从有限元求解、AI代理模型到物理AI：树为智能AI-CAE网页版上线
在传统有限元分析中，每遇到一个新的设计方案，工程师通常都要重新经历模型处理、工况设置、数值求解和结果分析。这个过程可靠，却也昂贵。当研发进入多方案、多参数和多轮迭代阶段，问题会变得更加突出：工程师想验证的方案很多，真正有时间计算的却很少。仿真原本是帮助设计做判断的工具，最后也可能成为限制设计空间的环节。近年来，随着机器学习进入工程领域，AI代理模型开始被用于替代部分重复计算。但现有AI代理模型通常只能服务于某个特定零件或一组固定参数，换一种结构，模型往往就需要重新训练。树为智能一直在研究另一种可能：突破传统AI代理模型仅适配单一零件、依赖个案仿真数据的局限性，脱离碎片化的结果拟合范式，使AI模型自主学习多类结构共通的物理机制与内在规律，搭建物理 AI 驱动、具备通用推演能力的新一代 AI-CAE 仿真框架。 围绕这条技术路线，我们研发了MeT结构仿真基座模型，并在汽车、航空航天、电子等工程场景中进行领域适配和验证。现在，其中一部分能力已经通过深智构DeepGigo网页版向用户开放。DeepGigo是树为智能面向工业研发打造的物理AI-CAE在线体验平台，工程师可以通过网页直接了解并体验相关技术流程。 树为智能AI-CAE网页版主界面从“每次重新求解”到“学习一类问题”再到“学习物理规律”有限元分析的基本思想，是将连续结构离散成大量有限单元和节点，再根据材料、载荷、约束以及单元之间的关系建立方程，最终求得位移、应力等物理量。只要结构、材料、载荷或边界条件发生变化，方程对应的问题也随之变化，求解过程通常需要重新执行。对于新型结构、极端工况和最终设计校核，这种数值求解仍然不可替代。但在实际研发过程中，还有大量任务具有明显的重复性：产品属于同一个结构家族，变化集中在局部几何、加强结构、材料参数或特定工况上，工程师需要反复比较不同方案的响应。常见的AI代理模型向前走了一步。它利用同类结构的历史仿真数据，学习设计参数与仿真结果之间的映射，将部分重复求解转化为快速预测。但这类模型通常依赖固定的参数定义和相近的结构拓扑：换一个零件、改变连接关系或超出训练范围，往往就需要重新准备数据、重新训练。它学习的是“一类相似问题”，而不是这些问题背后的共同物理机制。树为智能的MeT结构仿真基座模型则进一步改变了模型学习问题的方式。树为的MeT结构仿真基座模型不以某个零件的固定参数作为输入，而是统一读取有限元节点、空间坐标、材料属性、载荷、边界条件及拓扑关系。模型学习的对象由“某种结构的参数如何影响结果”，转变为“载荷如何在结构中传递，材料和约束如何共同决定应力与变形”这一类模型的物理规律。因此，AI-CAE真正值得讨论的并不只是“快了多少”，而是知识复用方式的变化：传统有限元方法针对每一个问题求解方程；AI代理模型复用一类相似问题的样本经验，物理AI则试图学习能够跨越不同结构复用的力学规律。树为物理AI：学习跨结构复用的物理规律树为智能研发MeT（Mechanics Transformer）结构仿真基座模型，并不是为了给每一种零件分别建立一个更复杂的代理模型。我们希望改变模型学习问题的方式。AI学习的不是某个产品的参数变化，而是结构力学问题中稳定存在的共同规律。无论是汽车尾门、航空框梁、设备支架还是承力壳体，其几何外形和网格拓扑可能完全不同，但它们仍然遵循相同的结构力学基本规律：材料属性决定局部本构响应；载荷通过结构连接关系向外传递；约束决定结构可以如何运动和变形；几何与拓扑共同影响整体刚度；局部截面变化会形成应力集中；整个结构需要满足基本的平衡关系。结构在变化，物理规律并没有变化。MeT的目标，就是学习这些能够跨越不同结构复用的规律。从有限元节点出发，建立统一的力学表达如果只把仿真云图当作图片进行训练，模型可以学习颜色与形状之间的统计关系，却很难理解颜色背后的力学含义。同样，一个只读取板厚、孔径、加强筋高度等人工参数的模型，也很难处理另一种参数定义完全不同的结构。MeT从有限元模型本身出发进行建模。在MeT中，每个网格节点被视为一个力学Token。节点的空间坐标、材料属性、约束状态、载荷信息和节点类型被编码为统一的特征表达；网格的连接关系则用于描述力在结构中的传递路径。多个节点Token及其连接关系，共同构成整个结构的力学表达。模型看到的不是“这是一扇尾门”或者“这是一个支架”，而是一个由几何、材料、载荷、约束和拓扑共同定义的力学系统。因此，不同结构可以拥有不同数量的节点、不同的网格密度和不同的连接方式，却仍然能够使用同一种方法进行表达。节点Token化的力学信息建模方法这意味着，MeT的输入形式在架构上不与固定零件绑定。汽车结构可以转换成节点Token，航空结构可以转换成节点Token，机械装备中的承力结构同样可以转换成节点Token。只要结构能够被表示为模型支持的力学离散形式，它就可以进入同一套模型框架。MeT通过节点级建模和拓扑关系表达，使不同规模、不同网格形式的有限元模型能够进入同一套模型框架。在拓扑关系中学习传力，在物理约束下完成推理结构不是一组彼此独立的节点。一个节点受到载荷后，作用会沿着单元连接、加强筋、连接面和主体结构继续传递。局部的载荷最终可能引起整个结构的变形，而几何突变处又可能出现与整体趋势不同的应力集中。因此，MeT不仅编码单个节点的信息，还显式保留节点之间的拓扑关系。模型需要学习：哪些节点直接相连；局部载荷如何向周围传递；不同材料区域如何共同响应；局部结构怎样影响整体刚度；远距离节点如何通过承载路径产生关联。MeT采用多尺度层次化Transformer结构，同时处理局部节点关系和整体结构响应。局部尺度用于关注孔、连接处、截面变化等应力集中区域；更大尺度则用于理解跨部件的载荷传递和整体变形。融合物理约束的Transformer框架单纯依赖数据拟合，容易得到一个在训练样本附近表现很好、换一种结构就失效的模型。对于工程问题，这远远不够。为此，MeT在注意力机制和训练目标中引入几何、材料、边界条件以及结构平衡等物理信息。预测结果不仅需要接近有限元参考解，还需要尽可能符合材料本构、平衡关系等基本力学规律。模型最终学习的不是一张固定云图，而是：当几何、材料、载荷、约束和拓扑发生变化时，结构的物理场将如何随之变化。 多尺度推理结构为什么要先预训练，再做行业微调把大量零件放进训练集，并不等于模型掌握了通用物理规律。如果模型只是记住训练样本的几何特征，那么遇到明显不同的新结构时，预测仍然可能失效。树为智能采用“典型力学工况预训练+行业数据微调”的路线。在预训练阶段，模型需要学习拉伸、压缩、弯曲、剪切和扭转等基础工况，理解材料、结构、载荷和边界之间的共同关系。这些工况是复杂工程响应的基础组成：拉伸与压缩反映轴向承载，弯曲体现截面与刚度的关系，剪切反映相邻区域的相对变形，扭转则体现空间结构和传力路径的影响。训练数据覆盖不同几何形式、材料参数、网格类型、载荷方式和边界组合，使模型不能只依赖某一种固定外形完成预测。预训练的目的不是让模型记住更多零件，而是形成可以迁移到不同结构的基础力学表示。进入具体行业后，再利用领域数据对模型进行适配、校准与工程验证，使其满足特定任务的数据分布、精度要求和应用条件。MeT预训练与领域微调方法这种方法与传统的小样本AI代理模型存在本质区别。工程中常见的专用AI代理模型围绕某个产品及其预设参数空间建立映射，模型能力与特定结构、参数定义和工况范围高度绑定。MeT则通过预训练学习可跨结构迁移的基础力学规律，再利用领域数据完成面向具体场景的适配与校准。行业数据的作用不是从零训练一个孤立的零件模型，而是让通用力学基座更准确地进入真实工程环境。为什么说它理论上可以适用于所有结构 这里所说的“适用于所有结构”，首先指模型架构和力学表达方式不与某一种固定零件绑定。传统AI代理模型要求所有样本共享固定的参数定义和基本拓扑。MeT不要求输入结构拥有相同的节点数量，也不要求它们具有完全一致的几何和连接关系。不同结构都可以被统一描述为：几何位置＋材料物性＋载荷＋边界条件＋拓扑关系。 因此，从模型架构上看，MeT能够通过统一的模型架构和力学表达处理不同类型的结构，而不是每换一个零件就重新设计一组输入、重新训练一个独立模型。它建立的是一个更一般的映射：输入一个结构及其材料、载荷和边界条件，输出对应的位移、应力等物理场。 汽车尾门只是这个映射的一种输入；机框、支架、壳体和其他结构件则是其他输入。模型的能力边界不应由零件名称划定，而应由模型当前覆盖的物理规律、材料模型、载荷类型和边界条件划定。更准确地说：MeT在结构表达上不绑定固定几何、固定网格和固定拓扑。理论上，所有能够被其当前力学体系描述的结构，都可以进入同一套模型进行推理。“理论通用”并不等于“当前已经完成所有工程场景的验证”。接触、塑性、大变形、断裂等复杂非线性问题，需要在模型中纳入相应物理机制，并经过数据、数值计算和试验的持续验证，才能确定实际适用范围。模型架构的通用性与工程应用的验证边界，需要同时说明。这不是对通用能力的削弱，而是物理AI走向工业应用必须坚持的基本原则。为什么结构静力首先开放汽车尾门深智构DeepGigo结构静力模块当前开放的体验能力，来自树为智能在汽车结构仿真中的一项研究。选择尾门作为首个公开体验场景，不是因为MeT只能处理尾门，而是因为它适合检验模型对复杂工业结构的表达和推理能力。尾门不是一个简单的几何曲面，而是由内外板、加强件等大量部件共同组成的装配结构。用于模型训练与验证的单个尾门样本约包含70至200个部件、20万至40万个网格单元以及100万至200万个节点，不同部件之间还存在复杂的连接关系和跨部件传力路径。训练数据包含126个汽车尾门样本，覆盖不同长宽尺寸、不同部件组成和不同内衬加强结构，并包含弯曲、扭转工况下的位移与应力结果。汽车尾门训练实施过程这组数据有两个特点。第一，它不是规则梁、板等理想化算例，而是由多个部件构成的工业结构。第二，不同样本之间并非简单修改一个标量参数，而是同时存在外形尺寸、部件组成和加强结构差异。模型需要处理的是结构变化与物理响应之间的关系。在完成典型力学工况预训练后，我们利用尾门数据对MeT进行领域微调，使其适应这一结构家族及对应的工况分布。技术验证资料记录的案例准确率为96.3%，典型结果对比中的最大值偏差为5%。在内部推理测试中，根据模型规模和节点数量不同，单个模型的推理时间约为10至75秒。汽车尾门训练情况这些数据需要放在明确的条件下理解。它们对应的是特定数据分布、结构类型、工况和验证方法，并不意味着模型在所有CAE问题中都能获得相同结果。在线体验的实际等待时间还会受到文件上传、网络传输、任务排队和服务器状态影响，不能与离线推理时间直接等同。尾门案例证明的是：通用力学基座经过行业适配后，可以进入真实的大规模工业结构，并完成物理场预测。它是通用路线的一次应用验证，而不是为尾门单独建立的技术终点。深智构DeepGigo网页版开放了什么本次上线的是深智构AI-CAE智能体的在线体验平台，并非企业版全部功能。DeepGigo以“数据驱动与物理建模融合”为技术方向，目前在首页呈现了三个服务模块：结构静力、数据驱动训练和流体仿真预测。其中，结构静力和数据驱动训练已经开放在线入口，流体仿真预测正在上线前验证。结构静力：从有限元模型直接预测物理场结构静力模块面向有限元模型的物理场预测。用户上传结构模型后，可以选择相应的AI模型，执行预测、生成结果，并在网页中查看三维物理场。当前在线版开放四个汽车尾门预测模型：弯曲工况位移预测弯曲工况应力预测扭转工况位移预测扭转工况应力预测页面支持上传.inp、.wrl和.bdf格式文件。受网络传输与在线计算资源限制，当前上传的模型文件需小于30 MB。更多工况、更大规模模型和企业专用模型，需要结合实际数据与应用环境进行适配和部署。DeepGigo结构静力模型界面数据驱动训练：让历史仿真数据重新进入研发流程除结构静力预测外，DeepGigo网页版还开放了数据驱动训练模块。该模块面向企业已有的仿真、试验及工程数据，支持上传.xlsx、.xls和.csv格式文件，并提供输入输出划分、异常值处理、数据标准化和结果导出等数据处理功能。完成数据整理后，用户可以围绕既有样本训练AI代理模型，用于特定产品和参数空间内的快速预测与参数优化。DeepGigo数据驱动训练界面数据驱动训练与MeT并不是彼此否定的两种方法。当产品结构、参数定义和工况边界相对固定时，专用代理模型具有数据需求明确、训练路径直接和预测速度快等优势；当问题涉及不同几何、不同网格或不同拓扑结构时，则需要进一步学习可以跨结构迁移的力学表达。前者解决的是“如何快速学习一个边界清晰的具体问题”，后者探索的是“如何将力学能力复用到不同结构问题中”。两种技术路线服务于不同的工程需求，也共同构成了DeepGigo“数据驱动与物理建模融合”的产品体系。流体仿真预测：面向更多物理场扩展DeepGigo的流体仿真预测模块将支持流体模型上传、流场分布预测及多工况快速评估。在完成必要的精度校核与稳定性测试后，我们将尽快开放在线体验。为什么网页版选择分阶段开放工业仿真不同于一般的信息生成任务。每一项能力在开放之前，都需要经过数据准备、模型训练、精度校核、稳定性测试和工程场景验证。结构类型、材料范围、载荷形式或边界条件一旦显著超出已经训练和验证的范围，预测误差就可能增加。因此，DeepGigo网页版采用分阶段开放的方式：一方面，优先将已经完成专项验证的能力提供给用户体验；另一方面，让工程师能够以较低门槛，实际了解AI-CAE从模型或数据上传、模型计算到结果查看的完整流程。网页版是树为智能面向公众提供的体验入口，并非企业级产品的替代。三种仿真范式如何协同传统有限元仿真解决的是：如何准确求解眼前这个结构问题？ 传统AI代理模型解决的是：如何快速预测这个固定结构在有限参数范围内的结果？ 树为物理AI想要解决的是：如何学习不同结构共同遵循的物理规律，并将这种能力复用到新的结构问题中？ 三者并不是简单的取代关系，而是分别适用于不同的工程任务。有限元方法仍然承担高保真求解与最终校核；AI代理模型适合边界清晰的固定参数优化；物理AI则试图建立跨结构复用的基础模型能力。在未来的工程流程中，更合理的组合可能是：物理AI用于大规模方案探索与快速预测，有限元方法用于高精度校核，新产生的仿真和试验数据再用于持续扩展物理模型的能力边界。 从在线体验到企业自己的物理AI能力网页体验解决的是“如何让更多工程师看到和使用物理AI”。进入真实的企业研发环境后，企业真正关心的问题则更进一步：过去积累的仿真数据是否能够复用？模型能否适配企业自己的产品结构和工况？数据能否留在内部环境？AI预测结果怎样进入现有研发流程？企业历史数据并不会自动成为模型能力。它需要经过数据清洗、工况识别、语义统一、质量评价和工程验证，才能转化为可以用于模型训练与评估的数据资产。围绕这一过程，树为智能的企业级方案不仅包括模型推理，还包括历史数据治理、领域模型训练、模型质量分析、多工况评估、参数优化、私有化部署及研发流程集成。企业可以根据自身的产品结构、数据规模和研发需求，建立专属的AI-CAE应用能力。对于企业而言，最终交付的不应只是一个固定功能的软件，而是一套可以利用自身数据持续迭代的仿真能力。企业每完成一次高质量仿真和试验，都有机会为模型增加新的工程知识；模型则将这些知识转化为后续项目可以调用的能力。原本分散在项目文件和个人经验中的资产，才可能逐渐形成可复用的研发基础设施。专用代理模型的扩展方式，通常是应用场景增加，模型数量随之增加。物理基座模型追求的是另一种积累方式：新增结构和工况，不只是产生一个新的孤立模型，而是在不断扩展同一个模型所掌握的物理规律。结语AI-CAE仍然是一个需要谨慎对待的工程技术方向。它需要高质量数据，需要明确适用域，需要与有限元结果和物理试验持续对照，也需要在速度、精度和泛化能力之间作出诚实的评估。但它带来的变化已经可以被观察到：有限元方法为每一个新问题重新求解；传统AI代理模型学习某个固定结构在有限参数空间内的映射；树为物理AI则尝试越过具体零件，学习几何、材料、载荷、约束与结构响应之间通用的物理规律。我们的目标不是为每一种结构单独训练一个模型。我们的目标，是让同一个物理基座模型能够理解不同结构，并在统一的力学表达下完成推理。本次DeepGigo网页版的上线，是树为智能将内部研究成果和工程实践转化为公开产品的一次阶段性开放。当前网页版只是用户了解和体验树为AI-CAE能力的入口，更多经过工程验证并适合在线使用的功能，将随着产品迭代陆续接入平台。来源：一起CAE吧
