虚构不曾发生过的历史，引用并不存在的判决书，捏造从未运行过的代码……当生成式AI开始“一本正经地胡说八道”，带来的不只是信息污染和信任危机，更严重者——可能是算塌一座桥梁，或是开错一份治疗单，让“幻觉”从数字虚构演变为现实威胁。
整个社会都正在经历一场从物理世界向数字世界的迁徙，而AI幻觉，正是这场迁徙中亟待治理的“暗礁”。
一、AI的“魔幻现实主义”
艾伦人工智能研究所的科学家在MuJoCo强化学习环境中做过一个实验，任务是让猎豹模型学会快速奔跑。结果出乎意料——猎豹没有奔跑，而是通过连续侧手翻获得了最大前进速度。
这一魔幻结果是由Open AI o3模型给出的。不要诧异，在PersonQA基准测试中，o3会在33%的问答中出现幻觉，而o4-mini的幻觉率更是高达48%。
为何AI如此擅长“脑补”？根源在于其数据驱动的本质。
图灵奖得主、关系型数据库鼻祖Jim Grey在2007年提出了科学研究的四大范式：第一范式物理实验、第二范式理论分析、第三范式科学计算和第四范式数据密集型科学。AI正是第四范式的典型代表：它依赖海量数据寻找统计关联，而非理解本质或遵循物理定律。
因此，当数据有瑕疵或指令触及知识盲区时，AI便会放飞自我，倾向于生成流畅合理或视觉惊艳的内容，而非绝对真实。幻觉，成了它达成目标的捷径。
特别是在需要严格物理推导时，AI因缺乏对因果关系的真正理解和对物理法则的内在遵从，其推理链条极易在薄弱环节断裂，输出看似合理实则荒谬的结果。比如OpenAI文生视频模型Sora生成的“反重力倒水”视频。
没有物理约束的AI，如同虚空作画，美则美矣，却无承载生命的根基。
二、为AI装上“物理引擎”
治理AI幻觉，不能仅靠修补模型本身，更需要为其找到坚实根基——基于第一性原理的科学计算（第三范式）。
科学计算，即利用计算机求解偏微分方程组，对复杂现象进行模拟仿真，实现精准预测。作为底层通用技术，科学计算可广泛应用于工程、工业、游戏等领域，在工程领域的典型应用便是CAE（Computer Aided Engineering，计算机辅助工程）。
与AI“利用数据、推算概率、探究相关性”不同，CAE能“生成数据、遵循逻辑、揭示因果性”——这正是AI缺失的物理锚点。
在样本数据不足或复杂场景下，AI预测容易失真。而CAE作为高精度物理模拟引擎，可有效弥补AI的短板：一方面，用高保真的物理仿真数据训练AI，让它“学”到真实规律；另一方面，将CAE的物理求解器嵌入AI工作流，强制其输出经过物理验证的结果。如使用CAE软件模拟水杯倾倒、液体流出的过程，更真实、更准确。
三、云道智造：打造数字世界的物理引擎
CAE（物理引擎）与AI（数据引擎）共同构成了数字世界的两大核心引擎，唯有二者协同并进、相互赋能，人类才能在这场数字迁徙中有效治理AI幻觉的暗礁，重建数字世界的确定性。
近日发布的《北京市加快人工智能赋能科学研究高质量发展行动计划（2025-2027年）》提出研发新一代科学计算智能模拟软件工具、建设高质量科学数据库，推动科学智能（即AI for Science）在工业智能化等领域深度应用。这为“双引擎”融合提供了政策注脚。
云道智造正深耕这一领域，积极探索CAE与AI的融合发展。在CAE for AI方面，伏图-物质点法引擎（Simdroid-MPM）凭借算法优势，可高效求解大规模复杂物理场景，如爆炸、冲击、滑坡、雪崩等；同时结合真实感渲染技术，能够在数字空间精准重构物理世界。
在AI for CAE方面，AI可为仿真插上“效率之翼”。云道智造的电子散热仿真软件Simdroid-EC不仅率先实现了规模化国产替代，还通过AI智能体、AI代理模型等技术，大幅提升仿真效率。
云道智造AI智能体应用案例
当AI真正理解桥梁的应力或水流的规律，而非仅模仿数据中的图案，幻觉的阴影才会逐渐消散。打造数字世界的物理引擎（Physical Intelligence, PI），正是校准未来的关键。让AI懂“物理”，让数字世界有“根基”——这，便是云道智造的使命。
