ChatGPT 5.6 Sol接管Ansys，有限元仿真全流程自动跑通！ ChatGPT 5.6 Sol自动驱动 Ansys 完成有限元结构仿真的全过程。从几何建模、材料与接触定义，到载荷边界、三档网格收敛和非线性求解，模型都能自动执行并逐项校核。 这是一套三耳板销轴双剪连接结构的有限元仿真：中间耳板承受拉力，两侧外耳板固定，载荷通过销孔接触传递到销轴。 ChatGPT 5.6 Sol 不仅能自动后处理生成应力、变形和接触压力云图，还能识别最差网格单元、检查反力平衡，最终输出完整的仿真验收报告。 #有限元仿真# #AI仿真# #ChatGPT# #Ansys# #CAE#

字节第一个赚到钱的 AI 业务：Seedance 2.0，毛利率达70% 每卖出 10 元 API 调用，服务器和推理成本约占 3 元。一位业内人士根据 Seedance 2.0 的模型参数估算，一次完整训练成本在数亿元。 相比之下，语言模型通常有更多版本、更密集的迭代和更长的训练周期，总体训练成本可能是视频模型的 3 到 5 倍。Seedance 目前主要押注一个视频生成模型，训练投入更容易被后续收入摊薄。按这样的成本结构，“要实现盈利并不困难。” 上述人士说。 不过大模型的毛利率还取决于字节如何计算折旧。字节并非长期租用外部算力，主要成本来自自建数据中心和自购芯片。芯片按几年折旧会显著影响账面成本。类似争议在硅谷也存在：AI 芯片迭代太快，折旧年限到底该按传统服务器计算，还是按更短的技术周期计算，尚无定论。 这些都是更大的投入换来的。2025 年，业内主流判断是：沿传统的 DiT 架构（扩散式 Transformer）继续训，模型提升空间已经不大，多数团队转向后训练。业内头部的团队，有更多的资金、资源投入，做极致预训练模型。 经近一年优化，Seedance 2.0 成为第一个完整采用 MoE 的视频生成模型，参数 2000 亿，2026 年 2 月上线后迅速成为全球性能最强的视频模型。 今天的视频和语言大模型训练都必须用昂贵且难以买到的英伟达 GPU 或者 Google TPU。但训练完，上线使用时，视频模型对推理芯片的要求更低。语言模型一个词接一个词生成、每步都要回看上下文，对显存和卡间通信要求很高；视频模型的 DiT 架构能把一批数据一起算、分批输出，同样吃算力，但对卡间通信依赖低，很多国产芯片都可以跑。这是高毛利的基础。 Seedance 研发人力也更便宜。一位猎头说，多模态高阶人才薪资普遍比语言模型方向低 30% 左右。视频生成的竞争烈度低于语言模型，团队也精简——Seedance 核心算法成员仅十余人，绝大部分毕业就去了字节：总负责人曾妍是 2021 届博士毕业后加入，预训练负责人魏国强是 2023 届博士毕业，负责工程化的吴捷 2020 年从中山大学硕士毕业。 如今 Seedance 已经成为 AI 仿真人剧、漫剧的重要生产工具。制作公司借助它自动拆解剧本，生成分镜和提示词，再上传提前确定好的人设图、场景图，就能生成视频。人的工作主要变成检查结果，筛选出可用画面。 据我们了解，头部漫剧公司使用 Seedance 的算力成本在 5 万元左右。

AI驱动的Fluent无人机外部流场CFD仿真 这次尝试用 Codex 帮我在Ansys Fluent 里跑一个飞行器的气流 CFD仿真。从导入模型、生成网格，到设置来流、查看压力云图和气流动画，中间也遇到了一些方向和显示问题。这个视频主要记录整个调试和可视化过程。 #Codex# #AI工程仿真# #ANSYS# #Fluent# #CFD# #外流仿真# #气动仿真# #瞬态仿真# #PyFluent# #网格生成#

AI 自动完成 CST 电磁仿真任务。 Codex 通过我开发的 CST MCP 和 CST Simulation Workflow Skill，自动控制 CST Studio Suite 完成一个汽车 77GHz 毫米波雷达电磁仿真案例。 整个流程从自然语言对话开始，由 Codex 自动调用 CST MCP 完成项目创建、参数化建模、材料设置、4 端口激励、Open/Add Space 边界设置、E/H/Farfield 监视器配置、Time Domain Solver 求解，以及 S 参数结果导出。 Codex + CST MCP 控制专业仿真软件完成自动建模、求解、导出与结果验证的真实演示。 #CodeX# #CST# #MCP# #自动建模# #AI工具# #电磁仿真# #GPT#

AI 算力竞赛向上游 EDA 转移？ 随着单芯片面积逼近物理极限，AI 算力硬件的竞争正从“晶圆制造”向“3D-IC 先进封装”演进。这一底层架构的突变，迫使芯片测试环节大幅前移，直接引爆了对上游 EDA（电子设计自动化）虚拟验证工具的需求。 一、 物理极限倒逼 3D-IC，EDA 承接复杂性溢价 AI 算力需求激增，传统的二维芯片扩张路线见顶。行业别无选择，只能转向 3D-IC（三维垂直堆叠）。 多物理场挑战： 芯片堆叠带来了成倍的散热、应力和电磁干扰问题。EDA 工具从单纯的逻辑画图，变成了不可或缺的系统级“物理法则模拟器”。 算力反哺： 在 Cadence 与三星的 2nm 合作中，Nvidia 通过提供 NVLink 和 CUDA 库加速 EDA 验证。这表明处理 2nm 节点的仿真已极其耗费算力，算力硬件正在反哺上游软件。 二、 流程巨变：测试环节的“左移” (Shift-Left Testing) 3D-IC 极高的封装成本，重塑了半导体的测试逻辑。 KGD 刚需： 封装后若发现底层晶片损坏，整颗高价 AI 芯片直接报废。行业必须确保“已知好晶圆（KGD）”。 虚拟验证替代物理测试： 测试工作从传统的“制造后物理机台测试”，大幅前移至“流片前软件与硬件仿真”。 硅前验证爆发： Cadence 的 Palladium 等硬件仿真设备允许客户在流片前运行真实 AI 工作负载。这是其 80 亿美元订单积压的核心驱动力。边缘 AI 厂商（如 Ambarella）的加入，意味着该需求正从云端向端侧全面扩散。 三、 估值错配与 Alpha 信号 资本市场的认知差，创造了软件端的补涨空间。 估值差： 2026 年初，资金过度拥挤于半导体实体硬件，导致 Cadence 涨幅大幅跑输半导体指数 SOXX。 CapEx 必然转移： 当硬件物理缩放受阻，芯片大厂的资本支出（CapEx）只能向先进封装和 EDA 倾斜。 基本面支撑： Cadence 2026 年 Q1 营收达 14.7 亿美元，超市场预期。短期虽因生态投资面临利润率压力，但其在 3D-IC 测试验证环节的不可替代性，确立了明确的软件补涨逻辑。 投资启示： 当市场的目光仍停留在谁能买到更多台积电产能时，掌握 3D-IC 时代多物理场仿真与硬件仿真话语权的 EDA 巨头，正在成为算力军备竞赛中真正的“卖水人”。 免责声明：本人持有文章中提及资产，观点充满偏见，非投资建议，dyor

🔥Physical AI 的演进，必然走“农村包围城市”这条路。 数字世界的AI，打法是先攻大城市。大语言模型靠海量文本练出通用能力，再向垂直领域渗透。城市拿下，交通要塞到手，农村自然归附。 但物理世界完全不同。真实环境里，摩擦力、碰撞、变形、多物理场耦合无处不在。一个简单的爬墙动作，仿真计算量就可能指数级爆炸。想直接得到一个通用的物理世界模型，几乎不现实。 所以物理AI只能从垂直场景起步，先在一个个具体场景里做透，把局部模型打磨到极致，再慢慢拼出更大的版图。 自动驾驶的发展就是例证。它最早没有直接冲进城市开放道路，而是从矿区、港口、封闭园区这些结构化、变化频率低的场景开始。这些场景跑通后，数据和算法才有了可靠地基。等到干线物流和高速场景成熟，城市RoboTaxi才慢慢落地。物理约束太强，数据成本太高，只能从“农村”起步。 工业领域同样如此。早期的并联机器人和混联机器人，先在特定流水线、数控机床上站稳脚跟，再逐步向外扩展。波士顿动力的四足机器人长期专注复杂地形移动，没有一开始就追求通用人形。农业机器人也先盯住单一作物的采摘或喷洒，积累足够的田间数据后，才考虑多作物泛化。 世界模型在这条路径里扮演关键角色。它不用一开始就覆盖整个物理宇宙，而是先为某个垂直场景建一个高保真的局部世界。机器人在里面用强化学习自我迭代，上限远高于单纯的模仿学习。围棋棋盘是AlphaGo的极简世界模型，蛋白质结构是AlphaFold的微观世界模型。多物理场仿真技术，正好是构建这类局部世界的基础。 数据获取方式也在推动这种演进。家用服务机器人还在花钱雇人采数据，自动驾驶靠用户买车免费贡献里程。而在工业巡检、高空作业等特种场景中，作业过程本身就能产生真实工况数据，把“赚钱”和“收数据”绑在一起。谁先在真实环境里把数据飞轮转起来，谁就更有机会把局部模型做扎实。 最终当然会走向融合。不同场景的模型通过商业互换或开源协议拼接，或许能拼出更完整的物理世界图景。但这个过程必然漫长，也必然从边缘开始。 物理AI没有天降神兵。原子移动比比特慢得多，真实数据的获取成本和周期远超数字世界。只有那些愿意在脏乱险的现场把模型一点点做透的人，才真正在为通用物理智能铺路。 农村站稳了，城市才会慢慢被包围。 #WorldModel# #PhysicalAI# #EmbodiedAI#

软件 AI 的盛宴已经吃过了，现在实体 AI 机器人这桌菜刚上，而且盘子比之前还大，聪明的人现在就开始上车。 未来 10 年最值得关注的 14 个机器人 AI 核心标的： 1. 特斯拉 $TSLA 全球最强实体AI龙头，Optimus人形机器人被马斯克视为未来最大的价值来源。 2. 亚马逊 $AMZN 已经部署超过100万台机器人，仓储自动化持续提升效率和利润率。 3. 英伟达 $NVDA 无论是机器人训练、AI算力还是数字孪生仿真，都离不开GPU和CUDA生态。 4. Ouster $OUST 机器人眼睛龙头。专注激光雷达 LiDAR，未来所有需要自主移动的机器人都需要。 5. Symbotic $SYM 仓储机器人纯正概念股，帮助沃尔玛等大型零售商建设全自动物流仓库。 6. ABB $ABBNY 全球工业机器人四大家族之一，深耕工业自动化数十年。 7. 发那科 $FANUY 全球工业机器人霸主，日本机器人代表企业。 8. 罗克韦尔自动化 $ROK 全球智能工厂解决方案龙头，AI机器人进入工厂。 9. Intuitive Surgical $ISRG 医疗机器人绝对龙头。达芬奇手术机器人已经建立极高护城河。 10. RoboStrategy $BOT 高风险、高弹性的机器人概念公司。主要提供私营机器人企业投资机会。 11. 谷歌 $GOOGL RT-1、RT-2机器人模型，将大语言模型、视觉和动作控制融合。 12. $BOTZ 机器人ETF里的明星产品，覆盖工业机器人、自动化、人工智能、自动驾驶等多个赛道。 13. $ROBO 专注机器人与自动化产业链，持仓公司数量更多、覆盖范围更广。 14. $ARKQ 木头姐旗下旗舰机器人ETF，重点押注自动驾驶、机器人，特斯拉持仓占比较高。 你最看好哪个机器人概念股？

继大模型之后，Physical AI 正成为 NVIDIA 的下一张王牌。 机器人不缺 AI，缺的是训练数据。NVIDIA 希望通过物理仿真生成海量合成数据，让机器人先在虚拟世界完成数百万次训练，再进入现实世界。未来，数据工厂可能比机器人本身更重要。

小鹏汽车 AI 基础架构部负责人陆思渊即将离职，目前正在交接工作。他的下一站是 OpenAI，将参与具身智能机器人研发。 陆思渊负责小鹏从模型训练到上车量产的整套 AI 基础设施，直管约 200 人。工作覆盖训练框架、GPU 集群、自研芯片编译器、模型量化优化和车端部署。 这个岗位对小鹏格外关键。小鹏走自研芯片路线，编译器和推理运行系统都要自己搭建。由于暂未找到接替者，陆思渊的团队预计拆成三个以上独立团队。 OpenAI 官网目前仍在招聘机器人软件、仿真和固件工程师。官方称，机器人团队正在研发可在真实环境工作的通用机器人，并打通模型、硬件和软件。

《AI 下半场：美股人形机器人产业链全梳理》 白毛股神 Serenity @aleabitoreddit 说：Robotics is next.🤖🤖🤖 过去两年，市场主要交易的是 AI 的大脑：GPU、CPU、存储、数据中心、大模型、推理算力。 但大脑建好之后，AI 不能永远只停留在屏幕里写代码、画图、聊天。 大模型是 AI 的大脑，机器人是 AI 的身体。大脑负责思考，身体负责行动。 只有当 AI 拥有了身体，它才能真正走进工厂、仓库、医院、家庭，去搬运、分拣、装配、护理、清洁，最终在真实世界里创造价值。 Biteye 按照人形机器人的组成部分，系统梳理了美股机器人及供应链核心标的👇 🔹 感知系统 这部分负责让机器人看到世界。它通过视觉、深度、触觉等传感器，把真实世界转化为数字信息，让机器人能够识别物体、理解环境并进行空间定位，是机器人理解外部世界的第一步。 $CGNX Cognex | ~$8B+ | 工业机器视觉龙头，工厂自动检测与识别系统 $KEYS Keysight | ~$30B+ | 测试测量系统，机器人电子系统验证基础设施 $TDY Teledyne Technologies | ~$25B+ | 高端工业相机+LiDAR+传感器系统 $ON onsemi | ~$25B+ | 自动驾驶+机器人图像传感器核心供应商 $NOVT Novanta | $5.61B | 做机器人力/力矩传感器，在人形机器人和工业机器人里很重要。 $AMBA Ambarella | ~$4B+ | AI视觉芯片，用于机器人/无人机/安防识别 $VPG Vishay Precision Group | ~$1.7B | 精密力学传感器公司，应变计和力传感器可用于人形机器人灵巧手、关节力控与高精度抓取，是 Optimus 供应链弹性标的之一。 $VLN Valens Semiconductor | ~$200M+ | 高速信号传输芯片公司，提供低延迟视觉数据传输方案，可用于机器人多摄像头、自动驾驶和端侧计算系统。 🔹 执行系统 执行系统相当于机器人的肌肉和关节，负责把计算系统发出的指令转化为真实动作。无论是行走、转身、抓取、搬运，还是保持平衡，都依赖电机、减速器、液压/气动系统和精密传动部件来完成。 $PH Parker Hannifin | ~$120B+ | 运动控制+液压系统，机器人核心驱动与执行器 $IR Ingersoll Rand | ~$32B+ | 工业压缩机+自动化气动系统 $FTV Fortive | ~$18B+ | 工业精密工具+自动化设备系统 $RRX Regal Rexnord | ~$14B+ | 电机+传动系统，工业机器人动力核心 🔹 计算与控制 计算与控制相当于机器人的“大脑 + 小脑”，负责处理感知数据、理解环境、规划路径，并把AI决策转化成稳定动作。它决定机器人反应快不快、动作准不准、能不能在复杂环境中自主运行。 $NVDA Nvidia | ~$3.0T+ | AI GPU + Jetson边缘计算平台，机器人算力绝对核心 $MSFT Microsoft | ~$3.2T+ | Azure + Copilot + AI基础设施，提供机器人云端大脑与开发平台 $GOOGL Alphabet | ~$2.0T+ | DeepMind + Waymo，布局自动驾驶与机器人AI系统 $AMD AMD | ~$880B+ | GPU/CPU替代方案，提供机器人边缘与训练算力 🔹 能源系统 能源系统决定机器人能运行多久、功率能有多强，包括电池技术、电源管理和充电系统，是机器人能否规模化落地的关键限制条件。 $ADI Analog Devices | $203.57B | 模拟芯片、电源管理、传感和工业控制巨头，机器人底层硬件核心。 $HON Honeywell | $144.11B | 电源管理+工业能源系统 $MPWR Monolithic Power Systems | $76.83B | 电源管理芯片龙头，广泛应用于机器人、AI服务器和汽车电子。 $VICR Vicor | $14.40B | 做高效率电源模块，将电池电压转换成不同部件用电，适合机器人能源系统。 $AMPX Amprius Technologies | $2.43B | 硅负极高能量密度锂电池，已切入无人机与机器人市场 $BLNK Blink Charging | $85.63M | EV充电基础设施公司，探索机器人与物流设备充电场景 🔹 基础软件 基础软件是人形机器人真正的“智能底座”，决定机器人不是简单重复动作，而是能够理解任务、学习环境并不断优化行为。 在人形机器人训练中，软件的重要性甚至高于单一硬件。机器人需要先在仿真环境中学习走路、抓取、避障和执行任务，再通过真实世界数据不断修正模型。 $MSFT Microsoft | ~$3.2T+ | Azure AI + Copilot 生态，机器人云端大脑与企业AI开发平台。 $NVDA Nvidia | ~$3.0T+ | Isaac Sim + Jetson + GPU 算力平台，机器人仿真训练和AI推理基础设施。 $TSLA Tesla | ~$1.3T+ | FSD + Optimus 数据闭环，端到端机器人策略模型代表。 🔹 人形机器人 在人形机器人方向，本体公司的目标是让机器人像人一样在复杂环境中完成通用任务；在工业和协作机器人方向，则更强调稳定性、效率和规模化部署。因此，这一层通常也是机器人产业链中最接近终端需求、最容易形成品牌和估值叙事的部分。 $TSLA Tesla | ~$1.3T+ | Optimus 人形机器人 + FSD 自动驾驶统一系统，代表“AI大脑 + 机器人本体 + 数据闭环”的一体化路线。 $HON Honeywell | ~$140B+ | 工业自动化、航空自动化与物流自动化解决方案商，更多偏机器人系统集成与场景落地。 $ABB ABB | ~$100B+ | 全球工业机器人和自动化龙头，产品覆盖机械臂、控制系统、产线自动化，是成熟工业机器人代表。 $TER Teradyne | ~$24B+ | 通过 Universal Robots 和 MiR 布局协作机器人与自主移动机器人，是工业协作机器人平台型公司。 $CCXI Churchill Capital Corp XI / Agility Robotics | 拟合并估值约 $2.5B | Agility 是美国人形机器人公司，核心产品 Digit 主攻物流、仓储和制造场景。 目前 Agility Robotics 正通过与 SPAC 公司 Churchill Capital Corp XI 合并上市，交易完成后预计更名为 Agility，并使用新 ticker $AGLT。 🌟写在最后 机器人产业链的投资逻辑，其实和半导体周期很像。 早期阶段，很难判断谁会成为最终赢家，但产业链上每一层都会先跑出阶段性机会：感知、执行、能源、控制、本体，都会随着行业关注度提升被重新定价。 今天优必选超仿生机器人刷屏，就是一个很明显的信号：机器人正在从实验室、发布会，开始走进大众视野。根据公开报道，优必选在 6 月 30 日发布会上表示，“优世界 U1”系列全渠道订单已突破 1 万台，并计划今年交付。 当然，这不代表机器人马上就会全面商业化。短期看，它更像一个从“概念展示”走向“真实订单”的拐点。真正值得关注的，是订单能不能持续、成本能不能下降、供应链能不能跟上。 对普通投资者来说，与其现在就押注谁是“人形机器人界的英伟达”，不如把机器人当成一条完整产业链来研究：感知、执行、能源、本体，每一层都选出核心公司，用组合方式分散单一标的不确定性。 Robotics is next 这句话大概率是对的。但节奏不会一蹴而就，真正的机会，可能藏在每一台机器人都绕不开的核心供应链里。