Ansys/COMSOL/Siemens 都在加 AI，哪些真有用，哪些是 PPT？

一个做了 15 年电声仿真、最近自己用开源+AI 编程重建了一套仿真工具链的人，给你把三巨头的 AI 功能拆开看看。

过去两年，翻开 Ansys、COMSOL、Siemens 的新版本 release note，三个词出现频率远超其他：Copilot、SimAI / ROM、GeomAI / Generative。把营销词撕开，三家其实只在做三件事：套个 LLM 聊天框（Copilot）、把历史仿真数据训成代理模型（ROM）、用生成模型造几何或搜设计空间（生成式）。这三类的工程价值差距，大概是 10 倍。先亮观点：

功能类别代表产品我给的评分一句话评价
LLM CopilotAnsys Engineering Copilot、COMSOL Chatbot、Siemens Design Copilot★★☆☆☆本质是文档 RAG，解决菜鸟问题，不解决专家问题
代理模型/ROMAnsys SimAI、Simcenter ROM、COMSOL Surrogate★★★★☆真有用，但核心价值是工作流，不是模型本身
生成式设计Ansys GeomAI、HEEDS Predictor★★★☆☆汽车/航空能跑，声学领域几乎无数据训练
GPU 加速（顺便提一句）COMSOL cuDSS、Fluent multi-GPU★★★★★没挂 AI 标签，但对用户帮助最大

把这三类的本质画出来其实非常简单——每一类都是同一套套路在不同场景下的应用：

看完上图你会发现：Copilot 是 RAG 套到 CAE 文档上、ROM 是代理模型套到仿真数据上、生成式是潜在空间套到几何上。没有任何一类是 CAE 厂商发明的，他们都是把通用 AI 模式搬进自己的产品里。下面一类一类拆。

第一类：LLM Copilot——几乎全是 PPT

剥开营销，全是 RAG：检索厂商的文档/论坛/培训材料，喂给 OpenAI/Gemini 的通用大模型，生成一个看起来专业的回答。

它解决的是新用户的问题：这个设置在哪个菜单、我该用什么边界条件、为什么报 XXX 错。它不解决专家的问题——为什么我的模态结果与实测差 5%、为什么低频吸声系数偏离教科书曲线、为什么这个网格收敛但物理意义不对。后者要的是物理判断，不是文档检索。

还有一个二阶问题：你贴的模型片段、报错 log，全部流经第三方。对军工、半导体、医疗这类项目，是合规问题不是技术问题。COMSOL 让你自己接 LLM、数据走自己通道，做法相对体面；Ansys AnsysGPT 走 Azure，数据流向需要警惕。

第二类：代理模型 / ROM——真有用，但要看怎么用

这是三巨头押注最深的方向。Ansys SimAI（上传历史数据训预测模型，性能预测快几百倍）、Siemens Simcenter ROM（数据驱动、不做黑箱）、COMSOL Surrogate Model（坦率说"就叫数据驱动代理模型"）。三家本质做同一件事：把神经算子从论文里搬到产品里。

但代理模型的核心价值不是"神经网络能逼近 PDE 解"——FNO、DeepONet、Transolver 学术界做了十年，开源也都能跑。真正值钱的是工作流集成：参数化、DOE、求解、训练、导出 FMU 给系统仿真用，一条管道在一个软件里跑通。如果你公司有几十个仿真工程师、几千个历史项目，SimAI 那种平台值那个钱。

但对声学/电声领域要打个问号

  • 扬声器 / 音箱 / 耳机 / 麦克风：振膜形状、单元布局、箱体声学构成的设计空间高度不光滑，换一个箱体结构或单元类型几乎肯定要重训。
  • 压电超声换能器：电-机-声多物理场耦合，特征长度 μm 级，仿真数据获取本身就贵，凑不出"上千个变参数样本"来训代理模型。
  • 线性室内声学 / 结构振动：最适合 ROM 的场景。但 COMSOL 6.2 就用传统解法把响应加速了一个数量级，6.4 又加了 cuDSS GPU 直接求解器——这些性价比比 AI ROM 更高。

一句话：声学工程师的瓶颈，往往不是"算得慢"，而是"模型不对"。AI ROM 解决前者，后者靠物理理解。

还有个经常被忽视的点：训练数据就是你的 know-how。你公司十几年积累的仿真档案，是你和竞争对手最核心的差异。在云端训一个模型，厂商工程师会不会看到？模型权重加密到什么程度？涨价十倍或厂商倒闭的时候你能不能拿回来？SimAI Pro 本地版的出现就是厂商听到了这个 pushback，但能力被刻意阉割（只能预测表面量、不能做全 3D 场）。

第三类：生成式设计——离声学还有距离

Ansys GeomAI（2026 R1 首发）最激进：学习一组参考几何，构建潜在空间，生成"设计语言一致"的新几何，配合 optiSLang 在潜在空间做闭环优化。

但厂商提供的成功案例 90% 集中在汽车气动、燃气轮机叶片、电池热管理、半导体增材——共同特点：参数化成熟、DOE 样本廉价、目标函数低维、行业有公开数据集可预训练。

声学场景几乎找不到例子。原因有两个：(1) 声学的性能指标是频响曲线、指向性、THD，这些是函数/场而不是标量，生成模型要求高出一个档次；(2) know-how 集中在小众专家手里，这些人自己做参数化扫描比训生成模型还快。GeomAI 这东西对声学工程师目前是"看看就好"，等五年。

顺便提一句：最被低估的"非 AI"功能

翻 release note 我反而觉得这几个对工程师帮助最大：COMSOL 6.4 的 cuDSS（NVIDIA GPU 直接求解器，某些问题快 5 倍）、Ansys Fluent 多 GPU、Lumerical FDTD GPU。这些没挂 AI 标签，但改变了我日常工作的节奏。AI Copilot 没有。

最后说一个反直觉的结论

三巨头在 AI 上的投入方向，反映的是他们各自的焦虑，不是对工程师需求的理解：

  • Ansys 焦虑新用户增长——SimAI 可以用非 Ansys 数据，想把非客户变成客户
  • Siemens 焦虑从 CAE 商变成"工业 AI 平台"——HEEDS + Simcenter ROM 整套 push，要卖数字孪生 + MBSE 整条链
  • COMSOL 焦虑大厂挤压——所以它最务实：GPU 加速、代理模型、显式动力学一项项补齐，AI 只是其中一个小模块

对工程师来说，最值钱的 AI 其实不在 CAE 软件里，而在 Claude Code / Cursor 这种通用编程助手里。这些工具不直接帮你算物理，但它们让你能在一周内把 BEM、有限元、参数扫描、后处理、可视化串成自己的管道——而这些管道才是商业 AI 模块替代不了的。

真正的护城河，是"会用 AI 写 AI+物理代码"的能力，不是"会用商业软件里的 AI 按钮"的能力。

厂商卖的是工具，你要卖的是判断力。