Becsült olvasási idő: 11 perc
1992-ben az amerikai kosárlabda-válogatott Michael Jordannal, Larry Birddel és Magic Johnsonnal állt ki az olimpián. A Dream Team néven elhíresült csapat megnyerte a tornát, de Joe Bohman szerint nem a sztárok miatt: azért nyertek, mert együtt játszottak. Ezzel a hasonlattal nyitotta előadását a Siemens Digital Industries Software PLM-termékekért felelős alelnöke a detroiti Realize LIVE Americas 2026 konferencián.
A „dream team” itt a Siemens szoftverportfóliója. A cég az elmúlt években 25 milliárd eurót költött felvásárlásokra és fejlesztésekre (tavaly többek között az Altair és a Dotmatics került hozzájuk), és Bohman üzenete az volt, hogy ezek a darabok most kezdenek valóban összeérni. A közös cél az átfogó digitális iker, amely a gépészeti, elektromos, elektronikai és szoftveres tervezéstől a gyártáson át az üzemeltetésig mindent lefed. Mindebbe pedig, ahogy Bohman fogalmazott, mindenhová AI kerül.

Az előadás öt történetre épült. Sorra vesszük őket, a konkrét ügyfélpéldákkal és számokkal együtt.
1. Szoftver a hardver előtt
A Design News felmérése szerint a mérnökvezetők 52%-a a szoftver és a hardver összehangolását tartja a legnagyobb problémájának. Bohman főnöke, Tony Hemmelgarn egy nappal korábban egyszerűen „integrációs rémálomnak” nevezte. A számok érthetővé teszik, miért: egy szoftveres eszközláncban akár 30 különböző DevSecOps-eszköz fut, az ügyfeleknek több millió tesztet kell lefuttatniuk, és közben 30 funkcionális biztonsági és több mint 100 kiberbiztonsági szabványnak kell megfelelniük.
A legnagyobb gond az időzítés. A szoftvercsapatnak akkor is dolgoznia kell, amikor a chip, a panel és a kábelköteg még nem létezik. Erre az iparág kitalálta a model-, software- és hardware-in-the-loop módszereket, de ezek gyakran túl lassúak, és túl későn adnak visszajelzést. Az ügyfelek folyamatos verifikációt kérnek.
A Siemens válasza az, hogy a meglévő eszközeit összekapcsolja. A Polarion vezényli a szoftverfejlesztési folyamatot, a Capital és az Xpedition a paneleket szimulálja, a Simcenter a fizikát, a PAVE360 pedig a még le sem gyártott szilíciumot. A hardver és a szoftver kompatibilitását a Teamcenter tartja nyilván.
Bohman egy drónon mutatta be, hogyan néz ki ez a gyakorlatban. A szoftvercsapat új neurális hálót ad a drón akadályfelismerő funkciójához, majd a Jenkins lefuttat 76 000 tesztet. Ebből 12 elbukik, mert a hálózati válaszidő 500 ezredmásodperc, a megengedett 100 helyett. A PAVE360 azt is megmutatja, hogy a tervezett GPU erre a feladatra kevés lesz. A mérnökök a Capital Systems Architectben kiegészítik az architektúrát egy neurális feldolgozóegységgel, újrafuttatják a teszteket, és most már mind átmegy. Mindez azelőtt történik, hogy egyetlen chip vagy kábel a kezükbe kerülne.
Valós példaként az Apptronik humanoid robotját, az Apollót hozta fel. A robot szoftverét a Google DeepMind fejleszti, a hardvert az Apptronik, és ez a munkamódszer köti össze a kettőt.
2. Az új Simcenter: kevesebb prototípus, gyorsabb számítás
A McKinsey adatai szerint sok gyártócégnél 40–50 hónap telik el az ötlettől a sorozatgyártásig, és ennek 60%-át fizikai prototípusok építése és tesztelése viszi el. Az új Simcenter ezen akar faragni. Az Altair felvásárlása után a két cég szimulációs eszközei egy családba kerültek, az áramlástantól a szilárdságtanon át az 1D-s rendszerszimulációig.
Az AI három szinten jelenik meg benne. Maguk a számítómotorok is tanulnak: a lefuttatott szimulációkból neurális hálók tanulnak geometriai mélytanulással. A szimulációs mérnökök munkáját copilotok és ágensek segítik. A PhysicsAI Generate pedig a megadott feltételek alapján maga állít elő megfelelő geometriát.
Bohman ügyfélpéldái közül néhány:
| Ügyfél | Eszköz | Eredmény |
|---|---|---|
| Continental | PhysicsAI | Egy légzsák nemlineáris szimulációja órák helyett másodpercek alatt fut le, 240-szer gyorsabban |
| LG Vehicle Solution | OptiStruct | Négy különböző (részben versenytárs) solver helyett egy, a munka 20%-kal gyorsabb |
| Leonardo | OptiStruct és Feko | Helikopterradar tervezése, ahol a rezgést és az elektromágneses jelenségeket együtt kell számolni |
| BMW | Star-CCM+ GPU-n | Háromszor gyorsabb futás, hatod annyi energia, mint CPU-n |
| Repülőgépmotor-gyártó (név nélkül) | SimSolid | 180-szoros gyorsulás hálózás nélküli szimulációval |
A multifizika kifejezés elsőre elvontnak hangzik, Bohman ezért hétköznapi példákat hozott. Egy autón a menetszél nekiütközik a visszapillantó tükörnek, megkerüli és nekicsapódik az üvegnek, az üveg rezegni kezd, és máris zajt hallunk az utastérben. Egy mosógépben a ruha szilárd test, közben van hő és mozgás. Ezeket a jelenségeket egyetlen modellben kell kezelni.
Az új Simcenterben minden GPU-ra optimalizált. A Designcenter-felhasználóknak pedig gyakorlati hír, hogy a SimSolid mostantól értékalapú licenceléssel közvetlenül elérhető a Simcenterben.
3. Intelligence Center X: az AI az adatnál kezdődik
Bohman szerint rengeteg ügyfél mondta már nekik ugyanazt: jó adatból jó AI lesz, rossz adatból rossz. Ezért tartja a Siemens a Teamcentert és az általa adott adatgerincet az AI-stratégia alapjának. (Egy félreértést is tisztázott: amikor a Siemens copilotról beszél, a saját asszisztenseire gondol, nem a Microsoft Copilotra.)
Az Intelligence Center X egy helyen ad eszközt ágensalapú vállalati alkalmazások fejlesztéséhez. Négy elemből áll:
- Mendix: az ágensek fejlesztése és vezénylése.
- Graph Studio: gráfadatbázis, amely összefüggésbe helyezi az adatokat.
- AI Studio: gépi tanulás, például statisztikai folyamatszabályozáshoz.
- Ipari ontológia: ez köti össze a különböző rendszerek adatait, hogy az AI dolgozni tudjon velük.
Az utolsó elem a legérdekesebb. Bohman szerint minden informatikai vezetőnek, akivel beszél, van PLM-, ERP- és CRM-rendszere, meg mellette valami házon belül fejlesztett megoldás. Az alkatrészek a PLM-ben vannak, a beszállítók az ERP-ben, a vevők a CRM-ben, a garanciális adatok pedig a saját rendszerben. Az ontológia ezeket kapcsolja össze.
A bemutatott példában egy repülőgép futóművének hidraulikájával van gond, és a mérnökök már kidolgozták a módosítást. A Teamcenter Copilot másodpercek alatt kigyűjti az érintett tételeket, ami kézzel órákig vagy napokig tartana. Utána olyan alternatív alkatrészt javasol, amelynél a legkisebb az ellátási lánc kockázata és a legkevesebb a garanciális probléma, ehhez pedig egyszerre nézi a PLM, az ERP és a CRM adatait. Azt is megmondja, milyen szimulációkkal lehet ellenőrizni, hogy a csere beválik-e.
A GSK gyógyszergyártó 15 milliárd csomópontos gráfot épített az Intelligence Center X-ben, és ellátásilánc-kockázati elemzései így órák helyett másodpercek alatt futnak le. Bohman a Gartnert is idézte, amely szerint a gyártási AI terén jelenleg a Siemenst kell legyőzni.
4. A jövő gyára: ezer elrendezésből a legjobb
Az Nvidia becslése szerint egy egygigawattos AI-gyár (vagyis adatközpont) felépítése nagyjából 50 milliárd dollárba kerül. Ezeket a létesítményeket is gyártani és tesztelni kell, és itt jön képbe a Foxconn. A tajvani gyártó AI-gyárakhoz készít berendezéseket, a komponenseket kiszállítás előtt egy tesztteremben ellenőrzi, és ennek a teremnek a megtervezéséhez és üzemeltetéséhez kért segítséget a Siemenstől.
A tervezéshez a Digital Twin Composer és a Process Simulate kellett. A mérnökök nem egy-két, és nem is száz-kétszáz elrendezést hasonlítottak össze, hanem ezret, és ebből választották ki a legjobbat. Hasonló módszerről számolt be előző nap a PepsiCo is.
Az üzemeltetésnél derült ki, hogy az Opcenter gyártásirányítási rendszerből hiányzik a teljesítmény- és hőadatok bevitele. A megoldáshoz nem kellett fejlesztőt hívni: a Copilotnak elég volt szövegesen leírni, mit kell hozzáadni, és a rendszer a Mendix segítségével átírta az Opcentert. Ez az úgynevezett vibe coding, vagyis AI-val, természetes nyelvű utasításokból írt kód. A Siemens a „másnaposság nélküli vibe coding” jelzőt adta neki, utalva arra, hogy az AI által írt kód utólag sokszor fejfájást okoz.
A Digital Twin Composert a januári CES-en jelentették be, és Bohman szerint még egyetlen termékük iránt sem volt ekkora az érdeklődés. Az eszköz a Teamcenter és az Opcenter adatait, az Nvidia Omniverse platformját és az Intelligence Center X ipari ontológiáját hozza össze.
5. Felhő: napi frissítés, fájlrendszer nélkül
A cégek 70%-a még mindig erősen támaszkodik régi rendszerekre. Sok ügyfél azt sem érti pontosan, mit jelent az X a Siemens termékneveinek végén. Bohman a Microsoft Office és a Microsoft 365, illetve az Adobe Creative Suite és a Creative Cloud párosával magyarázta: a Designcenter X, a Simcenter X, a Teamcenter X és az Opcenter X ugyanazoknak a programoknak a szolgáltatásként, felhőből futó változata (Siemens Xcelerator as a Service).
Minden licenchez beépített adatkezelés jár, így nincs többé fájlrendszerben tárolt modell. Bohman szerint ez az AI miatt fontos: a CAD-felhasználók fele még fájlrendszerből dolgozik, és aki onnan próbál AI-t építeni, annak érdemes újragondolnia a dolgot. Emellett valós idejű együttműködést ígérnek, amit a frissen végzett mérnökök már alapnak tekintenek.
A felhős üzemeltetés számai:
- A Siemens most naponta frissít, és Bohman év végére napi két frissítést vár. Aki egy Teamcenter- vagy Polarion-frissítést tervez, összevetheti ezt a saját ütemével.
- Azoknál az ügyfeleknél, akik megosztották költségeiket, a szoftverek üzemeltetési költsége akár 50%-kal vagy annál is többel csökkent.
- A Teamcenter X éves szinten 100%-kal nőtt.
- A Designcenter X-hez a Dassault, a PTC és az Autodesk ügyfelei közül is érkeznek. A Mercedes-Benz teljes egészében erre állt át, a Krones AG-nál 1000 licenc fut.
A GlobalFoundries félvezetőgyártó példáján Bohman azt is megmutatta, hogy a PLM és az elektronikai tervezés (EDA) világa egyre jobban összeér. A termékek mostantól közös kezdőképernyővel indulnak, ahonnan a felhasználó rögtön eléri az adatait.
Mit vihet ebből haza egy gyártócég?
Az öt történetből egy közös tanulság jön ki: az AI annyit ér, amennyi rendezett adat áll mögötte. A drónos tesztek, a futóműcsere és a Foxconn tesztterme is azért működött, mert az adatok egy helyen, összekötve voltak. Aki ma még fájlrendszerben tárolja a CAD-modelljeit, vagy külön szigeteken tartja a PLM és az ERP adatait, annak az első lépés valószínűleg az adatkezelés rendbetétele lesz, és csak utána jöhet az AI.
Az előadás végén a moderátor, Magnus Edholm még megkérdezte Bohmant, melyik solvert ajánlaná a konferencia fakisautó-versenyére. A válasz: multifizikai solvert, vagyis az OptiStructot.
A teljes előadás itt tekinthető meg:
Forrás: Joe Bohman on AI, Simulation and the Factory of the Future, Siemens Digital Industries Software Corporate Blog, 2026. november 12. Az előadás a Realize LIVE Americas 2026 konferencián hangzott el Detroitban.







