Mistral 与英伟达合作推进工程 AI，计划建立公共物理评测基准

Mistral 与英伟达于10月21日宣布工业工程合作，目标是将仿真、AI 模型开发和产品设计连接成闭环。计划中的工作流程将 Mistral Large 4、数据生成及物理建模，与英伟达 CUDA-X 库和 Warp 相结合。英伟达同期工业公告也把 Mistral 对这些技术的使用描述为一项计划，用于加速仿真并生成工程模型训练数据。

项目的重要部分是建立共同的评估基础。双方计划开发物理模型的公共基准和开放数据集，使研究人员与工业团队能够用相同材料比较准确性和性能。工作还面向从计算机辅助设计转入仿真的自动化流程，其中准备过程和最终得到的物理预测都需要接受评估。

双方还计划为计算机辅助工程和电子设计自动化中的智能体单独建立评测，检查工具使用、多步骤流程完成情况和结果的技术正确性，同时衡量执行时间及计算成本。航空航天、汽车和半导体是明确提及的目标领域。公告将这些基准和集成表述为共同开发工作，没有公布完整评测结果，也没有给出整套工程流程的交付日期。

Warp 为这些工作提供了现有计算组件。英伟达将其描述为面向加速物理计算、AI 和优化的开源 Python 框架。它把 Python 函数编译为在 GPU 上执行的代码，并支持可微分仿真，使仿真结果的梯度能够回传至训练或优化过程。它与 PyTorch、JAX 的连接有助于把数值计算接入机器学习流程，同时保留对仿真代码的细致控制。

数据生成问题早于此次合作。英伟达3月的技术文章曾将高保真物理数据的生成成本描述为训练仿真模型的制约因素。文章示例用 Warp 构建二维流体求解器，并通过仿真的微分完成优化任务。这说明，从数值物理走向模型训练已有公开记录的技术路径，但并不是新公布的 Mistral 工作流程的性能测试。此前示例也没有确立整项合作能够达到的加速倍数。

拟开展的 Omniverse 集成涉及 GPU 加速的三维场景与 SimReady 资产生成。英伟达现有 SimReady 规范描述了基于 OpenUSD 的仿真内容，其元数据可包括语义标签、传感器属性、刚体性质和质量。这些属性为仿真器提供了物体外观之外所需的信息。规范还允许针对不同仿真要求配置资产，因此拟议中的资产生成既关系到工程环境的可视化，也涉及这些环境的准备工作。

Mistral 早在5月就介绍过物理 AI 方向，并称 Emmi AI 已加入公司。当时的说明把学习求解器输出的模型，与使用仿真数据训练的语言模型区分开来。这类物理模型根据几何形状、边界条件或测量结果预测行为。Mistral 也保留了传统求解器在验证和特殊情况中的作用，同时将学习模型用于反复探索设计。此次英伟达合作，为既有工程方向增加了加速计算和共同评估工作。

语言模型组件与拟议工程基准处于不同发布阶段。Mistral Large 4 于10月6日通过 Mistral Studio 进入公开预览。该模型公告称，它使用 Mistral 自营欧洲数据中心的英伟达 Grace Blackwell 基础设施训练，权重计划于10月底发布。此次工程公告并没有把权重发布计划改写成已经完成，也没有明确指出有单独的物理模型发布。