Waarom Siemens zegt dat AI de eindverantwoordelijkheid nooit overneemt

Sophie Jansen · 2026-08-10

Physics AI kan inmiddels duizenden ontwerpvarianten verkennen in de tijd die een traditionele simulatie nodig heeft voor een handvol berekeningen. Precies tot 1.000 keer sneller, aldus Siemens. Maar wat het niet kan, is een veiligheidskritisch onderdeel goedkeuren. Op dat punt kent de technologie een harde grens, en Sam Mahalingam, die aan het hoofd staat van de business die dit bouwt bij Siemens Digital Industries Software, zegt het zonder omwegen. "Is dit goed voor veiligheidskritische toepassingen?" vroeg hij zich hardop af tijdens Realize LIVE Asia-Pacific in Bengaluru. "Nee, dat is het niet." Dat antwoord is belangrijk, omdat het ingaat tegen twee jaar van een industrie die volhoudt dat AI bijna alles kan. De echte waarde voor ingenieurs zit niet in de snelheid die Siemens verkoopt, maar in het precies weten waar die snelheid ophoudt veilig te zijn. ### Wat physics AI precies doet, en wat niet De technologie in kwestie is Simcenter PhysicsAI, de geometrische deep-learning software van Siemens, waarmee het bedrijf ontwerpvoorspellingen tot 1.000 keer sneller zegt te kunnen doen dan een traditionele solver. Het mechanisme is essentieel om de kanttekening te begrijpen. In plaats van de fysica elke keer vanaf nul te berekenen, leert een surrogaatmodel van historische simulatiedata en voorspelt het de uitkomst voor een nieuw ontwerp. Het is een schatting, geproduceerd in seconden, geen volledige berekening. De voor de hand liggende zorg is nauwkeurigheid, en Mahalingam ging die direct te lijf. Decennialang, legde hij uit, vergeleken ingenieurs fysica-gebaseerde simulatie met fysieke testen totdat de correlatie strak genoeg was om te vertrouwen. AI wordt nu tegen dezelfde fysica-basislijn afgemeten. "Wat we zien is dat als je voldoende data hebt, het heel dicht bij een fysica-gebaseerde solver komt," zei hij, verwijzend naar de 1% tot 3% variatie die Siemens in eigen case studies noemt. Dichtbij, maar niet dichtbij genoeg om een levensreddend onderdeel te certificeren. En hier wijkt Mahalingam af van het standaard leveranciersverhaal. Het surrogaat is geen vervanging voor validatie; het is een filter dat ervoor geplaatst wordt. > "Je verkent veel meer ontwerpvarianten met deze snellere engine, het physics AI surrogaatmodel, en je richt je op twee of drie ontwerpen die je goed vindt, waar je vervolgens gedetailleerd ontwerp op kunt doen met fysica-gebaseerde simulatie." - Sam Mahalingam ### De grens van een luchtkussenberekening Hij was expliciet dat zelfs een spraakmakend voorbeeld, een Continental-airbagcase die Siemens heeft getoond, binnen die grens valt. "Dit is voor de initiële ontwerpverkenning," zei hij. "Het is niet zo dat je alleen valideert met physics AI en dan zegt: oké, ik ga dit ontwerp aanbevelen voor productie. Nee, dat is niet het geval." Alleen wanneer die finalisten een volledige fysica-gebaseerde check doorstaan, gaat een ontwerp richting productie. ### De afhankelijkheid die de snelheidscijfers niet noemen Er is een tweede beperking die de versnellingscijfers vaak verdoezelen, en die kwam naar boven toen het gesprek zich richtte op hoe deze modellen getraind worden. Verschillende topresultaten van Siemens, waaronder cases met Magna en Continental, rusten op AI die getraind is met synthetische data: simulatie-output gegenereerd door de eigen solvers van Siemens in plaats van echte metingen. Als de AI alleen leert van de simulatie, is de vraag of het ooit beter kan zijn dan de simulatie die het heeft opgeleid. Mahalingam ontweek de circulariteit niet toen hem ernaar gevraagd werd. In Magna's geval, zei hij, voerde de klant een brede ontwerpverkenning uit in Simcenter HEEDS, Siemens' zoektool voor ontwerpen, en loste de varianten razendsnel op met Simsolid, een solver die de trage mesh-bouwstap overslaat. Die simulatie-output werd vervolgens teruggevoerd in de training van het physics AI-model. Waar een klant in eerste instantie geen data heeft, "genereerden ze eerst synthetische data met Simsolid en HEEDS, en daarna gingen ze terug, namen die data en trainden een physics AI-model." ### Wat dit betekent voor jouw werk Het surrogaat is dus alleen zo goed als de simulatie eronder. Voor ingenieurs die overwegen om physics AI in te zetten, betekent dit een paar concrete dingen: - Gebruik physics AI voor brede verkenning, niet voor eindvalidatie. De snelheid is ideaal om veel opties te screenen. - Zorg dat je begint met betrouwbare, gevalideerde simulatie-output. De kwaliteit van je AI hangt volledig af van de data. - Houd altijd een fysica-gebaseerde check als laatste stap voordat een ontwerp naar productie gaat. - Wees kritisch op leveranciersclaims over snelheid; vraag altijd naar de nauwkeurigheid en de grenzen. De echte waarde van physics AI ligt niet in het vervangen van de menselijke beoordeling, maar in het versterken ervan. Je kunt meer ontwerpen verkennen, betere keuzes maken, en uiteindelijk met meer vertrouwen naar de eindstreep. Maar de eindverantwoordelijkheid blijft bij de ingenieur. En dat is precies zoals het hoort.