当人工智能开始进入工业领域，一个现实问题摆在面前：AI会说、会看、会分析数据，但它能不能理解设备为何发热、一根结构件为什么会断裂？
空气流动、热量传递、结构变形、机械振动、材料失效，这些工业现象都受到客观物理规律约束。
这也是工业世界模型与一般人工智能之间的重要区别：工业世界模型不仅需要认识工业世界，还要能计算和推演工业世界。
要做到这一点，就离不开它的“物理引擎”。
AI进入工业，首先得懂物理
假设要判断一台设备为什么温度越来越高。只分析历史数据，AI可能发现“转速升高后，某个测点温度通常会上升”。如果积累了足够多的数据，它甚至可以预测未来十分钟温度是多少。
但工程师如果继续追问：温度为什么升高？
可能是内部流动状态改变，也可能是换热能力下降；可能是摩擦增加，也可能是局部结构发生变化。
这些问题仅靠数据相关性很难回答，因为背后涉及流体力学、传热学、结构力学、振动力学和材料科学等，而且现实中的工业设备往往涉及多学科的物理过程。
这正是物理引擎的价值。物理引擎不一定是某一个单独的软件，而是一整套描述现实工业对象运行规律的计算能力。数据告诉AI过去发生过什么，物理规律则帮助AI理解为什么会发生，以及换一种条件之后可能发生什么。
天洑正在构建的工业世界模型体系，也把这种能力放在了基础位置。其最新的工业世界模型生成器（IWM Generator）产品定义中，将工业世界描述为由对象、属性、关系、约束、动作和行为共同组成，其中“行为”解决的正是世界在特定状态、动作和约束下如何响应、变化和演化的问题。
图1 天洑工业世界模型生成器
从“算结果”走向“运行世界”
传统工程仿真通常围绕一个具体问题展开。
例如设计一个冷却系统，工程师建立模型，输入流量、温度和材料参数，然后计算温度场；如果改变一个设计方案，再修改参数重新计算。
天洑工业世界模型则试图再向前走一步。
它需要建立的不只是某一次计算任务，而是一个能够持续运行、改变条件并反复推演的工业世界。
图2 天洑工业世界模型框架
例如，一套设备当前运行正常。工业世界模型可以生成不同的未来条件：环境温度继续升高会怎样？冷却流量下降20%会怎样？某个部件性能衰减会怎样？换一种控制策略又会怎样？
同一个工业世界模型，可以通过改变对象、参数、环境、初始状态、工况、故障、操作方案和设计结构，形成大量模型实例，并进一步用于训练、控制、风险推演和研发设计。
这时候，物理引擎的作用就变得非常关键，因为世界虽然能由AI生成，但世界如何运行，不能脱离物理规律。
物理引擎是工业AI的数据工厂
物理引擎还有一个容易被忽视的价值：生产数据。
工业AI长期面临一个与互联网AI完全不同的问题——数据往往不够。
一台关键设备可能运行很多年，却从未发生过严重故障，一种极端飞行状态现实中不能反复测试，一个新产品还没有制造出来，更不存在几年运行数据。
但AI恰恰需要这些数据。这时候，经过验证和校准的物理模型就可以承担“数据工厂”的角色。
通过改变温度、压力、材料、结构尺寸、运行工况甚至故障状态，可以在虚拟工业世界中运行大量模型实例，生成现实中昂贵、危险甚至暂时无法获得的数据。
天洑的IWM Generator也提出了一条类似路线：对于计算成本较高的物理行为，可以首先利用高保真求解器生成高质量数据，再训练降阶模型或AI代理模型；代理模型用于大规模、快速运行，高保真模型则继续承担校准、关键结果验证和高价值样本补充。
于是形成了一条价值链：物理规律产生高质量工业数据，工业数据训练AI模型，AI模型加速工业世界运行，而高保真物理模型继续负责验证和纠偏。
天洑过去长期积累的流体、结构和优化算法，在工业世界模型时代也有了新的位置。
天洑成立于2011年，长期进行AI算法和工程计算算法研发，目前已经形成包括AICFD、AIFEM、AIPOD、DTEmpower和工业AI底座TFIIF在内的产品体系，业务覆盖能源动力、船舶海事、车辆运载、航空航天、新能源等工业领域。
在新的工业世界模型框架中，这些能力不再只是彼此独立的软件工具。
其中，AICFD、AIFEM以及AIPOD所代表的流体、传热、结构和工程优化能力，可以进一步构成工业世界模型的物理AI基础。AICFD和AIFEM负责描述和计算工业对象的物理行为，AIPOD则可以在大量可能方案之间进行探索和优化。
图3 天洑物理AI能力
与此同时，DTEmpower和工业AI底座TFIIF承担从工业数据和专家经验中学习规律的另一条路线。DTEmpower目前已经覆盖数据治理、特征工程、模型训练、部署应用以及机理—数据融合等能力。
两条路线最终指向同一个目标：让物理规律、工业数据和人工智能在同一个工业世界中协同工作。
无论人工智能发展到什么阶段，飞机仍然要遵守空气动力学规律，设备仍然需要传热，结构仍然受到应力和振动约束，材料也仍然存在自己的性能边界。
工业AI真正要理解的，其实是数据背后的物理世界。