2月3日，在達索年度盛會3DEXPERIENCE World的舞台上，達索系統CEO Pascal Daloz與NVIDIA創始人兼CEO黃仁勛（Jensen Huang）聯袂登台，宣布「長期戰略合作夥伴關係」，通過「行業世界模型」概念，重新定義工業AI的走向。（下文達索系統簡稱「達索」））
這一表態，顯然指向了當下AI產業的一條分叉路徑。
過去幾年，AI催生文本、圖像與影片的生成能力不斷刷新認知邊界。但在工業領域，這種熱潮卻並未被照單全收。
ChatGPT可以生成流暢的方案描述，卻無法保證一架飛機在複雜氣動約束下的結構安全；Sora可以合成逼真的工業畫面，卻無法承擔微米級裝配誤差所帶來的系統性風險。
在製造、能源、航空航天等工業領域，任何一次偏差，都會被迅速放大為系統級風險——輕則成本失控，重則發生安全事故。
也是在這一背景下，達索與NVIDIA 選擇從「世界模型」入手，為工業AI建立一條不同於通用生成式AI的發展路線。
01 工業世界模型 = Know-How + Compute & AI
要理解這次達索與NVIDIA 合作的厚度，首先需要釐清「行業世界模型」，與當下流行的「基礎世界模型」之間的本質差異。
在現場，Pascal Daloz對通用AI的局限給出極為直接的判斷。當前，主流的世界基礎模型，主要依賴網際網路上的影片和數據進行訓練，它們理解的是事物「完成之後的樣子」（Observation），卻缺失了「事物是如何被建造出來的」（How built）這一核心資訊。
換句話說，這類模型擅長復現結果，卻無法還原過程。
工業AI的挑戰恰恰出在這裡。對於製造、能源、航空航天等行業而言，他們關心的從來不是「看起來是否合理」，而是「設計為何必須如此設計」。
也正因此，達索與NVIDIA所構建的「行業世界模型」，在數據來源上選擇了新的路徑。數據基於達索過去40多年積累的工業知識體系，涵蓋40萬家企業客戶、4500萬用戶，以及數億工程師在達索的3DEXPERIENCE 平台中沉澱下來的工程數據。
這些數據並非一次性樣本，而是可被反覆驗證、持續調用的工業事實記錄。本質上，它們承載的是因果關係、設計意圖，以及必須遵守的物理定律與工程約束。
在NVIDIA 算力與仿真能力的支撐下，達索的虛擬孿生不再是靜態模型，而是可持續運行的物理系統，內部集成了熱力學、流體力學、材料科學、電磁學等多學科模型。當 AI 被引入其中，其生成過程就被嚴格鎖定在第一性原理之內。
這一步，實際上直指工業級AI最致命的風險——幻覺。
通過將 AI 約束在可驗證的物理與工程規則之中，工業 AI的定位，便從「輔助工具」，提升為「關鍵業務場景下的系統級架構（Mission-Critical System Architecture）」。這意味著，AI的輸出不再只是參考建議，而是可以直接進入製造與生產流程，成為真實工業系統的一部分。
這次，AI第一次被當作必須對結果負責的系統組件。
02 「AI工廠」閉環
工業AI能否成立，取決於其是否擁有與之匹配的基礎設施。沒有專用算力、穩定的運行環境和明確的數據邊界，再嚴密的工業模型也只能停留在概念層。
這正是達索與 NVIDIA合作中，技術含量最高的部分。
目前，達索旗下的雲品牌OUTSCALE正在三大洲部署基於NVIDIA最新AI 基礎設施的「AI 工廠」。
達索的核心客戶集中在航空航天、國防、核能、生命科學等領域。在這些行業中，工程數據與智慧財產權本身就是核心資產，既不能出域，也不能進入不可控的共享雲環境。
所以，OUTSCALE的做法，是在本地環境中直接部署NVIDIA的高性能計算集群。算力、數據、模型都在本地運行，在提供超大模型所需計算能力的同時，滿足了對數據、IP安全的硬性要求。
在這一基礎設施之上，雙方的技術關係也形成了明顯的反向依賴。
黃仁勛透露，NVIDIA正在使用達索的軟體來設計NVIDIA自己的 AI 工廠。原因是，AI工廠本身已經成為物理世界中複雜的系統之一。事實上，一個伺服器機架包含約200 萬個零部件，重量超過2噸，內部線纜長度以英里計算。要設計這樣的系統，已經無法依賴傳統的分階段的工程方法。
因此，在新一代NVIDIA Rubin平台的設計中，NVIDIA引入了達索的MBSE（基於模型的系統工程）方法論，通過統一模型對晶片、伺服器、機櫃、電力、散熱和網路進行系統級建模與驗證。
由此也形成了清晰的技術閉環——達索利用NVIDIA的GPU和算力基礎設施來運行工業AI；NVIDIA則利用達索的3DEXPERIENCE平台和MBSE方法論來設計更複雜的AI晶片和數據中心；而更複雜的數據中心，又進一步推高了對工業級建模與仿真能力的需求。
03技術棧三維融合，深度集成CUDA-X、Omniverse、BioNeMo
真正的分水嶺，發生在技術棧層面。計算、物理仿真和模型，開始直接參與核心工程軟體的計算路徑中。
這一變化首先出現在仿真層。
在SIMULIA體系中（包括 Abaqus 在內），達索開始在部分CAE 求解流程中使用NVIDIA CUDA-X 計算庫。這些流程原本主要運行在CPU上。
CUDA-X在其中承擔的角色，是為SIMULIA 的部分求解步驟提供GPU級並行執行能力。作為工程化的科學計算庫，CUDA-X可覆蓋線性代數、稀疏矩陣、FFT、隨機數與圖計算等算子層。這些算子，正好對應CAE求解中計算量高、並行度強的環節。
在此基礎上，NVIDIA提供的物理AI模型，被達索嵌入到求解器的收斂階段。具體做法是：使用GPU訓練出的近似算子，對非線性疊代過程中的中間解進行預測，從而減少傳統數值求解在收斂階段所需的疊代次數。
這一調整直接改變了仿真的使用方式。仿真結果仍然受物理方程約束，但計算周期從一次性、長時間運行的批處理任務，變成可以在設計過程中被多次調用。
另外，達索的DELMIA將製造系統模型運行在NVIDIA Omniverse提供的實時物理執行環境中。DELMIA負責定義邏輯層的工藝順序、路徑和節拍關係，而Omniverse負責讓這些邏輯在仿真環境中運行。
通過OpenUSD（OpenUSD是場景數據標準，Omniverse是基於OpenUSD運行的實時執行平台），3DEXPERIENCE平台中的幾何結構、層級關係和運動約束被直接送入Omniverse的物理引擎中執行。
這一步改變的是驗證方式。原本只能通過簡化模型、離線仿真驗證的產線邏輯，如今可以在接近真實物理條件的虛擬環境中連續運行。
這也是Sim-to-Real能夠規模化成立的前提。
在生命科學領域，達索的科學建模軟體體系BIOVIA利用了NVIDIA的BioNeMo生成式生物學平台。兩者分工關係十分明確，BioNeMo負責在GPU集群上生成大規模分子與蛋白質候選，BIOVIA負責對這些候選進行分子動力學和物理化學性質驗證。
這種組合方式，將生成與驗證放在同一條流程中完成。NVIDIA的優勢體現在執行層規模上，BioNeMo能夠在GPU上覆蓋遠超傳統枚舉方法的搜索空間；而BIOVIA的優勢體現在物理約束上，將生成結果持續拉回到可驗證的科學模型中。
生成與驗證不再分屬不同工具鏈，而是在同一流程中交替推進。
04 Agentic AI，加速「操作工具」向「指揮系統」進化
當工業AI「能不能算、算得准、跑得動」等問題被解決，下一步就是如何用的問題。2026年，工業軟體的形態發生了明確的交互範式遷移，從「人操作軟體」，轉向「人指揮系統」。
此次，達索正式提出了「代理式（Agentic）3DEXPERIENCE平台」，讓軟體不再被動等待用戶逐步操作，而是由具備目標理解和任務拆解能力的代理式AI，主動完成一系列跨系統操作。
這一範式的具體落點，在於虛擬助手（Virtual Companions）的引入。
達索基於NVIDIA的Nemotron開放模型，構建了新的交互層。這些虛擬助手被明確設計為具備角色分工的操作代理，它們被賦予清晰的人設，對應工業軟體中的三類核心能力。
Leo代表工程能力。Leo被定位為工程師虛擬助手，能夠處理複雜的工程問題。當用戶提出諸如「在保持強度的前提下，將起落架結構減重15%」這樣的目標時，Leo不會給出文字建議，而是會自動調用底層的SIMULIA求解器和AI物理庫，運行仿真計算，並返回多個可行的工程方案供用戶選擇。
Mary代表科學研究能力。其面向生物學和材料科學場景，能夠理解分子結構、材料特性和實驗約束，輔助研究人員進行假設驗證和方案篩選。這一角色中，AI更多承擔的是科學工作流中的推理與驗證支持。
Ohad則對應業務與運營能力。其關注的是供應鏈、成本結構和運營效率，面向管理者提供跨工程與業務數據的分析支持。
這三類虛擬助手的共同特點在於，它們直接運行在3DEXPERIENCE平台之上，且能夠跨越工程、仿真、製造和業務模塊執行操作。
通過虛擬助手，每一位用戶都能獲得可被調度的「專家團隊」。工程師不再需要逐步完成建模、設置參數、運行仿真和整理結果，而是可以將工作重心放到目標定義和方案判斷上。
更關鍵的是，NVIDIA的Nemotron開放模型並不局限於只生成文本，還能被訓練去理解3DEXPERIENCE平台的API和數據結構。這使得，該虛擬助手能夠執行具體操作，如創建幾何體、調用仿真流程、修改參數配置，以及自動生成工程或業務報告等。
也正因為如此，這一交互範式進入了任務級操作代理的階段。在這一維度上，工業軟體開始從「操作工具」，轉變為「可被指揮的系統」。
這一次，人真正站在了流程之上，進行調度。
05行業壁壘「極限突圍」
在Agentic AI的系統平台建立之後，工業AI進入生產系統的下一個檢驗標準，就是其能否在高成本、高風險、低容錯的行業中，被復用。
汽車、航空航天、製造和生命科學行業，正是這一變化優先落地的行業。
在汽車行業，較為典型的案例來自Lucid Motors。最先受到衝擊的，是車輛研發階段對物理樣車的高度依賴。作為定位高端的電動汽車品牌，Lucid的核心瓶頸長期集中在工程疊代效率上，其傳統研發流程周期漫長，且高度依賴物理樣車測試，單次疊代成本極高。
現在，Lucid利用的是基於物理資訊訓練的NVIDIA Nemotron開源AI模型，在不犧牲預測精度的前提下，縮短從概念設計到量產決策的周期。通過模擬20種物理行為，在同一虛擬樣車上，同時建模並測試懸架、空氣動力學、熱管理、結構強度等多類物理響應。
這意味著，在第一輛實體樣車製造出來之前，虛擬樣車已經在數千種極端工況下完成了性能與安全驗證。
在航空航天領域，航空器設計的難點在於必須通過極其嚴格的適航認證。NIAR的實踐，是將虛擬助手引入飛機數字孿生的構建流程，用於加速「符合設計規範的虛擬飛機」的生成。
其引入的關鍵在於，將虛擬孿生模型與合規性要求（Compliance）直接綁定。AI在設計階段即可實時檢查結構、材料和系統配置是否符合FAA或EASA的適航法規，而不是在設計完成後再進入冗長的認證流程。
在製造業，歐姆龍（Omron）的路徑是向「軟體定義工廠」過渡，其目標是逐步建立完全自主、且經過數字化驗證的生產系統。在實施層面，其將NVIDIA的物理AI框架與達索的虛擬孿生工廠結合，用於對產線進行連續建模和優化。
時間來看，歐姆龍透露，AI可以在幾分鐘內生成針對製造優化的功能驅動任務，而傳統方式下這一過程通常需要數小時甚至數天。
在消費品與生命科學領域，貝勒集團（Bel Group）利用大規模建模與仿真能力，對配方設計和包裝方案進行優化。通過與NVIDIA和達索的合作，貝勒集團得以使用過去主要服務於航空航天和半導體行業的高端計算與仿真工具。
06 人與系統新分工
當代理式工業AI已經在汽車、航空航天和製造等行業中被反覆使用，一個更現實的問題開始浮現。如果系統可以穩定地「代替人跑流程」，工程組織還需要怎樣的人？
事實上，全球製造業正面臨人才短缺與工程師老齡化等問題。大量資深工程師即將退休，而他們的核心價值是以「隱性知識（Tacit Knowledge）」的形式，存在於個人判斷和長期實踐中。
達索與NVIDIA構建的系統，正是針對這一問題給出的結構性解法。通過將達索40多年積累的工業知識、工程規則和驗證邏輯嵌入行業世界模型，並用於訓練AI，企業可以把原本高度依賴個人經驗的判斷過程，轉化為可運行、可復用的系統能力。
從組織角度看，這意味著工程能力開始從「個人資產」，轉變為「系統資產」。這也是當前工業體系應對人才短缺問題時，少數具備可操作性的路徑之一。
與此同時，Pascal在討論中進一步提出了「生成式經濟（Generative Economy）」的概念，而這一概念在工業語境下被賦予了明確的實體含義。
這套平台已經不只是生成設計方案，還能夠生成製造工藝、材料配方以及供應鏈計劃。生成的對象不再停留在概念層，而是直接進入可驗證、可製造的流程。
由此，傳統的「設計—製造—銷售」線性鏈條，被壓縮為「需求—AI生成—敏捷製造」的閉環結構。這裡的變化並不體現在速度提升，而在於決策和執行之間的層級被壓縮，系統開始直接參與價值創造過程
07 寫在最後：工業AI來到下半場
達索與NVIDIA的聯手，正加速工業AI告別「生成式幻覺」，進入必須接受物理規律審判的下半場。
過去兩年，通用大模型解決的是「像不像」的問題。「像」沒有任何價值，只有「能不能」，才是工業世界唯一的判斷標準。
這正是行業世界模型與通用AI的根本區分。
通過將物理第一性原理，直接寫入AI的底層邏輯，達索軟體與NVIDIA實際上是在給AI 戴上「鐐銬」。但也正是這種「受限的智能」，為AI 贏得了進入高風險工業場景的通行證——可解釋性與安全性。
當設計、仿真與製造被壓縮進同一個高頻閉環，工業軟體將徹底擺脫「輔助繪圖工具」的歷史定位，進化為——直接驅動物理世界運行的引擎。
接下來，工業A而下半場的下一個問題是：你，敢不敢交出控制權。
