首页/文章/ 详情

十二年资本账:中国工业软件融资复盘:中国工业软件资本结构的历史演变

1天前浏览36


第二章|2015—2026:中国工业软件资本结构的历史演变

从长期技术积累、科创板与产业资本,到投资分化、技术整合和AI原生工程软件

研究截止日期:2026年10月24日


引言|资本为什么在这个时间进入中国工业软件?

工业软件是一个颇为特殊的产业。

在软件行业中,很少有哪个领域同时具有如此鲜明的技术积累属性、工程应用约束与长期资本需求。

一个工程求解器可能需要多年才能达到稳定的商业应用水平。一套参数化三维CAD系统,不仅需要几何建模和约束求解能力,还需要持续适配工程标准、客户数据和设计流程。一套EDA工具进入半导体设计企业的关键流程,更需要经过严格的工艺适配、功能验证与工程签核。

这些研发过程,往往无法直接转化为短期收入。

但是,一旦软件进入客户的核心工程流程,其价值也不再只是软件许可证本身。

它可能关联客户多年积累的模型、图纸、工艺、规则、BOM、仿真结果及历史工程决策。

这也是工业软件与一般消费互联网产品、标准化企业SaaS存在重要差异的原因。

回顾2015年至2026年的中国工业软件融资历史,一个值得思考的问题是:

为什么许多工业软件企业在成立十几年之后才开始获得密集机构融资,而另一些2020年前后创立的EDA与工业AI企业,却能在成立初期获得数亿元甚至十亿元级资本支持?

这一差异不能仅通过“技术先进”“政策支持”或“国产替代”解释。

背后至少有四种力量持续作用。

首先,中国制造业对工业数字化和工程软件的长期需求,为企业提供了真实的应用市场。

其次,国际技术与供应链环境变化,使工业软件的自主可控能力获得更高的战略关注。

再次,科创板等资本市场制度改革,改善了部分技术型企业的融资和退出条件。

最后,云计算、GPU计算、开源工程软件和人工智能的发展,不断改变研发工具链的技术架构与商业化方式。

这些力量并不是在同一个年份突然发生,也不是彼此替代。

它们长期并行,在某些年份形成更强的共振。

因此,如果把过去十二年简单划分为“美元VC时代—国资基金时代—AI资本时代”,很容易误解中国工业软件产业的真实演变。

我们需要同时观察资本市场、企业技术发展、制造业需求和投资者行为。


2.1 2015—2018:长期技术积累与资本市场连接的早期阶段

理解这一时期,首先要纠正一个常见误区。

中国工业软件企业并不是从2015年才开始形成技术资产,也不是从2018年以后才具有投资价值。

早在1990年代和2000年代,中国已经出现多个重要的工业软件技术与企业群体。

它们来自不同的历史背景。

一部分源于高校、科研院所和国家科技项目,具有较强的专业技术与工程计算背景。

一部分诞生于制造业信息化市场,通过为客户提供CAD、PLM、MES、ERP、工业控制或工程软件服务积累收入。

还有一部分来自工业自动化、电子设计和大型企业的信息技术部门,在具体行业中形成产品能力。

这些企业的资金来源并不完全依赖风险投资。

企业利润留存、股东持续投入、科研项目经费、客户合同、产业合作、战略投资以及银行融资,都可能支持技术研发。

因此,单纯统计一级市场融资新闻,无法反映这一时期工业软件的全部资本形成过程。

工业软件为什么不容易成为典型VC资产?

一般而言,风险投资更容易偏好具有较高增长潜力、产品标准化程度高、商业模式可以快速复 制、退出预期相对明确的企业。

工业软件则存在三个较大的不确定性。

首先是研发结果的不确定性。

一个数值求解器研发完成,并不代表已经能够稳定处理实际工业问题。模型精度、计算速度、内存管理、网格质量、复杂边界条件以及多物理场耦合,都需要长期验证。

其次是客户采用速度的不确定性。

成熟工业企业通常不愿意轻易替换已经稳定运行的软件工具。新软件不仅要证明具备相应功能,还需要满足历史模型迁移、流程适配、使用培训、技术支持和长期版本维护要求。

最后是市场扩张速度的不确定性。

不同工业行业的工程知识具有较强专业性。一家企业在航空航天行业取得成功,不意味着其产品可以不经适配直接进入汽车、能源、电子或船舶行业。

这些因素并不说明工业软件不适合风险投资,而是意味着投资周期与技术成熟周期之间容易产生错配。

如果一支基金希望在较短时间内完成投资、扩张和退出,工业软件核心技术公司可能较难满足其回报节奏。

相比之下,拥有明确产品收入、成熟客户与稳定渠道的工业软件企业,可能更容易在成长期获得机构支持。

中望软件:一个值得研究的长期资本形成案例

2018年12月5日,中望软件完成8000万元融资,由达晨创投领投、航天科工投资基金跟投。

此时,中望已经成立约二十年。

它不是一家刚刚开始研发CAD产品的创业公司,而是已拥有长期经营历史、软件产品和客户基础的工业软件企业。

根据中望软件当时的官方公告,融资将用于二维CAD技术提升、高端三维CAD/CAM关键技术研发,以及CAE仿真领域的持续布局。

更值得关注的是,中望明确提出了五年期的All-in-One CAx战略。

这说明,工业软件企业从CAD向CAM、CAE及平台化方向扩展,并不是大模型出现以后才产生的战略选择。

2018年的融资,实际上帮助一家已经形成产品和市场能力的企业,进一步强化研发投入与技术体系建设。

这与典型的消费互联网初创企业融资逻辑存在差异。

对中望这样的企业而言,资本更多是在已有产业基础上发挥加速作用,而不是从零创造一家软件公司。

2015—2018年的真正特征

因此,我们不宜将这一阶段定义为“资本不愿意投资工业软件”。

更准确的描述是:

工业软件企业存在多种资本形成路径,但公开风险投资事件相对分散,不同细分领域的上市和退出渠道也存在差异。

一些企业依靠经营积累成长,一些企业获得专业机构融资,另一些企业则通过新三板或传统资本市场获得资金。

到了2018年前后,随着制造业升级、技术战略关注度提升以及资本市场制度改革预期形成,这种分散的资本连接开始发生变化。


2.2 2019—2020:资本市场制度变化,重新影响工业软件估值与融资

2019年7月22日,是中国科技资本市场的重要制度节点。

这一天,科创板首批25家公司正式挂牌上市。

科创板并非专门为工业软件设立,但其制度设计为具有持续研发需求、专业技术积累和创新能力的企业,提供了新的融资与定价机制。

对于工业软件产业,其意义至少体现在三个方面。

第一,企业技术研发可以被更加系统地纳入资本市场评价。

工业软件公司的核心资产往往不完全体现在传统财务报表中。

核心研发人员、源代码、知识产权、客户应用验证和产品技术体系,可能经过长期投入才产生明显的收入贡献。

资本市场开始给予具有较强技术能力的企业更多关注,有利于改善部分工业软件企业的融资条件。

第二,IPO提供了更清晰的潜在退出路径。

对于股权投资机构而言,企业是否有可能在未来获得公开市场融资和流动性,直接影响其当前投资意愿。

科创板改革使一批专业软件企业具备了新的资本发展选择。

第三,公开上市强化了研发与经营信息披露。

投资者可以通过招股说明书、年度报告和定期公告,更系统地观察企业收入、研发费用、募集资金用途、产品结构及经营风险。

这为工业软件产业研究建立了一批具有较高信息透明度的样本。

中望软件第二轮融资:资本组合开始多元化

2019年10月,中望软件完成1.4亿元融资。

根据企业官方公告,本轮由毅达资本和中国互联网投资基金联合领投,粤财基金、越秀产投、粤科集团、达晨创投和航天科工参与。

与2018年的8000万元融资相比,这一轮投资者结构更加多元。

其中既有市场化投资机构,也有国家级、地方性投资平台和产业背景资本。

不同投资者可能具有不同的回报目标,但它们共同认可了中望软件已有的产品、技术和商业化基础。

这项交易值得我们警惕另一种过于简单的判断:

并不是2020年以前美元基金主导工业软件,2020年以后人民币基金才开始进入。

至少在中望软件这一案例中,2018—2019年已经出现市场化人民币资本、政策性投资背景与产业资本共同支持工业软件企业的结构。

当然,单个企业案例不足以证明整个行业的资金结构。

要确定某一时期哪类投资者占据主导地位,还需要完整的融资交易样本及穿透后的投资金额。

工业控制和研发设计软件的上市路径并不相同

2019年,柏楚电子登陆科创板。

2020年11月24日,中控技术登陆科创板。

这两个案例说明,工业控制软件、数控系统及软硬件融合型企业的资本市场发展,并不晚于传统CAD、CAE、EDA企业。

但是,柏楚电子、中控技术与中望软件的主营业务存在显著差异。

柏楚电子的核心竞争力涉及激光加工控制系统及相关软件、硬件和算法。

中控技术则深耕流程工业自动化控制系统与工业软件。

这些企业的收入、市场规模、研发结构、客户采购预算和盈利模式,与纯研发设计软件企业不能简单对比。

如果把它们全部归为“国产工业软件上市公司”,却不拆分软件收入和业务类别,资本市场的估值比较可能失去意义。

2019—2020年真正重要的变化,不只是企业上市数量增加,而是不同类型的工业软件及关联技术资产,开始以更加多样的方式进入公开资本市场。

国际产业环境带来了新的风险判断

2019年以后,中美科技与供应链关系变化,使半导体、先进制造和关键软件的供应链风险受到更广泛关注。

对于工业软件企业及其客户,这一变化直接影响技术采购决策。

过去采购工业软件时,客户通常重点考察功能、性能、可靠性、成本、培训服务和供应商的长期维护能力。

当跨境技术供应的稳定性受到影响时,软件供应连续性、许可风险、维护能力、知识产权和替代方案也会进入采购决策。

但是,需要严格区分市场需求与已经实现的销售收入。

供应链风险增加,可能提升客户评估国产软件的意愿。

它不必然意味着客户立即完成替换,更不意味着所有国产工业软件企业都能获得持续订单。

是否最终形成收入,仍然取决于产品能否满足工程要求。


2.3 2021—2022:资本、产业政策与核心技术需求形成较强共振

2021年至2022年,是中国工业软件资本史中具有代表性的阶段。

这一时期的变化,不能只从融资金额增加来理解。

它同时涉及产业政策、资本市场、技术自主性和制造业客户的供应链战略。

2021年11月,工业和信息化部发布《“十四五”软件和信息技术服务业发展规划》。

规划明确提出重点突破工业软件,并将基础软件、工业软件、平台软件和嵌入式软件等纳入软件产业链现代化的重要任务。

这意味着工业软件不再只是制造业信息化采购中的一个技术领域,也成为产业技术能力建设的重要方向。

但政策并不等于直接向每家工业软件企业提供融资。

政策的影响首先可能体现在产业优先级、项目组织方式、科研支持、客户采购预期和地方资本配置上。

其最终资本效果,需要通过具体企业的实际融资记录和资金流向验证。

2022年的一组行业统计

根据e-works对中国工业软件领域的非完整统计,2022年共记录161笔融资交易,披露融资金额约157.9亿元,并记录22笔并购交易。

这组数据说明,当时工业软件及相关数字化领域已经出现较为活跃的股权资本活动。

但它不能直接视为我们定义的核心工业软件融资总额。

原始样本包含工业互联网、工业数字化服务、企业软件和其他关联业务,企业分类范围比狭义研发设计软件更广。

因此,157.9亿元可以作为观察资本活动的行业样本,却不能未经清洗就与其他来源统计的不同年度融资金额构成严格可比的时间序列。

这一区别十分重要。

如果某一年度统计只包含EDA、CAD和CAE,而另一年度扩大到ERP、工业互联网和其他企业服务,那么后一年融资金额即使显著增加,也未必代表同口径产业融资活动真正增长。

合见工软:大型资本联合体如何支持EDA新企业

2021年,合见工软完成超过17亿元的发起轮融资。

2022年6月1日,公司又宣布完成超过11亿元的Pre-A轮融资。

根据独家财务顾问泰合资本披露,两轮累计融资接近30亿元。

发起轮投资者包括国家集成电路产业投资基金二期、中国互联网投资基金、武岳峰科创、红杉中国、韦豪创芯、深创投,以及半导体产业链企业和相关投资主体。

2022年Pre-A轮则出现上汽集团旗下尚颀资本、IDG资本、国科投资、广汽资本等机构。

这一案例有三个值得深入分析的特点。

首先,EDA资本投入开始出现较大规模的联合融资。

EDA工具链需要持续研发人才、算法、平台技术、客户验证与商业化投入。

对于希望在多个专业工具领域形成产品布局的企业,较大规模初始融资能够提供相对充足的研发资源。

但资金充足也不意味着能够省略技术验证过程。

其次,参与投资的不只是财务投资机构。

半导体产业资本、汽车产业资本和专业投资机构共同参与,意味着部分投资者可能同时考虑EDA技术供给、产业链协同与长期资本回报。

这种结构不是人民币与美元资本简单对立,而是不同产业和金融资本共同承担投资风险。

再次,资本对不同工业软件技术路线的定价开始明显分化。

一家拥有长期商业化历史的CAD公司,与一家试图建立新一代EDA工具链的公司,可能采用完全不同的资本结构和融资节奏。

这种差异不仅反映市场预期,还反映企业发展阶段、研发资金需求和产品技术边界。

华天软件:另一种资本路径

2021年7月,华天软件完成1.8亿元B轮融资。

2022年2月,又完成近4亿元C轮融资。

与合见工软相比,华天软件拥有更长的技术和经营积累期。

华天的融资逻辑更接近于成熟工业软件企业的技术与商业化扩张。

它需要通过外部资本强化三维CAD、PLM、可视化及相关产品研发,同时扩大市场与客户覆盖。

这两家企业共同说明:

中国工业软件资本市场并不存在唯一正确的融资模式。

一些企业可以依靠长期经营形成产品能力,再引入机构资本。

另一些企业则需要在早期建立大规模研发团队,通过资本先行支持核心技术与产品体系。

前者的风险不必然更低,后者也不必然更先进。

投资者必须研究具体技术、客户、产品及资本需求。

EDA出口管制:产业风险如何进入资本定价

2022年8月,美国商务部将用于特定GAAFET集成电路开发的EDA/ECAD软件纳入相关出口管制范围。

这里必须强调,管制具有具体的技术对象和适用条件,不能简单表述为“2022年美国全面禁止向中国出口EDA软件”。

但这一变化确实强化了市场对特定先进制程设计工具供应风险的关注。

从资本定价角度看,供应链安全需求可能提高某些国产EDA技术资产的战略价值。

然而,战略稀缺性与商业竞争力仍然不同。

一个EDA公司即使进入重要的国产化技术目录,也需要通过性能、工艺适配、工程可靠性和客户支付能力来证明其市场价值。

如果资本定价过度依赖未来替代空间,而没有充分考虑产品成熟度和客户验证周期,就可能在后续融资与退出阶段承受较大压力。

2021—2022年因此应被理解为资本、政策和技术需求的共振期,而不只是一次融资热潮。


2.4 2023—2024:资本并未离开,但开始重新评价风险与退出

2023年以后,中国工业软件资本市场出现了值得关注的变化。

部分企业完成IPO,部分企业终止了上市进程;与此同时,资本对企业财务表现、核心技术竞争力和商业化能力的要求,开始获得更多讨论。

2023年4月,索辰科技登陆科创板。

同年10月,浩辰软件登陆科创板。

两家公司分别代表专业CAE与CAD领域的重要上市企业。

但是,在这一时期,工业互联网平台企业的上市进程也出现了不同结果。

树根互联:为什么上市进程终止值得研究?

2023年8月22日,上交所披露终止对树根互联首次公开发行股票并在科创板上市的审核。

根据交易所文件,树根互联及其保荐机构主动申请撤回上市申请。

树根互联于2022年6月提交申请,拟募集资金15亿元。

此前披露的招股材料显示,公司在相关报告期内持续亏损,经营现金流及未来盈利能力受到问询关注。

这一案例不能简单定义为“工业互联网商业模式失败”。

一家企业终止IPO,可能涉及市场环境、审核反馈、经营状况、估值、公司战略或其他因素。

除非有充分证据,否则不能把原因直接归结为某一个因素。

但是,它确实为研究工业互联网平台的资本回报提供了重要样本。

工业互联网平台可能需要大量初始投入,包括软件平台、数据基础设施、行业应用开发、交付团队和生态合作。

如果平台收入高度依赖定制项目,产品标准化程度不足,或者销售与交付成本较高,就可能影响经营现金流和可持续盈利能力。

这种商业模式,与具备成熟软件许可收入和较高标准化程度的专业软件公司存在差异。

特别值得注意的是,树根互联终止审核公告早于2023年8月27日证 监会关于阶段性收紧IPO节奏的公告。

因此,不能倒置时间关系,声称它是该项政策直接导致的案例。

IPO制度环境发生变化

2023年8月27日,中国证监 会宣布根据市场情况阶段性收紧IPO节奏,强调促进投融资两端动态平衡。

2024年4月,国务院发布《关于加强监管防范风险推动资本市场高质量发展的若干意见》,进一步强化发行上市准入、上市公司质量、投资者保护及资本市场监管。

这些制度变化意味着,投资机构对企业未来退出的预期需要重新调整。

对于工业软件创业公司而言,资本退出周期可能成为融资谈判的重要变量。

尤其是那些需要多年研发、但收入和利润仍未稳定的企业,需要考虑融资节奏与企业现金消耗之间的关系。

但这里也不应得出“所有工业软件企业上市难度都在相同程度上增加”的结论。

企业的科创属性、商业化状态、财务结构和适用上市标准不同,所面临的审核与市场风险也不同。

2024年云道智造的7亿元融资说明什么?

2024年3月,云道智造宣布完成7亿元战略融资,由建信信托和大湾区共同家园投资公司联合领投。

该融资主要用于强化研发、打磨多物理场求解器并建设软件生态。

这一交易说明,在部分科技企业面临退出预期调整的时期,专业工程仿真底层技术仍然能够获得大额资本支持。

因此,2023—2024年不能被简单称为“中国工业软件融资窗口关闭”。

更合适的分析方向是:

资本可能开始更加重视不同企业技术路径、客户基础、产业价值和融资用途之间的差异。

但要验证整个行业是否从普遍扩张转向选择性投资,还必须比较连续年份内所有相关交易的数量、金额和投资阶段。

云道融资可以证明资本支持仍然存在,不能单凭它证明行业资本总量回升。

为什么估值会产生分化?

工业软件企业的估值至少受到以下几类变量影响。

一是预期收入与盈利能力。

企业拥有良好的技术,不意味着已经获得足够规模的商业收入。资本市场最终需要判断技术能否形成持续经营现金流。

二是研发持续投入要求。

部分企业即使上市融资成功,未来仍需继续投入三维建模、数值计算或专业工具链研发。这可能长期影响利润率。

三是融资与退出的时间预期。

投资机构持有期限、基金清算安排及二级市场估值,都会改变其对未上市企业股权的定价。

四是技术与产业战略价值。

某些专业技术即使当前收入规模不大,也可能因知识产权稀缺、客户进入壁垒和长期工程价值而具有战略吸引力。

但战略价值必须以合理的估值和投资期限为前提。

这一阶段的重要变化,是产业资本研究不能继续只围绕“国产替代市场空间”进行估值。

产品成熟度、收入质量、资本效率与持续研发能力,需要共同进入投资分析。



来源:工业软件产业发展探索
电路半导体航空航天船舶汽车电子云计算ECAD材料PLM控制人工智能数控
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2026-11-03
最近编辑:1天前
易赋
签名征集中
获赞 5粉丝 6文章 113课程 0
点赞
收藏
作者推荐

深度研究:AI-Native CAD 替代成熟 CAD 的技术路径、产业演化与竞争格局重构

序言从 NX、CATIA、SOLIDWORKS 的工程软件体系出发,研究生成式设计、参数化建模、几何内核、工程智能体、开放标准与 AI 原生 CAD 的产业竞争。研究AI-Native CAD 替代成熟 CAD 的技术路径、产业演化与竞争格局重构。全球工业软件与 AI-Native Engineering 战略研究系列|2026 年 10 月 20 日摘要|AI-Native CAD 将替代什么,又无法轻易替代什么?2026 年,计算机辅助设计产业正在接近一个值得重新研究的技术拐点。过去几十年,机械 CAD 的技术演进主要沿着几何表示、参数化建模、特征建模、装配建模、曲面建模、工程制图、系统集成与产品生命周期管理等方向持续发展。今天,人工智能正在增加另一条技术路线:让计算机不再仅仅执行工程师指定的建模操作,而是尝试理解工程目标、自主规划建模过程、生成可编辑的工程模型,并在验证结果之后继续修改设计。这两条路线的根本差异,不是鼠标操作与自然语言输入之间的差异,而是设计工作的控制权、工程知识的表达方式,以及软件系统承担的责任发生变化。过去,工程师需要把设计意图逐步翻译为几何操作;未来,工程师可能直接表达功能需求、性能指标、制造约束与成本边界,由 AI 系统规划和执行一部分工程任务。如果这一演化持续推进,CAD 软件产业可能发生三方面变化。第一,传统 CAD 产品中由人工操作实现的大量建模、修改、检查和文档生成工作,将逐步转变为 AI 系统可以执行的任务。原本由用户界面复杂度、培训成本和操作熟练度形成的竞争壁垒可能减弱。第二,过去难以形成商业化软件产品的大量长尾工程场景,可能因为 AI 编程、开源几何内核、参数化建模工具和云端计算基础设施的组合而获得新的供给方式。CAD 市场不一定只是存量份额重新分配,也可能出现新的需求空间。第三,NX、CATIA、SOLIDWORKS 等成熟产品背后的几何内核、工程语义、制造知识、历史设计数据、企业流程与认证机制,不会因为自然语言能够生成几何形状就自动失去价值。其中部分技术资产甚至可能随着 AI 的普及变得更加重要。因此,本文提出一个核心判断:AI-Native CAD 对成熟 CAD 的冲击,将首先发生在任务执行层,随后进入应用功能层,再向工程数据与工作流控制层扩展;只有当其证明能够承担工业级工程责任时,才可能对成熟 CAD 平台形成全面替代。这里的“替代”必须分成不同含义。一个 AI 系统能够生成 STEP 模型,不等于它能够替代 SOLIDWORKS。一个 AI Agent 能够操作 NX,不等于 NX 已经失去价值。一个新的 CAD 系统能够完成复杂参数化建模,也不等于它可以直接替代 CATIA 在航空航天领域承担的跨组织工程职责。反过来,一个 AI-Native CAD 产品即使尚未覆盖成熟 CAD 的全部功能,也可能通过更低的成本、更快的交付速度和全新的工作流程,在特定市场建立显著竞争优势。这正是本文的研究对象。一、研究范围、证据标准与基本结论1.1 研究对象:三类成熟 CAD 与六条 AI-Native 技术路线本文主要以三类国际成熟 CAD 为观察基准。研究对象 代表产品 重点观察 高端综合工程 CAD Siemens NX(现 Designcenter) 复杂零件、装配、跨学科工程及制造集成 复杂产品与系统工程 CAD Dassault Systèmes CATIA 复杂曲面、航空汽车产品开发及平台协同 主流机械 CAD Dassault Systèmes SOLIDWORKS 参数化零件、装配、制图及中小型工程组织 需要首先澄清一个重要的现实变化:根据西门子官方产品说明,NX CAD 在 2026 年 6 月正式更名为 Designcenter,云端产品对应 Designcenter X。为了保持行业读者的理解习惯,本文继续使用“NX”,但讨论当前产品时以 Designcenter 为准。六条技术演化路线包括:1. AI Copilot:在成熟 CAD 内部,以自然语言、知识检索和智能推荐辅助工程师。2. Agentic CAD:以工程智能体调用 CAD API、脚本、功能模块和验证工具,自主执行操作。3. Text-to-CAD / Image-to-CAD:根据文字、草图、图像或技术描述生成几何模型与建模程序。4. Generative Design / Physics-Driven Design:以功能目标、物理约束和制造条件驱动几何结构生成与优化。5. AI-Native Parametric CAD:重新设计参数化模型、特征历史、工程语义与软件交互架构,让 AI 成为主要参与者。6. Engineering Agent Platform:进一步跨越 CAD、CAE、CAM、PLM、供应链和制造系统,完成端到端工程任务。这些路线并非互斥关系。未来具有竞争力的 AI-Native CAD 很可能是它们的组合,而不是其中某一条路线的简单放大。1.2 研究依据与证据分级本文尽可能区分四个层级的证据。证据等级 来源 本文使用方式 A|官方与标准 NIST、ISO 相关资料、软件厂商正式文档 验证现有功能、工程标准、互操作机制 B|学术研究 公开论文、模型数据集、评测基准 判断技术可行性及已知局限 C|工程实现 开源项目、SDK、几何内核、参考实现 研究可复现的技术路径 D|战略推演 竞争经济学、技术扩散与产业组织分析 提出未来演化假设,不作为既成事实 尤其需要警惕把三种不同的证据混为一谈:产品演示证明某项能力可以实现;学术评测证明某类任务具有一定成功率;工业部署才进一步证明这种能力能够在真实组织中稳定创造价值。这三者之间存在显著距离。1.3 六个核心结论结论一:CAD 的操作复杂度是最先受到冲击的壁垒,但不是最难攻克的壁垒。传统 CAD 将大量工程能力封装在菜单、命令、交互模式、建模树和工作台之中。AI 可以把用户的目标转化为一系列操作,因此可能显著降低学习和使用门槛。但是,降低操作难度不等于获得正确的工程结果。结论二:真正有价值的 Text-to-CAD,必须从 Shape Generation 走向 Engineering Model Generation。一个几何形状看起来正确,仅仅是工程 CAD 的初始要求。工业级 CAD 还必须具有正确的尺寸、约束、拓扑、设计历史、材料、装配关系、制造信息和修改行为。结论三:几何内核不会因为大模型的出现而自动失去重要性。大模型可以提出建模计划、生成操作序列、识别失败和寻找替代方案,但精确几何计算、布尔运算、拓扑维护、曲面求交与公差控制依然需要可靠的计算基础设施。未来更可能出现的是“AI 规划与验证系统 + 确定性几何计算引擎”的技术组合。结论四:替代顺序将由工程风险与流程切换成本共同决定。教育、个人设计、简单机械零件、非关键工装和早期概念设计,具有较好的 AI-Native CAD 试验条件。高复杂度、高安全责任、长认证周期和大规模历史数据依赖的工程领域,则存在更高的替换障碍。结论五:成熟 CAD 厂商不是静止的被替代者。西门子、达索系统等企业已经把 AI 能力引入现有产品和平台。它们拥有成熟的几何计算、工程数据、制造技术和客户基础,可能将这些资产与 AI 结合,形成新一轮竞争优势。结论六:未来的产业结果未必是 AI 新公司取代传统巨头,而可能是 CAD 价值链重新分层。谁负责理解需求?谁负责生成工程模型?谁拥有几何内核?谁保存设计历史?谁验证制造可行性?谁控制工程流程?谁为最终结果承担责任?这些问题的答案可能分别落在不同企业手中。在产业战略层面,真正需要研究的是价值链控制点的迁移,而不只是软件界面的替换。第一篇|CAD 技术体系的历史形成:为什么成熟产品如此难以替代?二、从工程制图到产品数字模型:CAD 是如何成长起来的?现代 CAD 不是在某一年突然诞生的产品,而是计算机图形学、计算几何、机械设计、制造技术、软件工程和企业信息管理数十年共同演化的结果。理解这一历史尤其重要,因为 AI 冲击 CAD 的不同技术层次,实际上对应着过去几十年不断积累的不同能力。2.1 第一阶段:计算机成为绘图工具20 世纪 50—60 年代,交互式计算机图形学开始从实验室研究走向工程应用。1963 年,Ivan Sutherland 的 Sketchpad 系统展示了人与计算机通过图形交互创建和修改几何对象的可能性。Sketchpad 的历史意义,并不仅在于使用光笔在屏幕上绘制图形,更在于它展示了约束、对象关系和交互式修改等后来 CAD 技术的重要思想。这一阶段的软件关注一个核心问题:如何将工程师通过纸笔完成的几何表达,迁移到计算机环境?计算机的价值主要是提高制图效率、修改效率和图纸管理能力。CAD 在这一阶段仍然与工程制图密切相关。2.2 第二阶段:从线框走向曲面和实体工业设计中,仅仅描述物体的轮廓并不能满足全部需求。汽车车身、飞机蒙皮、发动机零件、模具型腔等对象,需要更加精确的三维曲线、曲面与实体表达。工程系统因此逐步发展出:• 参数曲线和参数曲面;• B-spline 与 NURBS;• 边界表示(B-Rep);• 构造实体几何(CSG);• 几何与拓扑数据结构;• 布尔运算和求交算法;• 精确几何与容差管理。这些技术的形成,使 CAD 不再只是图纸处理工具,而成为可以表示和计算三维工程对象的软件。以 B-Rep 为例,一个实体不是简单的三角形集 合,而是由顶点、边、环、面、壳和实体等拓扑元素,以及其对应的几何定义共同组成。这意味着软件不仅需要知道物体“看起来是什么形状”,还需要知道它在数学和拓扑意义上如何构成。如果模型要支持精密加工、模具设计、尺寸验证和复杂装配,这种区别至关重要。2.3 第三阶段:参数化与特征建模形成现代机械 CAD20 世纪 80 年代后期至 90 年代,参数化和基于特征的实体建模加速发展。其重大意义在于:工程师不再只是创建一个固定几何对象,而是定义一个可修改、可再生、具有设计历史的工程模型。例如,一个支架不再只是一个包含若干孔的实体,而可以表达为:• 创建基准面;• 绘制约束草图;• 根据厚度拉伸;• 创建孔特征;• 建立圆角与倒角;• 定义孔距;• 根据装配关系调整尺寸。当孔距发生变化时,CAD 系统尝试依据既有规则重新生成模型。这种机制极大提高了系列化设计、工程变更和产品复用效率。但是,它也引入了新的复杂性:模型不再只取决于最终几何,还取决于建模历史、约束关系和特征依赖。这正是现代 AI-Native CAD 必须面对的重要挑战。假设 AI 生成了两个在外观上完全相同的支架。第一个使用合理的草图约束和特征树,改变长度时孔位与加强筋能够同步更新。第二个只是把最终形状转换成一个不可理解的实体。这两个模型对于渲染系统可能几乎没有区别,但对于机械工程师,价值差异非常大。2.4 第四阶段:CAD 从零件工具升级为产品工程平台随着数字化工程发展,成熟 CAD 逐渐吸收或连接更多能力:装配约束、干涉检查、机构运动、工程制图、公差标注、钣金、焊接、复杂曲面、模具、复合材料、增材制造、CAM、CAE、PDM 和 PLM。复杂产品开发往往还需要构型管理、工程变更、设计权限、材料清单、供应链协同及验证数据。因此,现代高端 CAD 的价值已经超出“画出一个三维零件”。以 NX 为例,其历史来自 Unigraphics 与 I-DEAS 的技术积累,并在西门子工业软件体系中持续扩展。西门子官方也明确将当前 Designcenter 定位为支持多学这一演化规律提示我们:如果把现代 CAD 简化为三维建模器,就会系统性低估成熟工业软件的竞争力,也会错误判断 AI 新公司的市场进入难度。三、成熟 CAD 到底由哪些技术资产构成?我们可以将成熟 CAD 的竞争力拆解为九个层级。 九个层级并不意味着九个互不相关的独立软件市场。它们是便于分析技术替代位置的抽象结构。AI 对每一层产生的影响并不相同。交互层可能快速变化;参数化建模层可能出现新的实现方法;几何内核层可能因开放技术与 AI 编程而降低进入成本;制造集成、工程数据治理和跨组织认证则需要更长的演化周期。3.1 几何内核:CAD 的数学计算基础几何建模内核承担的任务包括:精确几何表示、拓扑结构管理、面面求交、布尔操作、倒角、圆角、偏移、缝合、修复和几何有效性检查等。代表性技术体系包括:• Siemens Parasolid;• Dassault Systèmes 相关 CATIA 几何技术;• Spatial ACIS;• Open CASCADE Technology;• C3D Modeling Kernel。这些技术体系在商业模式、功能范围、授权条件和可获得性方面存在差异,不能简单看作功能完全等价的替代品。对 AI-Native CAD 创业者而言,重要的问题不是一定要自己从零研发几何内核,而是判断:现有内核能否满足目标市场的几何精度、性能、拓扑稳定性和授权要求?如果能够满足,AI-Native CAD 可以把研发资源更多地投入工程任务理解、建模规划和自动验证。如果不能满足,特定领域的内核能力仍然可能成为关键技术瓶颈。3.2 约束系统:几何正确不等于工程关系正确假设一个零件存在三个等间距孔。模型生成结果看起来完全正确,但这三个孔究竟由三个独立坐标定义,还是由“等间距”设计规则约束?这会直接影响后续修改。对工程 CAD 来说,几何约束不仅是求解数学方程的问题,也涉及用户设计意图的表达。AI 可以尝试识别隐含约束,但模型必须能够稳定维护这些约束,避免欠约束、过约束、循环依赖和修改后结构失效。因此,参数化约束器仍然是 AI CAD 技术栈中的关键组件。3.3 特征建模:保存工程师为什么这样设计成熟机械 CAD 最重要的价值之一,是对设计意图进行结构化表达。例如,同样一个孔,可以是普通圆柱切除,也可以是具有孔径、螺纹、深度和加工语义的孔特征。二者虽然可能产生相似的最终几何,却具有不同的工程信息价值。如果 AI-Native CAD 不理解特征语义,只是通过几何运算重建外形,其能力就会局限于形状处理。如果 AI 能够生成、识别和修改具有明确工程语义的特征,它才能逐步进入传统参数化 CAD 的核心领域。3.4 装配建模:从局部几何走向系统关系复杂装配不是把大量零件放到同一个坐标空间那么简单。它还包括:• 零部件之间的定位约束;• 运动自由度;• 公差链;• 干涉及间隙;• 标准件管理;• 产品构型;• 复用件与替代件;• 材料清单;• 上下文关联设计;• 大型装配性能。未来 AI 可能很擅长依据功能说明提出装配结构,但其结果仍然需要满足约束一致性、几何相容性和可制造性。对于汽车、飞机、复杂机械装备等产品,装配能力可能成为 AI-Native CAD 与成熟 CAD 之间长期存在的差距之一。3.5 工程文档与标准:从形状模型走向制造契约工业 CAD 模型往往是设计、制造、采购与质量体系之间的重要技术契约。尺寸、公差、形位公差、基准体系、表面质量、材料及技术要求,不是可以随意丢弃的附加说明。美国国家标准与技术研究院 NIST 的模型化企业研究明确强调:CAD 模型向制造、测量等下游流程传递时,产品与制造信息 PMI 具有关键作用;STEP AP242 是支持这些信息交换的重要标准体系。这意味着 AI-Native CAD 要替代成熟 CAD,不能只证明“可以输出 STEP 文件”,还必须证明:输出的模型是否能够保留满足目标用途的产品定义信息?下游 CAM 能否正确理解它?质量检测系统能否正确解释其公差要求?后续版本发生变更时,语义是否仍然一致?这些问题将成为工业级替代的重要判断条件。第二篇|AI-Native CAD 的技术演化:从生成形状到自主工程四、第一条路线:Text-to-3D 为什么不足以替代 CAD?近年来,生成式 AI 在三维内容生成方面取得明显进展。用户可以通过文字或图像获得三维物体,部分技术能够生成比较复杂的外形、纹理和视觉效果。但是,在讨论 CAD 替代时,必须对三维生成任务进行分类。技术对象 典型表示 主要目标 工业 CAD 适用性 Text-to-Image 像素图像 视觉表达 概念参考 Text-to-Mesh 三角网格 三维外观 展示、部分制造场景 Text-to-B-Rep 精确几何与拓扑 可用于 CAD 计算的模型 潜力较高 Text-to-Feature 特征结构与建模历史 可编辑的参数化工程模型 核心方向 Text-to-Assembly 部件结构与装配约束 复杂系统建模 关键方向 Requirement-to-Engineering 需求、参数、模型及验证 工程任务执行 长期目标 不能因为一套系统能够生成逼真的机械零件外观,就推断它已经具备成熟 CAD 的工程能力。其原因在于:视觉相似性与工程有效性不是同一个评价指标。4.1 三角网格的价值与局限Mesh 使用顶点、边与多边形表示表面。它适合图形显示、数字内容创建、三维扫描处理,以及许多使用离散表面的技术场景。但对传统机械 CAD 而言,许多操作依赖精确曲面与拓扑关系。一个由三角网格近似的圆柱面,并不天然具有理想数学圆柱的全部属性。如果需要高精度加工、精确尺寸修改、可靠的布尔计算和下游参数化工程,可能还需要重新建立 B-Rep 或其他合适的工程表示。因此,Text-to-Mesh 可以成为概念设计和逆向工程的输入,但不应被自动视为传统 CAD 的完整替代。4.2 Text-to-B-Rep:进入精确几何世界相比 Mesh,直接生成或重建 B-Rep 模型更接近机械 CAD 的技术要求。但是 B-Rep 的难点在于它需要同时满足:几何元素的数学定义正确;拓扑邻接关系正确;边界闭合与方向一致;容差处于允许范围;布尔和后续操作能够稳定执行。对生成式模型而言,这些要求形成了强约束。模型输出的局部几何即使看似合理,只要面与边的连接关系存在错误,就可能生成无效实体。一种可行路线是通过 AI 生成结构化建模操作,让成熟几何内核执行并验证,而不是要求生成模型直接预测全部底层拓扑数据。4.3 Text-to-Parametric CAD:更接近产业替代的核心2021 年,DeepCAD 研究提出将 CAD 模型表示为建模操作序列,并构建了包含 178,238 个模型及其构造序列的数据集。其重要意义在于,研究对象不再只是最终的三维外形,而是可以产生该外形的 CAD 操作过程。这种研究思想具有持续影响:如果 CAD 可以表示为可执行操作序列,那么 AI 就可能把参数化建模当作一种具有形式语法、依赖关系和执行反馈的任务。相比直接生成庞大的三维几何表示,生成命令序列或脚本有几个潜在优势。其一,操作语言通常比底层几何数据更加紧凑。其二,可以调用成熟内核完成精确计算。其三,模型生成失败时可以定位具体操作。其四,生成的模型有机会保留构造过程。其五,可以将几何验证、草图约束检查和实体有效性测试嵌入执行过程。但这里仍然存在一个重要限制:能够生成操作序列,不等于生成了符合工程师设计意图的最佳特征历史。两个不同的建模过程可能获得相同实体,但它们对后续修改、系列化设计和制造要求的支持程度可能完全不同。这使 AI CAD 的评价从“形状是否相似”扩展为“模型是否具有可持续的工程可编辑性”。五、第二条路线:通过代码生成参数化 CAD与直接预测几何相比,代码生成已经形成一条具有可解释性和工程可验证性的路线。其基本原理是:用户提出设计任务,AI 将任务转化为某种参数化建模脚本或 API 调用,再由 CAD 引擎执行并输出模型。典型技术环境包括:CadQuery、build123d、FreeCAD Python API、OpenSCAD,以及商业 CAD 所提供的自动化接口。这里需要区分两种技术性质。第一类是声明式或程序式建模,即通过代码定义几何及其构造过程。第二类是对成熟 CAD 产品进行自动化控制,即调用系统已有的参数化建模能力。两类路线可以互相结合,但产品竞争位置不同。5.1 为什么代码生成对大模型具有天然吸引力?成熟通用大模型在软件代码理解、生成、修改和调试方面已经积累较强能力。参数化建模语言在某种程度上可以把 CAD 任务转换为代码任务。例如,一个简单连接板可以表达为:• 长度、宽度和厚度;• 四个安装孔的位置与直径;• 指定的倒角;• 某些面的加强筋;• 输出格式和质量检查。这些结构化要求比较容易映射为程序变量、几何操作与验证条件。从工程软件开发角度看,这是一种重要的技术套利:AI 无需学会实现全部几何计算算法,而是学会如何组织和调用已有几何算法。这与软件开发智能体调用编译器、测试框架和程序库的关系相似。5.2 Text-to-CadQuery 的研究证据2025 年发表的《Text-to-CadQuery》研究,提出直接利用大语言模型生成 CadQuery 代码,并通过扩展数据集进行训练。论文报告,将 Text2CAD 数据集扩展为约 17 万条 CadQuery 标注后,其所研究模型的 Top-1 Exact Match 指标由 58.8% 提升至 69.3%,Chamfer Distance 也出现改善。这些结果说明,预训练代码模型与 CAD 程序表达之间具有值得研究的适配性。但需要准确理解指标的边界。69.3% 是该研究所采用数据、模型与评价设置下的结果,不代表系统对真实工业 CAD 项目的总体成功率,更不能据此认定其已经可以替代 NX、CATIA 或 SOLIDWORKS。这类研究更有力地证明了:参数化 CAD 生成可以利用已有语言模型能力,而不必完全依赖从零开始训练专用三维基础模型。5.3 程序化 CAD 的第一个优势:可复现图像生成存在较强的结果随机性,而程序化 CAD 可以把一次建模操作保存为明确代码。在相同几何引擎、相同版本和相同输入条件下,程序有机会重现相同结果。这对于工程审计、版本管理和自动化构建具有重要意义。一个设计模型可以不再只是二进制工程文件,也可以包含:• 需求描述;• 参数表;• 建模程序;• 几何构建日志;• 验证规则;• 输出文件;• 测试结果。这使 CAD 模型有机会采用类似软件工程的开发、测试和持续集成方法。5.4 第二个优势:更容易接入 AI Agent假设 AI 生成一个齿轮箱壳体。第一次执行后,几何引擎报告布尔运算失败。AI 可以读取错误,判断问题可能来自某个圆角与壳体边界的相交关系,然后修改操作顺序或参数。第二次执行成功,但最小壁厚检查不通过。AI 再次修改加强筋和壁厚。第三次输出满足几何有效性与初步制造规则。这种自动迭代与单次生成图像存在根本区别。代码不仅可以作为模型的表达方式,也可以成为 AI 操作几何系统的执行媒介。5.5 第三个优势:版本管理与协同代码化设计理论上可以采用 Git 等版本控制工具追踪某些参数、规则和程序变更。但必须说明,文本代码易于比较,不等于复杂 CAD 模型天然易于合并。当两个开发者分别修改同一模型的特征依赖时,仍然可能产生语义冲突。未来需要专门的 CAD 语义 Diff、特征冲突检测和模型合并技术。因此,AI-Native CAD 不应只是把 CAD 文件换成 Python 文件,而应形成结构化设计意图、几何状态与版本历史之间的一致性机制。六、第三条路线:CAD Agent——从自动生成走向自主修改如果说 Text-to-CAD 的主要问题是“能否从描述生成模型”,那么 CAD Agent 面对的核心问题是:能否在不确定且不断变化的工程任务中,持续进行正确操作?这意味着 AI 系统不仅要执行建模动作,还要具有任务规划、工具调用、状态读取、错误修复和结果验证能力。6.1 一个典型的 CAD Agent 工作循环 其中返工回路是实际系统必须实现的控制逻辑;图示为目标架构,而非某一产品已经具备的完整能力。核心技术组件包括:任务规划器、工具注册表、CAD 状态管理、几何内核适配器、参数化建模工具、工程验证器、错误分析器、模型版本管理、执行日志和权限控制。真正难以实现的往往不是某一次 API 调用,而是跨越几十次甚至上百次操作后,模型状态与设计目标仍能保持一致。6.2 CAD Agent 和 CAD Copilot 的根本区别Copilot 通常以辅助人为中心。它可以解释功能、推荐命令、帮助寻找文档、回答软件操作问题,或者在用户确认后执行部分动作。CAD Agent 则进一步要求系统能够围绕工程目标规划多个步骤,并根据执行结果调整后续行为。因此,二者的区别主要体现在自主性和任务闭环,而不是界面是否采用聊天窗口。同一产品可以同时具有 Copilot 和 Agent 能力,二者不是互斥产品类别。6.3 可编辑性成为新的竞争焦点2026 年 5 月发布的 Parametric CAD Bench,针对 AI Agent 生成可编辑 FreeCAD 模型提出了专门评价框架。该基准不满足于静态三维形状,而是强调可编辑模型,尝试通过评价机制区分真正具有工程编辑价值的模型和仅仅完成表面几何生成的结果。发布者报告,在其评测配置中,GPT-5.5 配合 Codex 的一个方案达到 0.832 的综合分数,并观察到同一模型更换 Agent 执行框架后,分数可能发生约 10% 量级的变化。需要特别注意两个方面。第一,这是特定基准和执行框架中的结果,不是跨全部 CAD 软件与工业任务的通用能力评分。第二,该结果提醒我们,未来 AI CAD 的竞争单位可能不再只是基础模型,而是基础模型、工程工具、执行框架和验证系统组成的整体。即使同一个大模型,采用不同的工具接口、任务分解、错误修复策略和几何验证机制,也可能产生不同工程表现。这对产业研究具有重要意义。传统 CAD 企业的竞争优势可能来自软件内部的工程工具与数据结构;AI-Native CAD 企业的差异化则可能来自对这些工具的组织、调用和验证能力。七、第四条路线:Generative Design——从“如何建模”转向“应该设计成什么样”AI-Native CAD 的讨论容易过度集中于大语言模型,但从工程技术史看,自动生成设计方案并不是从 LLM 出现后才开始的。参数优化、拓扑优化、形状优化、尺寸优化、进化算法、多目标优化和生成式设计,早已构成计算机辅助工程设计的重要技术传统。今天的变化在于,这些技术开始有机会与自然语言理解、工程知识检索、多智能体任务规划和自动化验证结合。因此,必须区分两个概念:Generative AI 与 Generative Design 有交集,但并不是同一个概念。前者侧重通过学习数据分布生成内容;后者强调在明确设计目标和工程约束的情况下搜索设计空间。7.1 传统参数化设计与生成式设计的差异传统参数化设计通常从已知结构出发。例如,工程师设计一个支架,首先决定采用 L 形或者 U 形结构,然后定义厚度、孔距、加强筋和连接关系。之后通过仿真或经验修改部分参数。生成式设计则可能从载荷、支撑边界、保留空间、禁入区域、材料和制造方法出发,搜索满足约束的结构。这改变了设计过程中的一个重要顺序。传统方法通常是:几何方案 → 性能分析 → 修改几何 → 再次分析。生成式设计更倾向于:工程目标与约束 → 方案空间搜索 → 性能评价 → 可制造方案选择。但现实系统通常仍然需要人来定义目标、材料和边界条件,并对最终方案进行工程确认。7.2 Autodesk Fusion 提供了成熟的技术参照Autodesk Fusion 的 Generative Design 可以根据设计目标和制造约束探索方案,包括质量、刚度、安全系数和不同制造工艺条件。其官方文档明确列出了增材制造、铣削、二维切割、铸造以及不施加制造约束的设计搜索方式。这说明生成式设计已经不是纯粹的概念演示,而是具备工业软件产品实现基础的方法体系。值得强调的是,这些能力并不能全部归功于近期生成式大模型。其中存在长期发展的结构优化、数值求解和工程设计方法。当 LLM Agent 与这些能力结合时,新的价值可能来自:自动解释工程目标、选择优化方法、设定边界条件、调用求解器、比较候选方案,并将结果重新转换为可以编辑的工程设计。7.3 为什么物理约束可能比语言生成更重要?设想用户提出:“设计一个质量尽可能轻、能够承受指定载荷、适合三轴铣削的铝合金连接件。”语言模型可以理解其中的部分任务要求。但它无法只凭语言描述确定最佳结构,因为结果还取决于:材料性能、载荷方向、边界条件、连接位置、疲劳寿命、加工刀具、设备能力、成本和安全系数等因素。更合理的体系是让 AI 完成工程任务组织,并通过确定性计算或经过验证的物理模型处理关键约束。在这种体系中,LLM 是推理与任务调度的一部分,而不是全部工程判断的来源。7.4 AI 与优化器如何互相增强?可以把下一代生成式设计系统分为四个角色。第一个角色是需求解释器,负责从自然语言、工程图和历史项目中提取设计目标。第二个角色是工程规划器,负责决定使用拓扑优化、尺寸优化、参数扫描,还是其他设计方法。第三个角色是数值求解与几何执行系统,负责通过经过验证的算法得到候选方案。第四个角色是工程验证与决策系统,负责检查结果是否符合要求,并解释不同方案之间的权衡关系。这种组合的竞争优势可能不来自某一个模型最强,而来自系统能够快速、稳定地将模糊需求转化为合格工程结果。八、第五条路线:逆向工程、Convergent Modeling 与智能几何重构AI-Native CAD 的另一个重要切入口,并不是从零创建模型,而是对已有产品或已有几何数据进行理解与重建。这条路线可能具有很高的工业价值。现实制造业中存在大量历史模型、二维工程图、三维扫描、网格文件、旧格式工程数据,以及缺少参数化历史的外部供应商模型。如果 AI 能够把这些数据转换为可编辑、可验证、可持续修改的工程模型,便可以进入成熟 CAD 长期服务的重要市场。8.1 逆向工程为什么是一条合理的商业路径?传统逆向工程往往需要多个步骤:获取实物几何、进行扫描、处理点云、重建曲面、建立拓扑、识别特征、恢复参数约束,最后验证与原始数据的一致性。不同项目对精度和可编辑性的要求不同。例如,消费产品外壳的外观重建,与航空发动机零件的高精度逆向工程,在公差、测量、验证和认证方面存在巨大差别。AI 对这条流程可能产生三类影响。第一,帮助识别几何结构、孔、槽、倒角、圆角和潜在制造特征。第二,根据产品类型和工程先验,推荐参数化建模策略。第三,自动比较重建模型与原始点云或网格之间的偏差,并组织迭代修改。8.2 从几何识别走向设计意图恢复逆向工程真正困难的地方不只是重建形状,而是推断原始设计逻辑。例如,扫描一个注塑件,可以获得外壳的几何表面,却无法直接知道其设计者为什么采用某个壁厚、筋板比例或卡扣结构。这些决策可能取决于模具分型、材料收缩、装配条件、生产成本和使用环境。AI 可以从相似设计中推断可能的工程意图,但这种推断必须受到工程规则和验证机制约束。这将形成一种新能力:AI-Assisted Design Intent Recovery,即 AI 辅助设计意图恢复。它不仅针对几何重构,也针对历史工程知识的重新组织。8.3 Convergent Modeling 的意义Convergent Modeling 可以理解为让不同几何表达在统一设计流程中协同工作的技术方向,尤其涉及网格、精确实体和其他几何类型的结合。但不能把这种能力简单等同于 AI,也不能将网格与 B-Rep 的融合视为完全解决了参数化历史恢复问题。对于 AI-Native CAD,它的重要性在于减少不同几何表示之间的工作流断裂。未来用户可能不再关心某项设计最初来自扫描、草图、三维生成模型还是传统参数化建模。用户关心的是能否修改、验证、制造和维护。如果软件可以通过统一的工程语义层组织多种几何表示,就可能获得与传统单一路径建模不同的产品架构优势。8.4 一个值得关注的市场:历史工业模型的再工程化许多企业已经积累了数十年的 CAD 资产。这些数据并不总是处于能够直接复用的理想状态。常见问题包括:模型格式无法直接读取、原始特征历史缺失、设计文档不完整、供应商版本不一致、二维图纸与三维模型不一致,以及关键工程人员离职后知识难以恢复。AI-Native CAD 可以通过一种新的方式进入这些企业:先不要求企业替换主力 CAD,而是帮助企业清理、理解和再利用历史工程资产。这条路径具有三个优势。它避免了立即改变工程师主工作环境;能够直接创造可衡量的数据治理和再利用价值;还可以逐步积累工程模型、企业知识和真实任务反馈。这种“先理解存量工程资产,再参与增量设计”的策略,可能比直接销售一个全新的 CAD 编辑器更适合部分工业客户。第三篇|成熟 CAD 巨头如何应对:它们并非静止的竞争对象九、Siemens NX / Designcenter:从复杂工程 CAD 走向 AI 增强的数字主线 D-Cubed 3D DCM | Siemenssiemens.comNX 的竞争基础不能简单描述为几何建模功能。它是一个长期服务于复杂产品工程的综合系统,其能力与西门子的产品生命周期管理、制造工程、仿真和工业数字化生态存在广泛关联。因此,AI-Native CAD 对 NX 的冲击需要分成几个层次讨论。9.1 第一层:用户界面与操作效率对于初学者,NX 的复杂功能体系具有较高学习要求。对于资深工程师,软件命令、工作流与模型管理也存在大量重复操作。这些任务非常适合 AI 辅助。西门子于 2025 年 7 月正式发布 Design Copilot NX 相关能力,强调自然语言辅助、文档知识和命令访问,同时发布 CAD 集成的流体及热仿真等功能。2025 年底至 2026 年初,西门子又进一步介绍了 Designcenter X NX Copilot 和 AI 驱动工作流。这些产品进展说明,成熟 CAD 厂商已经把 AI 作为自身产品演化的一部分。对于 AI 创业公司而言,不能再假设传统 CAD 的界面和操作能力长期保持不变。9.2 第二层:设计自动化与工程知识NX 的历史优势之一在于成熟的工程模块和可编程能力。AI Agent 可以通过既有软件接口调用某些设计功能,这可能形成两种商业结构。第一种是西门子内部的 AI 工程助手,直接增强现有产品。第二种是独立的跨 CAD Agent,在获得合法技术访问权限的情况下,调用 NX 等系统实现自动化。后一种模式存在潜在价值,因为大型企业往往并不只使用一种 CAD 产品。但是,当独立 Agent 执行复杂工程任务时,它仍然可能依赖 NX 提供的可靠几何建模、专业工程模块和数据处理能力。因此,这是一种上层工作流控制权竞争,未必立即形成底层 CAD 计算能力的替换。9.3 第三层:工程数据与制造闭环NX 所处的西门子工业软件生态包括工程设计、仿真、制造规划和产品数据管理等多个环节。在复杂制造领域,单一零件的建模成本通常只是整个产品生命周期成本的一部分。设计变更可能影响:装配结构、制造工艺、工装夹具、供应商采购、质量检测、库存和售后维护。AI-Native CAD 如果仅仅降低建模时间,却不能可靠管理这种影响传播,可能难以在大型制造企业中取得系统级替代地位。反过来,如果 AI Agent 能够跨越这些系统,自动评估设计变更的下游影响,那么其价值可能远高于某个局部建模功能。因此,针对 NX 的竞争需要分别评估:零件设计效率、工程知识复用、跨系统任务自动化,以及完整产品数字主线的控制能力。9.4 NX 路线的竞争推演从产业战略看,西门子可以沿着三个方向进一步加强自身竞争力。其一,利用成熟几何内核与工程工具建立高质量 AI 执行环境。其二,利用工程数据、产品结构和历史流程形成上下文优势。其三,通过开放接口、工业平台和开发生态吸纳外部 AI 创新。如果这三条路线有效结合,西门子可能从销售工程软件进一步扩展到销售工程任务自动化能力。而独立 AI-Native CAD 企业必须证明,它们能够在某些任务上提供更优的总体成本、灵活性和交付速度。这一结论属于竞争推演,不代表西门子已经实现全部上述架构。十、CATIA:为什么高端复杂产品工程不能被简单理解为三维建模? BRM AERO | Dassault Systèmes3ds.comCATIA 是研究 AI-Native CAD 替代难度时不可回避的对象。对于复杂产品,尤其是涉及高质量曲面、大规模装配、跨专业设计和长周期配置管理的工程活动,CAD 的价值与产品开发组织深度关联。10.1 从复杂曲面到复杂系统CATIA 历史上与复杂三维几何设计、汽车和航空航天工程紧密相关。但今天的 CATIA 产品定位已经不能只从曲面造型理解。复杂产品开发需要多层级产品结构、工程需求、功能架构、空间约束、协同设计以及产品全生命周期信息。当许多不同专业的团队围绕同一个产品模型工作时,模型的价值不仅取决于几何正确性,还取决于信息的一致性、可追溯性和组织可用性。这使大型复杂产品工程形成一种特殊壁垒:软件不仅保存几何,还承担跨组织协作的共同技术语言。10.2 AI 对复杂曲面建模的冲击汽车外覆盖件、飞机机身、复杂消费产品外观等对象,存在丰富的几何设计要求。AI 可以在前端生成大量造型候选方案。但将视觉方案转化为工程级曲面时,还需要考虑:曲面连续性、曲率变化、截面质量、边界关系、可制造性以及与相邻部件的匹配。因此,不能将 Text-to-3D 生成的复杂外观自动视为 CATIA 曲面能力的替代。更可能出现的路径是:AI 生成设计意向,使用曲面重构与优化工具建立精确曲面,再进入 CAD 环境完成工程验证。在这条流程中,AI 可能先替代部分人工造型步骤,然后逐步扩大到精确曲面构造与自动修改。10.3 达索系统 2026 年的 AI 平台路线2026 年 7 月 23 日,达索系统正式宣布其 3DEXPERIENCE 平台上的 Virtual Companions,包括面向项目管理的 AURA、面向复杂工程的 LEO 和面向深度科学的 MARIE。随后,达索系统社区发布了 CATIA 相关 Generative Experiences 与 Virtual Companions 的介绍,强调基于行业知识、工程任务与产品生命周期的协作。这表明达索系统的 AI 战略并非仅仅在 CAD 界面添加一个问答窗口,而是试图把工程知识、仿真、项目组织和生命周期活动纳入 AI 平台。需要注意,官方战略定位、产品已发布能力和具体工程任务的自动化成熟度仍需要分别验证,不能因为发布了 AI-Native Agentic Platform 就认定 CATIA 已经实现完全自主设计。10.4 CATIA 可能面临的真正竞争对 CATIA 来说,潜在风险不仅是某家创业公司做出一个相似的三维建模器。更值得研究的是以下可能性:第一,新型 AI-Native CAD 在概念设计和中等复杂度机械设计方面,显著降低传统高端 CAD 的使用需求。第二,跨平台工程智能体逐步控制需求、设计、验证和制造任务分配,使底层 CAD 变成可被调用的计算资源。第三,开放工程数据标准不断改善,降低企业在不同 CAD 系统之间迁移和协同的成本。第四,新一代工业企业从成立之初就使用 AI-Native 工程流程,减少对传统人工建模工作方式的依赖。其中第四点尤其值得关注。对于已经拥有大量 CATIA 资产的航空航天企业,替换成本非常高。但对于没有复杂历史系统的新公司,采用全新工程架构的阻力可能小得多。因此,新进入者更可能首先竞争未来新建立的工作流程,而不是立即迁移全部存量平台。十一、SOLIDWORKS:AI-Native CAD 最值得研究的主流市场之一 Quick Guide to 3D Printing Car Parts | Top 3D Shoptop3dshop.com相比高端复杂工程 CAD,SOLIDWORKS 所代表的主流机械 CAD 市场,可能更适合观察 AI-Native CAD 的早期商业替代。原因并不是 SOLIDWORKS 技术能力弱,而是部分典型用户场景更容易标准化、任务相对独立,并且对部署成本和操作效率较为敏感。11.1 主流机械 CAD 的典型工作任务大量机械设计项目围绕零件、机构、装配和工程图展开。对于一些中小型企业,主要需求集中在:机械零件设计、钣金、机架、焊接结构、标准件装配、工程制图、BOM 以及与加工供应商交换数据。这些工作往往既有明确的工程要求,又存在大量重复性操作。因此,它们适合用来验证 AI-Native CAD 是否具有真实生产效率优势。11.2 AI 可以先替代哪些工作?例如,一个客户提出:“设计一个带有四个安装孔的铝合金电机支架,适配现有电机尺寸,能够方便更换不同长度的支撑臂,并输出二维加工图。”成熟 CAD 的常规做法,是工程师创建草图、约束、特征、参数和工程图。AI-Native CAD 的目标流程可能是:读取电机规格 → 生成支架方案 → 建立参数化特征 → 检查安装空间 → 输出工程图 → 自动检查关键尺寸。如果这个流程能够在可靠性达到要求的情况下减少人工时间,那么对于某些标准化设计任务,AI-Native CAD 就可能具备现实商业竞争力。但应注意,支架是否满足强度、振动、疲劳和制造要求,仍取决于充分的工程输入与验证。11.3 达索系统也在强化 SOLIDWORKS AISOLIDWORKS 2026 官方帮助文档已列出相关 AI 功能。其 2026 SP1/FD01 的 SOLIDWORKS Labs 文档具体介绍了通过 Virtual Companions 辅助初始装配结构、从模型创建工程图、解释建模失败,以及图像转草图等能力。这些功能需要按照具体版本、部署环境和可用条件判断,不能直接推断所有 SOLIDWORKS 用户均可使用。这一事实对竞争分析非常重要。AI-Native CAD 新进入者的优势不能仅仅建立在“支持自然语言”上,因为成熟软件也在迅速吸收这种交互方式。其差异化可能必须进一步体现在:任务完成速度、自动验证、可编辑建模、开放性、部署成本、跨工具协作和全流程自动化。11.4 三类成熟 CAD 的替代阻力比较以下比较是定性研究判断,不是厂商官方性能评分。维度 NX / Designcenter CATIA SOLIDWORKS 典型竞争场景 高端复杂产品工程 复杂产品、曲面及平台协同 主流机械设计与产品开发 零件级 AI 自动化机会 高 高 高 复杂装配迁移难度 很高 很高 中高 专业工程功能依赖 很高 很高 中高 企业数据切换成本 通常很高 通常很高 因组织规模而异 中低复杂度场景替代机会 较高 较高 很高 平台级完全替代难度 极高 极高 高 不能把这个表解释为谁的产品质量更高。它只反映不同市场和典型工程场景下,AI-Native CAD 可能遭遇的替代难度。值得关注的是,主流 CAD 的可进入性更高,并不意味着竞争一定更容易获胜。来源:工业软件产业发展探索

未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习计划 福利任务
下载APP
联系我们
帮助与反馈