFD 的 CAD 集成仿真工具，面向无 CFD 经验的工程师。CES 2026 上，西门子与 NVIDIA 宣布合作构建工业 AI 操作系统。 

   西门子的策略是用 PLM 生态捆绑 AI——如果你整个研发流程都在 Siemens Xcelerator 上，AI 自然能帮你串联。但这也意味着如果你不在它的生态里，就享受不到这些能力。 

▎Dassault：社区探路，官方待跟进

   有趣的是，MCP 驱动 CAE 的首次工程验证恰恰发生在达索旗下的 Abaqus 上——不是达索自己做的，而是开源社区。这反映了达索生态的开放性，但官方层面的 AI 原生集成仍然需要观察。3DEXPERIENCE 平台目前仍以传统交互为主。 

   05 国产力量：在开放路线上加速 

   如果说 MCP 是一条"开放的桥"，那国产 CAE 厂商正在这条桥上跑得很快。原因很简单：没有历史生态包袱，更愿意接受开放式 AI 架构。 

▎云道智能（原云道智造）：仿真智能体，最为激进

   这家公司把自己更名为"云道智能"本身就是一种表态。其 AI 路线完全是 MCP 式的：基于国产开源 DeepSeek 大模型，用户在对话框里输入"我想要完成一次芯片散热仿真"，智能体自动完成建模→网格→求解→后处理全流程。想调整？"将散热片高度增加为五倍"——一句话搞定。 

   它的核心产品 "伏图"（Simdroid） 是通用多物理场仿真 PaaS 平台，覆盖固体力学、流体力学、电动力学和热力学四大物理场，底层已经预留了 AI 智能体的工具调用接口。 

▎清航飞迈：自然语言驱动的全链条

   成立于 2024 年，由国际计算力学专家庄茁创办。FEMAI/AICoDe 平台最大的差异化在于：它不仅用自然语言驱动仿真，还自己做了一个 Text-to-CAD 生成式模型——你说"一个直径 50mm 的法兰盘"，AI 直接生成 3D 模型文件。同样，AI 自动设置网格、材质、接触和边界条件，自研 AI 本构模型自动处理材料实验分析。 

   目前已在中国核电、招商局重庆交科院、国产大飞机等央企进入应用验证阶段。 

▎无限维智仿：不做交互，做物理 AI 引擎

   2026 年 5 月发布 iAISIM 的这家新秀，走的是另一条互补路线——AI 求解器替代传统求解器。它采用"数据+物理双驱动"架构（融合 PINNs），将传统天级仿真压缩至秒级，实测加速超过 1000 倍，误差小于 1%。 

   值得注意的技术细节：iAISIM 的双驱动架构在解决大变形等非线性问题时的稳定性，优于 Ansys SimAI 的纯数据驱动路线。它不是 MCP 路线的替代者，而是下游加速器——MCP 负责"操控"，iAISIM 负责"算得更快"。 

▎索辰科技：世界物理模型，更高维度的布局

   作为 A 股首家上市的国产 CAE 企业，索辰 2026 年 3 月发布的 "营造·万象"世界物理模型 代表了更高维度的 AI+CAE 路线——不是让 AI 操控现有软件，而是用 AI 重建"理解物理的模型"。其"数小时流体风扇设计"案例（传统以月为单位）验证了这一方向的潜力。战略路线图：2026 通用版发布 → 2027 行业模型 → 2028 开放生态。 

▎安世亚太：多智能体协同

   2026 年 4 月以"多智能体协同 CAE 仿真"方案获"国机杯"卓越奖，方向是通过多个 AI Agent 协作完成复杂仿真工作流——这也与 MCP 的工具化思路高度契合。 

   06 更远的未来：当 AI 不再"操控"求解器，而是"手搓"求解器 

   MCP 路线解决了"AI 如何操控现有软件"的问题。但一个更激进的问题摆在面前：为什么还需要现有求解器？

   西北大学与德克萨斯大学的研究团队（Guo, Jiachen, et al., 2026）给出了一个令人震惊的答案。他们提出了一种由 LLM 驱动的下一代 CAE 代理——不再是让 AI 去调用 Abaqus 或 Ansys，而是让 AI 学会自己"手搓"求解器。 

   具体来说，通过精心设计的思维链（CoT）和 Few-shot 提示，GPT-5 可以自主完成：理解物理问题 → 推导弱形式 → 处理张量收缩和克罗内克积 → 生成高效的模型阶数缩减（MOR）求解器代码。这不再是"操作软件"，而是实时生成软件。 

   验证案例的震撼程度不亚于结果本身：一个 64 个子域的高维热传导问题，等效全阶模型自由度达到 10¹⁵⁶，LLM 生成的 TAPS 求解器仅用 约 1100 秒 完成全参数空间仿真——精度极高。论文发表于 Computer Methods in Applied Mechanics and Engineering（2026, 450: 118591）。 

   研究团队甚至展望了 "机械语言模型"（Mechanical Language Model, MLM）——一种经过连续介质力学和张量代数深度微调的专用小模型，提供更快的推理速度和更强的数学严谨性。 

   换言之，CAE + AI 正在沿着三条递进的路线演进： 

   写在最后 

   回顾 2025-2026 年，CAE 行业正在经历一个极其罕见的"窗口期"。 

   国际巨头在修自己的封闭桥——Ansys 有 Engineering Copilot，Siemens 有 Design Copilot NX，但这些桥只通往自家产品。MCP 协议在修的是一座开放的桥——任何软件、任何 AI 都能接入。 

   对于国产 CAE 厂商，这是一个值得重视的信号。没有历史生态包袱，意味着可以更灵活地选择开放式 AI 架构。云道智能的"替你做"、清航飞迈的 Text-to-CAD、无限维智仿的 iAISIM——它们各自的切入点不同，但都指向同一个逻辑：让自然语言成为新的交互入口，让 AI 成为真正的工程师。

   正如索辰科技董事长陈灏所说："工业的本质是物理，仿真的灵魂是机理，AI 的未来是懂物理。"

   当 AI 真正"懂物理"的那一天，打开 Abaqus 还是打开 Ansys 可能已经不重要了——你只需要打开一个对话框，告诉它你想要什么。