10月28日-10月30日，第三十三届中国汽车工程学会年会暨展览会（SAECCE 2026）在苏州举行。无限维智仿（北京）科技有限公司（下称“无限维智仿”）受邀亮相本届大会，携其自主研发的物理 AI 快速仿真平台 iAISIM，集中展示其在汽车研发CAE场景中的应用成果。大会期间，无限维智仿副总经理王小虎受邀发表主题演讲《从仿真加速到设计探索：AI+CAE与汽车结构仿真的“碰撞”》，围绕物理AI与CAE融合的技术趋势及工程应用实践进行了分享。

随着汽车研发向自动化、轻量化和高性能方向持续发展，CAE已经深度参与整车及零部件设计验证。但伴随模型复杂度和研发要求不断提升，传统CAE所面临的效率问题也日益突出。一方面，汽车研发涉及车身、底盘、动力总成及大量零部件，覆盖静力、碰撞、瞬态动力学、复杂非线性等不同仿真问题，复杂模型单次求解可能需要数小时甚至更长。另一方面，汽车研发并不是“算一次”就结束，材料、几何、载荷和边界条件的变化，都会产生新的计算任务。进入参数扫描、DOE和优化设计阶段后，需要研究的参数组合可能达到几十组甚至更多。

因此，汽车CAE面对的问题已经不只是“能不能算”，而是如何在有限的研发周期、算力和工程资源下，完成更多高质量计算，并更充分地探索设计空间。

从物理求解到AI快速仿真

面对这一问题，国内技术领先的iAISIM AI 快速仿真平台提供了一条物理AI与传统高保真CAE协同的技术路径。传统CAE求解器主要通过对复杂偏微分方程、动力系统等物理过程进行数值求解获得结果。iAISIM利用已有CAE样本进行模型训练，生成与具体仿真任务相对应的AI快速仿真器。训练完成后，在模型适用范围内面对新的尺寸、材料、载荷及工况参数，可以反复进行快速预测，将原本需要数小时完成的重复求解缩短至秒级，实现千倍以上的仿真提速。

与纯数据驱动的AI方法不同，iAISIM采用数据+物理双驱动架构。一方面利用高保真CAE样本学习设计参数与物理响应之间的映射关系；另一方面将力学控制方程、守恒定律等物理约束融入模型训练过程，增强预测结果的物理一致性。这种方式既降低了AI模型对海量高质量训练数据的依赖，同时使模型能够更好地服务于具有明确物理规律的工程问题。

正因如此，iAISIM形成了“轻、快、准”的应用特点：通过少量CAE样本建立模型，降低数据生成和算力投入；模型训练完成后实现秒级预测，支持大量重复调用；同时通过物理约束增强预测结果的物理一致性，为AI进入真实工程研发提供基础。

从单次求解加速走向更大的设计空间

目前，iAISIM已经在汽车研发领域形成了较为丰富的案例实践，覆盖白车身碰撞、悬架静力分析、防撞梁碰撞、汽车发动机悬置、法兰及螺栓连接结构复杂非线性等多类CAE问题。这些案例并不是同一种仿真任务的简单复制，而是覆盖了从静力到瞬态、从线性到复杂非线性，从不同载荷变化到材料、尺寸等多参数组合的不同工程问题。这也使iAISIM在汽车行业的价值逐渐从加速一次仿真向更深层次延伸。

传统CAE受到计算周期和算力限制，工程师往往只能选择少量典型方案进行高保真计算。而当AI快速仿真器可以承担大量重复预测后，同一个工程问题就有机会扩展到几十乃至上百种参数组合的快速扫描。从少量方案验证，到大规模参数扫描；从判断一个设计是否可行，到进一步寻找什么样的设计更优，物理AI正在扩大CAE能够覆盖的设计空间。在这一模式下，高保真CAE仍然承担基础样本生成、关键工况计算和最终工程验证，AI则承担大量高频、重复的预测任务。二者形成协同后，工程师可以把更多计算资源和专业精力用于方案比较、参数研究和设计决策。

这也意味着，AI对于汽车研发的意义并不仅仅是提速。当仿真计算由少量、低频变得更加快速和高频，CAE在研发流程中的角色也有机会从传统的设计验证工具，进一步向设计探索工具演进，推动汽车研发从“设计—仿真—修改—再仿真”的串行迭代方式，走向更加充分的设计空间探索。

大会期间，无限维智仿副总经理王小虎表示：“物理AI并不是要替代传统CAE，而是希望与现有仿真体系形成新的协同。过去受时间和算力限制，工程师可能只能验证有限的设计方案；当大量重复计算可以进入秒级预测后，真正发生变化的不仅仅是一次仿真快了多少，而是工程师能够探索多少设计可能性。我们认为，这会逐渐改变CAE参与产品研发的方式。”

从汽车走向更广泛的工业场景

更值得关注的是，汽车并不是iAISIM应用的唯一行业。对于AI类型的工业软件而言，完成一个优秀案例并不意味着具备真正的产品能力。不同工程问题在结构形式、材料特性、载荷方式、边界条件等方面存在显著差异，一个针对特定模型训练的AI，并不能简单复制到另一个工程问题。

目前，除汽车行业外，iAISIM已在航空航天、装备制造、能源等工业领域开展应用实践。iAISIM并非针对某一种零部件开发专用AI模型，而是基于统一的数据与物理双驱动架构，面对不同产品和工程场景，结合不同问题的高保真CAE数据和物理约束，训练与相应仿真任务对应的AI快速仿真器。这种通用性，对于仍处于快速发展阶段的AI工业软件而言尤为难得。

传统CAE经过数十年发展，国际工业软件企业已经围绕求解器形成深厚的技术和生态积累。AI与科学计算的快速融合，则正在带来新的技术变量，给国产CAE软件带来真正实现“弯道超车”的机会。

从汽车行业丰富的场景实践，到航空航天、装备制造、能源等领域的进一步应用，iAISIM正在验证一条具有通用性的物理AI工程计算路径：从算得更快到算得更多，从单点验证到设计空间探索，再从单一场景走向跨行业应用。这不仅体现了AI对传统CAE计算方式的创新，也代表着中国自主工业软件正在“AI+物理+工程计算”这一新兴方向上形成新的技术突破。随着更多复杂工业场景持续落地，以iAISIM为代表的物理AI工业软件，有望为中国CAE从传统技术追赶走向新一代工程计算技术的前沿探索提供新的路径。