对云道智能而言，入选三大市场指向同一件事：当具身智能与智能工厂成为产业方向，仿真不再只是研发设计的工具。它开始为AI供料——生成训练所需的物理数据，成为智能体理解真实世界的前提。

这三个位置分属两份清单。设计仿真智能体与中试智能体在工业Agent一侧，具身智能数据仿真及开发平台在工业物理AI一侧。IDC在报告中把这一格局描述为“工业Agent与工业物理AI双线发展”，而云道智能，同时出现在两条线上。

三个细分市场的分工也不相同。设计仿真智能体面向研发阶段，处理建模、仿真分析与方案比选；中试智能体面向试生产阶段，处理工艺验证、参数寻优与放大过程中的风险；具身智能数据仿真及开发平台则面向机器人的训练与验证，提供数据与工具支持。

名称各有侧重，指向的能力却相近：在真实设备与真实产线之前，先把判断放到物理规律里过一遍。

云道智能出现在这三处，源自它长期投入的方向。

2014年，云道智能提出过一个当时看来近乎科幻的愿景——打造“工业界的黑客帝国”，彼时大模型尚未出现。

十余年过去，这个愿景落成了两层楼。以仿真根技术为地基，一层拔地而起的是通用多物理场仿真平台伏图（Simdroid）：多轮迭代之后，它拥有覆盖固体力学、流体力学、电动力学、热力学四大物理场的高精度求解能力。楼上是物理AI开发平台Sim-PI：以GPU加速的物理引擎为核心，耦合了场景多样性生成、AI训练验证以及真实感渲染等技术，为具身模型训练评估、智能运维操控和工业智能制造等方向赋能。

今天回看，那个构想描述的正是物理AI的核心路径：在虚拟世界里训练，在真实世界里作业。

技术是否可信，看它在真实场景里交付了什么。

AI算力激增，散热需求攀升，传统机房却仍依赖人工运维与静态调控——制冷粗放、响应滞后，大量电能消耗于无效制冷。传统运维的痛点，可以概括为看不见、调不准、响应慢。

云道智能与苏数科集团合作落地的基于Sim-PI的数据中心智能温控项目，是一条完整的仿真驱动AI链路：

• 用仿真造数据：基于Simdroid-EC批量生成含极端工况的海量仿真数据集，覆盖真实场景难以穷举的工况组合。

• 用数据训模型：以仿真数据训练出秒级响应的AI代理模型，替代原本耗时的CFD计算，并结合历史运行数据与仿真结果，构建空调智能控制策略模型，实时动态调整制冷参数。

• 部署迭代优化：控制策略模型部署到空调设备上实际运行，用运行产生的数据持续迭代AI代理模型与控制策略模型，使其更加精准与稳定。

整套方案以“感知-预测-决策-优化”的完整闭环，在保障算力集群安全运行的前提下帮助企业提升机房能效比。

在具身智能这一端，同一条链路正在被复用。

2026世界机器人大会上，云道智能与埃夫特·启智联合展示了汽车线边仓智能分拣物理AI仿真训练平台。难点在于上千种零件——塑料卡扣、橡胶密封圈、金属支架，重量、重心、摩擦系数各不相同。传统示教编程面对频繁换产几乎无法复用；真机采集数据训练模型则成本高、周期长。

云道智能的做法是：依托Sim-PI在虚拟环境中还原真实工况，为每个零部件建立物理属性模型，机械臂在虚拟世界反复练习，再把结果迁移到真实设备。

基于线边仓智能分拣场景的物理AI仿真训练平台

IDC在报告中预计，到2029年中国工业AI市场投资规模将达到1087.2亿元人民币，2024至2029年复合增长率为33.6%。

市场扩大，意味着更多企业会把AI从试点推向日常运行——而“日常运行”，意味着机器要走进工厂、走进真实的物理世界。大模型教会了机器说话，却没教它懂物理。要动手，它还缺一颗负责推理与因果的“左脑”。

云道智能的名字，同时出现在这份概览的三个栏目中。对云道智能而言，这是一次位置确认。位置确认之后要做的，还是同一件事：给机器补上这颗“左脑”——以物理引擎为底座构建世界模型，让智能体在开口动手之前，先在虚拟世界里把每一步预演一遍。

这既是云道智能正在做的事，也是我们希望与行业共同推进的方向。