仿真、AI和西门子：正在改写的工业研发体系架构

这两年，工业软件行业最值得注意的变化，并不是某一个新产品的发布，也不是某一个AI功能的上线，而是企业研发体系的重心，正在发生一次悄然但深刻的迁移。

“现实世界的复杂性，决定了未来工业创新必须先在虚拟世界发生。因此，仿真成为工程创新的第一现场，而AI正在重塑工程方式。”2026年西门子仿真与试验技术峰会上，梁乃明，西门子数字化工业软件全球高级副总裁兼大中华区董事总经理在其主题演讲中强调：西门子正在重构一个“数字孪生平台+仿真+AI”的全新的工业底座——很显然，仿真的地位得到了空前提高。

西门子数字化工业软件全球高级副总裁兼大中华区董事总经理 梁乃明

仿真成为工业研发的核心变量

在工业软件的演进历史中，CAD、PLM、MES曾先后成为核心能力的代表，它们分别定义了设计表达、数据管理与制造执行的基本框架，默认CAD是设计入口，PLM是管理主线，这也构成了过去二十年工业数字化的主线和工业研发体系架构。彼时，仿真只是其中一个辅助环节。如今，在西门子的定义中，仿真从原本处于整个架构中的中后端位置前移，成为连接设计、研发、制造乃至运营的核心中枢，开始成为工业研发体系的核心支点和引擎，并且被认为将与与高性能计算、数字孪生以及数据体系一起，构成下一代工业软件的底层结构。这其中有怎样的原因？同时，为什么是在现在这样一个时间点，发生了这样的变化？

需要明确的是，这种变化并非来自某一项技术突破，而是由工业复杂度、创新压力与研发效率三者叠加所推动的结构性结果。

为什么仿真会在今天突然“变重要”？也许很多解释会从技术成熟度入手，但更根本的原因其实在产业侧。梁乃明在回答笔者提问时首先解析了中国企业的情况：“仿真就是企业在数字世界中完成先期测试与验证，避免物理样机的反复制作。”他在回顾中国制造过去十余年的变化时提到，早期中国更多承担全球制造工厂的角色，设计来源于外部，而过去五年，随着产业链完善与企业能力提升，中国逐渐转向以自主创新为驱动的发展阶段。“如今仿真业务已跃居中国区产品营收首位”，他说。而这背后的逻辑，是中国制造业企业已经从全球制造工厂转型为“具备完整产业链、持续推进自主创新的智能制造基地”，因此，企业需要开始对“设计正确性”本身负责，而不再只是执行既定方案。当原创设计成为主导，研发过程中的不确定性急剧增加，仿真就不再是锦上添花的工具，而成为降低试错成本、缩短研发周期、管理复杂性的基础能力，是对抗设计过程中不确定性的核心工具。

显而易见的一点是，仿真变得更加重要，并不是针对某一个具体市场的特定发展阶段而出现的：工业产品本身复杂度的不断增加，对于全球所有的制造业企业而言，都是仿真在工业研发体系中越来越核心的关键原因所在。

过去，工业企业的产品开发大体遵循的是“设计—试制—测试—修正”的逻辑，但随着新能源汽车、动力电池、高端装备、半导体设备、航空航天等产业进入高复杂度竞争阶段，主流工业产品本身越来越呈现出结构、流体、热、材料、电磁、控制等多学科耦合特征，在这样的体系中，研发活动不再是单点优化，任何单点优化都可能带来系统性副作用，传统依赖样机反复试错的路径不仅成本高昂，而且在时间上难以承受。在这种情况下，谁能够将工业研发的验证中心从现实世界迁移到了数字世界，谁就能更早发现问题、更快排除错误、更低成本地试探更多方案，谁就更可能掌握研发主动权。

“仿真技术多年来始终是工业领域的核心工具。在工程产品研发中，我们希望减少物理原型的使用，通过充分的虚拟验证缩短产品上市周期、降低资源消耗，把资源更高效地配置到核心创新环节。过去二十年，CAE 一直是虚拟验证的核心工具，物理解析器的技术突破，让它成为了行业公认的验证标准工具，大幅替代了线下测试环节。”Sam Mahalingam，西门子数字化工业软件执行副总裁兼仿真业务部主管在回答笔者提问时强调，随着研发验证的主阵地从现实世界迁移至数字空间，设计本身就不再是起点，而是仿真不断收敛之后的结果表达。换句话说，工业研发的底层逻辑正在发生转变，从以设计为起点的流程，转向以仿真为核心的循环体系——这种变化才是仿真被定义为工业研发体系的核心支点和引擎的理论基础。

西门子数字化工业软件执行副总裁兼仿真业务部主管 Sam Mahalingam

AI进入仿真：从验证工具到决策引擎

当仿真已经成为工业研发核心变量，AI真正获得了进入仿真和工业研发体系的角度——也就是说，虽然AI不是这场变化的起点，但其却是推动整个工业研发体系进阶的核心动力。因为当仿真承担的任务不再只是验证，而是进一步承担设计探索、方案筛选和决策支持时，AI的价值就更容易被看到。

事实上，工业界对AI的态度一直是谨慎的，因为它所面对的不是信息处理问题，而是物理世界中的确定性问题，这决定了“差不多正确”的AI应用在这里没有生存空间。Sam Mahalingam在回答提问时提到：过去，行业也曾探索“能否用数据驱动的机器学习模型替代物理验证”，但他们最终发现“这一路径行不通，因为一旦机器学习模型出现偏差，从设计源头就会出现错误，后续所有的决策与输出都会偏离正轨”。在主题演讲中，Sam Mahalingam提到了“Physics AI”的概念。

“它不只是单纯的数据驱动模型，而是能够理解物理定律、几何形状、材料属性、约束条件与边界条件，能够全面适配各类负载场景的模型。”Sam Mahalingam强调说，Physics AI的核心价值在于“以基础物理定律为核心进行推理”，从而在不牺牲物理可靠性的前提下，加速产品部署与制造流程，缩短研发周期，并在多方案设计探索中辅助CAE工程师完成海量方案验证，输出更优设计结果。

可以看出，Sam Mahalingam谈到的“Physics AI”，本质上不是让AI替代仿真，而是让AI理解物理定律、几何结构与边界条件，在此基础上参与计算与推理，这种方式在逻辑上确保了AI不会破坏工程逻辑，而是成为仿真的加速器与放大器。

进一步来看，将AI能力融入到仿真系统所带来的变化，并不仅仅体现在仿真效率的提升上，更重要的是，它改变了仿真在研发体系中的位置：融入到仿真系统中的AI可以在多方案探索中同时处理海量的设计路径，并基于物理约束进行筛选，从而把决策提前到设计初期。换句话说，AI加持下的仿真因此得以参与方案生成、路径筛选与决策支撑，从而彻底改变了研发的组织方式和判断机制。

不过，AI能够在仿真中发挥作用，还有一个前提条件，即数据闭环的建立。Sam Mahalingam强调，AI价值不仅依赖算力，还依赖数据分析与语义层，通过整合不同系统数据并赋予语义背景，AI才能产生真正的业务价值。这里就不得不提到西门子所拥有的覆盖了从硬件到软件的完整工业企业解决方案：“AI 价值的释放，不仅依托高性能计算，数据分析能力同样是核心组成部分，比如我们的 RapidMiner 产品，就实现了数据分析与 AI 的深度融合。另一个关键维度是语义层，Altair 此前收购的 Cambridge Semantics，拥有知识图谱层相关技术，能够基于开放标准，在语义层面为 AI 赋能。“与此同时，”我们整合了 Insights Hub 工业操作系统、Polarion 需求数据与 Simcenter 的全量数据，通过语义层构建有实际业务价值的 AI 应用，让分散在不同系统中的数据具备语义背景，真正为客户创造商业价值。”

这里不得不提到西门子在2026年1月发布的Digital Twin Composer：西门子将其定义为“一款可大规模构建工业元宇宙环境的全新软件解决方案”，其核心是在虚拟空间中整合2D/3D设计数据、实时物理信息和AI能力，使企业能够在产品、流程或设施的全生命周期内，快速构建和维护高保真的虚拟环境，并“在实体设计或建造前”就对任何产品、流程或工厂方案进行可视化、交互与迭代。而如果放到AI技术应用的角度看，实际上Digital Twin Composer可以被理解为是一个“供AI生长的工程底座”，也就是一个构建数据闭环的企业数字化应用场景。

最后，关于工业AI要想真正进入核心业务环节，始终绕不开的话题仍然是可靠性与可追溯性。虽然这个问题在消费互联网中常常被淡化，但在工业场景里，它是决定AI能否落地的分水岭。Sam Mahalingam在回答笔者提问时给出的答案很谨慎，也很真实。他没有回避工业AI的难度：“要实现百分之百的准确性，难度是很高的。”不过他接着强调，AI要在工业中发挥作用，核心不在于完全替代人，而在于“AI与人类专家的协同配合”；西门子的方法是先用AI构建基础模型，再结合新数据持续迭代训练，并在这个过程中不断用人类专家的判断，对模型和数据进行多轮验证与确认，“截至目前，AI更多是承担重要的执行助手角色，最终的验证与决策，仍然需要人类专家来完成，这也是我们保障结果可靠的核心原则”。很显然，在现阶段，工业AI的第一性原则仍然不是替代专家，而是扩大专家能力边界。

写在最后：从工业软件能力的重构看企业未来的核心竞争力

本届西门子大中华区仿真与试验峰会，是西门子收购 Altair后，在仿真领域的首次重磅“合体”亮相，因此关于工业软件领域最近一轮的CAE并购潮，就是个不能回避的话题。

在过去两年中，CAE领域出现了一轮高度密集且方向一致的并购潮，而这些交易几乎都指向同一个目标——将仿真能力嵌入更大范围的工程体系之中，从而重构工业软件的底层结构：西门子以约100亿美元收购Altair，补齐高性能计算、数据科学与人工智能能力，试图构建完整的AI驱动仿真体系，这是一条路径；与此同时，在EDA领域，Synopsys以更大规模收购Ansys，将芯片设计工具与多物理场仿真能力整合在一起，试图打通从芯片到系统的设计链路；Cadence则通过收购BETA CAE，将结构仿真纳入其系统级设计能力之中，强化多学科分析能力。如果再往前看，Keysight对ESI的收购，也同样指向仿真在系统验证与测试体系中的核心地位。

这些交易横跨工业软件、EDA与测试测量等多个领域，但它们的方向却高度一致：不再是简单扩展产品线，而是在围绕仿真能力进行体系重构。换句话说，仿真正在从一个“专业工具”，转变为所有工程软件的“共同底座”。更深一层看，这一轮并购的真正意义在于，它改变了设计与仿真的关系。过去，仿真是设计之后的验证环节，而今天，所有头部厂商都在试图把仿真前置，使其参与设计过程本身，甚至直接影响决策路径。这也是为什么并购会集中爆发——因为单一厂商很难在短时间内同时具备仿真、AI与HPC等高度耦合的能力，而这些能力一旦缺失，就无法进入下一阶段的竞争。

从这个角度来看，CAE地位的提高，是整个行业在同一时间窗口内做出的结构性选择。它所体现的，并不是某一家公司的前瞻性，而是一个更加确定的趋势：工业软件的核心，正在从“设计工具”转向“仿真驱动的工程系统”。而由此我们可以推想，对于未来的企业而言，其核心的竞争能力将体现决策方式从事后验证转向事前推演，体现为对绝大多数潜在问题的提前识别，以及设计周期缩短和资本支出降低。