尽管算法日益精妙、新思系统规模前所未有，科技AI背后的探索工程逻辑一直相对简单：

更多数据，更多算力，工程更多 I/O。下代解

但这一切正在发生改变。新思系统随着机器人、科技无人机和自动驾驶领域的探索投资与创新迅猛增长，“物理 AI”正从科幻走向现实生活。工程而支撑这一跨越的下代解工程挑战，远非简单可言。新思系统

不再局限于秩序井然、科技恒温恒湿的探索数据中心之中，物理 AI 必须从芯片、工程软件到系统层面进行全面工程化设计，下代解以应对无数全新的变量。

突如其来的天气变化，嘈杂混乱的信号与噪声，以及不断变化的人类行为模式。

要让物理 AI 在这些动态环境中真正落地，远不只是算法足够先进那么简单。它需要将先进电子技术、各类传感器，以及多物理场原理进行高度复杂而精密的融合，协同工作，帮助智能机器感知、理解并响应真实物理世界的复杂性。

AI 的下一个前沿：物理世界

我们已经教会 AI 人类的语言，并赋予它人类的集体知识；我们训练它理解我们的意图，并对我们的指令做出回应。但真实的物理世界带来了全新的挑战。

如果你询问 AI 关于路面坑洞的问题，它可以告诉你坑洞是如何形成的、又该如何修复。可当 AI 在高峰时段、雾霾天气、光线不足的条件下，真正遇到一个巨大的路面坑洞时，会发生什么？

我们所处的环境高度动态、多变；但唯一始终不变的是什么？物理规律。也正因此，基于物理的仿真成为发展物理 AI 的基石。

要让 AI 在现实世界中高效运行，它需要经过精细调校的各类传感器，如摄像头、雷达和激光雷达（LiDAR），来持续输出彼此关联、相互印证的环境数据，使物理 AI 系统能够准确感知并理解周围环境。

基于物理的仿真能够让开发者能够以数字化方式对这些传感器及其所支撑的系统进行设计、测试与优化，其成本远低于构建实体原型。通过仿真，开发者可以回答一系列关键的“假设性（what‑if）”问题，例如不同天气条件或材料反射特性会如何影响系统性能，并由此获得系统在无数运行场景下响应行为的全面且具预测性的洞察。

与“看见”物理世界同样重要的，是物理 AI 被训练得是否足够“会思考”。在许多情况下，我们并不具备规模足够大、类型足够多样的数据集，来让尚处早期阶段的物理 AI 系统充分学习其在真实环境中可能遇到的各种变量。合成数据的迅速发展正在帮助创新者不断弥合这一差距，但其准确性始终是关注焦点。

令人振奋的是，这一领域已经取得了显著进展。诸如 NVIDIA Omniverse 这样的强大开发平台，可用于构建高度真实、稳健的虚拟世界。当这些平台与高精度仿真工具深度融合时，开发者便能够将高保真的物理特性注入虚拟场景之中，从而生成可靠、可用于训练的合成数据。

Ansys Perceive EM 在 NVIDIA Omniverse 平台中对丹佛地区移动车辆的 5G/6G 天线信号进行仿真建模

从芯片到系统，重构工程创新

传统的设计与工程方法往往是割裂且线性的：在装配、测试和生产之前，硬件与软件组件通常被分别开发或采购。

但对于物理 AI，以及其他以芯片驱动、以软件定义的产品而言，这种方法已经不再适用。

以无人机为例，要实现自主飞行、避障并响应操作者指令，必须有诸多要素协同工作：先进的软件、机械部件、传感器、定制芯片等等。

要在充满不确定性的环境中实现如此高水平的精度，传统工程方法已难以胜任，同时也无法在当今市场所要求的时间周期内交付成果。

因此，数字化增强型产品必须作为高度复杂的多学科系统来进行设计与开发。从概念阶段到最终产品，电气工程师、机械工程师、软件开发人员及其他角色需要紧密协作、步调一致，并不断加速工作节奏，以应对持续缩短的开发周期。

Ansys电磁仿真软件在NVIDIA Omniverse中对圣何塞市中心进行5厘米分辨率的仿真渲染

当今智能系统的高度复杂性，要求在电子工程与物理原理之间实现更深层次的融合。工程解决方案提供商正加速布局，以满足这一日益迫切的需求。新思科技完成对 Ansys 的收购后，成功整合为芯片设计、IP 以及仿真与分析领域的行业领导者。强强联合之下，我们能够为客户提供端到端的系统级设计解决方案，助力其加速 AI 驱动型产品的创新。

我们的创新方式，必须像我们所身处的世界一样，多维而动态；也正因如此，传统的工程流程亟需被重新构想与重构。这将成为释放物理 AI 潜能的关键，帮助工程开发者实现下一次突破。