AI+算力革命，千亿CAE赛道迎来掘金时刻
今天不聊专业技术，聊聊国产软件。
起因是，前两年，伴随着上海索辰的上市，国产CAE曾经引发一波投资人的关注，当时我也被认为是“行业专家”被访谈了几波，让我觉得受宠若惊——毕竟以前一说我做仿真的，别人都一头雾水，现在居然还有行业外的人主动来讨论这个话题了。但我觉得我很难给出“值得投”还是“不值得投”的意见，毕竟站在不同的角度，想法都会千差万别：任何一个工程师，都可以吐槽国产软件有多难用，但另一方面，看到我曾经的同学，老师都越来越多加入了国产软件开发的工作中，即便明明知道短期内挣钱很难，但这是一个必打的仗，这里面没一点情怀是很难坚持下来的。
因此，我无法给什么明确的建议，毕竟真金白银不是从我的口袋出的。但我会觉得现在入局实际比两年前更好，AI带来了信心和弯道超车的机会，也有越来越多的新公司出现了。
而至于能不能成，who knows？当年我刚开始做仿真工程师的时候，也有人和我说“你做这行不挣钱，比不上做房地产”（还好没去。。），而到我们成立一支很棒的仿真团队，这么一件小小的事，都花了将近6年的时间。所以，认定的方向，干就完了。
虽然这个过程，需要很多很多的钱，也需要很多很多的爱，但独具慧眼和能够坚持的人也一定会有收获，因为这是一条必走的路。
路虽远，行则将至；事虽难，做则必成。
【以下文章转自“阳光融汇资本”公众 号，原作者蓝善清。文章给了一个较为全面的行业概览，比我过于个人的表达要客观，与大家分享，点击下方原文链接，可跳转至原文】
1.CAE发展现状
CAE，即计算机辅助工程（Computer Aided Engineering），是指在产品/工程设计阶段用计算机软件对产品/工程项目的工作状态、行为进行基于物理模型的模拟，来预测其功能可用性、可靠性、效率和安全性等，实现产品/工程的设计优化，保证产品/工程达到预期功能并满足各种性能指标。CAE能够起到优化设计方案、提升产品性能、减少试验次数、提升研发效率、缩短开发周期、降低设计风险和研发成本的效果。CAE的核心载体是软件工具，本质是把物理和工程学科的理论模型做数学处理后得到的代数求解过程固化而成的计算机程序，且包括丰富的工程数据、模型和简单易操作的用户界面和结果分析功能。作为一种综合性、知识密集型信息产品，融合了物理学、数学、工程学、计算机科学等多学科的算法和技术，涉及学科广，模型复杂，需要深厚的理论基础和持续的技术创新。
CAE软件通常包括核心的求解器与图形用户界面（GUI），使用过程通常包含前处理、求解计算与后处理三个阶段。前处理过程中，用户在GUI为求解器提供/生成实际的几何模型和空间网格，选择物理模型和数值求解算法及其参数，根据实际工况设置求解的边界条件，之后求解器开始运行求解并输出结果数据，整个计算过程无需用户干涉。求解过程结束，用户用软件对计算结果进行后处理，包括对计算结果数据的提取、分析和展示等。以CFD（Computational Fluid Dynamics，计算流体动力学）为例，下图具体介绍了CAE软件的模块构成。
图片来源：公开资料
|| 1.2 CAE在电子产品、汽车、航空航天等应用广泛
电子产品研发快速迭代-例如跌落模拟，散热分析，EMC/EMI分析等。提升产品可靠性，降低研发成本，缩短研发周期减少开模与测试的次数。
图片来源：公司官网
现实中无法实现的测试-飞机撞击核电站的评价：美国联邦法规10CFR Part 50.150“Aircraft Impact Assessment”对于新设计的核动力堆均要求就抵御大型商用飞机撞击进行专门的评价。
图片来源：研究论文
新能源行业-电池冷却，电池效率提升，结构轻量化，气动噪音模拟等。可以提升安全性和效率，降低成本。
图片来源：公司官网
|| 1.3 市场情况
全球市场将达千亿级，中国CAE市场保持快速增长
贝哲斯咨询最新数据显示，2024年全球CAE（计算机辅助工程）市场规模已达90.28亿美元。基于对行业趋势的深度研判，预计2024-2029年间，该市场将以12.02%的年复合增长率持续扩张。传统驱动因素方面，新能源汽车、人工智能硬件等新兴行业的蓬勃兴起，智能制造在全球制造业的渗透率提升，以及企业对产品设计验证效率的迫切需求，共同构成市场增长的坚实基础。同时，随着高性能计算集群的算力突破PB级，AI算法在仿真优化领域的深度应用，CAE技术正实现“研发周期缩短40%以上”的效率飞跃，且通过自动化建模、智能参数调整等功能显著降低使用门槛，加速向中小企业普及，成为驱动市场扩容的核心引擎。
随着国内汽车、航空航天、电子产品、半导体高端装备等先进制造产业的转移以及数字化转型升级加速推进，国内先进制造产业原创性产品开发需求增加，研发迭代加快，以及新兴领域的快速发展，中国CAE市场也将保持快速增长态势，且将高于全球增长水平。2023年中国CAE市场规模约为35亿美元，预计到2030将突破80亿美元，年复合增长率达15%。
产品结构分类：流体、结构占据主要方向
CAE软件产品涉及流体、结构、光学、声学、电磁、多学科等多个方向，可满足航空航天、国防装备、船舶海洋、重型机械、核工业、电子电器、地面交通等复杂产品或工程领域的仿真需求。根据市场调研情况看，下游企业在软件采购开支上，流体、结构仿真软件是占比最大的方向，两者占比分别在30%-35%左右；其余声学、电磁、光学及多学科等产品方向约各占5%。
|| 1.4 CAE产业链：求解器是CAE软件的技术内核
CAE行业由上游的软件开发基础设施、中游软件开发及应用以及下游应用领域组成。上游作为软件开发基础设施层，主要包括软件求解器、基础软件产品以及硬件设备等；中游聚焦CAE软件研发与技术咨询服务；下游则广泛覆盖汽车、工程机械、航空航天、电子信息等战略产业。其中，求解器作为CAE软件的技术内核，其源代码深度融合数学建模、工程力学、材料科学等多学科理论，开发周期通常长达5-8年，且需顶尖科研团队持续迭代优化。高校与科研院所承担基础算法研究，头部厂商主导工程化应用开发，由此形成的技术壁垒赋予源代码极高的知识产权价值，使其成为产业链中占据核心话语权的“价值高地”。
|| 1.5 竞争格局：海外厂商绝对领先，中国厂商迎来快速发展期
在全球CAE市场，美国、德国、法国等工业强国凭借先发优势占据主导地位。以ANSYS、达索、西门子为代表的海外厂商，凭借数十年在技术研发、软件架构设计、商业生态构建及市场培育方面的深厚积淀，其产品在通用性、稳定性和可靠性上表现卓越。这些头部企业构建的CAE软件体系，已深度嵌入全球工业制造产业链，在下游汽车、航空航天等领域的市场份额长期稳定在95%以上，形成显著的技术与品牌壁垒。近年来，中国CAE厂商在政策、市场和技术的多重驱动下迎来快速发展期：
热点事件引发产业觉醒：2019年华为被列入美国“实体清单”，核心工业软件与EDA工具遭禁；2020年哈尔滨工业大学被禁用MATLAB，此类事件将“工业软件卡脖子”问题推向舆论焦点，引发产业界对国产CAE技术自主可控的迫切需求，也吸引了大量资本注入国产软件赛道。
政策红利释放发展动能：“十四五”规划明确将计算机辅助设计、仿真等工具软件列为关键基础软件补短板重点领域，《中国制造2025》更将CAE技术纳入国家战略布局。政策导向推动国有大型企业如航空航天集团等，优先采购国产CAE软件，为本土厂商提供关键市场入口。
市场需求催生本土机遇：随着国内先进制造业向高端化转型，企业对产品自主研发能力要求激增。相较海外软件，国产CAE产品在中文交互界面、本地化技术支持和中小客户响应速度上优势显著。例如，传统国外软件因全英文操作界面和高昂定制化成本，难以满足中小型企业灵活需求，而国产厂商可通过快速迭代实现需求精准匹配。
技术突破构建竞争优势：中国算力规模跃居全球第二、AI核心产业突破4000亿元的技术生态，为CAE发展提供底层支撑。阿里云、腾讯云等云计算平台提供的弹性算力，使国产CAE软件可支撑百万级网格模型实时协同分析，成本降低40%；AI驱动的自动化建模技术在新能源汽车电池热管理、航天器结构优化等领域实现突破，成功替代部分进口产品，推动国产CAE市场份额逐步提升。
2.传统CAE的技术瓶颈
|| 2.1 传统物理仿真依赖经验参数，难以覆盖复杂场景
在物理仿真技术的实际应用中，就参数构建维度来看，物理仿真模型的精准度高度依赖大量参数的合理配置，旨在最大程度还原真实物理现象。然而，诸多关键参数难以通过纯理论推导得出精确数值，往往需基于历史实验数据、行业研究成果或实践经验进行设定。以物体空气动力学仿真为例，空气阻力系数不仅取决于物体的几何形状、表面粗糙度，还与环境温度、气压、气流湍流度等变量密切相关。由于不同工况下这些变量的组合千差万别，这样的过程通常需参考过往同类实验数据或行业通用经验值进行参数校准，导致仿真结果存在天然的经验依赖性。而经验参数与实际工况一旦存在偏差，可能直接引发产品性能误判，增加研发迭代成本与市场投放风险。而现实物理系统往往呈现多因素耦合、高度非线性的复杂特征，远超当前仿真技术的处理能力。针对这种复杂场景，尽管当前仿真模型可通过简化假设纳入部分核心变量，但受计算资源与算法精度限制，难以完整捕捉变量间的非线性作用关系，导致仿真结果与实际火情存在显著偏差，无法为灾害预警、应急资源调配等商业决策提供可靠依据。
|| 2.2 高性能计算（HPC）资源门槛高，中小企业难以负担
高性能计算资源作为驱动经济发展与科技创新的核心引擎，其成本构成已成为企业与个人在算力资源投资决策中不可或缺的考量要素。算力成本是一个多维交织的复杂体系：硬件采购成本是根基，涵盖服务器及CPU、GPU等关键芯片，性能与规格的差异会导致价格呈现数倍甚至数十倍的悬殊（如高性能GPU价格远超普通CPU），小型数据中心硬件投入可达数十万元，而大型数据中心或云计算厂商的硬件支出更是堪称“天价”；运维成本占比达总成本的20%-30%，包括冷却系统、电力供应的维护及软件更新优化，例如冷却系统需持续消耗电力以维持硬件运行温度，专业技术团队的人力投入亦不可或缺；电力成本随计算强度呈指数级增长。以小型互联网企业为处理日益增长的用户数据、运行复杂业务算法自建小型数据中心成本核算为例。其硬件采购方面，购置10台每台约2万元的中等性能服务器，共花费20万元。运维上，聘请月薪1.5万元的专职运维人员，加上每年约5万元的冷却与电力供应系统维护费，年运维成本约23万元。电力消耗因服务器全天运行，每月电费约8000元，一年达9.6万元。场地租赁选在偏远低价处，年租金5万元。人力成本除运维人员外，还有一名兼 职技术支持人员，每年费用约5万元。如此计算，一年的总算力成本便达到62.6万元，此后每年主要运维、场地等成本还需达到40万元左右。
3.AI与算力的技术驱动双重突破
算法创新：在科技革新浪潮中，AI技术正以颠覆性力量重构工程与科学领域底层逻辑，算法创新成为驱动变革的核心引擎，开启智能创新全新路径。以物理信息神经网络（PINN）为例，其通过将物理定律嵌入神经网络架构，结合自动微分技术实现数据拟合与物理约束的双重满足，无需网格划分即可快速求解连续物理场，将流体力学仿真周期从数周压缩至小时级。生成式AI则依托扩散模型、GANs等技术，学习海量设计数据潜在分布，自动生成突破传统认知的创新方案，例如宝马应用该技术实现电动车电池包支架减重40%。算法创新以技术融合突破传统瓶颈，推动工程与科学领域向高效化、智能化方向跃迁，释放前所未有的创新动能。
自动化优化：正推动工程优化从“经验驱动”向“智能决策”跃迁，成为突破效率瓶颈的核心抓手。通过强化学习技术优化多参数设计，显著提升工程系统的自适应优化能力，革新传统人工调参的低效模式，全面提升工程运行效能。强化学习技术通过构建马尔可夫决策过程模型，实现智能体与仿真环境的动态交互，以“探索-利用”机制自主优化参数策略，为多参数优化带来革命性突破。例如，在化工领域可将反应器产率优化周期从数月压缩至数周，效率提升60%以上；在智能交通场景中，实时感知车流变化并自动优化信号配时，使路口通行效率提升35%。该技术无需预设优化规则，通过自主学习生成最优策略，大幅减少人工调参成本，推动工程设计从“被动调整”迈向“主动进化”，释放传统模式难以企及的创新效能。
数据驱动：已成为工程研发降本增效的核心引擎。依托历史仿真与实验数据构建智能模型，该技术正重塑传统研发模式，显著提升企业创新效能。数据驱动技术通过深度学习算法，对海量历史数据进行深度挖掘，构建高精度替代模型，精准预测锂电池寿命、建筑结构抗震性能等关键参数，有效减少70%以上的实验验证次数。例如，汽车企业利用历史碰撞仿真数据训练模型，仅需少量实车测试即可完成安全性能优化，研发周期缩短40%，成本降低超60%。这种“以数据替代实验”的模式，不仅大幅降低研发成本，更通过数据反哺实现模型持续迭代，推动工程研发向高效、低成本、可持续方向升级。
|| 3.2 算力爆发的支撑作用
高性能计算（HPC）集群与云计算的普及，本质是数据革命与算力需求迭代的必然结果，其核心动因源于三大层面：首先是数据规模的指数级激增，全球数据量从2010年1.2ZB飙升至2025年175ZB，基因组测序、自动驾驶路测等场景产生的海量数据，远超传统单机计算或小型集群的处理能力，亟需分布式算力架构支撑实时分析与存储；其次是复杂场景对算力的多维挑战，科学研究中的粒子对撞模拟、工业领域的航空发动机燃烧仿真、人工智能中的超大规模模型训练等任务，不仅需要PFLOPS级的极限算力，还要求算力具备动态调度与跨地域协同能力，传统静态架构难以满足；最后是成本优化与敏捷性的刚需，传统自建HPC集群需投入数百万至数千万美元，且资源利用率常低于40%，而云计算的“按需付费”模式与弹性扩展特性，可使企业算力成本降低50%-70%，并支持分钟级资源扩容，显著提升投入产出比。
GPU（图形处理器）凭借硬件架构与计算任务的深度适配性，在提升并行计算效率、缩短仿真时间方面展现出显著优势，其核心价值体现在适用场景的针对性与性能突破上。从适用场景看，GPU擅长处理科学与工程仿真、数据处理与渲染等海量同质化并行任务：在科学与工程领域，可将汽车碰撞仿真、飞机气动设计等任务的计算周期从数周缩短至数天，如ANSYS流体仿真结合GPU后，效率提升90%以上；在数据处理场景，能将医学CT影像三维重建时间从小时级压缩至分钟级。从提高计算效率方面看，GPU基于“单指令多数据”（SIMD）架构，拥有数百至数千个计算核心，如NVIDIA H100包含18432个CUDA核心，可同时对多个数据执行相同指令，将大规模重复计算任务拆解为数千个并行子任务，通过硬件级并行架构实现算力吞吐量的爆炸式增长。在计算流体动力学（CFD）领域，相关研究显示，针对2D lid-driven cavity flow的仿真，GPU版本在双精度下相比顺序CPU版本，速度可分别提升58倍和21倍，单精度下提升78倍和32倍。在医疗领域，NVIDIA Tesla V100 GPU能使医学影像重建速度提升10倍。而在汽车碰撞仿真等复杂物理场景中，鲁班系统利用GPU实现了相较于原来50至100倍以上的计算加速，原本需一周完成的仿真任务，如今仅需几小时。
4.商业模式变化与市场动向
根据Gartner 2024年的统计数据显示，行业云化进程显著加速，渗透率从2019年的15%大幅跃升至2024年的38%。在这一趋势推动下，各领域头部企业纷纷布局创新技术与服务：ANSYS推出Ansys Gateway on Azure解决方案，通过云端算力赋能边缘端实时仿真，大幅提升计算效率；Altair Unlimited进一步拓展服务版图，新增AI训练云服务，持续向全栈SaaS化服务模式迈进；Fusion 360与Microsoft Teams深度集成，实现跨团队实时协同评审，优化产品研发流程；nTopology携手NVIDIA共建超算中心，采用本地GPU与云端协作的复合技术路线，显著提升晶格生成效率，为复杂结构设计带来新突破。
|| 4.2 CAE市场动态
在AI与GPU加速计算深度融合驱动产业升级的背景下，计算机辅助工程（CAE）领域正经历技术革新。传统领军企业如ANSYS、Altair、Autodesk等通过持续技术迭代与资本并购策略巩固行业领导地位，而创新型科技公司如nTopology则以前沿技术路线实现弯道超车，形成行业生态系统的动态博弈格局。
1）ANSYS公司
ANSYS Discovery 2024深度集成NVIDIA Omniverse平台，构建了一个跨学科、跨领域的协同仿真生态。该平台支持实时多物理场协同仿真，通过打破传统仿真中不同物理场之间的壁垒，工程师能够在统一环境下进行多场耦合分析，其响应速度较2021年提升50%。
在GPU加速领域，ANSYS与NVIDIA展开深度合作，对LS-DYNA求解器进行优化。通过充分利用NVIDIA GPU强大的并行计算能力，在汽车碰撞仿真场景中，计算效率实现了20倍的飞跃，大幅缩短了汽车安全性能研发周期。
Fluent 2024 GPU求解器基于NVIDIA Hopper架构，在大规模CFD（计算流体动力学）仿真中展现出卓越性能。以空客A350气动设计为例，该求解器使仿真效率提升50%，助力工程师更高效地优化飞机气动外形，降低飞行阻力。
Topology Optimization AI 2023结合数字孪生技术，为医疗领域带来创新应用。在强生的骨科植入物研发中，通过对患者骨骼结构进行精准建模与分析，设计出患者特异性骨科植入物，临床适配度提升30%，显著提高了患者术后恢复效果。
ANSYS Additive Suite于2022年推出晶格工艺缺陷预测功能，在工业制造领域发挥重要作用。斯伦贝谢将其应用于深海钻头耐磨结构优化，通过提 前预测和规避晶格缺陷，提升了钻头的耐用性和可靠性，降低了深海钻探作业成本。
2）Altair公司
SimSolid 2024新增AI驱动空间网格的自适应功能，这一创新技术能够根据模型的几何特征和物理特性，自动生成最优的网格划分方案。在复杂装配体仿真中，效率提升70%，极大地减少了工程师在网格划分环节所耗费的时间和精力。
Altair HPC Cloud与AWS合作推出弹性GPU集群，具备强大的计算扩展能力，支持千核级并行计算。在丰田氢燃料电池热管理仿真项目中，该集群快速处理海量数据，帮助工程师准确分析燃料电池在不同工况下的散热情况，优化热管理系统设计。
Altair Inspire 2024支持多目标Pareto优化，为复杂工程设计提供了高效的决策工具。西门子能源在燃气轮机叶片设计中，运用该功能实现了叶片寿命与效率的平衡设计，在提升燃气轮机性能的同时，降低了维护成本。
多尺度拓扑优化技术支持从宏观结构到微观晶格的一体化设计，在航空制造领域成效显著。以空客A320neo部件减重项目为例，通过该技术实现部件减重18%，有效降低了飞机燃油消耗。
Altair SimSolid在2024年助力本田进行整车NVH（噪声、振动与声振粗糙度）仿真，将原本需要8小时的网格划分预处理时间大幅降至15分钟，显著提升了整车NVH性能研发效率。
3）Autodesk Fusion 360
实时云仿真基于AWS Graviton3处理器的强大性能，实现了千万元素级模型秒级响应。这使得工程师能够在云端快速进行大规模模型的仿真分析，无需受限于本地计算机的硬件性能。
Real-Time Simulation 2023作为云端多物理场协同工具，在汽车电池安全领域发挥重要作用。宝马将其应用于电池包热失控预警系统研发，通过实时模拟电池在不同工况下的热行为，迭代周期缩短70%，加速了电动汽车电池安全技术的创新。
4）nTopology
Generative Engine 2024构建了AI驱动的全自动设计-仿真闭环，实现了从设计构思到仿真验证的全流程自动化。在洛克希德・马丁的卫星天线轻量化项目中，该引擎通过智能算法优化设计，使卫星天线减重45%，有效降低了卫星发射成本。
AI材料库集成超材料性能预测模型，为材料研发提供了创新思路。2023年，nTopology与巴斯夫合作，利用该材料库开发定制化复合材料，满足不同行业对高性能材料的需求。
Lattice Module 2024的动态晶格密度分布算法，能够根据结构受力情况自动调整晶格密度。福特将其应用于电动汽车电池支架冲击吸能结构设计，使能量吸收率提升60%，增强了电池在碰撞中的安全性。
Field-Driven Generative Design基于物理场（如热应力）的自动化晶格生成技术，在航天领域展现出巨大潜力。NASA将其用于火箭发动机轻量化设计，通过优化发动机结构，提高了火箭的运载能力。
