Quanscient 用雲端原生、AI 加持嘅多物理場模擬，取代傳統 CAE 軟件嘅鴻圖大計

傳統電腦輔助工程（CAE）軟件，好多時逼到工程師只能夠喺本地工作站記憶體限制下，處理簡化咗嘅單一物理場模型。嚟自芬蘭坦佩雷嘅 Quanscient 就係要打破呢個樽頸位，佢哋推出咗雲端原生多物理場求解器「Allsolve」、一個由 AI 驅動嘅設計探索引擎，仲公開演示咗量子演算法。喺 2024 年 11 月，公司成功獲得 €520 萬（約 566 萬美元）嘅增長融資，同時推進呢三條戰線 。

融資背景澄清： 雖然有啲第三方資料庫事後將 2024 年 11 月呢輪融資標籤為「Series A」，金額大約係 570 萬美元，但根據公司自己嘅官方公布，呢輪明確係一筆 €520 萬嘅增長融資。坊間並無任何關於 Quanscient 有過單獨一筆 €1,000 萬 Series A 融資嘅紀錄 。夾埋 2023 年 4 月嗰輪 €390 萬嘅種子輪融資，公司至今喺所有已披露嘅融資輪入面，總共籌集咗大約 €910 萬（約 996 萬美元） 。

€520 萬增長融資嘅目標係咩？

呢筆新資金主要衝住三個明確目標，全部都係要將工程模擬從傳統桌上型軟件嘅枷鎖中解放出嚟，轉向可擴展、AI 整合嘅雲端同量子基礎設施 。

1. Allsolve 平台嘅產品開發
資金用嚟繼續開發「Quanscient Allsolve」，呢個係一個雲端原生 SaaS 多物理場求解器，可以透過 AWS Batch 等服務，喺無限雲端運算資源上運行 。傳統工具要處理唔同物理場，需要手動配對模組，但 Allsolve 本身就包含流體、熱力、結構、電磁、聲學同壓電等效應嘅原生耦合功能，唔需要人手整合，同時打破咗單機工作站嘅記憶體限制 。

2. 團隊擴張同商業落地
資金亦會用嚟擴充 Quanscient 嘅技術同商業團隊，加快滲透到能源、航空航天同汽車等行業，因為呢啲行業對更快嘅多物理場模擬所慳到嘅成本同時間最為敏感 。

3. 量子演算法研究同驗證
部分資金預留咗畀量子原生求解器嘅開發。呢個並唔係一個只係講緊路線圖嘅項目——喺 2025 年 3 月，Quanscient 喺歐洲第一台 50 量子位元超導量子電腦上，演示咗全球首個採用「量子晶格玻爾茲曼方法」（QLBM）嘅多時間步長計算流體動力學（CFD）模擬 。公司嘅目標係令量子原生演算法最終可以提供比傳統 CAE 方案高達 100 倍嘅速度優勢 。

兩條平行軌跡，解決多物理場模擬痛點

Quanscient 解決傳統 CAE 軟件弱點嘅方法，分成今日就用到嘅雲端同 AI 路線，同埋一條已經走出純研究階段、較長遠嘅量子路線。

軌跡一：有 AI 加持嘅雲端原生模擬（現已可用）

喺雲端規模上做到強耦合多物理場
Allsolve 喺理論上無限嘅雲端運算資源上運行，可以喺幾分鐘內處理擁有數以億計自由度嘅模型，而唔係喺本地工作站上花費幾日甚至幾星期 。平台嘅區域分解法（Domain Decomposition Method）可以將大型工作高效咁分配畀雲端節點，唔使再為咗就本地記憶體而簡化模型 。

用 MultiphysicsAI 進行即時設計空間探索
喺 2025 年底，Quanscient 推出咗「MultiphysicsAI」，呢個決策引擎可以將高保真度模擬數據，轉化為具有物理感知能力嘅 AI 代理模型 。呢啲代理模型用 Allsolve 生成嘅專有數據集訓練之後，能夠喺幾毫秒內預測性能結果。工程師可以喺幾秒鐘內探索成千上萬個可行嘅設計候選方案同取捨曲線（例如重量同散熱性能、成本之間嘅平衡），而唔係淨係執行一次模擬，然後靠估下一個最佳選擇 。

生成式同預測式 AI 輔助
平台內置一個由生成式 AI 驅動嘅模擬助手，可以透過引用文檔嚟回答用戶問題；另外仲有異常偵測器，能夠喺耗時嘅模擬運行之前，標記出設定入面可能嘅人為錯誤 。喺求解器方面，平台正整合預測式 AI，直接加快運算收斂速度 。

用於構建可擴展機器學習流程嘅 Python SDK
平台提供一個 Python SDK，令工程團隊可以透過程式大規模提取原始模擬數據、構建自訂訓練數據集，仲可以訓練高保真度嘅 AI 代理模型。呢個設計係為咗自動化產能優化（Yield Optimization），同埋整合到現有嘅工程軟件疊棧（Software Stack）入面，當中最終極嘅應用係，用自然語言指令就可以叫代理運行模擬 。

軌跡二：量子原生演算法（早期但經過驗證）

Quanscient 唔係乾等容錯量子電腦出現。佢哋已經構建咗聲稱係全球首個由底層設計就準備好整合量子求解器嘅 CAE 平台，而且已經將量子演算法由論文帶到真實嘅超導量子硬件上 。
2025 年 3 月喺 VTT 嘅 50 量子位元系統上進行嘅 QLBM 演示，就係量子方法一個實實在在、公開嘅驗證，而唔單只係理論建模 。公司路線圖嘅目標係推出首個量子原生產品試點，長遠希望解決嗰啲因指數級複雜度而喺傳統電腦上無從入手嘅耦合多物理場問題 。

技術應用喺邊啲地方？

無限雲端規模、AI 代理模型，加上一個可靠嘅量子路線圖，呢個組合令平台喺嗰啲硬件性能受制於模擬速度同保真度嘅行業入面，非常之具吸引力。

• 汽車行業： 由 RF 同 LiDAR 感應器到完整嘅電動傳動系統熱管理，MultiphysicsAI 可以全面展示喺製造、性能同成本等互相競爭嘅約束條件下，成個設計空間嘅最佳取捨方案——工程師睇到嘅係全局最優解，而唔係單次點模擬出嚟嘅第一個結果 。
• 航空航天： 氣動熱力、結構同電磁耦合嘅問題規模太大，桌上型求解器根本搞唔掂。雲端原生嘅 Allsolve 能夠喺大規模下處理呢啲強耦合物理場，而 AI 模型就提供快速嘅設計疊代 。
• 能源行業： 高保真多物理場建模對電力電子可靠度、電池熱失控模擬同可再生能源系統設計至關重要。Python SDK 可以自動化橫跨數千個設計點嘅參數掃描 。
• 微機電系統（MEMS）同半導體： 喺不經簡化嘅生產規模下，進行全面嘅壓電、靜電、聲學同彈性波耦合模擬，係平台最熱門嘅應用領域之一 。

橫跨呢啲垂直行業，核心價值主張都係一樣：由喺本地硬件上逐個設計咁評估，轉變為喺雲端探索成個可行嘅設計空間——AI 提供即時預測，而量子演算法就提供一條已經證實、雖然尚早但潛力巨大嘅路徑，隨住量子硬件成熟，就可以實現指數級嘅速度提升。