基座模型 + 小样本微调，工业 AI 正在走向装备研发核心场景

近年来，AI 正在快速进入工业研发场景。

从 CAD 设计、CAE 仿真，到工艺规划、机器人装配，越来越多企业开始尝试用 AI 提升研发效率、缩短验证周期、降低工程师重复劳动。但在工业场景中，AI 面临的问题也更加复杂：工业研发并不是简单的文本生成或图像识别，而是一个高度依赖物理规律、工程经验和真实工况的系统性过程。

这也意味着，工业 AI 的核心挑战并不只是“能不能调用软件”，而是 AI 是否真正理解工业对象背后的几何结构、材料属性、受力关系、热传导、流体变化、接触装配和制造约束。

在这一方向上，树为智能正在探索一条以“物理 AI”为核心的工业智能体路线。

不同于单纯将大模型接入 CAD、CAE 软件，树为智能更强调从物理规律和因果推理出发，打造能够预测未来物理状态的物理因果推理基础模型，让 AI 学会理解工业世界中的真实规律。

基于这一技术理念，树为智能目前围绕工业研发流程，重点布局了两类智能体：AI-CAD 智能体与 AI-CAE 智能体。

其中，AI-CAD智能体主要面向工业设计与工程出图环节，覆盖三维模型理解、二维工程图生成、尺寸标注、BOM 输出、工艺信息整理以及图纸规范审核等场景。与传统 CAD 工具中的单点功能不同，这类智能体更强调对几何结构、设计意图、工程规范和制造约束的理解，帮助企业提升设计出图效率，减少重复性人工操作，并提高图纸交付的一致性。

AI-CAE智能体则面向仿真分析与工程验证环节，聚焦结构、热、流体、电磁、接触等复杂物理问题。通过结合企业历史仿真数据、物理因果推理模型和工程经验知识，AI-CAE 智能体能够辅助工程师完成仿真建模、边界条件设置、结果预测、方案优化和设计迭代，从而缩短仿真周期，降低对人工经验的过度依赖。

这一路线背后的长期目标，是让 AI 不只是调用 CAD、CAE 等工业软件，而是能够理解几何、理解工况、理解仿真结果背后的物理因果关系，并在设计、仿真、验证和优化之间形成连续的智能研发闭环。

从这个角度看，树为智能所代表的方向，并不是传统意义上的“AI+CAD”或“AI+CAE”，而是推动工业软件能力从“工具辅助”走向“物理智能”，让 AI 成为工业研发中理解物理世界、预测未来状态、辅助工程决策的重要基础设施。

以下是树为智能在22届中国CAE工程分析技术年会-工业智能与AI大模型仿真应用论坛上分享的PPT：