西门子直言物理AI边界：安全关键部件仍需人工终审

物理AI的加速能力与硬性边界

西门子宣称其Simcenter PhysicsAI技术可在传统仿真耗时内完成数千种设计变体的探索——速度最高达传统求解器的1000倍。然而，这一惊人效率存在明确禁区：它不能批准任何安全关键部件。在班加罗尔举行的Realize LIVE亚太峰会上，西门子数字工业软件业务负责人萨姆·马哈林甘（Sam Mahalingam）直截了当地回应：“它适用于安全关键应用吗？不，完全不适用。”这一表态与过去两年行业普遍渲染AI“无所不能”的叙事形成鲜明反差，凸显出对技术边界的清醒认知——工程师的核心价值，恰恰在于清楚知道何时该停止依赖AI、转而启动严格物理验证。

代理模型的本质：快而不全的估算器

Simcenter PhysicsAI是一种基于几何深度学习的软件，其加速原理并非实时求解物理方程，而是构建一个“代理模型”（surrogate model）：该模型通过学习海量历史仿真数据，在数秒内对新设计做出性能预测。它输出的是估算结果，而非完整物理计算。西门子内部案例显示，其预测结果与传统物理求解器的偏差通常为1%–3%，虽已高度接近，但尚不足以支撑关乎生命安全的认证决策。马哈林甘强调，该AI并非验证环节的替代者，而是前置过滤器：“你先用这个更快的引擎探索大量设计方案，锁定两三个有潜力的候选方案，再用传统物理仿真进行详细、严谨的设计验证。”只有通过完整物理仿真检验的方案，才可进入制造流程。即便是西门子重点宣传的大陆集团（Continental）安全气囊案例，也仅限于初始设计探索阶段，绝不意味着仅凭PhysicsAI即可批准量产。

隐形依赖：合成数据训练的闭环局限

速度指标掩盖了另一重关键限制：PhysicsAI的性能高度依赖其训练数据来源。西门子多个标杆案例（包括麦格纳Magna和大陆集团项目）所用AI模型，均基于合成数据训练——即由西门子自有求解器（如Simsolid）生成的仿真输出，而非真实物理测试数据。这意味着AI的能力上限，本质上被其所学的仿真系统所框定。“如果AI只从仿真中学习，它能否超越教它的那个仿真？”马哈林甘坦承这一循环性问题。以麦格纳项目为例，客户先用西门子设计搜索工具HEEDS进行广域探索，并借助跳过网格划分的Simsolid求解器快速生成仿真数据；这些合成数据再被回输用于训练PhysicsAI模型。当客户缺乏原始数据时，“他们首先用Simsolid和HEEDS生成合成数据，再用这些数据训练PhysicsAI模型”。因此，代理模型的可靠性永远受限于底层仿真本身的精度与假设。

内置防护：拒绝越界预测的工程守则

为防止模型在未知领域盲目 extrapolate，西门子在PhysicsAI中嵌入了主动防护机制。该机制能识别输入设计是否显著偏离训练数据分布——例如，若模型仅在某类特定几何形状上训练过，面对结构迥异的新设计，它会明确返回“无法预测”的警告，而非给出错误结果。“我们设置了防护栏，让它主动说：‘嘿，我无法预测这个——这与你训练它的形状完全不同。’”马哈林甘解释道，“这样工程师就不会搬起石头砸自己的脚。”

坦诚即竞争力：在AI hype中重建信任

西门子的坦率并非谦逊退让，而是一种战略定位。当前所有仿真厂商都在竞相为产品叠加AI标签，但过度承诺正侵蚀用户对技术指标的信任。通过清晰划定技术边界——适用于探索，不适用于终审；依赖高质量数据，失效于训练域外——西门子押注于一个核心信念：工程师更信赖那些坦诚告知“我不能做什么”的工具。这种诚实本身，已成为差异化竞争的关键叙事。

> 编者观点：对中国企业而言，西门子此举提示——在工业AI落地中，与其追逐“全栈替代”的宏大叙事，不如聚焦“人机协同”的务实路径：以AI放大工程师的探索广度与效率，同时坚守物理验证与人工决策的不可替代性。可信的AI，始于对边界的敬畏。