随着大模型能力不断提升，人工智能也必将从数字世界走向物理世界，尝试操作机器人、控制工业设备，乃至参与复杂工业系统的运行。

很显然，人工智能真正进入工业世界，仅仅拥有数据学习和推理能力还远远不够，它还必须理解并遵守物理规律。

南京天洑软件有限公司提出了“工业世界模型”的技术路线：将物理规律直接融入工业世界模型，让AI能够在符合工程约束的虚拟世界中学习、预测、推演和决策。

目前，世界模型主要依靠海量视频、图像和交互数据学习世界规律。这种方式能够让AI掌握大量视觉特征与行为模式，甚至生成十分逼真的未来画面。

但视觉上的真实，并不意味着物理上一定正确。AI可以生成一个水流经过管道的视频，但水流速度、压力和流量是否满足质量守恒？它可以生成一段金属结构变形的动画，但变形量是否符合材料的力学特性？

对于普通视频生成，这些问题可能无关紧要。但对于工业智能，它们直接关系到计算结果是否可信。

因此，工业世界模型需要解决一个关键问题：如何让AI生成的世界既能够学习现实，又能够经得起物理检验？

物理规律是工业世界模型的底层规则

天洑提出的工业世界模型，将物理规律内嵌作为核心技术特征之一。

所谓物理内嵌，就是让质量守恒、能量守恒、动力学方程、材料本构关系等物理规律，直接参与工业模型的构建、计算和推演。

举个例子。假设要在虚拟世界中建立一台工业水泵，传统三维建模可以还原水泵外形，数据驱动的AI模型可以根据历史数据预测水泵性能。

而一个具备物理规律的工业世界模型，还需要理解水泵内部流体如何运动、压力与流量如何关联、叶轮转速变化怎样影响功率，以及设备运行受到哪些物理和工程约束。当工程师改变转速、介质或运行条件时，模型需要根据相应规律计算新的运行状态。

这就要求工业世界模型同时拥有多种技术能力。

首先是物理引擎，通过流体、结构、传热等专业模型计算工业对象的物理行为。其次是AI模型，利用实验、仿真和运行数据学习复杂规律，在适用范围内快速预测设备响应。最后是现实校准，利用真实测量数据修正模型参数，并通过独立工况检验预测结果。

这些技术相互配合，让工业世界模型既具备物理可信性，又能够兼顾计算效率。

从预测结果到推演未来

当AI能够理解物理规律，工业智能的能力边界也将进一步拓展。

过去，工业AI的重要应用集中在数据分析、设备故障预警和性能预测。通过设备历史运行数据，判断某台设备是否异常，或者预测未来一段时间的运行参数。

但工业企业往往关心下一步：如果故障继续发展，会造成什么后果？如果采用不同控制方案，哪一种更安全、更经济？

这正是工业世界模型希望进一步解决的问题。

以发电厂为例，当机组需要调整负荷时，工业世界模型可以从当前运行状态出发，生成不同负荷调节策略下的多个虚拟世界。

这些世界遵循相应物理规律持续运行，分别计算温度、压力、功率、能耗以及安全约束的变化。

天洑将这种能力称为生成和运行“平行世界”。

其工业世界模型生成器能够根据不同的设备配置、工况条件、操作方案和初始状态，形成多个具体模型实例，并通过模型运行引擎持续推演。

工业智能也由此从状态预测，逐步走向方案推演与决策优化。

天洑的技术积累

工业世界模型需要同时具备物理建模、数据学习、模型运行和智能决策等能力，这也是天洑提出这一技术体系的重要基础。

成立于2011年的天洑，长期积累流体、结构和优化算法，并逐步形成物理AI与工业AI两类核心技术能力。

在物理AI方面，AICFD提供流体与传热建模能力，AIFEM提供结构力学与多物理场建模能力，AIPOD支持设计空间探索和智能优化。

这些技术为工业世界模型提供了计算物理行为、生成工程数据和验证不同方案的重要基础。

在工业AI方面，天洑通过工业AI底座TFIIF和智能数据建模软件DTEmpower，将工业运行数据、设备机理、专业算法和专家经验转化为可运行的工业模型。

在此基础上，工业世界模型生成器进一步引入工业本体、物理引擎、可微物理、世界运行引擎和智能体等能力。

这些能力共同构成天洑面向工业世界模型的框架体系及基础设施。

当AI开始真正理解物理世界，工业智能也将从“知道发生了什么”，向“理解为什么发生、预测接下来会怎样、判断应该如何行动”迈出重要一步。

这也正是天洑工业世界模型试图打开的未来。