從虛擬雙生到產業世界模型：達梭系統與 NVIDIA 如何定義工業 AI 的下一章

本文整理自 Dassault Systèmes 2026 年 2 月在 3DEXPERIENCE World 大會發布的對談影片。

LLM 不能造衛星

在休士頓 3DEXPERIENCE World 大會的舞台上，達梭系統（Dassault Systèmes）執行長帕斯卡．達洛茲（Pascal Daloz）開場就丟出一個尖銳的區分：「我們需要的不是通用 AI，不是表面層次的 AI，而是我們稱之為『真實世界 AI』——根植於產業、工程和科學之中的 AI。」他接著補了一句讓全場工程師點頭的話：「LLM 不能造衛星，不能設計飛機，也不能發現癌症療法。你們才能——而我們幫你們驗證。」

這段話精準地點出了當前 AI 發展中一個被廣泛討論、卻很少被清楚回答的問題：ChatGPT 這類大型語言模型在文字世界裡表現驚人，但它們真的能用來做工程設計嗎？答案是——不夠。語言模型理解的是文字的統計規律，而工程設計需要的是物理法則的精確預測。你可以用 ChatGPT 寫一份產品規格書，但你不能用它來預測一個機翼在特定氣流條件下的應力分佈。這兩件事需要的是本質上不同的 AI。

達洛茲和 NVIDIA 創辦人黃仁勳（Jensen Huang）在這場對談中，共同推出了一個他們認為能填補這個缺口的概念：「產業世界模型」（Industry World Models）。這不是又一個行銷名詞，而是一種真正不同的 AI 架構——一種理解因果關係、服從物理定律、能在工程和科學場景中做出可信預測的 AI 系統。

世界模型 vs. 語言模型：狗接球的啟示

要理解世界模型和語言模型的差異，黃仁勳在對談中給了一個極其直覺的類比。他問：狗能從空中接住球，但牠有在做物理模擬嗎？當然沒有。狗不知道什麼是拋物線方程式，不懂彈性碰撞的偏微分方程，但牠透過無數次的觀察和學習，建立了一個內在的「世界模型」——牠知道球會怎麼飛、什麼時候會落到什麼位置、牠應該在哪裡張嘴接住它。

NVIDIA 的 Physics NeMo 做的就是類似的事情。傳統的工程模擬是「第一性原理」方法：你寫出描述物理現象的方程式（例如 Navier-Stokes 方程式描述流體行為），然後用電腦一步一步地求解。這種方法精確，但極其耗時——一次完整的碰撞模擬可能需要在超級電腦上跑好幾天。Physics NeMo 則是用另一種路徑：讓 AI 從大量的模擬資料中學習物理行為的模式，建立一個能快速預測結果的「代理模型」（surrogate model）。

關鍵在於，這個 AI 不是在「猜測」物理現象，而是被物理定律「約束」著。黃仁勳解釋，Physics NeMo 的模型可以用第一性原理模擬器來訓練，也可以和第一性原理模擬器並行運作，所以它的預測是「紮根於物理法則之中的」。結果是什麼？比傳統模擬快一萬倍的預測速度，而且精度足以用於工程決策。這意味著，原本只能跑三五次模擬來選方案的工程師，現在可以探索成千上萬種設計可能性。

黃仁勳還拆解了語言模型和世界模型之間的結構性差異。語言模型需要理解句法、詞彙、語言結構，還需要「品味」——什麼樣的表達方式更好——以及「護欄」——什麼該說什麼不該說。世界模型則需要服從物理定律、理解因果關係：如果你推倒一張骨牌，相鄰的骨牌也會倒；它需要理解慣性、摩擦力、重力、材料的接觸行為。這些知識不是從文字中學來的，而是從物理模擬和實驗數據中學來的。

三層架構：生物、物理、製造

達洛茲在對談中把達梭系統與 NVIDIA 的技術整合描述為一座「知識工廠」（Knowledge Factory），而這座工廠有三層不同的世界模型，分別對應不同的產業場景。

第一層是生物世界模型。在生命科學和藥物研發領域，AI 需要理解的不是鋼鐵和混凝土的物理行為，而是 DNA、蛋白質和細胞的生物語言。黃仁勳在對談中描述了一個分階段的過程：首先是「理解生命的語言」——就像語言模型學習人類語言的語法和語義一樣，生物 AI 要學習基因序列、蛋白質折疊和細胞互動的規律。然後是「翻譯」——在人類語言和生物語言之間建立對應關係，讓科學家能用自然語言來查詢和操作生物資訊。最後是「生成」——設計全新的蛋白質結構來作為藥物候選分子，或是合成全新的材料。達梭系統的 BIOVIA 平台整合 NVIDIA 的 BioNeMo 之後，分子與蛋白質模擬的速度已經加快了 200 倍。

第二層是物理世界模型。這是對談中著墨最多的部分，也是和傳統工程設計最直接相關的領域。達洛茲用 Lucid Motors 的案例來說明：這家以超長續航力聞名的美國電動車公司，正在用達梭系統搭配 NVIDIA 的物理 AI，把碰撞模擬、空氣動力學和車輛性能分析全部「左移」到設計流程的最前端。所謂「左移」（shift left），是軟體工程中的經典概念——把原本在後期才做的驗證工作移到前期，越早發現問題，修改成本越低。在汽車工程中，這意味著設計師在第一筆造型線條出現時，就已經知道這個形狀的風阻係數和碰撞能量吸收表現，而不需要等幾週後的模擬報告。

第三層是製造世界模型。歐姆龍（OMRON）的案例展示了一種完全不同的工廠設計邏輯——不是先蓋工廠再導入自動化，而是在設計階段就把自主機器人的行為模型整合進去。NVIDIA 的 Omniverse 平台提供了物理精確的 3D 環境，讓機器人可以在虛擬工廠中學習操作、搬運、組裝，驗證完畢後再部署到真實世界。達洛茲強調，這種「軟體定義工廠」的概念讓製造系統變得可程式化——當你需要改變產品線時，不需要重新佈線和重新安裝設備，只需要更新軟體和重新訓練機器人的行為模型。

法規遵循也可以「左移」

對談中有一個容易被忽略但意義重大的應用場景：航空認證。達洛茲提到，美國的國家航空研究所（NIAR）正在用達梭系統的虛擬夥伴（Virtual Companions）——一套 AI Agent 系統——來革新飛機認證流程。

傳統的飛機認證是一場噩夢般的行政馬拉松。一架飛機要取得適航認證，需要滿足超過一萬項法規要求，審查過程通常耗時三到五年。工程師要閱讀數百萬頁的法規文件，逐條比對設計是否合規，任何遺漏都可能導致整個認證流程推倒重來。現在，AI Agent 可以自動消化這些法規文件，在設計過程中持續監測合規狀態，讓認證從「設計完之後的門檻」變成「設計過程中的護欄」。

黃仁勳從技術面補充了為什麼這件事需要世界模型和語言模型的結合。法規合規本質上是「機器遇見社會與人類價值」的交界面——法規文件是用人類語言寫的，但它們約束的是工程行為。語言模型負責理解法規的文字和意圖，世界模型負責驗證設計是否在物理上滿足這些要求。把兩者結合起來，就能實現所謂的「合規即設計」（compliance by design）——你的設計在產出的那一刻就已經是合規的，因為合規檢查已經被嵌入了設計流程本身。

我的觀察：世界模型會改寫 AI 的應用版圖

看完這場對談，我最大的感觸是：過去兩年，全球對 AI 的想像力幾乎被語言模型壟斷了。從 ChatGPT 到 Claude 到 Gemini，媒體和投資人的目光都集中在「AI 能說什麼」、「AI 能寫什麼」上。但黃仁勳和達洛茲在休士頓提出的產業世界模型，指向了一個規模可能更大、但目前還沒有被充分討論的方向：AI 能預測什麼、能模擬什麼、能在物理世界中驗證什麼。

這個方向的經濟規模是驚人的。黃仁勳引述的數字是：全球未來十年在再工業化上的投資總額將接近 85 兆美元。這些錢要花在晶片工廠、AI 資料中心、電動車產線、生技製藥設施上——每一座都需要設計、模擬、驗證、優化。這是一個比「AI 寫文案」或「AI 做客服」大得多的市場，而它需要的正是世界模型這種懂物理、懂工程、懂科學的 AI。

對臺灣來說，這場技術轉向有一個特別值得關注的訊號。臺灣的半導體和精密製造產業長期仰賴硬體優勢，但當設計和製造流程越來越被 AI 驅動的虛擬雙生技術重新定義時，軟體能力和數位工程文化的重要性會快速上升。能不能熟練地在虛擬環境中做設計驗證、能不能用 AI 代理模型加速產品開發、能不能在設計階段就完成合規檢查——這些能力將決定臺灣製造業在下一個十年的國際競爭力。工具已經準備好了，問題是我們準備好了嗎。