石化產業媒合平台

將 AI 更深地塞進工業流程，從「產品怎麼設計、怎麼驗證、怎麼排產，到怎麼在產線上調整」，一路延伸到營運與供應鏈管理，打造一套他們稱作「工業人工智慧作業系統」的架構。

把幾個工業界最常卡關、但又最吃運算的環節（模擬、數位孿生、電子設計自動化、工廠規劃）拉到同一條主線上，並且以AI 基礎設施與 GPU 加速為底，再結合工業軟硬體與大量產線經驗，試圖把「數位孿生」從過去偏靜態的模擬，推進到能持續更新、能回饋現場決策的運作方式。

模擬全面 GPU 加速，還要推「生成式模擬」與自主化數位孿生

擴大對 CUDA-X 函式庫與 AI 物理模型的支援，讓客戶能跑更大規模、精度更高、週期更短的模擬。

更值得注意的是，也把 PhysicsNeMo 與開放模型拉進來，想推動「生成式模擬」的方向：
讓模擬不只是算一次結果，而是走向更即時、更能自我優化的「自主化數位孿生」——這會直接影響工程設計與產線調整的速度。

把工業 AI 的邏輯搬進半導體設計，EDA 工作流程喊出 2～10 倍加速

聚焦在：

• 驗證（verification）
• 佈局（place & route）
• 製程最佳化（process optimization）

並以關鍵工作流程達到 2～10 倍效能加速 為目標。同時也導入 AI 輔助功能，例如佈局引導、除錯支援、電路優化，意圖縮短設計週期並提升製造可行性。

新一代 AI 工廠藍圖，先解資料中心等級運算的電力與冷卻問題

如果把「AI 工廠」當真，下一步一定會撞到現實：電力、冷卻、密度與自動化整合。雙方提到要共同開發可複製的工廠藍圖，去平衡高密度運算帶來的基礎設施壓力，同時把規劃、建置到營運的生命週期都納入最佳化。

這裡等於把 AI 基礎設施與電力基礎建設／電網整合／自動化放在同一張設計圖上談。

資料來源: 三嘻行動哇 Yipee網站