夜雨聆风最近，西门子CEORoland Busch做客麻省理工（MIT）开放课堂，首次系统性地讨论了中国的科技和工业优势。由于篇幅有限，本文仅截取了关于中国工业软件与AI的相关讨论，其他更劲爆的对话请继续关注，我后面会逐一翻译分享。
MIT学者A：你好，我是MIT的研究人员。我主要研究基础云基础设施，具体方向是约束求解，同时也在关注仿真与设计表示的融合。
我有一个问题。正如你前面多次提到的，对于任何 AI模型来说，数据访问能力都至关重要。而在制造业里，很多数据都是从CAD开始的。但要真正理解CAD数据，仅有数据本身还不够，它通常依赖底层几何内核，例如Parasolid（几何建模内核），或者像D-Cubed这样的求解器。
那么，未来是否可能在无法访问这些底层基础设施的情况下构建基础模型？还是说，这最终只能在西门子内部完成？
另外，你刚才也提到，中国在开放模型方面有优势。而事实上，无论是否是商业模型，很多模型的训练都大量依赖开放数据。这又会如何影响这个问题？
Roland Busch：关于你的第一个问题，我的回答是：可以，而且两种情况都成立。
是的，我相信即使模型不了解所有求解器的底层细节，它依然可以走得很远，只不过路径会有所不同。如果能够获得这些底层能力的访问权限，会不会更有帮助？
当然会。而且这实际上是可能的，我们也正在做这件事。我们的优势在于，我们掌握这些求解器。但对我来说，真正关键的是——基于物理的仿真模型与AI的结合。这才是真正神奇的地方，因为物理规律始终会给系统提供边界约束。
每当AI模型给出一个答案时，你都可以在后台运行基于物理的仿真模型，去验证它是否仍然处于物理规律允许的范围内。
这种组合非常强大。比如，我们有一个应用场景，它先定义一个物理空间和边界条件，但在这个空间内仍然有大量参数组合需要探索。传统方法往往需要在整个参数空间里大量尝试。
而AI可以直接告诉你：只需要优先模拟五个关键点，然后你就从这几个点开始计算。通常只需要两到三轮迭代，你就能得到一个非常好的设计。它也许不是绝对最优解，但已经非常接近最优。
至于你关于中国的问题，我理解你的意思是：你认为开放模型提升了创新速度。
是的，我同意你的说法，模型开放性确实会提高发展速度。但是回到CAD领域，就有一个很有意思的事实：目前全球真正主流的CAD核心技术，基本都来自美国或欧洲。除此之外，尤其在中国，真正成熟的CAD核心技术还比较少。
他们正在追赶。同时，他们也在发展 ERP（企业资源计划）系统等软件能力。他们正在补足过去相对薄弱的软件能力，这背后也有韧性的考虑。
因为你想想看，如果CAD或ERP软件突然无法使用，影响会非常大。所以他们必须提升自身的韧性。
但有一点我绝不会低估，就是中国以自己的方式解决问题的能力。他们往往会通过另一条路径实现创新。
比如华为。在无法获得最先进光刻机的情况下，他们依然做出了非常强的芯片。也许他们在工艺节点上比全球最先进水平落后两个节点，但即使落后两个节点，他们依然能够通过另一种方式解决问题，比如投入大量并行算力去解决同一个问题。最终，他们依然能做出非常优秀的解决方案。
所以我绝不会低估中国的创造力。他们会用不同的方法，以非常创新的方式解决问题。而且别忘了，他们还拥有海量数据。
MIT学者B：那么AI会让这种优势进一步扩大吗？也就是说，会不会让中国变得更强？
Roland Busch：这取决于你如何使用技术。AI既可能强化现有优势，也可能重新定义制造业格局，它甚至可能让制造业变得更加民主化。
为什么这么说？你想象一下，假设你们成功开发出下一代机器人。只要机器人足够优秀，并且能够替代人工完成部分任务，人们就会使用它。
我们的中国制造业务负责人曾说过：哪怕机器人只能替代一个岗位中的部分工作，他也愿意部署。即便当地劳动力成本已经很低。
如果在这样的前提下，你进一步建成黑灯工厂，也就是高度无人化工厂，那么劳动力套利的重要性就会下降。因为你可以直接部署机器人。
这时，真正重要的因素就会变成你的供应链基础，包括零部件从哪里来？能源成本是多少？生产现场如何部署技术？关税环境如何？从这个角度看，制造方式可能会被彻底重构。
但是，有一点不能忽视！也是我前面提到却容易被低估的一点：不要低估供应链生态。
中国有大量零部件制造企业，它们的速度极快、能力极强，这种生态不是轻易能够复制的。这也是为什么像印度这样的国家，必须先建立起自己的中小制造企业体系，才能真正进入高附加值制造阶段。而这非常困难。
所以，一个国家必须建立自己的制造生态，或者以足够低的成本获得这样的生态支持，才能构建真正强大的制造基础。
这些因素必须同时具备。但如果回到第一性原理来看——只要AI技术能够真正大规模部署，我们确实可以重新思考全球制造业未来的分布方式。
（以上内容根据MIT公开视频翻译整理片段，更多有趣的讨论我将后续整理发布，请继续关注！）
