高等教育研究
十沣科技联合宁波东方理工大学，构建汽车空气动力学工业物理 AI 工作流
目标
深圳十沣科技有限公司 (以下简称“十沣科技”) 是一家数字智能化解决方案供应商，专注于构建工业物理 AI 技术栈，融合工业物理 AI、GPU 原生 CAE (计算机辅助工程) 与智能体工作流，帮助团队将仿真资产转化为实用的 AI 工具。
宁波东方理工大学是一所致力于创新的研究型大学，重点布局人工智能、集成电路等前沿交叉领域。
在本项目中，十沣科技联合宁波东方理工大学，以汽车空气动力学为典型应用场景，展示了 AI 代理模型、加速仿真数据生成与闭环优化的协同能力 —— 帮助汽车团队在研发早期评估更多设计方案、减少不必要的高精度 CFD (计算流体力学) 仿真，并缩短从概念到收敛的研发周期。其中，宁波东方理工大学发挥科研创新优势，围绕工业物理 AI 核心算法、AI 代理模型及仿真智能化方法开展前沿研究，为项目提供关键技术支撑；十沣科技依托工业软件产品体系和工程化能力，将科研成果转化为可落地的产品能力。
要点总结
- 由 AI 驱动的仿真训练与预测系统 TF-AIDEA 集成了 NVIDIA PhysicsNeMo 中的多种前沿 AI 模型，可在秒级时间内完成汽车外流场仿真。
- 十沣科技的 GPU 原生求解器由 NVIDIA CUDA/AmgX 加速驱动，为工业 AI 代理模型训练提供高质量数据。
- 融合物理 AI 代理模型与 NVIDIA NIM 驱动的基础模型，加速汽车空气动力学设计探索。
构建工业物理 AI 基础
工程领域引入先进 AI 面临的最大障碍，不仅在于模型质量，更在于工作流的复杂性。在许多企业中，仿真、数据准备、模型训练、推理与部署仍分散在各自独立的环境中，这种碎片化使得将有潜力的 AI 概念转化为可复用的工程能力变得困难重重。
十沣科技通过 TF-AIDEA 成功应对这一挑战。TF-AIDEA 是一套 AI 驱动的仿真训练与预测系统，将完整的工程 AI 工作流整合于单一平台之上。从 CAE 数据预处理、模型选择，到基于 GPU 的训练、评估与推理，TF-AIDEA 帮助工程团队将仿真资产转化为可复用的 AI 模型。
TF-AIDEA 的核心能力在于其对可扩展物理 AI 方法的深度集成。NVIDIA PhysicsNeMo 提供了先进的物理学习与代理建模工作流，包括基于 DoMINO 和 Transolver/GeoTransolver 方法的外流场工作流，用于复杂车辆几何体的气动场预测。十沣科技将这些开放的前沿 AI 能力与自研工业模型架构及工作流编排相结合，使物理信息 AI 模型能够在实际工程环境中完成训练、部署与复用。
如视频所示，工程师可通过直观的可视化操作界面，将 CAE 文件预处理为 AI 可用数据。随后，他们可利用多种神经网络架构训练代理模型，包括来自 NVIDIA PhysicsNeMo 的 GeoTransolver 等先进物理AI模型。模型训练完成后，即可对新设计方案快速预测关键物理量，从而加速设计探索与工程决策。
AI 背后的 GPU 原生 CAE
工业物理 AI 依赖高质量的仿真数据。要使代理模型在生产环境中真正发挥价值，AI 背后的 CAE 层必须能够高效、大规模地生成物理信息丰富的训练与验证数据。这正是十沣科技 GPU 原生 CAE 产品组合的价值所在。
TF-QFLUX 是十沣科技基于有限体积法和非结构网格的流体动力学仿真软件，支持多学科耦合、动网格、用户自定义函数及可视化。其 GPU 加速路径涵盖端到端 GPU 执行、核函数融合，以及通过 NVIDIA AmgX 实现的求解器加速 —— NVIDIA AmgX 是一款 GPU 加速求解器库，为 NVIDIA GPU 上的高性能求解技术提供高效支撑。
TF-Lattice 是十沣科技基于格子玻尔兹曼方法的复杂瞬态流求解器，尤其适用于汽车空气动力学仿真。该软件旨在降低前处理负担、稳健处理非理想几何体，并充分发挥优化 C++ 与 CUDA 的性能优势。同时，TF-Lattice 集成了 NVIDIA OptiX 实现原位可视化，将仿真计算与可视化分析紧密融合于同一加速工作流中。
此外，十沣科技还以 TF-SPH 进一步扩展其 GPU 原生仿真体系。TF-SPH 是一款基于 GPU 的光滑粒子流体动力学求解器，适用于自由液面流动、流固耦合及其他瞬态多物理场仿真场景。在汽车研发中，它将仿真数据管线从外部空气动力学延伸至涉水管理等多物理耦合问题。
上述工具共同呈现了 NVIDIA 加速计算如何贯穿工作流的关键环节 —— 从 CAE 数据生成到求解器加速与可视化。这为十沣科技提供了更快、更具扩展性的仿真数据集生成能力，有效支撑工业物理 AI 模型的训练、标定与验证。
AI 智能体赋能整车设计
汽车空气动力学是这套技术栈能够立即创造价值的典型场景。汽车研发团队面临日益增大的压力 —— 需要在研发早期评估更多设计方案，同时保持对气动性能的把握。空气阻力直接影响能效、续航、驾乘舒适性及产品竞争力，然而传统工作流仍高度依赖反复的高精度 CFD 仿真与风洞验证，导致早期设计探索成本高昂、计算密集、迭代缓慢。
十沣科技联合宁波东方理工大学，由宁波东方理工大学提供工业物理 AI 算法与代理模型等关键技术支撑，十沣科技依托 GPU 原生 CAE 平台和工程化能力完成产品集成与工业应用落地，将 TF-AIDEA、GPU 原生 CAE 与物理 AI 代理模型应用于这一挑战。由此形成的工作流帮助团队更快预测阻力、更清晰地理解局部气动行为，并将宝贵的 CFD 资源集中用于最有价值的验证环节。
该工作流支持多模态输入，包括文字需求、整车图片、参考图像及三视图，并将其转化为标准化三维几何表示，用于气动性能评估。其输出结果也不仅限于阻力系数，还包含具有物理意义的流场信息，帮助工程师清晰定位阻力来源，判断哪些设计修改方向最具价值。
在编排层，工作流可通过 NVIDIA NIM 微服务调用基础模型。NVIDIA 将 NIM 定位为一套易用的微服务，支持在云端、数据中心和工作站环境中以生产级运行时和标准 API 部署基础模型。这为智能体工程工作流提供了一种切实可行的方式，将语言理解、推理规划与工作流执行和气动分析、迭代设计任务有机连接。
该工作流背后的气动模块基于 TF-Lattice 生成的约 5 万条 CFD 仿真数据训练而成，覆盖四类常见乘用车型，各类别 R² 均超过 0.93。
图1：基于5万辆车型数据集中实际样本的多样性可视化展示
专为工程团队设计，而非仅面向 AI 专家
先进 AI 工具难以在工业界落地的一个重要原因，在于部署门槛过高。如果用户在看到实际价值之前，需要自行搭建专用基础设施、构建训练技术栈或协调多个独立工具，推广进程将大幅放缓。
这套工作流的设计理念与此不同。用户无需复杂的本地部署或庞大的训练基础设施，即可通过云端试用模式直接访问。借助引导示例与使用文档，团队可以快速上传方案、运行阻力预测分析、识别关键气动区域，并评估优化思路。
这种易用性是其核心价值主张。该工作流不仅面向 CFD 专家，同样适用于概念设计团队、造型团队、气动工程师及数字化研发组织。更广泛而言，它展示了工业物理 AI 如何变得更加实用、可扩展，并真正触达工程团队。
“NVIDIA 提供的不仅是高性能计算平台，更构建了面向工业物理 AI 的完整技术生态。 十沣基于以 PhysicsNeMo 为代表的开源框架，将开放生态与自身工业软件能力结合，完善了工程级工作流和产品能力。”
宾远为博士
十沣科技AI软件开发部总监
进一步了解 NVIDIA 高等教育研究。
