新闻资讯

近日，深圳十沣科技有限公司（以下简称十沣）2026年度系列产品发布受到广泛关注。行业媒体e-works数字化企业网刊文，梳理十沣在仿真与AI融合方面的技术积累及最新应用成果。

报道提到，早在2022年，十沣便已开始探索人工智能（AI）与计算机辅助工程（CAE）、数字孪生的融合，并持续推进算法研发、平台建设与工程应用。

从四年前的技术探索，到如今在汽车、风电、机器人等领域的应用，十沣如何让物理AI加速工业研发？以下为报道全文。

汽车外形怎样调整，才能降低风阻？风机布置在哪里，才能更好地利用风能？机器人怎样迈步，才能保持平衡？面对这些问题，工程师正借助仿真与AI，更快地分析原因、比较方案、改进设计。

近期，十沣完成2026年度系列产品发布，展示了物理AI加速工业研发的一条具体路径：利用自主仿真软件模拟产品运行中的物理过程，生成高质量数据，训练面向特定行业场景的AI模型，再将模型用于产品性能预测与设计优化。

此次系列发布包括人工智能仿真平台TF-AIDEA升级、通用网格前处理软件ZF-Grid推出、物理AI引擎TF-FEAST系列更新，以及“AI+CAE”应用成果展示，呈现了十沣如何将数值计算、数据生成与AI应用连接起来，让工程师更快获得设计反馈。

物理AI热潮之前的技术落子

早在2022年，十沣便开始探索人工智能（AI）与计算机辅助工程（CAE）、数字孪生的融合。

CAE仿真相当于在计算机中开展“虚拟试验”。产品尚未制造出来，工程师就可以分析它在特定工况下的受力情况、温度变化及周围气流分布，提前评估性能、发现问题。但复杂的仿真计算往往需要数小时甚至数天，影响了工程师比较和优化方案的效率。

彼时，企业将AI技术发展视为推动工业软件底层技术迭代的新机遇，希望借助AI缩短性能评估所需的时间：利用仿真数据训练模型，让模型快速预测新方案的性能，帮助工程师在相同时间内评估更多设计方案。

2024年，在国际人工智能联合会议（IJCAI）赛事单元“任意三维几何外形车辆的风阻快速预测竞赛”中，十沣团队在三个赛道均进入前五，并获得以工业级汽车为模型的B赛道冠军。这项竞赛考验的，正是利用AI快速预测不同汽车外形风阻的能力。

同年10月，十沣正式发布TF-AIDEA，将数据管理、模型训练和工业应用部署集成到同一平台，支持工程师训练、验证和使用专用AI模型。

此后，十沣持续推进自主算法、仿真平台与工程应用的结合。在第四届中国国际供应链促进博览会（链博会）上，十沣亮相英伟达展台，展示自研神经算子与NVIDIA PhysicsNeMo框架融合的技术成果，以及基于TF-AIDEA开发的车辆设计智能体。

从早期技术探索，到算法竞赛、平台发布和客户应用落地，十沣逐步积累了算法、数据和工程经验。今年的系列升级，延续了这条从自主仿真走向物理AI应用的研发路线。

让仿真更快，让AI预测更有依据

工业研发不仅要求AI快速给出预测，还要求工程师能够判断预测是否可靠。预测越快，工程师就越有机会比较更多方案；结果可靠，才能为设计取舍提供可信依据。

十沣此次升级的TF-FEAST系列，涵盖流体、固体、电磁、声学及颗粒系统等仿真软件。求解器是这些软件的计算核心，负责根据物理方程求解产品在不同条件下的性能表现。工程师既可以直接使用计算结果，也可以将结果作为数据样本，用于训练AI模型。

求解效率的提升，也有助于缩短AI训练所需仿真数据的生成周期。以汽车风噪仿真为例，工程师需要分析气流及压力随时间的变化，即使模拟的物理过程只有0.3秒，也可能需要长时间计算。据企业公布的测试结果，在一个2亿网格单元的案例中，采用CPU版求解器，在1024核并行环境下通常需要约72小时才能完成相关非定常大涡模拟。而采用本次最新发布的TF-QFLUX GPU版求解器，使用6张高性能GPU并行计算，可在6小时内完成同一任务。

GPU并行求解能力大幅提升仿真效率

仿真计算开始前，工程师还需要处理产品的几何模型，并将计算区域划分为网格。新发布的ZF-Grid提供几何清理、网格生成、质量检查与修复等工具，减少这些环节中的重复工作。

升级后的TF-AIDEA进一步整合数据准备、模型训练、验证、快速预测和优化等功能。借助这些工具，工程师可以用仿真数据训练AI模型，快速筛选设计方案，再通过高精度仿真验证优选方案。

仿真数据的价值不止于一次分析，还能用于训练AI模型，为后续设计提供依据。

汽车、风电、机器人：物理AI走进研发场景

在汽车研发中，工程师需要反复调整车身外形，权衡造型与空气动力学性能。针对上汽集团的工程需求，十沣基于TF-AIDEA构建空气动力学智能体，将外形调整、仿真数据生成、AI预测与自动优化衔接起来。

据十沣公布的上汽智己应用数据，相关气动优化所需的人力投入由7人天减少至0.5人天。此次发布还介绍了汽车空气动力学专用AI模型的验证结果：在相关合作验证场景中，模型预测的风阻系数与精细计算流体力学（CFD）仿真结果相比，偏差小于2%，可支持设计方案快速筛选。

十沣高精度、高效率CFD仿真促进专用空气动力学AI模型落地实际工程应用

在动力电池热设计中，工程师可以先用AI模型快速预测不同冷却方案的温度表现，筛选冷却参数，再对优选方案开展高精度仿真验证。这样既能加快方案比较，也能保留必要的验证环节。

在风电领域，据十沣介绍，企业已对超过1000个风场开展仿真计算，积累不同地形与工况下的数据，并据此构建风资源AI大模型，将分散的仿真数据转化为可复用的预测能力。该模型已集成至TF-SimFARM，帮助工程师快速评估风资源、优化风机布局。

在人形机器人领域，新版TF-DCAMS新增仿真模块，为运动规划和控制策略训练提供支持。十沣旗下京沣科技与北京人形机器人创新中心此前联合发布的“明日地平线”虚拟训练平台，则提供设计、仿真、优化与训练工具。据发布会介绍，“天工-京沣”机器人利用相关平台开展训练，并在2026世界人形机器人运动会百米比赛中跑出9秒34的成绩。

十沣仿真虚拟训练平台助力机器人选手再创佳绩 

AI也在改变工程师操作软件的方式。TF-Thermal推出热仿真智能体，支持用户通过文本或语音驱动建模、工况设置、求解与结果分析，减少操作负担。

仿真的价值，最终要体现在设计的改进上。从自主求解器到行业AI模型，再到设计与训练工具，十沣正将物理AI用于具体的研发任务，帮助工程师更快发现问题、验证设想、优化产品。