中信建投：物理AI有望全面赋能制造、科研等领域智能化升级

物理AI通过将AI大模型、物理引擎、多学科仿真等方法结合起来，可实现对现实世界高精度动态模拟预测优化，以AI赋能传统产业。海外物理AI已应用于具身智能等领域，英伟达的Cosmos、Omniverse等一系列平台以及底层算力工厂实现全产业覆盖；国内物理AI仍处于初步发展阶段，CAE厂商在业务基础上探索物理AI在国防、具身智能、低空经济等方向的应用落地。总体看，物理AI作为AI技术演进的下一个方向，随着算力芯片和融合物理规律的模型能力升级，有望应用于更广阔场景，全面赋能制造、科研等领域智能化升级。

摘要

物理AI将AI与物理规律融合并应用于实体设备行动中。物理AI相较传统AI，能够理解真实世界物理规律，能够在数字孪生技术支持下应用真实数据和高保真虚拟环境数据进行训练与推理，能够依据传感器数据实现动态反馈调整行动策略。物理AI融合了机器学习算法、数字孪生、CAE求解器等能力，在高端制造、基础科学、能源等广泛领域具备广阔发展前景。

英伟达已形成较全面的物理AI产业布局。平台与软件层面，Cosmos与Omniverse分别负责世界模型与合成数据生成、高精度数字孪生与仿真；Isaac、PhysicsNeM、BioNeMo分别应用于机器人虚拟训练、工程气象、生物医药领域。硬件方面，英伟达规划多代GPU芯片，并形成DGX SuperPOD超级计算集群，构成从AI模型训练到物理仿真的完整基础设施。

国内CAE厂商有望深度参与物理AI产业。物理AI发展底层需要模型对于物理规律的理解能力，国产CAE厂商经过多年产业积累形成了多领域求解器和复杂场景耦合的技术能力与积累。基于AI融合的CAE等工业设计类软件，部分国产厂商已实现在具身智能、国防、低空经济等领域的场景探索，有望在物理AI产业发展浪潮中充分受益。

正文

一、物理AI概览

1.1 物理AI的概念

1.1.1 物理AI的概念

物理AI指的是一种结合传感器、智能体、物理材料与环境感知的 AI 系统，能够感知、理解、预测并操作物理世界中的对象与行为。通过将AI大模型、物理引擎、多学科仿真等方法结合起来，物理AI可以实现对现实世界高精度动态模拟预测优化，从而以AI赋能传统产业。物理AI的概念，最早起源于对具身智能的研究，即AI不只是“大脑”，还需“身体”与环境交互。此后，物理AI的概念逐渐延展为具备传感、认知、推理、动作能力的一体化智能系统，并融入边缘计算、分布式系统、机器学习等现代 AI 机制。

1.1.2 物理AI VS 数字AI

传统的数字AI，主要指的是基于大数据、深度学习等算法，在纯数字空间中完成信息处理与智能决策的人工智能形态。它强调数据驱动模型训练，核心能力集中在语言理解、图像识别、知识推理等抽象认知上，依赖于云计算中心、高性能GPU进行集中计算，其典型应用包括搜索引擎、推荐系统、语音助手、文图生成大模型等，这类智能系统通常不直接感知或操作物理世界，缺乏与环境交互形成闭环的能力。

相比之下，物理AI将软硬件结合，是能同时集成感知、认知、决策与物理执行能力的下一代智能系统。物理AI 强调的是具身智能与实体行为，不仅仅依赖数据计算，还整合了材料科学、传感器技术、嵌入式系统、机械控制等多个学科能力。物理AI 可通过视觉、触觉等多模态传感器对真实世界进行实时感知，并结合知识模型和本体推理对物理环境做出因果判断，最终驱动车辆、机械臂等执行系统进行实际动作，从而形成“感知–理解–执行”的闭环结构。

总的来说，数字AI 是对信息世界的建模与处理，而物理AI 则是让AI实实在在走入物理世界，具备执行力、实体交互能力和任务闭环反馈能力。它们代表了人工智能发展的两个阶段：一个是数字认知智能，另一个是融合行为智能的具身智能系统。随着机器人、自动驾驶、智能制造等场景快速落地，物理AI 正成为推动AI 应用从决策与感知走向行动的核心力量。

1.1.3 物理AI VS CAE

传统CAE作为工程分析的重要工具，依赖有限元分析、CFD、结构热力学耦合等物理建模与数值计算技术，对产品进行建模、仿真和验证。然而，其过程往往是静态的、失真的，依赖工程师经验设定边界条件与初始参数，且建模复杂、计算耗时。物理AI 的引入，使这些过程从“被动计算”迈向“主动学习与认知”，进而实现工程建模的智能化、自适应和闭环反馈。

物理 AI 的引入，为传统CAE带来变革与进步，将其原有的分析体系“智能升级”。一方面，物理AI利用机器学习、深度学习等AI技术，对历史仿真数据、实验数据进行挖掘，实现参数预测、模型快速拟合、结果回归校正，大幅缩短建模周期，提高仿真精度；另一方面，结合传感器数据，物理AI 能够与真实工程系统形成闭环，使仿真不再是脱离实体的预测工具，而成为实时决策与控制的一部分，支持系统自优化、自感知、自适应。随着CAE与物理AI的深度融合，也催生了如引入物理约束的神经网络模型、AI辅助的多尺度建模等新兴方向，探索将物理规律与数据驱动建模有机结合，这正是物理AI应用于产业的生动实践。物理AI也可作为连接CAE与控制系统的中间层，构建出“认知+执行”的新型工程闭环系统。物理AI 是CAE在AI时代背景下的认知型升级，它赋予工程系统更强的适应性、学习能力与决策能力，使传统工程仿真由工具向智能体演进。这种融合不仅拓宽了CAE的应用边界，也预示着未来工程设计将从“人工驱动”向“智能共创”迈进。

1.1.4 物理AI VS 数字孪生

数字孪生是真实物理世界的一种数字映射，其本质是物理实体在虚拟空间的实时动态映射，通过传感器数据持续更新模型状态。通过监测、模拟、预测和优化物理实体的全生命周期行为，数字孪生可以实现复制现实情况并支持决策。

数字孪生为物理AI提供了可控、可重复、可扩展的训练与验证环境，在具身智能系统的开发中扮演“虚拟测试场”的核心角色。以英伟达Omniverse平台为例，它通过高保真还原现实场景（如智能仓储、自动化工厂、生产线车间），结合物理仿真引擎与传感器模拟，为机器人、自动驾驶系统等物理AI模型的训练提供高度逼真的环境。企业可以在虚拟空间中对路径规划、抓取动作、避障行为等进行上万次测试，形成鲁棒性更强的控制策略，避免高风险与高成本的实机调试。例如富士康借助该平台对人形机器人进行任务规划训练，在部署前完成策略验证与优化，有效降低了设备磨损与测试周期，为复杂物理行为系统的工程化落地建立起“先虚后实”的闭环流程。

物理AI的引入也在不断增强数字孪生本身的智能性。传统数字孪生虽然能同步现实世界状态，但在面对复杂物理系统时往往缺乏高质量预测能力。而将具备物理约束与因果推理能力的AI模型嵌入其中，则可使数字孪生从“仿真”转向“推演”。例如在灾害预测场景中，AI通过学习历史风场、地形数据与气象变量，并嵌入大气物理模型，可在数字孪生平台上实现对台风路径、降雨落点、风速分布的高精度预测，为气象调度与城市应急提供更具前瞻性的辅助决策。在能源、电网、建筑等领域，物理AI也可在数字孪生中实现对设备老化、环境变化、系统扰动的智能识别与响应，使其从静态可视化模型跃升为动态智能化代理系统。

1.2 物理AI实现广泛场景落地

物理AI融合了人工智能与物理建模，具备强大的仿真、预测与优化能力，正在各行业中广泛落地应用。通过将多物理场耦合仿真与机器学习算法结合，物理AI可在工业设计、能源管理、医疗健康、自动驾驶、航空航天等领域提升研发效率、降低成本并加速创新，为复杂系统的实时决策提供了可行路径，正逐步成为驱动未来智能工程的重要引擎。

二、海外物理AI已应用于智能制造具身智能等领域

2.1 头部海外厂商物理AI布局

2.1.1英伟达的物理AI布局概览

近期，英伟达创始人兼CEO黄仁勋先后在拉斯维加斯CES展会、圣何塞英伟达GTC大会、北京第三届链博会上发表演讲，阐述英伟达物理AI布局，并推出一系列新产品和技术。英伟达认为，物理AI作为AI技术演进的第四波浪潮，标志着“通用机器人时代”的开端，英伟达正在通过硬件和软件生态加速这一进程。黄仁勋将AI的演进划分为四个阶段，即感知AI、生成式AI、代理式AI、物理AI，并强调物理AI将成为未来的技术拐点，赋能机器人产业。

英伟达发布Cosmos模型，全球首个世界基础模型，专为理解物理世界打造。想要把AI嵌入物理世界中，需要建立一个理解现实世界规则的世界模型，比如重力、摩擦力、惯性这些物理动力学，还要理解几何与空间关系、因果关系。Cosmos模型就这样应运而生，它是在2000万小时的视频数据上训练而成，这些视频聚焦动态物理事物，包含自然主题、人类行走、手部动作、操控物体，还有快速的相机运动，目的是教会AI理解物理世界，而非生成创意内容。同时，英伟达还宣布了Cosmos开源许可，在GitHub上线了小、中、大不同规模的模型，对应快速模型、主流模型，以及知识转移模型，赋能机器人和工业AI领域。

英伟达将Cosmos与Omniverse融合，搭建物理AI时代的基座。Omniverse是基于算法物理、原理物理、模拟构建的系统，将其与Cosmos相连，能为Cosmos生成内容提供基准事实，控制、调节生成结果。这样一来，Cosmos成为了基于真实场景物理规律的多元宇宙生成器，为物理AI在机器人和工业领域的应用奠定了基础。基于Cosmos和Omniverse模型，英伟达定义了未来物理AI领域的全新生产方式，即Cosmos + Omniverse组成的数字孪生、AI训练侧、AI部署侧这三者所构成的循环。未来，每个机器人公司最终都需要三台计算机：一台用于训练AI的DGX计算机；一台用于部署AI的AGX计算机，部署在汽车、机器人、自动移动机器人等各种边缘设备中，实现自主运行。连接两者需要一个数字孪生平台，数字孪生平台是训练好的AI进行实践、改进、合成数据生成、强化学习和AI反馈等操作的场所，是所有模拟的基础。这三台计算机将交互式工作，构成了英伟达针对AI工业世界的战略。

2.1.2 Google物理AI布局具身智能方向

谷歌正在积极推进其在物理AI领域的战略布局，致力于将通用人工智能从数字空间拓展至真实物理世界。2025年3月12日，谷歌Deep Mind发布了基于多模态通用大模型Gemini2.0构建的两类大模型：Gemini Robotics（VLA）和Gemini Robotics-ER（VLM），构建了一套覆盖“感知-推理-控制-执行”的完整物理智能体系。

Gemini Robotics ER（Embodied Reasoning）专注于机器人在物理环境中的空间与视觉推理能力，支持物体检测、指向、轨迹和抓取预测、多视角对应和3D辨识等功能。该模型可用于构建机器人感知层，将Gemini的多模态理解能力延伸至真实世界场景。Gemini Robotics则将Gemini Robotics ER的推理能力与底层动作控制结合，直接控制机器人完成复杂操作任务，如折纸、挂包、分类物品等。模型具备零样本和少样本学习能力，支持跨硬件平台泛化，执行自然语言指令时可自动生成控制代码或策略。通过上述模型，Google DeepMind构建了从感知推理到动作执行、再到本地部署的完整战略，目标是实现通用、交互性强、具备精细操控能力的智能机器人系统。

2.2 英伟达打造了从硬件到平台的全方位物理AI生态

英伟达已在物理AI领域构建起完整的技术与算力生态，涵盖模拟、训练与部署等核心环节。其中，Cosmos平台聚焦通过视频数据训练物理世界模型，是其最具战略意义的物理感知基础架构；Isaac平台则用于高精度训练机器人在虚拟环境中的行为决策，强化具身智能发展；PhysicsNeM专注偏微分方程的AI加速求解，支持工程、气候等高精度物理建模；BioNeMo则服务于药物分子结构模拟与蛋白质-化合物相互作用预测。硬件方面，英伟达通过规划Blackwell、Rubin、Feynman等系列先进GPU芯片，并形成DGX SuperPOD超级计算集群，支撑Omniverse、Modulus等平台大规模并行运算，构成从AI模型训练到物理仿真的完整基础设施。

2.2.1 物理世界建模引擎：Cosmos平台

物理AI的基础在于对现实世界的数字化建模，它不仅是将物理系统数学公式化，更是在AI语境下构建可以被理解、可以被推理、可以被计算的世界。传统的建模方式依赖偏微分方程、有限元法、计算几何与拓扑学来精确描述现实中的力学、电磁、热传导等现象。但在物理AI系统中，建模不仅限于人工定义方程，而是借助物理感知数据构建世界认知模型。这就要求建模引擎能够处理高度复杂的输入，如视觉视频、力觉序列、温度曲线等，将其转化为具备结构性和可推理性的数据。

Cosmos是英伟达推出的通用物理世界建模框架，旨在通过大规模视频和传感器数据训练AI模型，让机器具备对物理规律的感知与推理能力。Cosmos不依赖传统的物理方程，而是通过观察现实世界中物体的运动、交互和变化，自动学习其背后的动力学机制。该模型可广泛应用于自动驾驶、机器人、增强现实等领域，为虚拟场景生成、路径预测和环境理解等任务提供物理一致性的支持。作为英伟达“物理 AI”战略的核心组成，Cosmos 与Omniverse、Isaac、Modulus等平台协同工作，推动具身智能和数字孪生系统的发展，目前已广泛应用于具身智能、自动驾驶、视觉等行业头部客户。

2.2.2 多场景耦合仿真：Omniverse平台

多场景耦合仿真是物理AI中将建模与实际行为连接起来的特定环境仿真工具，它允许系统对扰动、指令或外部因素做出结构性响应。物理系统往往不是单一场主导的，而是多场耦合协同演化的，例如热-电-磁耦合、电磁-结构耦合、流体-结构耦合等，这要求仿真平台具备跨场建模能力、边界条件动态调整能力以及动态响应模拟能力。传统CAE平台已具备强大的耦合建模能力，但它们主要面向离线工程计算，无法满足物理AI在在线反馈、决策响应和低延迟模拟方面的需求。

以英伟达Omniverse为例，其核心由 Universal Scene Description (通用场景描述) 驱动，能够以统一的数据结构整合来自多源建模软件的几何、材质、动力学和行为描述。在仿真层，Omniverse支持通过英伟达PhysX实现刚体/软体动力学，通过Flow模块实现流体动力学，通过Flex支持粒子系统与柔性体仿真，同时与Isaac Sim（机器人）、Drive Sim（自动驾驶）、Kaolin（3D AI）等模块深度集成，完成结构-控制-感知一体化模拟。物理AI系统在这种仿真平台中，可以输入扰动（如动作、指令），观测系统响应，训练其预测与反馈机制，实现感知-决策闭环。Omniverse 还支持仿真可微分与AI可插拔：它可以将仿真结果实时供给AI模型，或将AI控制结果注入仿真，实现AI-in-the-loop循环。这为物理AI系统在控制器设计、策略评估、机器人调度等方面提供了可调可测的环境。此外，Omniverse的数字孪生能力也使其成为工业级Sim2Real训练平台，可用于生成合成数据，提升AI模型的泛化能力。

仿真平台不仅是训练场，还是行为验证器。系统可通过世界模型提前模拟不同策略路径的结果，在真实部署前进行筛选和评估。它兼具现实物理系统的“近似替身”与高效推理引擎的角色。由于不依赖高保真的求解器，仿真速度快、推理灵活，更适用于控制场景、机器人操作、自动驾驶决策等在线物理交互系统。正因多场景耦合仿真工具具备轻量级、智能化、多场景物理世界等诸多优势，物理AI正在成为赋能传统仿真系统的核心动能。

2.2.3 Modulus、Bionemo、Issac等垂直细分模型

PhysicsNeMo（原Modulus）是一个面向物理模型驱动 AI的高性能框架，支持物理知情神经网络（PINNs）、神经算子、图神经网络（GNNs）与扩散模型等多种SciML架构。物理研究人员能够直接在该平台上构建包含偏微分方程约束的代理模型，用于加速计算流体动力学、热传导、结构力学、电磁学等多物理场问题的仿真，预测速度相比传统CAE方法快数十倍。PhysicsNeMo提供从几何输入、网格处理到训练、推理、分布式并行训练的完整流水线，封装了高效数据管道、工程参考样例与GPU加速能力，可广泛部署于数字孪生与实时模拟场景中。

与之并行，BioNeMo是英伟达面向药物发现和计算生物学开放的生成式AI平台，包含BioNeMo Framework、BioNeMo NIM微服务以及Blueprints模板解决方案。该平台为小分子生成、蛋白质结构预测、分子对接和属性预测等任务提供预训练模型和端到端优化工具，显著缩短药物候选筛选周期。BioNeMo 特别适配大型分布式 GPU 集群，可在数百张 A100 GPU 上完成千亿token的蛋白语言模型训练，部分客户已实现推理能力提升12 倍以上效果，极大加速药物研发流程，并在多个行业与学术机构间建立协作落地。

Isaac是英伟达为机器人开发构建的端到端AI平台，集成了模拟训练、模型开发与硬件部署能力，旨在推动具身智能的发展。平台核心包括Isaac Sim仿真环境、Isaac ROS感知与控制模块、以及可部署在Jetson与Orin 等硬件上的加速引擎。Isaac Sim基于Omniverse构建，支持真实物理环境建模、碰撞检测、传感器模拟和合成数据生成，广泛应用于物流、制造、服务机器人等领域的虚拟训练与策略验证。该平台支持强化学习、模仿学习与迁移学习等多种训练方式，并可与ROS2无缝集成，加速从虚拟到现实的部署流程，是当前实现物理世界智能体训练与部署的重要基础设施。

三者均为开源生态，分别针对工程物理、生物药物、机器人等领域的数据驱动科学建模提供底层工具与参考流水线，均依托英伟达GPU的训练与推理加速特性，并可与Omniverse、DGX SuperPOD 等平台与算力基础设施集成，支撑可扩展、高性能的科学AI模型开发。这种跨领域、跨平台的物理AI开放生态，标志着英伟达对AI驱动科学工程和药物发现的战略性布局正在稳步推进。

2.2.4 GPU系列产品打造物理AI算力底座

英伟达在物理AI领域构建了强大的硬件体系，为大规模物理建模与仿真提供算力支撑。最新的Blackwell GPU架构以支持千亿参数模型为核心，具备高吞吐低延迟的推理能力，特别适配数字孪生与具身智能任务。Rubin GPU则面向未来超算与AI融合工作负载，强调通用性与能效比，适用于物理建模中高精度大尺度求解。Feynman 系列GPU是为科学计算定制的专用架构，支持更高精度浮点计算，服务于偏微分方程求解和精细网格仿真任务。在系统层面，英伟达的 DGX SuperPOD 超级计算集群已可实现每秒数千万亿次浮点运算，集成InfiniBand网络、高速NVLink互联与液冷技术，已部署于全球多个研究机构与企业环境中，支Omniverse、Modulus、BioNeMo等模型的训练与推理，成为推动物理AI落地的算力核心。

2.3 英伟达物理 AI 落地案例

2.3.1 宝马集团智能工厂

宝马集团正在通过与英伟达深度合作，积极推进其“iFACTORY”战略，将生产与设计流程数字化、虚拟化，并借助英伟达的Omniverse平台构建全球首个“虚拟工厂”。该平台能够将建筑、设备、物流、车辆和人工操作等多源数据整合入一个统一的三维数字孪生模型，实现跨地区多用户实时协作。宝马将其Debrecen电动车工厂等未来生产基地的完整虚拟模型提前两年以上投入使用，通过实时仿真布局、机器人动作与物流路径，验证任何新车型是否会在设备与空间中发生碰撞，显著降低试运行风险并加快生产准备。

借助Omniverse与英伟达DGX系统的协同能力，宝马能够在高保真虚拟环境中模拟装配线、人工操作、机器人行为及人机协同流程，并生成用于训练视觉检查、机器人路径优化等AI模型的合成数据集。这些工具和流程已助力宝马将生产规划成本降低约30%，将原本可能耗时高达数周的碰撞测试缩短至仅数天完成，同时实现对超过30座工厂的全球推广。这种由感知模拟到生产执行的闭环协作方式，体现了宝马集团将数字孪生、AI模拟与实体工厂连接起来的系统性战略构想，也推动了工业元宇宙与物理AI协同落地的新范式。

2.3.2 西门子应用物理AI赋能工业软件产品

西门子与英伟达自2022年起深化战略合作，以Siemens Xcelerator平台与英伟达Omniverse的整合为核心，全面推进“工业元宇宙”愿景。二者共同打造一个物理准确、实时交互的数字孪生系统，覆盖从产品设计、仿真验证到工厂规划与执行的全生命周期。借助Omniverse的实时光线追踪与物理渲染能力，西门子将其Teamcenter产品生命周期管理软件无缝嵌入Omniverse，实现高保真数字孪生展示，工程师团队能够协同可视化复杂CAD数据，快速识别和消除设计瓶颈，从而显著提升工程效率与决策质量，支持多方实时协同的场景在汽车、船舶、电池工厂等行业中得以实装。

基于Omniverse的加速计算与模拟能力，西门子借助英伟达Blackwell GPU和CUDA生态，将其SimcenterSTAR-CCM+CFD软件的仿真效率提升约30倍，实现对整车空气动力学、流程工程体系等复杂仿真的跨越式优化。与此同时，在生产车间层面，西门子推出配备英伟达GPU的工业 PC，为机器人视觉检测、质量控制、预测性维护等工业AI应用提供可靠边缘计算基础，实现 AI 在制造现场的稳定落地，AI执行速度提升约 25 倍。此外，Siemens Industrial Copilot与英伟达的生成式AI模型结合，为车间操作人员提供智能辅助，实现维护响应时间缩短约30%。综合而言，西门子与英伟达借助Omniverse打造物理与数字融合的工业AI基础设施，不仅加快了产品开发与工厂部署周期，还显著提升制造过程中成本效率与整体协同水平，标志着工业AI落地进入新阶段。

三、国内物理AI产业发展概览

3.1 工业软件国产化持续加速

3.1.1工业软件国产化替换借力设备更新政策

工业软件是制造业的数字底座，国产产品已适配并应用于较多场景，高端领域技术与生态仍存差距。CAD领域，中望软件、浩辰软件等厂商基于数十年的产品迭代，在二维CAD已基本对标海外龙头产品AutoCAD，且具备较大性价比优势；三维CAD领域技术难度较高，国产产品在航空航天、高端制造等市场与海外厂商仍有差距。CAE领域，求解器研发周期长、难度高，目前国产化率约20%，多重非线性分析、多物理场耦合等复杂仿真场景下国产产品求解效率与稳定性仍有差距。国内头部厂商索辰科技通过收并购与技术迭代完善产品性能，打造物理AI平台拓展具身智能、低空经济、智能工业等高速增长的下游领域，助力国产CAE生态构建。

2024年以来，我国针对工业软件领域密集出台多项国家级支持政策，针对关键行业提出量化目标，并给予一定资金支持，同时建立产业联盟推动生态建设，加速研发成果转化。作为工业软件领域核心支持政策，《工业重点行业领域设备更新和技术改造指南》明确到2027年全国完成200万套工业软件和80万套工业操作系统更新。政策出台与技术迭代双重催化下，国产工业软件及操作系统有望迎来广阔市场空间。

根据中研普华产业研究院发布的《2025-2030年中国工业软件行业竞争分析及发展前景预测报告》，2023年全球工业软件市场规模已达5028亿美元，同比增长5.25%。中国作为全球最大的制造业国家之一，对工业软件的需求尤为旺盛。2023年中国工业软件市场规模已达到2414亿元，同比增长12.3%，预计到2027年将达到5312.7亿元。

当前我国工业软件领域中嵌入式软件市场份额最大，占比达57.4%。经营管理类工业软件和生产控制类工业软件市场占比分别约为17.1%、17.0%，研发设计类软件占比相对较小，仅为8.5%。工信部相关文件明确到2027年更新200万套工业软件和80万台工业操作系统，覆盖石化、航空等关键行业。若以上述目标作为测算基准，结合各类产品大致价格区间测算，未来三年国产工业软件替换市场空间约为1870亿元。

3.1.2AI+工业软件市场加速渗透赋能工业企业智能化转型

AI+工业软件细分市场预计保持高速增长，深度赋能工业企业转型升级。据IDC《中国核心工业软件市场预测，2025-2029》报告预测，中国核心工业软件市场（含CAD、CAE、EDA、PLM、MES等，不含咨询与实施服务）市场规模将从2024年的318.6亿元增长至2029年的765亿元，年复合增速19.1%。其中，AI+工业软件子市场年复合增速达到43.3%，远高于整体市场及其他细分领域增速，到2029年预计规模达到171.4亿元，占工业软件市场比例有望由2024年的8.9%提升至2029年的22.4%。AI代码生成工具显著提高软件开发效率，而AI带来的仿真及智能化决策能力有望推动AI+工业软件在工艺优化、预测性维护、智能排产等核心场景和环节实现落地。

四、物理AI发展展望

4.1 算力与模型持续迭代升级

物理AI的核心竞争力将深刻依赖于上游能力的持续突破。一方面，以算力芯片集群构建的英伟达AI工厂、昇腾超节点集群等为物理AI模型训练提供高性能智能算力基座，海内外芯片能力持续提升，英伟达Rubin、Feynman系列GPU芯片已明确规划，谷歌、亚马逊以及国内华为、寒武纪等头部厂商ASIC能力持续迭代，将成为物理AI发展的基石。更强大的加速计算芯片将有效克服目前面临的计算瓶颈，实现更大规模、更高精度、更实时的物理模拟与AI训练，处理包含复杂物理规律和极端参数场景成为可能。

另一方面，模型架构和训练范式的革新，将物理定律与公式作为硬性或软性约束融入神经网络结构或损失函数中，将促进模型在有限的训练数据情形下，拥有更强的泛化能力和预测鲁棒性，模型将能够更好的理解并符合现实世界的各类物理规律，可解释性得到提升，有助于模型应用于复杂、容错率低的增量场景中。

4.2 应用深化，生态繁荣，市场爆发

上游模型与算力的基础进步将驱动下游应用的发展和生态的繁荣。开源生态建设将持续壮大并趋于成熟，以英伟达为例，其开源了针对工程物理、生物药物、机器人等领域的物理AI模型，支撑可扩展、高性能的科学AI模型开发，目前相关模型在开源平台得到广泛使用，有望逐步形成覆盖物理模型、求解器、AI框架、数据集、预训练模型库的综合平台，将大幅降低物理AI的开发门槛，促进社区协作和创新。物理AI开发门槛降低将促进其在细分场景的应用，针对流体力学、材料科学、结构分析、电磁学等细分领域的行业标准和最佳实践有望逐步确立，解决方案可靠性和可复制性持续提升。

物理AI的应用范围有望持续延伸。包含工业领域的高端制造设计优化、汽车智能驾驶仿真实验、医药领域的药物设计研发、气象领域的精准气候预测、基础科学领域的新型粒子发现等等，逐步由传统的制造业领域向更前沿的科学领域拓展。物理AI解决方案将持续完善，为客户提供高精确度、高效率、低成本的应用效益，正如英伟达CEO黄仁勋公开表述，物理AI将成为人工智能的下个浪潮。

风险提示

（1）宏观经济下行风险：计算机行业下游涉及千行百业，宏观经济下行压力下，行业IT支出不及预期将直接影响计算机行业需求；

（2）应收账款坏账风险：计算机多数公司业务以项目制签单为主，需要通过验收后能够收到回款，下游客户付款周期拉长可能导致应收账款坏账增加，并可能进一步导致资产减值损失；

（3）行业竞争加剧：计算机行业需求较为确定，但供给端竞争加剧或将导致行业格局发生变化；

（4）国际环境变化影响：目前国际形势动荡，对于海外收入占比较高公司可能形成影响，此外美国不断对中国科技施压，导致供应链安全风险。

（5）技术演进与产品研发放缓：物理AI属于新兴领域，受算力芯片、基础模型能力、物理规律与算法深度融合等多维度影响，技术与产品迭代可能放缓，导致场景与行业渗透不及预期。

来源：中信建投