Neural Concept

一句話總評

Neural Concept 是工程模擬領域裡少數把 AI 做進核心而不是外掛的公司——2025 年 12 月由高盛旗下成長股權基金領投拿下 1 億美元，通用汽車、Safran 與多支 F1 車隊都在用。

它到底是什麼

AI 原生的工程平台，把 AI 直接嵌進設計與模擬流程，目標是把開發週期從幾個月壓到幾天。核心技術是官方稱為「CAD 原生、具物理感知」的 AI 與工程深度推理。

它解決的問題很具體。傳統的 CFD（計算流體力學）或結構模擬，跑一次可能要幾小時到幾天，所以工程師一天只能試幾個設計方案。而 AI 代理模型（surrogate model）學會物理行為之後，可以在幾秒內給出近似結果——工程師因此可以在同樣時間內探索幾百個方案，而不是幾個。這不是「快一點」的差別，是設計方法論的改變。

官方引用的效益：替客戶每年節省 5,000 萬美元、後期重新設計減少 30 到 50%、上市時間最多加速兩年。

誰該用它

有重度模擬需求的製造業：汽車、航太、能源設備、賽車。2019 年創立至今，官方說 50 家以上全球企業採用，具名客戶包含通用汽車、GE Vernova、Leonardo Aerospace、Eaton、Safran、雷諾集團與多支 F1 車隊。

F1 車隊出現在名單裡不意外——F1 有嚴格的風洞測試與 CFD 運算時數上限規定，所以「用更少的運算量得到更好的設計」對他們是規則層面的競爭優勢，不只是效率問題。

不適合的是沒有模擬基礎的公司。這套東西需要你先有足夠的歷史模擬資料來訓練代理模型，從零開始的公司沒有燃料。

優點

• CAD 原生且具物理感知，不是把通用模型硬套在工程資料上
• 客戶名單（通用汽車、Safran、F1 車隊）代表它通過了最嚴苛的工程驗證
• 1 億美元 C 輪由高盛旗下基金領投，資本充足度在同類新創中領先
• 與 Nvidia、Siemens、Ansys、微軟、AWS 的夥伴關係，降低了與既有工具鏈整合的風險

缺點

• 需要足夠的歷史模擬資料才能訓練代理模型，資料不足的公司無法起步
• AI 代理模型是近似解，關鍵設計仍須用傳統求解器驗證，不能完全取代
• 企業級採購且需要工程團隊改變工作方式，導入是組織變革不只是買軟體
• 官方引用的效益數字（省 5,000 萬美元、加速兩年）為客戶案例綜合，個別結果差異會很大

替代方案

傳統的 Ansys、Altair、Siemens 這幾套 CAE 巨頭近年都在自己的產品裡加 AI 加速功能，而且 Neural Concept 本身就與它們是夥伴關係——所以這比較不是「二選一」，而是「要不要在既有工具鏈上加一層 AI」。SimScale 等雲端模擬平台則走另一條路，用雲端算力降低門檻而非用 AI 近似。

台灣觀點

台灣製造業有非常好的條件用這類工具，也有非常明確的障礙。

好的條件是：台灣有大量做熱管理、散熱模組、電源、機構件的公司，這些都是模擬密集的領域，而且台灣廠商的迭代速度本來就快。壞的是資料——多數台灣公司的模擬結果是分散在各個工程師的硬碟裡，命名沒有規則、參數沒有記錄、失敗的案例直接刪掉。而 AI 代理模型要學的，恰恰包含那些失敗的設計。

我的實務建議是：如果你的公司想走這條路，第一年該做的不是評估平台，是建立模擬資料的管理規範——每次模擬的幾何、邊界條件、材料參數與結果都留下來，失敗的也留。這件事聽起來很無聊，但它決定了兩年後你有沒有資格用 AI。

另一個台灣特有的機會是 F1 那個邏輯的延伸：當運算資源有限時，用更少的模擬得到更好的設計就是競爭力。台灣中小型製造商買不起大型運算叢集，代理模型反而是他們追上大廠的路徑。

評語：這是 AI 進入製造業最實在的一條路——不是拿 ChatGPT 幫工程師寫報告，而是讓 AI 學會物理，把設計探索的次數放大一百倍。台灣製造業要接住這波，缺的不是錢，是把過去十年的模擬資料好好留下來的紀律。