“工业软件是现代工业的智慧大脑与数字基石，其本质是将物理规律、工业知识、工艺经验、行业机理等内容数字化封装为计算机代码。”

　　6月11日，在武汉举行的第四届软件创新发展大会上，大连理工大学教授、中国科学院院士郭旭表示，工业知识叠加数字化封装形成的工业软件，能够有效放大计算能力与生产能力，最终推动全要素生产率实现提升。

　　当前我国重大装备研发不断向技术“无人区”迈进，对正向设计能力提出了极致要求，传统工业软件的诸多问题也集中显现。

　　在郭旭看来，传统工业软件特别是设计研发类软件的短板主要集中在四方面：一是计算效率偏低，多场耦合、多尺度分析等复杂问题求解耗时长，难以满足实时仿真与优化需求；二是建模能力不足，复杂服役环境下纯机理建模难度大、精度不足，无法支撑高端装备仿真；三是不确定性分析欠缺，难以量化多源变量带来的影响，制约可靠性设计；四是应用模式落后，多工具切换繁琐、迭代慢，高度依赖专家经验，亟需从工具驱动向智能驱动转型。

　　“人工智能赋能工业软件已经不是一道选择题，而是行业发展的必答题。”郭旭谈到，目前AI正从诸多层面重塑工业软件：智能仿真与优化设计——通过AI技术与数值计算深度融合，加速产品研发迭代；人机协同共智决策——通过AI赋能整合数据、模型、知识，使工业软件具备“自感知-自决策-自执行-自进化”能力；工业软件智能化重塑——从“人使用工具”到“人驱动智能体”，从静态固化演进至动态重构，从单点工具升级为智能系统。

　　与此同时，郭旭认为，人工智能赋能工业软件研发也面临着四大核心挑战：一是智能底座能力薄弱，尚无法支撑集成工业数据/知识/模型、各类软件工具以及AI技术的高度集成；二是高质量工业数据匮乏，数据孤岛、合规限制等导致的 “数据饥荒”将制约智能软件能力提升；三是核心根技术缺失，高泛化性智算仿真、低算力消耗智能计算等关键技术亟待突破；四是算法/模型可解释性差，“黑箱”封装不利于推理决策透明化，可能引发对智能工业软件的可信性关切。

　　对此，郭旭提出发展建议：一是攻坚底层技术，依托元学习、Token统一化等实现CAX全链路贯通与高效计算；二是创新软件架构，打造具备自感知、自学习、自进化能力的新型智能软件；三是依托龙头企业开放场景，以实战应用牵引技术迭代；四是兼顾补短板与锻长板，攻克工业软件“卡脖子”技术的同时，积极布局AI原生工业软件、工业大模型等前沿研发。

　　“推动工业软件智能化跃迁，需要坚持体系化系统布局，在促进AI赋能全链条协同推进的同时，充分发挥我国工业场景优势，构建智能工业软件创新生态。”郭旭说。（记者 肖春芳）