本文来自微信公众号： 心智观察所 ，作者：心智观察所
三月的GTC大会上，黄仁勋花了一些时间依次念出五个名字：Cadence、达索系统、PTC、西门子、Synopsys。
这是全球工业软件领域最大的几个玩家。他宣布英伟达将与这五家公司深化合作，把CUDA-X和Omniverse注入到各自的核心产品里。
Cadence在EDA和CFD仿真里嵌入GPU加速，搭出一个叫ChipStack AI SuperAgent的自主芯片工程师；达索把行业世界模型塞进CATIA和SIMULIA，配上代理式3DEXPERIENCE平台的虚拟助手；PTC给Creo CAD加上3D建模的GPU加速，同时加速Windchill产品生命周期管理；西门子把Xcelerator和Teamcenter往工业数字孪生方向拧；Synopsys则把Ansys Fluent这套计算工程仿真工具拉进英伟达的算力体系。
五个名字依次报出时，行业内的人清楚这意味着什么。工业软件这个一向以严肃工程自居的行业，正在集体倒向同一个底座。
英伟达Omniverse
为什么是仿真，为什么是现在？
物理AI到底是什么？机器人怎么抓取物体、怎么插接零件、怎么在拥挤环境里避障，自动驾驶车辆如何应对暴雨夜间高速这种极端工况，这些能力不可能完全靠真实世界反复试错来训练，太慢、太贵、出错代价太大。它们必须先在虚拟环境里跑过千万次，才能搬到现实场景。而生成这些虚拟场景、产出训练数据的工具，本质上就是仿真平台。
过去工业软件圈讲仿真，指的多是产品研发阶段的验证。芯片设计完了拿去走一遍仿真，看看时序对不对。汽车结构出来，跑一下流体力学仿真，看气动性能。它是设计后端的工具。而现在，仿真要承担一件新的事，为物理AI源源不断地生成训练数据。
这是一个具体的位置变化。原本服务于工程师案头的工具，开始成为AI训练管道的上游入口。每一台真正部署到工厂的物理AI设备，背后可能对应着数千小时的CAE仿真投入。市场拐弯的方向变了，工业软件巨头自然要重新站位。
黄仁勋说，仿真是英伟达几乎所有业务的核心。这句话过去听起来像企业家的修辞，现在更像一种战略宣告。
英伟达在仿真层面已经构建了一个庞大的工具生态：底层有Omniverse做3D数字孪生平台，支持OpenUSD互操作和GPU加速物理库；上面是Isaac Sim做机器人仿真参考应用，Isaac Lab负责强化学习和模仿学习框架；再往上是Cosmos系列世界基础模型，包括基于两亿个预训练视频片段的Cosmos-Predict 2.5、做条件世界生成的Cosmos-Transfer 2.5，以及具身推理VLM Cosmos-Reason 2；配上OSMO的本地云端协同和GR00T Blueprint的合成数据工作流。从仿真到训练到部署，一条完整的数据管道串好了。
这条管道对国外工业软件巨头而言，是一个现成的底座。Cadence用OpenShell调用英伟达的能力做芯片自主工程师，达索把NemoClaw嵌入3DE平台，西门子用Fuse EDA AI Agent串联多个工具，新思和Ansys合作打通芯片设计全流程。他们的路径各异，但都不去重复造仿真底座，而是基于英伟达的算力和模型层，做自己的应用层和场景层。
国外巨头的剧本写到这里，逻辑顺畅。但留下一个不舒服的问题：没有英伟达作为支点的国产工业软件，怎么办？
这个问题在仿真行业悬了很久。CAE是工业软件里门槛最高的部分之一，物理引擎需要把刚体、流体、接触动力学、变形等各种求解器做到既精确又快。海外的Ansys、Dassault、Siemens、Synopsys在这个领域积累了二三十年。国内厂商即便奋力追赶，技术差距也不是一两年能抹平的事。
但过去半年里，行业内出现的一些动向显示，国产厂商并没有坐等差距被拉大，他们走的是另一条路。
这是一个三方拼接出来的生态。国产仿真引擎做核心，国产算力做底座，机器人和行业场景做出口。和英伟达那套算力厂商加工业软件巨头的两段式打法不同，国内走的是工业软件、算力、场景的三段式联合突围。逻辑上互通，组合上不同。
这种联合不是临时拼凑。国产GPU目前在通用计算性能、CUDA生态兼容性、软件栈成熟度上仍有不小差距，单独让任何一家厂商去对标英伟达都不现实。但如果把国产算力、国产求解器、国产机器人公司和具体的工业场景捆到一起，每一块都能在自己的能力边界里发挥作用，整体上反而能跑出一个相对完整的物理AI数据闭环。
类似的逻辑在其他公司身上也能看到。智元机器人在CES 2026上开源了Genie Sim 3.0，对标英伟达的Isaac Lab加Cosmos组合，是国内第一个综合性的物理AI仿真平台。五一视界把仿真做到智能驾驶场景，推出商业化的51Sim。索辰科技走的是更工业的路线，他们的开物平台基于生成式物理AI和实景渲染技术，做四维时空耦合的多物理场设计与仿真，已经在工业装备研制部署上落地。华为提供了工业仿真云平台SIM Space，定位是工业级仿真加数字孪生的商业化产品。
华为的工业仿真云平台SIM Space
把这些公司放到一张桌上看，会发现一件事。他们的切入点各不相同，有的从机器人本体进入仿真，有的从智能驾驶场景反推平台，有的延续传统CAE的工业基因，有的依托云服务厂商的算力。但所有路径背后都在做同一件事，让仿真不再是研发末端的验证工具，而是物理AI训练的上游基础设施。
这是一个市场拓展的好故事。但要让它真正跑起来，至少有几个问题需要回答。
商业模式上，海外巨头的打法清晰。工业软件license、CAE仿真服务、AI Agent订阅捆绑销售给客户，再把算力消耗通过英伟达的账单结算出去，每一层都有成熟的付费机制。
国产厂商目前还在生态搭建期，仿真平台对接给机器人公司、机器人公司用平台生成训练数据、训练好的模型部署到工业用户，这条链路的钱怎么分、license怎么定、谁向谁付费、按用量还是按席位，行业内还没有统一答案。Sim-PI生态大会上端出的合作伙伴名单很热闹，但实质性的商业闭环还需要时间验证。
数据上，物理AI训练需要大量高质量合成数据，合成数据的质量取决于物理引擎的精度。海外巨头在物理引擎上的积累，是国产厂商短期内难以填平的差距。云道、索辰这些公司过去几年做了不少底层求解器的工作，但和Ansys、Abaqus这种几十年磨出来的成熟产品相比，国产求解器在复杂工况下的稳定性、收敛性、求解精度依然有差距。这意味着即便把生态拼起来，最上游的数据生成环节质量天花板可能依然受限。
用户侧也是一道坎。工业软件是一个非常重视品牌和案例的行业，客户做一个关键工程项目，往往不愿冒险用没经过大规模验证的工具。国产仿真公司要真正进入主流工业用户的项目管线，需要时间，也需要标杆案例。这件事在汽车、半导体、航空航天这些对仿真精度要求最高的领域，尤其慢。
放在更长周期看，这场围绕仿真的争夺，本质上是物理AI时代基础设施定义权的争夺。黄仁勋说仿真是英伟达几乎所有业务的核心，反过来理解，谁掌握仿真这个工具层，谁就掌握了基础模型训练的数据源。海外的路径是英伟达统一底座、工业软件巨头做应用扩展。国产的路径是算力、求解器、场景三方联合搭建。两条路指向同一个目标：让机器更快、更便宜地理解真实世界。
工具层是物理AI产业链里最容易被市场低估的环节。它不像大模型那样占据头条，也不像机器人本体那样直观。但它处在数据源头的位置，决定了下游训练能跑多远。
最终能在下一轮竞争里抢到位置的，未必是单点技术最强的公司，而是能把算力、求解器、数据和场景串起来的公司。海外有英伟达带头串。国内的串法还在尝试，但已经有了大致的轮廓。剩下的事，看谁能先把这条链条跑通到正循环，也就是有真客户、真订单、真复购的状态。
物理AI正在让一个原本服务于工程师案头的行业，变成AI训练的核心基础设施。这场转型已经开始，没人能再绕开它。