一台水泵振动加剧，系统可以发出报警；一座工厂接入数字化平台，管理者可以实时查看生产状态。

但更有价值的问题是：振动为什么加剧？继续运行会怎样？调整转速、流量或检修计划，哪个方案更合适？

从记录状态、发现异常，到理解原因、预测变化和优化行动，工业智能化需要更深层的技术支撑。

在AI大模型加速发展的背景下，南京天洑软件有限公司提出工业世界模型技术路线，希望融合物理AI与工业AI，为工业系统构建可持续运行、预测和推演的数字世界。

工业系统发展趋势

两条技术路径，走向同一个工业问题

回顾工业数字化的发展，各类软件与平台长期沿着两个维度探索：一个维度是对物理规律的理解与计算，另一个维度是对工业状态的感知、分析与决策。

在物理维度，流体、结构、传热等工业仿真技术，将物理方程和工程经验转化为计算模型。工程师可以在制造之前评估设备强度、流动性能和散热效果，为设计提供依据。

这类技术具有扎实的机理基础，但复杂模型通常需要较多建模时间和计算资源，与生产现场持续变化的运行状态衔接仍有难度。

在智能化维度，工业互联网打通设备与系统；数据分析与机器学习支持异常识别、质量预测和运行优化；数字孪生则尝试连接现实对象与数字模型。

这些探索积累了物理模型、工业数据和业务经验，也暴露出共同难题：如何将分散的能力组织起来，使系统既理解工程规律，又能适应现场变化？

大模型时代，需要可以推演的工业世界

大模型为自然语言交互、知识理解和任务组织带来了新能力。但工业问题同时受到质量与能量守恒、设备性能、工艺边界和控制规则约束。回答是否流畅，无法说明一项操作建议在工程上可行。

按照天洑的定义，工业世界模型以工业本体统一组织设备、材料、状态、连接关系与约束，将物理规律、运行数据和工业知识纳入同一建模体系，计算系统在不同条件或操作下的响应。

天洑工业世界模型生成器

例如，面对水泵振动异常，模型需要结合转速、流量、压力和设备特性，分析异常原因，推演不同调整方案对振动、能耗和运行风险的影响，为现场决策提供依据。

在这一体系中，大模型负责理解和调度，专业工业小模型负责精准计算，物理机理模型负责规律约束，工业智能体负责组织执行。各类模型通过协同工作，将用户提出的问题转化为可以计算、比较和验证的工程任务。

工业世界模型的特点，可以概括为三个方面。

首先，推演具有物理依据。通过机理模型、物理约束和工程边界，系统能够对预测结果进行约束与校核，提高工程可信度。

工业世界模型灵巧手训练

其次，模型可以随现实校准。设备磨损、原料变化、季节变化都会影响运行规律。通过引入试验与运行数据，模型能够持续修正参数，使数字世界更贴近现场。

第三，模型能够复用并生成不同情景。改变负荷、材料、环境或控制动作，可以形成一组可比较的模型实例，用于设计探索、控制策略验证、风险推演和智能体训练，减少高成本或高风险的现实试错。

为什么天洑选择这条路线

天洑提出工业世界模型，与其在物理AI和工业AI两个维度的长期积累有关。

在物理AI方面，AICFD积累了流体与传热建模能力，AIFEM提供结构、强度和振动等计算能力，AIPOD支持设计空间探索与优化。这些能力共同构成理解和推演工业对象的计算基础，也能为AI模型生成训练样本、提供校核依据。

在工业AI方面，DTEmpower覆盖数据清理、特征工程、小数据建模及机理与数据融合；工业AI底座TFIIF支持模型部署、运行、自学习和优化，并可与DCS、SCADA、PLC等系统连接。

在此基础上，天洑将自身定位为“工业世界模型框架体系及基础设施提供商”，并通过工业世界模型生成器，推动分散的工程资料、数据和模型转化为可运行的工业资产。

天洑的探索，为物理计算与工业智能的融合提供了一条值得观察的路径。