神他妈的中国用AI把工业软件重做一遍
https://www.163.com/dy/article/L9K83BQJ0556BP72.html链接中的自媒体文章就是典型的沸腾文，动不动就另起炉灶，好像他把牛顿定律变成马顿定律似的，其实全是胡说八扯。
要对比他跟八次郎的文章发现这就是五十步笑一百步，谁也不比谁强。
PINN 不是中国的发明，是美国布朗大学的 Raissi、Perdikaris 和 Karniadakis 在 2017 年提出、2019 年正式发表的，Karniadakis 团队至今是这一领域的最大输出源，主流框架 DeepXDE 出自其团队，NVIDIA 的 Modulus 把 PINN 做成了商业工具。
再往下拆一层，神经网络基于的自动微分、训练 PINN 用的 PyTorch 和 TensorFlow 是 Meta 和谷歌的，GPU 是英伟达的，损失函数里写的 Navier-Stokes 方程和守恒律是西方两百多年的科学积累，连 "有限元" 这个被它宣判死刑的东西也是变分原理加结构力学的产物。
所以 "牛顿定律变不成马顿定律" 就是是这个意思，科学规律和数学工具没有国籍，"另起炉灶" 在工程上的真实含义不是绕开别人，而是把别人已经犯过、修过的错误又重新犯一遍。
2024 年一篇系统综述（arXiv:2411.18240）把 PINN 的局限讲得很直白，并且是学界公认的结论：PINN 求解正向问题的效率低于标准数值方法，拿到精确解通常需要数小时到数天，而有限元只要几秒到几分钟。
文中给的算例里，PINN 的最大误差比有限元高六个数量级，耗时是有限元的 31.9 倍。
综述总结了三条病根，多尺度逼近能力差导致损失函数病态、收敛性和误差缺乏数学保证、物理残差和迭代误差不匹配。
国内西北大学物理学院 2026 年的研究也承认，传统 PINN 在复杂边界条件下因梯度冲突难以收敛，严重制约工程应用。
2026 年 9 月一篇高超声速绕流的论文更直接，PINN 在激波问题上陷入次优解，算出非物理的回流，连膨胀特征都再现不了。
PINN 真正被学界认可的价值在反推问题，也就是从稀疏、含噪的测量数据反演参数、辨识流场、数据同化，这是传统方法吃力的地方。而文章宣称要替代的正向气动、碰撞、热仿真，正是 PINN 被反复证明又慢又不稳的场景。把一个方法的短板包装成杀招，这是全篇最致命的硬伤。
而所谓"72 小时到 3 分钟" 纯粹是放屁，3 分钟是训练完成后的推理时间，训练本身不需要时间吗。
代理模型要快，先得有人喂数据，而高保真训练数据绝大多数就是传统有限元和风洞算出来的，等于先坐一遍 "旧路" 才能在 "新路" 上开车。
构型、边界条件、材料参数一变，模型要么重训要么外推，外推到训练分布外正是神经网络最不可信的地方，而工业设计关心的恰恰是没见过的极端工况。文章里 "鼠标拖动车身边界、气流毫秒级跟随" 的画面，在业内叫降阶模型或实时代理模型，是真实存在的技术，但它只在参数空间被预先圈定、且后台有高保真模型和试验校核背书时才成立，跟 "抛弃传统软件" 没有任何关系。至于 "精度大于 99%"，不给参考解、不给范数、不给工况，这种数字在评审眼里等于没有。
文章举的设序科技，制造业信息化网站《e-works》 在 2026 年 8 月的报道里写得很清楚，其物理模拟功能仍处于研发测试阶段，AI 能否替代传统 CAE 并保证精度，是它能否进入高端研发环节的未过门的坎。也就是说，文章宣称已经实现的 "降维打击"，当事公司自己承认还在测试。再看南京天洑这类国内真正卖仿真软件的，其 AIFEM 产品明确写的是 "自研高精度有限元求解器"，走的恰恰是文章最瞧不起的传统路线，因为结构静力、动力、传热、拓扑优化这些要过工程验收的东西，客户要的是可验证的精度和责任可追溯，不是神经网络的黑箱。
文章说西方软件 50 年的工程补丁是落后的证明，这句话说反了。那几千万行代码里真正值钱的，不是求解器本身，而是经过成千上万次试验和事故标定的材料本构、单元库、接触算法、失效准则和行业验证案例。飞机型号合格证、汽车碰撞认证、压力容器评定，认的是经过验证的方法和可追溯的误差界，而不是神经网络给的数值。
所谓 "中国制造业场景多，所以数据飞轮不可复制"，场景是原材料，但场景不会自动变成软件能力，中间隔着几十年的验证标准、试验数据库和工程规范积累。Ansys、西门子、达索这些年也在大规模集成 GPU 求解和 AI 代理模型，对方既没停更也没去工业化，所谓 "对方臃肿迟缓" 是宣传里的稻草人，虚空打靶。
国产工业软件被卡脖子是真问题，License 昂贵、算力受限、核心求解器受制于人也是事实。
行业里跑得通的路径很清楚：要么老老实实自研有限元、有限体积的内核和网格剖分，把基础理论和验证案例库啃下来，这一步没有捷径，天洑、安世亚太、十沣等做的就是这件事； 要么把AI 用在它真正有优势的位置，代理模型做参数筛选和实时预览、PINN 做参数反演和数据同化、机器学习做网格自适应和优化寻优，结果一律回到传统求解器和试验做校核；最后国产算力适配是真功夫，但要承认 CUDA 生态和基础框架的差距，靠的是算子和框架的长期建设，不是喊 "全栈" 两个字。
AI 是工程师的新工具，不是新物理；它改变的是算的方式，改变不了要算的方程，更改变不了工程界对验证和责任的底线要求。 这种文章对内会误导决策，让真金白银投进 "换道超车" 的幻觉里，对外则把一个本该踏实追赶的领域包装成威胁，对真正在啃内核的国产工业软件人没有任何好处。
页:
[1]