近年来，物理AI、世界模型、具身智能持续成为产业关注的焦点。

人工智能正在从理解语言、生成内容，进一步走向理解空间、预测变化和参与真实世界决策。但当AI真正进入工业，一个无法绕开的问题随之出现：

工业世界不是“看起来合理”就足够，而是必须在物理规律上成立。

汽车结构是否安全、航空部件是否可靠、电子设备能否稳定散热、机器人执行装配动作时是否会发生碰撞或卡滞，这些问题背后，都涉及几何、材料、载荷、边界条件、接触关系以及力、热、流体、电磁等复杂物理过程。

树为智能认为：

进入工业，AI必须先理解工业；要理解工业，AI必须先学会物理。

基于这一技术判断，树为智能构建了面向工业物理世界的统一智能底座——GPC物理因果推理基础模型。

GPC物理因果推理基础模型：从项目验证走向统一底座

GPC物理因果推理基础模型，源于树为智能对工业物理智能的长期探索与工程实践。依托MeT物理AI基座模型的技术积累，以及在汽车、航空航天、热管理等AI+CAE项目中沉淀的数据、知识与验证体系，GPC实现了从专用预测模型向通用物理基础模型的进一步演进，推动工业AI从结果预测走向因果理解与状态推演。

在此前的项目实践中，树为智能已经围绕汽车结构、碰撞安全、航空部件等场景，验证了AI对不同物理问题进行快速预测的可行性。

在汽车尾门结构项目中，模型基于客户10余组历史数据进行适配，实现从三维模型导入、自动网格处理到物理场云图输出的自动化流程。从提交数据到生成结果不超过10秒，预测结果与真实计算结果的值偏差约为3%。

在汽车行人头部碰撞项目中，一轮传统分析需要覆盖100个碰撞点、4种撞击角度以及儿童和成人两种碰撞类型，共计800次仿真，通常还要经历4至6轮迭代。项目通过输入碰撞前20毫秒的加速度数据，预测20至40毫秒区间的加速度曲线并计算HIC值。项目验证中，HIC预测偏差约为5%，帮助客户节省约50%的研发时间和仿真成本。

在民用飞机机头框设计项目中，AI与CAE协同完成结构性能预测和方案筛选，项目设计周期

大幅度缩短

，单轮迭代由传统的8至15天压缩至小时级。

这些项目解决了特定工程场景中的预测效率问题，也为GPC积累了不同几何结构、材料属性、载荷工况、边界条件和物理响应之间的训练数据与工程经验。在此基础上，GPC进一步将过去分散在不同项目中的能力进行统一：从针对单一零部件和固定工况的专用预测，升级为对工业对象的统一表征；从学习输入与结果之间的映射，升级为理解不同因素影响物理响应的因果路径；从输出一次计算结果，升级为在条件变化后推演系统可能进入的下一物理状态。

 

 

 

 

因此，GPC的升级不只是模型规模或预测速度的提升，更重要的是让已经验证过的项目能力能够跨几何、跨材料、跨工况迁移。企业不必为每个新项目重新从零训练模型，而是可以在统一底座上完成任务适配，并将新的仿真、试验和设计数据持续沉淀回模型体系。

这也使GPC的企业价值从“加速一次仿真”，进一步延伸到“沉淀一套可复用的工业物理能力”：传统CAE继续提供高精度结果和验证依据，GPC承担快速预测、方案筛选和状态推演，智能体则负责组织数据、工具与研发流程，三者共同服务于工程决策。

工业AI不能只做软件助手

当前，AI与CAD、CAE等工业软件的结合，主要集中在自然语言交互、脚本生成、自动出图、报告整理和流程调用等环节。这些能力可以减少重复操作、降低软件使用门槛，但本质上仍然是在传统工业软件流程外增加一层智能入口。

真正决定工业AI能力上限的，不是AI能否操作软件，而是AI能否理解软件背后的工业对象和物理规律。

CAD表达的是几何结构，CAE表达的是物理响应，制造工艺表达的是生产约束，机器人控制表达的是空间行动。它们看似属于不同软件环节，背后却都是对真实物理世界的数字化描述。

因此，树为智能更关注的不是让AI知道“下一步调用哪个功能”，而是让AI能够理解：

一个结构为什么会变形？

一种材料为什么会影响性能？

边界条件改变后，物理场将如何变化？

一个动作执行后，系统接下来会进入什么状态？

这也是树为智能长期坚持的方向：不是让AI简单使用工业工具，而是让AI逐步理解工业世界本身。

 

 

 

 

从预测“下一个词”到预测“下一个物理状态”

大语言模型通过预测下一个词，学习语言世界中的结构和规律。

物理AI所要预测的，则是“下一个物理状态”。结构受力后如何变形，热量将向哪里传导，流体边界变化后会形成怎样的响应，机器人抓取零部件时接触力和摩擦力将如何变化——这些问题都不是简单的输入输出映射，而是连续物理状态之间的因果演化。

GPC物理因果推理基础模型的核心目标，不是让模型记住过去的样本，而是让模型学习几何、材料、载荷、边界条件与物理响应之间的内在关系，进一步回答：

为什么会这样？条件变化后会怎样？系统接下来会发生什么？

换句话说，GPC希望推动工业AI从“预测结果”走向“推演过程”，从数据相关性走向物理因果关系。

 

 

 

 

统一底座，沉淀工业物理能力

过去，工业AI通常针对某一个零部件、某一种工况或某一个产品训练专用代理模型。这种方式在特定场景中可以提升效率，但也面临明显问题：产品结构变化后模型容易失效，材料和工况调整后需要重新训练，不同项目之间的数据和模型能力难以复用。

工业应用虽然高度分散，但底层物理规律具有共性。

汽车、飞机、电子设备和工业机器人，依然受到力学、能量守恒、材料本构、热传导、电磁耦合和接触关系等规律支配。

GPC希望将三维几何、拓扑结构、材料属性、装配关系、载荷工况、边界条件和物理场变化，统一到同一个基础模型体系中，使模型具备三项核心能力：

统一工业对象表征。

让AI不只是读取CAD文件和参数表，而是理解结构、装配和工程约束背后的实际含义。

物理因果推理。

让模型识别不同因素通过怎样的物理路径影响结果，而不是只输出一个黑盒预测。

未来物理状态预测。

让模型能够根据当前设计和工况，推演结构变形、应力分布、热响应、接触状态和潜在风险。

物理基础模型与传统代理模型的重要区别，也正在于模型能否面对未见过的几何、边界条件和材料参数，并通过模型架构、数据体系和泛化验证形成可重复的能力闭环。

 

 

 

 

仿真与AI协同，形成新的工程认知系统

树为智能认为，物理AI并不是对传统CAE和数值求解器的简单替代。

传统求解器能够提供高精度、可验证的物理结果；GPC则可以学习不同工程任务背后的共性规律，承担快速预测、多方案筛选和物理状态推演；智能体进一步理解设计目标、组织分析流程，并将结果反馈到研发决策中。

这种协同关系意味着，企业过去完成的仿真不只是一次模型文件和分析报告，而可以逐步转化为持续学习、不断进化的模型能力。

从工程落地角度看，物理引擎与数据引擎协同，，正在成为物理AI进入工业场景的重要路径。

 

 

 

 

从工业研发走向工业世界模型

基于GPC统一底座，树为智能将逐步向不同工业场景释放能力。

在CAD场景中，AI可以理解三维结构与工程约束，支持模型解析、设计变更分析和三维转二维工程图。

在CAE场景中，AI可以开展多工况物理响应预测、仿真加速和方案筛选。

在制造场景中，AI可以进一步理解加工特征、工艺约束和制造可行性。

在工业具身场景中，AI可以预测接触、受力、摩擦、变形和动作后果，让机器人在执行前先推演可能发生的物理变化。

从GPC物理因果推理基础模型出发，树为智能正在推动AI从“理解语言”走向“理解物理”，从“生成内容”走向“预测世界”，从“辅助操作”走向“参与工业决策”。

 

 

 

 

工业世界不缺工具。

真正稀缺的，是能够理解工业对象、掌握物理因果，并判断“接下来会发生什么”的智能底座。

树为智能通过GPC，让AI学会物理，让模型理解工业，让每一次工程计算都成为下一次智能决策的基础。

从行业演进看，工业AI的竞争正在从“工具调用能力”，转向“物理理解能力”；谁能更早建立对工业对象和物理因果的统一认知，谁就更可能成为下一阶段工业智能的底座。