首页/文章/ 详情

如果把 NX 和 Parasolid 的源代码交给 AI:CAD 的底层技术壁垒还在吗?

10分钟前浏览1

副标题:从 Codex、Claude 的代码理解能力,到 Siemens、NVIDIA 与 AI Native Engineering 的下一场竞争

引言:当几十年的软件技术积累遇到大模型,我们应该重新审视什么?

假设今天有一家企业,突然获得了 Siemens NX、Parasolid、I-DEAS 等大型工业软件的完整源代码,并且拥有合法的源代码使用、修改和衍生开发权,同时具备完整的编译环境、测试环境和专业技术团队。

它把这些代码交给今天最先进的 Coding Agent,包括 OpenAI 的 Codex、Anthropic 的 Claude Code,再接入若干优秀的开源大模型,让这些智能体开始理解、分析和研究这些软件。

接下来会发生什么?

AI 能不能理解 NX 这样拥有复杂历史积累的大型工业软件?能不能理解 Parasolid 中的几何数据结构、NURBS 曲面、B-rep 拓扑、Boolean 运算和几何修复算法?能不能找到那些经过几十年迭代、散落在不同模块中的特殊处理逻辑?能不能定位某个几何操作的性能瓶颈,修改其中的算法,再通过完整测试验证修改结果?如果我们进一步给它足够的时间、计算资源和专业知识,它能不能逐步掌握整个几何内核,最终参与开发一个新的工业级几何引擎?

我们甚至可以把问题再向前推进一步:如果今天已经能够借助 AI 对这些成熟软件进行深度理解、改造和扩展,那么过去几十年由大型软件公司建立起来的技术壁垒,究竟会发生怎样的变化?

这个假设并不是一个纯粹的技术幻想。今天,Codex、Claude Code 等 Coding Agent 已经能够在大型代码库中完成跨文件分析、代码修改、测试执行和复杂任务协作;开源模型也在不断提高代码理解和生成能力。与此同时,Chromium、Open CASCADE 等大型开源项目为我们提供了真实的软件工程研究对象,而 Siemens、Dassault Systèmes、PTC 等公司长期积累的专业软件技术资产,则代表着工业软件领域最有价值的一类技术遗产。

更值得关注的是,NVIDIA 正在通过 OpenUSD、B-rep 几何表示、SMLib、Omniverse 和物理仿真体系,推动精确几何、数字场景与物理世界计算之间的连接;Siemens 则拥有 Parasolid、D-Cubed、Kineo、Geolus 等经过长期工业应用验证的技术组件,以及 NX、Teamcenter、Simcenter 等覆盖产品研发和制造生命周期的软件体系。基础模型公司、计算平台公司和传统工业软件巨头,正在从不同方向推动工程软件的技术边界发生变化。

如果把这些事情分开看,它们似乎只是 AI 编程工具升级、开源几何内核发展、GPU 计算进步和工业软件产品创新。但如果把它们放在同一个技术演化过程中观察,我们会发现一个更值得重视的命题:大模型正在改变人类积累、理解和演化复杂软件技术资产的方式,而这种变化可能进一步影响工业软件的研发模式、产品形态和产业竞争格局。

过去几十年,工业软件公司的竞争优势,很大程度上建立在长期研发投入、复杂算法、专业工程师团队、工业客户数据、行业知识和生态网络之上。一个成熟的几何内核,可能经历了几十年的持续开发;一个成熟的 CAD 产品,可能包含数以千万计的代码行、复杂的模块关系、数不清的历史兼容逻辑,以及大量只有资深工程师才真正理解的工程经验。这些技术资产并不是简单购买一套源代码就能掌握的,更不是把代码交给一个大模型就能立即复 制的。

然而,大模型带来了一个过去很难想象的变化:它开始能够参与大型软件的理解、分析、修改和持续维护。随着代码检索、结构化解析、自动化测试、运行时调试、多智能体协作和长期任务管理能力的发展,软件知识的获取成本与技术资产的利用方式正在发生变化。

因此,我们真正需要回答的,已经不只是 AI 能不能生成 CAD 模型,也不只是 AI 能不能帮助工程师编写 C++ 代码,而是三个相互关联的问题:

第一,大模型今天究竟能够理解和掌握多大规模的软件系统?面对 Chromium、NX、Parasolid 这样的复杂软件,Coding Agent 的真实能力边界在哪里?

第二,如果我们拥有这些软件的源代码、API、工程数据和专业团队,应该怎样组织 AI,才能让它真正理解这些技术资产,进而参与改造、扩展和底层算法研发?

第三,当 AI 开始能够理解并重新组织成熟工业软件的底层能力时,CAD 的存在方式是否也会发生变化?传统以几何内核、参数化建模和人工操作为中心的产品体系,会不会逐步演化为以设计意图、工程计算和智能体执行为中心的新型工程系统?

这三个问题必须放在一起研究。因为软件工程能力的变化,决定了 AI 能否深入既有技术资产;既有技术资产的重新组织,决定了新产品能够达到什么技术深度;而新产品形态的变化,又将反过来影响工业软件产业的竞争壁垒。

这里要讨论的,不是 AI 是否会替代传统 CAD,而是当 AI 开始能够理解、使用、改造和组合人类几十年积累的专业软件技术时,CAD 以及整个工业软件产业的底层逻辑,是否正在迎来一次新的范式变化。

一、先不要急着讨论 AI 能不能替代 CAD,我们需要先弄清楚它究竟获得了多大的软件工程能力

过去一年,AI 编程领域最明显的变化,是大模型逐渐从代码生成工具发展为能够执行完整软件开发任务的智能体。过去,我们向大模型询问一个函数如何编写,它返回一段代码,由人类负责放入工程、编译、调试和测试;现在,Codex、Claude Code 等工具已经可以直接进入代码仓库,理解项目结构,查找函数定义和调用关系,修改多个文件,运行终端命令,执行测试,并根据错误信息继续修改,直到达到预先设定的验收条件。

这意味着 AI 的角色已经发生变化,它不再只是软件工程师的辅助工具,而开始成为能够参与软件研发过程的执行主体。不过,如果把这一变化放在大型工业软件的历史背景中,我们仍然需要保持足够审慎,因为编写一个新功能,与理解一个经过三十年、四十年持续演化的大型专业软件,是两种完全不同的工作。

我们不妨先把大模型的技术能力划分为三个层次。这个划分不是按照模型的参数量、上下文窗口或者代码生成速度进行分类,而是按照 AI 能够介入软件技术体系的深度来判断。

第一层:理解和使用已有技术,已经相当成熟

这是今天 Coding Agent 最成熟、也最容易产生实际商业价值的能力。它可以阅读已有软件的 API 文档,理解函数参数、返回值、数据结构和调用规范,然后使用这些接口完成新的应用开发。它不需要掌握底层软件所有的实现细节,只需要知道如何正确调用现有能力,并能够处理接口返回的结果。

例如,我们拥有 Parasolid 的完整 API 授权,却没有它的源代码,依然可以让 AI 开发一个新的三维建模应用。用户通过自然语言表达设计意图,Agent 将其转化为结构化几何操作,再调用 Parasolid 完成实体创建、曲面处理、Boolean、Fillet、Offset 等操作,最后把几何结果交给可视化系统显示。

如果再接入 D-Cubed 的约束能力、VTK 的可视化能力和 OpenUSD 的场景数据组织能力,就可以开发一个具有相当复杂度的 AI Native CAD 产品。

这里的关键是,AI 不需要重新发明这些技术,而是能够理解不同技术之间的接口和能力边界,并把它们组合成新的应用。

从这个意义上说,成熟商业软件过去积累的 API、SDK 和开发者生态,并不会因为大模型出现而失去价值,反而可能成为新一代 AI 产品快速进入专业领域的入口。

第二层:改造、扩展和组合已有技术,已经具备较强的工程能力,但必须建立验证体系

第二层开始真正触及软件技术资产本身。

如果我们拥有一个大型软件的源代码,AI 就不再只能通过公开接口调用它,而可以进入源代码内部,理解具体实现,修改已有模块,增加新功能,调整部分算法,甚至重构某些历史遗留的代码结构。

例如,我们可以让 Agent 分析 Parasolid 中某个 Boolean 操作的调用路径,找到参与曲面求交和拓扑重建的相关函数,研究它们之间的数据传递关系,再针对某个特定类型的模型设计新的处理策略。它可以编写测试程序,生成测试几何体,运行原有算法和新算法,对比输出结果,并根据测试失败的信息继续定位问题。

在普通应用软件中,这类工作已经有相当多的实践基础。对于工业软件,问题会更加复杂,因为一个看似局部的修改,可能影响其他几何算法、装配功能、数据交换、历史文件兼容和下游仿真结果。

因此,第二层的关键不只是 AI 能否修改代码,而是能否建立一套足够可靠的工程反馈体系,让每一次修改都有明确的影响范围、测试证据和回滚机制。

第三层:独立重新实现底层核心技术,并保证工业级可靠性,仍然存在很大困难

第三层才是真正触及传统工业软件技术壁垒的地方。

假设我们让 AI 不再调用 Parasolid,而是从零开始研发一个新的几何内核,要求它具备完整的 B-rep 数据结构、NURBS 曲线曲面、Boolean 运算、曲面求交、Fillet、Offset、Shell、Shape Healing 和复杂拓扑管理能力,并且能够处理大量工业客户的真实模型。

这件事的难度远远超过让 AI 生成一个能够创建长方体和圆柱体的三维建模程序。

几何内核最困难的地方,往往不是一般情况下能否计算出一个结果,而是在极端情况下能否仍然得到正确、稳定、符合几何和拓扑约束的结果。两个曲面几乎相切时如何判断交线,多个边界在容差范围内重合时如何处理,微小面、退化边、周期曲面和自交曲面如何修复,Boolean 运算完成后怎样保证实体的拓扑结构仍然有效,这些问题涉及微分几何、数值分析、计算几何、拓扑学和长期工程经验。

即使 AI 能够生成一个在普通测试中表现不错的算法,也不能由此证明它能够取代经过数十年工业应用验证的几何内核。

我们可以把三个层次总结如下:

能力层次      
AI 参与的技术深度      
当前判断      
理解和使用已有技术      
调用 API、SDK、组合已有组件      
已经相当成熟      
改造、扩展和组合已有技术      
理解源码、修改模块、优化算法、连接系统      
工程能力较强,需要验证      
独立重新实现核心技术      
从原理到算法、数据结构、工程可靠性全面重建      
仍有很大困难      

这三个层次还有一个特别重要的区别:第二层和第三层并不是简单的代码量差距,而是技术责任的差距。第二层可以在成熟内核的基础上进行局部创新,第三层则必须对整个底层技术体系的正确性、完整性和长期可靠性负责。

因此,今天最值得关注的并不是大模型是否已经能够从零复 制 Parasolid,而是它是否已经能够让一个拥有成熟技术资产的企业,大幅提高理解、改造和演化这些技术的速度。如果答案是肯定的,那么传统工业软件公司和新进入者的竞争条件都将发生变化。

二、数亿行代码,今天的 Codex 和 Claude 究竟能不能消化?

要回答这个问题,首先必须区分代码规模与模型上下文规模。

假设 PS 有接近2000万行代码,NX 有数亿行代码,或者我们把一个包含数亿行代码的大型软件工程交给 AI,那么是否可以把所有源代码一次性输入大模型,让它完整阅读并建立认知?

答案显然是否定的。

不过,在讨论具体数字之前,需要说明:目前并没有统一、公开、可审计的官方统计口径,可以证明 NX 或 PS 的完整源代码分别有多少行。我们在这里采用2000万行和数亿行作为假设性规模,用于分析工程量级,而不是把它们当作已经核实的产品事实。正式评估时,还需要分别统计自有代码、第三方依赖、生成代码、测试代码和历史遗留代码。

代码行数与 Token 规模之间的差距

我们可以做一个粗略的数量级估算。假设一行有效 C/C++ 代码平均对应10至20个 Token,这只是用于说明规模的估算系数,实际值会随着代码语言、代码风格、注释密度和分词方式而变化。

假设代码规模      
粗略 Token 规模      
100万行      
1000万—2000万      
1000万行      
1亿—2亿      
2000万行      
2亿—4亿      
1亿行      
10亿—20亿      
3亿行      
30亿—60亿      

从这个数量级就可以看出,即使我们假设某个模型能够处理百万 Token 级别的上下文,也远远不意味着它能够一次性把数千万甚至数亿行代码装进上下文。

而且,即使技术上能够将大量文本分批输入,也不代表模型可以可靠地记住前面所有信息,并在后续任务中准确调用。

这里存在一个经常被混淆的问题:上下文容量不等于知识容量,更不等于系统理解能力。

一个模型可以阅读某个函数,知道它接收什么参数、调用了哪些其他函数,却未必理解它为什么这样实现。它可能知道一个 Boolean 函数最终调用了曲面求交模块,却不知道在某些特殊情况下,算法为什么需要采用另一种处理路径;它可能看到了某个拓扑数据结构,却不一定理解这个结构在整个内核中的生命周期、内存管理和几何有效性约束。

因此,真正需要解决的并不是怎样让模型阅读完所有代码,而是怎样让它能够在需要的时候,准确找到相关代码,理解这些代码之间的关系,并且把获得的知识持续积累下来。

Chromium 为什么是一个非常好的参照对象?

RenderingNG 架构  |  Chromium  |  Chrome for Developers

如果我们要研究 AI 如何理解大型软件,我认为 Chromium 是非常合适的第一个样本。

Chromium 不只是一个浏览器界面,它是由浏览器进程、渲染进程、Blink、V8、GPU、网络、IPC、安全沙箱和大量基础设施共同构成的复杂软件系统。浏览器进程负责管理界面、I/O 和其他子进程,Renderer 负责网页内容的处理,Blink 承担 HTML、CSS 等网页内容的布局和渲染工作,不同进程之间还需要通过通信机制进行协调。

Chromium 官方开发文档专门提供了代码目录结构、架构说明和典型执行路径,帮助开发者理解浏览器启动、Tab 创建、页面导航和渲染过程。官方甚至将多进程架构作为理解整个项目的重要起点,因为这种架构不仅关系到性能,也关系到安全隔离和系统稳定性。

这给我们一个很好的启发。

一个成熟的浏览器开发人员,不需要记住 Chromium 的每一个函数,也不需要阅读完所有代码才能参与开发。他需要知道整个软件的主要架构,理解自己负责的模块,知道怎样追踪关键执行路径,并在遇到跨模块问题时找到相关技术人员和技术资料。

AI 也应该采用这种方式。

我们不应该要求模型一次性理解整个 Chromium,而应该让它逐步掌握浏览器启动、页面导航、HTML 解析、布局、绘制、合成和 GPU 渲染等完整的技术链路。当它能够在这些具体链路中准确定位代码、解释调用关系、运行测试并完成修改时,我们才有理由认为它真正掌握了某个技术领域。

这比让模型对着数亿行源代码生成一份看起来非常完整的架构总结,更有工程价值。

Anthropic 已经在怎样处理大型代码库?

Anthropic 在2026年5月发布的《How Claude Code works in large codebases: Best practices and where to start》,对大型代码库的实际使用进行了专门总结。

文章提到,Claude Code 已经在生产环境中用于数百万行代码规模的 Monorepo、运行数十年的遗留系统,以及跨越数十个代码仓库的分布式架构,涉及 C、C++、C#、Java、PHP 等语言。Anthropic 同时指出,模型能力固然重要,但真正决定 Agent 在大型代码库中表现的,还有围绕模型建立的工程环境,也就是 Harness。

这里有几个特别值得我们注意的做法。

首先,Claude Code 并不是必须先将整个代码仓库嵌入向量数据库,然后再通过 RAG 获取代码。它可以直接遍历文件系统,使用搜索工具定位代码,再沿着引用关系继续寻找相关实现。这样的方式有一个优点:它面对的是当前真实的代码,而不是一个可能已经过时的向量索引。

其次,它通过分层的 CLAUDE.md 管理代码库知识。仓库根目录只保留整体架构、重要约束和导航信息,具体模块的开发规范、测试方式和技术背景则放在相应子目录中,只有在任务涉及这些模块时才加载。

再次,Anthropic 强调 Language Server Protocol,也就是 LSP 的重要性。普通文本搜索可能找到大量同名函数,却无法准确区分它们是不是同一个符号;LSP 则可以提供符号级定义、引用和类型导航,使 Agent 能够更准确地跟踪函数和类在不同文件之间的关系。

此外,Claude Code 还通过 Skills、Hooks、MCP 和 Subagents 扩展能力。Skills 用于按需加载专业知识,Hooks 用于在特定事件中执行确定性操作,MCP 用于连接内部工具和数据系统,而 Subagents 可以让多个独立上下文的智能体分别探索不同子系统,再把结果汇总给主 Agent。

这套方法的核心不是让模型拥有更多记忆,而是让它拥有更好的知识导航能力和工程工具。

Anthropic 甚至明确指出,如果要求模型在一个极其庞大的代码库中查找所有模糊匹配的内容,就可能在任务开始之前触及上下文限制。因此,大型软件研发首先需要做的事情,是让代码库对 AI 变得可导航、可定位、可理解。

这与我们前面讨论的 Parasolid 和 NX 有直接关系。真正需要建立的,不是一个把所有代码都塞进去的知识库,而是一套能够让 Agent 在需要时准确找到函数、数据结构、模块、测试和运行路径的系统。

OpenAI 的 Codex 实践又说明了什么?

OpenAI 在2026年2月11日发布了《Harness engineering: leveraging Codex in an agent-first world》,介绍了一个非常值得关注的内部软件开发实验。

团队从一个空 Git 仓库开始,在五个月内使用 Codex 构建了一个约100万行代码的软件产品。文章披露,项目期间合并了大约1500个 Pull Request,最初由三名工程师驱动,后来团队扩大到七名工程师。OpenAI 将这次实践概括为:人类负责引导,Agent 负责执行。

这项实践最值得关注的地方,并不是它生成了100万行代码,而是它改变了工程师的工作方式。

OpenAI 发现,随着代码生成速度提高,真正的瓶颈逐渐从代码编写转移到人类的 QA 能力、上下文管理和系统一致性上。于是团队开始为 Codex 提供可运行的隔离工作区、浏览器调试接口、日志、指标和链路追踪,使 Agent 不仅能够阅读代码,还能够直接观察软件运行结果。

他们还尝试过把所有规则放在一个庞大的 AGENTS.md 文件中,最终发现这种方式并不理想。原因很简单:上下文是有限资源,过多的信息会挤占当前任务真正需要的代码和文档,而且庞大的说明文件容易过时。

因此,OpenAI 改为将架构文档、设计文档、产品规范、执行计划、技术债务和质量指标作为仓库中的长期知识资产,由一个简洁的导航文件指向这些内容。

这次实验还有一个值得我们重视的限制:OpenAI 这个项目是从空仓库开始构建的新产品,而不是让 Codex 接手一个已经存在数十年、拥有庞大历史依赖和复杂隐性规则的工业软件。因此,它证明的是 Agent 可以在精心设计的工程环境中承担大规模软件开发任务,并不能证明它已经能够独立掌握数亿行历史软件代码。

Anthropic 的大型代码库实践和 OpenAI 的 Harness Engineering,实际上指向了同一个结论:

模型本身只是软件智能的一部分,真正决定它能否处理大型软件的,是模型、代码知识、工具环境、执行能力、验证体系和人类工程经验共同构成的系统。

三、真正的突破不是让 AI 阅读所有代码,而是建立一套能够持续消化软件的智能系统

假设今天我们真的获得了 NX、Parasolid、I-DEAS、VX CAD 等软件的完整源代码,不会直接把源代码交给几个 Coding Agent,让它们自行阅读并总结整个软件。

先建立一套独立的软件智能理解与演化基础设施,称为 Software Intelligence Platform。

它的目标不是将数亿行代码简单地转化为向量,而是让 AI 对整个软件建立分层、持续更新、可以追溯的结构性认知,使其能够从一个函数逐步理解一个模块,从一个模块逐步理解整个软件,再从理解软件逐步进入软件改造和算法研发。

从源代码资产盘点开始,而不是直接启动大模型

第一件事情应该是对软件资产进行完整盘点。

大型软件的代码库通常包含自有业务代码、第三方依赖、自动生成代码、测试代码、平台适配代码、构建脚本、资源文件和大量历史兼容代码。如果不先区分这些内容,模型很容易把第三方库的实现误认为软件自身的技术资产,也可能在分析过程中反复阅读无关文件。

因此,我们首先需要建立一份 Software Asset Inventory,对软件的文件、语言、模块、依赖、构建目标、测试、版本和文档进行全面扫描。

例如,对于 NX,我们需要知道哪些代码属于几何建模,哪些属于装配,哪些属于工程图,哪些属于数据管理,哪些属于图形显示,哪些属于 CAE 和 CAM;对于 Parasolid,则需要进一步识别几何数据结构、曲线曲面、拓扑管理、几何求交、Boolean、Shape Healing 和其他算法模块。

这一阶段主要由确定性工具完成,不需要消耗大量大模型推理资源。大模型更适合参与资产分类、模块职责推断和异常结构解释,而不应该承担基础文件统计工作。

代码结构解析:让 AI 不再依赖模糊的文本搜索

完成资产盘点之后,第二步是建立代码结构理解能力。

普通文本搜索可以找到某个函数名称,却不一定能区分同名函数、重载函数、模板实例和不同命名空间中的符号。对于大型 C++ 工程,这种区别尤其重要,因为宏、模板、条件编译、函数指针和动态分派都会增加代码关系分析的复杂度。

因此,我们需要结合多种代码分析技术,而不是只依赖向量数据库。

技术      
主要用途      
对 AI 的价值      
AST      
抽象语法树      
理解类、函数、变量和表达式结构      
Symbol Index      
符号索引      
准确定位函数和类型定义      
LSP      
语言服务器      
查询定义、引用和类型信息      
Call Graph      
函数调用图      
理解调用路径      
Dependency Graph      
依赖关系图      
理解模块和库之间的依赖      
Data Flow      
数据流分析      
追踪数据创建、传递和修改      
Control Flow      
控制流分析      
理解程序分支和执行路径      
Build Graph      
构建关系图      
理解编译目标和构建依赖      

具体到 C++,可以采用 Clang AST、LibTooling 和 Clangd,结合编译数据库、构建系统和静态分析工具建立更可靠的代码索引;Tree-sitter 可以用于多语言语法解析,但不能替代完整的 C++ 语义分析;CodeQL 等工具则可以进一步用于数据流、安全和复杂代码关系分析。

这里需要特别注意,静态调用图并不能完全覆盖动态分派、函数指针、插件加载和运行时决定的调用关系,因此静态分析只能提供软件结构的一部分。

最终,我们需要建立一个可以被 Agent 查询的代码结构数据库,让它能够准确回答:某个函数定义在哪里,哪些地方调用它,它属于哪个模块,修改它会影响哪些编译目标,相关测试又在哪里。

从代码关系上升到软件架构知识图谱

代码解析解决的是代码之间的技术关系,但还没有完全回答软件本身的架构问题。

一个大型 CAD 软件可能拥有数十个甚至更多相互关联的技术子系统。仅仅知道某个模块包含哪些类和函数,并不足以理解这个模块在整个产品中的职责。

因此,我们需要建立 Software Architecture Graph,把软件中的模块、组件、接口、数据结构、算法、构建目标、测试和执行路径连接起来。

例如,对于一个 CAD 系统,可以从应用层逐步向下分析:

架构层次      
主要技术内容      
应用层      
零件建模、装配、工程图、仿真、制造      
业务功能层      
特征建模、尺寸管理、装配管理、数据管理      
专业计算层      
几何内核、约束求解器、运动学和网格      
基础设施层      
内存管理、文件系统、事务、通信、线程      
平台适配层      
操作系统、图形驱动、第三方依赖      

这只是通用 CAD 系统的示意,并不是 NX 的实际内部架构图。真正的架构必须根据源码、构建系统、设计文档和运行时数据逐步还原。

对于每一个模块,系统都应该建立相对完整的技术档案,包括模块职责、对外接口、内部数据结构、主要算法、上下游依赖、关键调用路径、异常处理方式、测试覆盖和历史演化记录。

这样,当 AI 接到一个任务时,它就不需要从整个软件中盲目搜索,而是可以先判断任务属于哪个技术领域,再沿着架构图谱找到相关模块和执行路径。

仅仅阅读代码还不够,AI 必须能够观察软件真实运行

这是我认为整个系统中最容易被低估的一层。

源代码描述的是程序可能如何执行,而真实运行环境才能告诉我们它在具体输入下究竟执行了什么。

以 Parasolid 的 Boolean 操作为例,静态分析可以帮助我们找到 API 入口、相关函数、数据结构和模块依赖,却不一定能够告诉我们某一次具体运算究竟走了哪条分支,哪些中间对象被创建,哪一个阶段消耗了最多时间,以及某个失败究竟由几何求交、容差判断还是拓扑重建引起。

因此,软件智能系统必须接入真实的调试和运行环境,包括 Debugger、Profiler、Runtime Tracing、Logging、Sanitizers、Crash Analysis 和测试覆盖工具。

对于几何内核,还需要设计专门的运行时数据采集系统,记录每次几何操作的输入模型复杂度、面边顶点数量、曲面类型、关键算法调用、运行时间、内存变化、输出实体有效性和错误类型。

例如,我们可以针对 Boolean 运算建立一个自动实验系统,生成大量相交、相切、重合、微小间隙和复杂曲面模型,观察 Parasolid 在不同条件下的实际行为,再将运行结果关联到具体源码。

这样,AI 获得的就不再只是源代码文本,而是源代码、算法、测试和真实运行行为之间的完整联系。

对于专业软件而言,这种能力可能比单纯的代码语义检索更有价值。

专业知识必须进入软件知识体系

还有一个特殊问题:NX 和 Parasolid 并不是普通的业务软件,它们建立在大量数学和工程知识之上。

如果 Agent 不理解 NURBS 曲面、微分几何、B-rep 拓扑、数值容差和几何有效性,即使能够找到某个函数的实现,也未必真正理解它解决的是什么问题。

因此,我们还需要建立独立的 Engineering Knowledge System。

以 NURBS 曲面求交为例,系统需要把数学原理、算法步骤、代码实现、测试案例和运行结果联系起来。

知识层次      
需要理解的内容      
数学层      
参数曲线、曲面方程、求交条件      
算法层      
曲面求交策略、数值方法、收敛条件      
代码层      
具体实现函数、数据结构、调用关系      
测试层      
普通情况、极端情况、退化情况      
运行层      
精度、性能、失败路径和实际表现      

这意味着 AI 不再只是解释一段 C++ 代码,而是能够回答这段代码为什么存在、采用了什么算法、依赖哪些数学假设,以及在什么条件下可能出现问题。

这也是通用 Coding Agent 向专业工程软件研发 Agent 演进的关键一步。

软件知识必须能够长期积累,而不能依赖一次次对话

如果今天 Codex 分析了 Parasolid 的 Boolean 算法,明天 Claude 又重新研究一次相同的代码,后天另一个 Agent 再次查找相同的调用关系,那么我们并没有真正建立企业的软件理解能力。

真正的软件知识必须沉淀下来。

建议将其分为四类:

知识资产      
主要内容      
Architecture Memory      
软件架构、模块关系和系统设计      
Code Memory      
类、函数、接口、数据结构和调用关系      
Engineering Memory      
数学原理、算法知识和工程规则      
Execution Memory      
测试结果、调试记录、性能和异常案例      

每一条重要结论都应该保留证据,包括源代码路径、函数符号、软件版本、测试案例和验证状态。

例如,系统可以记录某个 Boolean 函数会进入曲面求交模块,但必须说明这个结论来自静态调用分析还是运行时跟踪,是否在特定版本中验证过,以及是否存在尚未确认的分支。

我建议把知识状态明确划分为已经由代码或测试验证、已经由专业工程师确认、AI 推断尚未验证,以及缺乏足够信息四种类型。

这样可以避免一个严重问题:模型在一次分析中产生的猜测,经过多次转述之后,最终被当成软件的真实技术事实。

多 Agent 协作,让不同专业知识并行积累

当代码库达到数千万行甚至数亿行时,一个 Agent 同时承担全部分析、开发、测试和架构工作,既不经济,也不容易保持准确性。

我们可以建立一个由多个专业 Agent 组成的软件研发团队。

Agent      
核心职责      
Architecture Agent      
研究软件架构和模块关系      
Code Analysis Agent      
分析源码、符号和调用路径      
Algorithm Agent      
研究数学原理和算法实现      
Runtime Agent      
调试、性能分析和运行行为研究      
Implementation Agent      
执行代码修改和功能开发      
Testing Agent      
生成测试、执行回归和质量验证      
Review Agent      
检查结论、代码和技术风险      

其中,探索任务和代码修改任务应该尽量隔离,避免多个 Agent 在没有统一协调的情况下同时修改相同模块。

不同 Agent 可以使用不同模型,例如 Codex、Claude Code 和经过专业代码任务验证的开源模型,但它们必须共享同一套软件知识库、版本信息、任务记录和验收标准。

更重要的是,多 Agent 并不意味着 Agent 越多越好。没有清晰的任务边界、证据标准和结果审查,多个 Agent 可能只是把错误结论并行放大。

最终,这八层能力应该形成一个持续更新的软件智能系统,而不是一次性的代码阅读项目。

这个架构有一个非常重要的原则:模型可以不断升级和更换,但企业对软件的理解、架构图谱、算法知识、测试数据和工程经验必须长期保留在自己的基础设施中。

未来接入一套新的工业软件,不应该再从头研究怎样让 AI 理解它,而应该复用已有的代码解析、知识组织、Agent 编排和工程验证能力。

四、如果拥有完整源代码和只有 API,AI 能力的边界究竟在哪里?

当我们建立了大型软件智能理解系统之后,再回头看源代码与 API 的差别,就会发现这两种条件带来的不仅是技术权限的区别,更是产品战略和研发空间的区别。

假设 OpenAI 或 Anthropic 今天希望进入工业软件领域,分别考虑两种情况。

只有 Parasolid API,也足以开发真正有竞争力的 AI Native CAD

如果只有 Parasolid API,我不会认为自己因此失去了进入 CAD 市场的机会。

相反,我会优先开发一套 AI Geometry Tool System,把 Parasolid 的接口转化成 Agent 能够理解和调用的专业几何工具。

传统 CAD API 通常面向软件开发人员,调用者必须知道具体函数、参数结构、对象生命周期和错误处理方式。而 AI 需要的是更高层次的几何操作能力,例如创建零件、修改尺寸、识别孔、分析干涉、生成设计变体和检查几何有效性。

因此,我会在 Parasolid API 之上建立一套 CAD Intermediate Representation,也就是 CAD 中间表示或几何操作中间语言。

它负责将自然语言设计意图转化为结构化操作,再由确定性执行器调用 Parasolid。

例如,用户提出设计一个具有特定尺寸、孔位和圆角的支架,AI 不必直接生成大量底层 C++ 代码,而是先生成一个经过约束检查的几何操作计划,再由执行器完成建模。

这一层可以进一步抽象成统一的 Geometry Abstraction Layer,未来支持 Parasolid、Open CASCADE、C3D、SMLib 等不同几何内核。

这样,用户表达的是工程意图,系统负责选择具体的几何计算引擎。

与此同时,我会利用 Parasolid API 建立几何语义理解系统,通过面、边、顶点、曲面类型、邻接关系、曲率、尺寸和空间关系,识别零件中的孔、槽、凸台、圆角和其他工程特征。

例如,识别一个圆柱面并不意味着可以直接断定它是一个孔,但如果结合圆柱面与周围平面的连接关系、实体内部位置、边界闭合情况和几何尺寸,就可以进一步判断其工程语义。

这种能力已经足以支撑很多新型 AI CAD 产品。

只有 API 的公司无法修改 Parasolid 内部算法,也不能直接修复其内部实现缺陷,但可以在上层建立全新的产品形态、工作流和工程智能能力。

拥有完整源代码,才真正打开了底层技术演化的空间

如果我拥有 Parasolid 完整源代码,并且具备合法的修改和衍生开发权,那么我的战略就会进一步深入。

我会首先建立 Parasolid Code Intelligence,系统性分析几何内核的代码结构、数据模型、算法调用和测试体系。

然后针对几个关键技术方向建立自动化实验室。

以 Boolean 运算为例,Agent 可以生成大量不同类型的几何模型,自动构造相交、相切、重合、微小间隙和复杂曲面等特殊情况,执行 Union、Subtract 和 Intersect,检查输出模型的几何和拓扑有效性,再结合运行时信息定位失败原因。

当发现某类特殊模型下的性能问题或算法缺陷时,Agent 可以帮助研究替代方案、生成原型、编写测试,并在独立分支中验证修改效果。

类似的研究还可以扩展到 NURBS 曲面求交、Fillet、Offset、Shell、Shape Healing、拓扑管理和几何数据结构。

这里的关键是,我们不应该允许 AI 未经验证就替换原有算法,而应该把新算法作为候选实现,与经过长期验证的原有实现进行差分测试和回归测试。

对于一个成熟几何内核,真正重要的不是在几个演示模型上跑得更快,而是在大量真实工业模型、极端边界条件和长期客户使用场景中保持正确性。

因此,源代码的战略价值在于允许企业进入底层技术的理解、调试和修改过程,但最终的工业级可靠性仍然需要长期工程验证。

如果我是 OpenAI 或 Anthropic,我会怎样选择?

我认为,两家基础模型公司可能采取不同的产品和生态策略,但不应该简单地理解为它们会直接开发一个 NX 或 CATIA 的竞争产品。

如果我是 OpenAI,我会优先把 Codex 类 Coding Agent 延伸到专业软件研发,建立能够理解大型代码库、调用专业工具、执行工程任务和验证修改结果的研发体系,同时发展 Engineering Agent Platform。

如果我是 Anthropic,我会重点发挥 Claude Code 在复杂代码库导航、长周期任务、专业 Skills、Subagents 和工程知识组织方面的能力,让它成为能够参与专业软件研发和维护的智能工程师。

如果两家公司只有 Parasolid API,我会先建设上层产品和工具生态;如果同时拥有源代码及完整研发条件,我才会进一步投入几何内核的算法研究和底层演化。

这里有一个重要的战略判断:基础模型公司不一定需要拥有每一种专业软件的源代码,才能进入工业软件领域。它们可以先利用成熟 API 和软件组件建立新的产品入口;而拥有底层技术资产的传统工业软件公司,则可以利用 AI 提高技术研发和产品演化的效率。

但无论哪一种路径,源代码、API、专利、第三方依赖和工程数据的权利边界都必须分别核查。购买源代码不自动意味着获得全部衍生开发、再授权、商业分发和模型训练权利,完整的技术资产交易还必须包括相应的知识产权和许可安排。

五、我们可能一直在用错误的方式理解 CAD:它的本质并不是三维建模

如果我们只从 AI CAD 的产品角度出发,很容易把未来的技术创新理解成让 AI 更快地创建三维模型,让工程师不再需要使用鼠标、键盘和复杂菜单。

这种理解没有错,但它并没有触及 CAD 真正的本质。

CAD 的全称是 Computer-Aided Design,即计算机辅助设计。但计算机辅助设计的最终目的,从来不是让计算机帮助人类画出一个三维物体,而是帮助人类完成产品设计,并使设计结果能够被计算、修改、验证、制造和使用。

一辆汽车、一台发动机、一套航空结构或者一台工业机器人,其设计并不是一个几何模型那么简单。设计人员必须确定产品的功能,定义零部件之间的关系,考虑尺寸和约束,选择材料和工艺,分析载荷、热、流体和运动,验证安全性与可靠性,并在产品生命周期内持续管理设计变更。

几何模型只是这一系列工程活动的重要表达形式。

因此,我倾向于将 CAD 的本质重新定义为:

CAD 是将人类的产品设计意图转化为可计算、可修改、可验证、可制造的数字化产品定义的技术体系。

这一定义比单纯的三维几何建模更接近工程设计的本质,也更能解释为什么 CAD 长期以来需要几何内核、约束求解器、特征系统、装配系统、工程图、数据管理和仿真能力。

传统 CAD 为什么形成今天的工作方式?

过去几十年,计算机的计算能力、交互方式和软件工程技术都受到限制,因此 CAD 逐渐形成了今天熟悉的工作模式。

Onshape y el modelado paramétrico

工程师先确定设计方案,再通过鼠标、键盘和菜单操作软件,建立草图,添加几何约束,执行拉伸、旋转、倒角和圆角等特征操作,软件记录这些操作并形成特征树,底层几何内核负责生成精确几何。

这种方式非常成功,但它有一个隐含前提:人类必须先把设计意图翻译成软件能够理解的命令和操作序列。

例如,工程师想设计一个带加强筋的支架,他必须决定先创建哪个草图,使用哪个基准面,先拉伸还是先旋转,哪些尺寸需要约束,哪些边需要倒角,以及不同特征之间如何建立依赖关系。

软件提供了建模能力,但如何组织这些操作,主要由工程师自己负责。

这正是传统 CAD 的交互模式。

大模型出现之后,这个前提开始发生变化

今天,工程师可以直接表达一个完整的设计目标:

设计一个安装在设备底座上的支架,承受800N的载荷,整体高度不超过120mm,质量尽可能低,必须能够使用三轴数控加工,并且保留现有的安装孔位。

这个任务中已经包含功能要求、几何要求、物理约束、制造约束、既有接口和优化目标。

AI 可以先解析这些要求,建立结构化设计意图,再决定需要使用哪些几何工具、约束求解器、仿真工具和制造检查工具。

工程师不必首先考虑应该点击哪个菜单、创建哪个特征,而是先表达希望实现的工程目标。

这意味着传统 CAD 中由人类承担的需求翻译、操作规划和部分建模执行工作,开始可以由 AI 承担。

但这还只是第一步。更深层的变化,是 CAD 内部的技术架构和工程模型表达方式也可能发生变化。

从几何建模驱动,转向设计意图驱动

传统 CAD 的中心对象通常是几何模型、参数和特征历史。未来,系统可能首先建立一个设计意图模型,再根据设计意图生成几何和其他工程表达。

例如,一个零件的设计意图可以包含:

设计维度      
具体内容      
功能目标      
支撑、连接、传动、密封      
几何要求      
长度、宽度、高度、形状      
尺寸约束      
孔径、间距、厚度      
关系约束      
同轴、平行、垂直、相切      
物理约束      
应力、位移、温度      
制造约束      
加工方式、刀具、材料      
成本约束      
重量、材料成本、制造成本      
验证条件      
强度、刚度、装配和质量要求      

AI 不再只是负责生成几何,而是负责组织这些设计意图,并持续检查模型是否满足工程要求。

传统特征树不会因此立即消失。它仍然是表达设计历史、参数依赖和可修改性的重要方式,但未来它可能从人类必须手工构建的操作记录,逐步变成 AI 根据设计意图生成、维护和解释的一种工程表达。

这是一种交互层和设计组织方式的变化,而不是简单删除传统 CAD 的建模逻辑。

从单一几何表示,转向多种工程表示协同

过去很多 CAD 系统以 B-rep、NURBS 和参数化特征体系作为核心表达方式,但真实工程世界远远不止一种几何表示。

B-rep 适合精确描述实体和拓扑,NURBS 适合表达复杂曲线曲面,Mesh 适合离散计算和可视化,Implicit Representation 可以用于某些复杂形态生成和拓扑优化,Feature Graph 适合表达建模历史,Constraint Graph 适合表达几何关系和自由度,而 Semantic Graph 则可以进一步表达零件功能、材料、工艺和工程知识。

未来未必需要把所有数据都转换成一种统一的几何格式,更合理的方向可能是让不同表示保留各自优势,同时建立统一的对象身份、语义映射、版本管理和关联关系。

例如,一个机械零件可以同时具有精确 B-rep、用于仿真的网格、参数化特征历史、制造工艺属性和工程语义。不同系统通过统一的关联机制访问各自需要的表示,而不是不断进行有损转换。

这将改变 CAD 的数据架构,也会让 CAD 模型从一个单纯的几何文件,逐渐演化为包含多种工程知识的数字化产品定义。

从单一几何内核,转向多种确定性计算引擎协作

传统 CAD 系统通常围绕一个主要几何内核构建大量上层功能,而 AI Agent 出现之后,软件可以根据任务动态选择不同的专业计算工具。

工程任务      
可能调用的技术      
精确实体建模      
Parasolid、OCCT、SMLib      
几何约束      
D-Cubed、其他约束求解器      
网格生成      
Gmsh、专业网格工具      
科学可视化      
VTK、Hydra、专业渲染引擎      
三维场景组织      
OpenUSD      
机器人运动规划      
Kineo、其他运动规划工具      
物理仿真      
专业 CAE 求解器、Physics AI      
工程特征识别      
几何算法与 AI 模型      

这意味着未来的 AI Native CAD 不一定需要自己重新开发所有底层能力,而是可以通过统一的工程语义和工具接口,组织多个确定性计算引擎。

几何内核仍然重要,但它可能从传统 CAD 软件内部相对封闭的核心模块,逐渐成为不同 Agent 和工程应用可以调用的专业计算能力。

这里也需要强调,多个内核并不意味着可以无条件互换。不同内核在几何容差、拓扑表示、建模历史、对象生命周期和数据交换方面可能存在差异。AI 必须知道这些差异,并在跨内核转换时进行验证。

从人工迭代设计,转向 AI 与确定性计算协同探索设计空间

这是我认为最有可能改变工程设计效率的变化之一。

过去,工程师通常先建立一个设计,再通过仿真、检查和修改逐步获得更好的结果。这个过程依赖大量人工经验和反复试错。

未来,AI 可以组织大量候选设计,调用几何内核、约束求解器和物理仿真工具,对候选方案进行筛选和优化。

这里的 AI 不需要自己计算所有物理量,它负责组织设计空间探索,专业几何引擎和求解器负责确定性计算,验证系统负责判断结果。

但我们不能把这种闭环简单理解为 AI 生成模型之后调用一次仿真就完成了工程设计。真实工程仍然涉及边界条件、材料模型、网格质量、求解器收敛、载荷工况、制造公差和验证标准。AI 可以帮助组织这些工作,但不能用自然语言推理代替工程验证。

从独立 CAD 应用,转向 Engineering Agent Runtime

这是前面几种变化最终可能形成的产品形态。

过去,工程师需要分别进入 CAD、CAE、CAM、PLM 等软件,完成不同阶段的工作。未来,用户可能只需要表达一个完整的工程任务,由 AI Agent 根据目标组织不同专业软件。

例如,用户提出:

根据现有产品结构设计一个新版本的机械部件,保持接口兼容,降低重量15%,满足规定载荷,并评估加工成本。

Agent 可以从 PLM 获取现有产品结构和版本,通过 CAD 建立新设计,调用约束求解器和 Parasolid 完成几何计算,再调用 CAE 验证载荷,通过 CAM 评估加工工艺,并利用 Geolus 检索相似历史零件。

用户看到的可能不再是多个软件窗口,而是一个持续执行工程任务的智能工作环境。

这才是我理解的 AI Native Engineering。

但这并不意味着 CAD、CAE、CAM 和 PLM 的专业边界会消失。它们仍然拥有各自不同的计算模型、工程规范和责任边界,真正发生变化的是用户完成任务的方式,以及软件之间协作的组织方式。

六、Siemens 和 NVIDIA 正在释放什么信号?两种不同的技术资产,可能在 AI 时代发生交汇

如果说前面讨论的是技术原理,那么 Siemens 和 NVIDIA 的发展方向,能够让我们更具体地看到这些技术变化正在怎样进入产业。

我认为,这两家公司值得放在一起研究,并不是因为它们正在开发相同的产品,而是因为它们分别掌握了未来工程智能系统所需要的两类重要基础设施。

Siemens 长期积累的是经过工业验证的专业工程技术、软件组件、产品数据和应用生态;NVIDIA 长期积累的是 GPU 计算、图形技术、物理仿真、开发者工具和数字世界基础设施。

当大模型开始具备更强的理解、规划和执行能力时,这两类资产就有机会被重新组合。

Siemens:它拥有的不是几个独立的 CAD 组件,而是一套长期积累的工程计算能力

很多人认识 Siemens,首先想到的是 NX、Teamcenter、Simcenter、Solid Edge 等产品,但如果从底层技术资产的角度观察,它的能力版图要更加丰富。

Siemens 的 PLM Components 业务尤其值得研究,因为它把长期积累的专业软件组件作为开发者产品,向其他软件企业提供授权。

这套技术资产组合特别值得注意,因为它覆盖了工程设计中的多个基础问题。

技术      
对应的工程问题      
Parasolid      
物体的形状是什么?      
D-Cubed      
形状之间存在什么约束关系?      
Kineo      
物体如何运动,运动中是否发生碰撞?      
Geolus      
企业过去是否设计过相似的零件?      
JT      
如何在不同软件和组织之间表达、交换和协作?      
VTK      
如何把几何、网格和计算结果转化为可理解的信息?      

这已经不是单一 CAD 软件的功能 集 合,而是一套覆盖几何、关系、运动、记忆、数据表达和观察的工程计算能力组合。

如果进一步连接 NX、Teamcenter、Simcenter、CAM、制造系统和产品生命周期数据,就能看到 Siemens 在工业软件领域长期积累的技术深度。

更值得关注的是:Siemens 并不只把这些组件留给自己的产品使用

Siemens 官方的 PLM Components 页面披露,其技术组件已经被400多家软件供应商集成到商业应用中,超过1000万名软件终端用户受益于采用这些组件的应用及 JT、Parasolid 数据格式。其中,Siemens 还披露 Parasolid 已授权给200家独立软件供应商。其开发者文档显示,Parasolid 提供900多项功能。

这些数字有重要的产业意义。

传统工业软件巨头不仅通过自己的 CAD 产品使用底层技术,也可以通过技术授权,把底层能力扩展到竞争对手和其他行业的软件产品中。

这种模式形成了一个复合生态:底层技术提供方积累跨应用场景的工程需求,外部软件企业则利用成熟组件降低研发成本,扩大产品市场覆盖。

但我们必须区分用户规模和数据所有权。超过1000万终端用户,并不意味着 Siemens 可以自由取得这些用户的全部工程数据;第三方客户的设计数据仍然受到合同、保密和知识产权安排的约束。

真正值得研究的是,这种跨行业技术授权模式为 Siemens 提供了非常广泛的应用反馈和生态连接。

而当 AI 开始能够更有效地理解和调用这些组件时,原本需要专业软件工程师逐一集成的技术能力,可能会出现新的组合方式。

NVIDIA:OpenUSD 与 SMLib 释放的信号,可能比增加一个三维格式更重要

我认为,NVIDIA 的 USD BRep 项目是理解这轮变化的重要技术案例。

先看它具体做了什么。

NVIDIA 在 GitHub 上公开了 USD BRep 项目。这不是简单地给 OpenUSD 增加一种三角网格显示方式,而是提供了一个基于 SMLib 的 NURBS B-rep 实体建模能力,并通过自定义的 BrepArray 数据结构将 B-rep 几何和拓扑信息保存到 USD 场景中。

从项目公开的内容来看,它包含几个重要组成部分:

  • • SMLib 几何内核,负责创建和修改 B-rep 实体。
  • • NURBS 曲线和曲面,以及平面、圆柱面、圆锥面、球面、环面等解析几何。
  • • Boolean、Fillet、Sweep、Offset 等几何操作。
  • • Healer,用于处理常见几何和拓扑缺陷。
  • • Geometry Validator,用于检查几何质量和拓扑一致性。
  • • Tessellator,用于把精确几何转换为三角网格。
  • • OpenUSD 导入导出。
  • • 与 Open CASCADE 之间的转换工具。
  • • C++ 和 Python 接口。

该项目采用 Apache License 2.0 许可证公开,包含构建、测试、示例和开发文档。

这里最重要的并不是它又增加了多少几何算法,而是它试图建立精确几何和开放三维场景数据体系之间的连接。

过去,很多人把 OpenUSD 理解为三维场景描述、资产组织、层级组合和协作框架。它可以管理场景中的几何、材质、变换、引用和实例,但传统工程 CAD 中精确的 B-rep 几何,并不能简单地由 Mesh 表示完全替代。

例如,三角网格可以很好地表达一个物体的外观和离散表面,但它不一定保留原始的解析曲面、精确的曲线定义和完整的拓扑邻接关系。

如果我们希望一个三维工程对象既能够参与数字场景组织,又能够保留精确的工程几何,就需要更完整的几何表达方式。

USD BRep 正在探索的就是这条路径。

一个非常重要的区别:OpenUSD 不是几何内核,SMLib 才承担几何计算

这点必须讲清楚,否则很容易高估 NVIDIA 的技术突破。

OpenUSD 的 B-rep 数据模式主要负责表达和组织精确几何及其拓扑关系,而实际的几何建模、求交、布尔运算和修复,需要由几何引擎承担。

USD BRep 项目中的 SMLib 就承担了这一部分工作。它负责在内存中创建和修改 B-rep 实体,提供相关几何算法,再通过 USD 接口把结果写入场景。

这意味着我们看到的是两种技术能力的组合:一边是几何计算内核,另一边是开放场景数据体系。

NVIDIA 的 OpenUSD B-rep 提案还选择了 Radial Edge Data Model 来组织拓扑关系,并通过数组化的方式保存几何、拓扑和连接信息,兼顾复杂模型的表达能力与大型场景中的数据组织效率。

更值得关注的是,NVIDIA 的这个仓库已经显式考虑了 Coding Agent 的工作方式

这里有一个非常值得我们注意的细节。

USD BRep 仓库不仅包含源代码、测试、示例、构建脚本和技术文档,还专门提供了 AGENTS.md,为 AI Coding Agent 描述项目结构、架构分层、API 入口、构建和测试命令。

它甚至为不同操作准备了专门的 Agent 文档和 Skills,例如 Boolean、Fillet、Tessellation、Healing、USD 导入导出,以及内核调试和测试选择。

在 AGENTS.md 中,项目将技术结构划分为 SMLib 核心 C++ 内核、SM_API 高层接口、SM_API_USD 数据交换层以及 Python 绑定等部分,并列出了不同 API 头文件所负责的功能。

这个细节非常值得研究。

它说明一个专业几何内核的代码仓库,可以不仅为人类开发者组织文档,也为 AI 编程智能体提供结构化的技术导航和操作指引。

当然,这不能直接证明 NVIDIA 已经让 AI 完全自主研发了 SMLib,也不能说明整个项目已经实现工业级自主演化。但它至少展示了一种值得关注的趋势:专业软件的代码、构建、测试和知识组织,正在逐渐采用适合 AI Agent 参与的工程方式。

USD BRep 目前还不能被理解为完整的 AI Native CAD 基础设施

这里还必须保持技术上的严谨。

OpenUSD 的 B-rep 提案明确说明,当前方案主要解决精确几何和拓扑在 USD 中的表达问题,CAD 装配关系及约束体系不属于这一基础提案的范围,直接在 USD 场景中进行完整 CAD 建模和编辑也不是当前设计的目标。

更重要的是,OpenUSD 自身并不包含完整几何内核,诸如曲线自交、复杂几何有效性和完整的容差验证,仍然需要外部几何引擎。大规模工业装配的场景性能也需要更多真实数据验证。

项目自身公开的已知问题也很有启发性。例如,某些周期曲面的修复仍可能产生拓扑错误,部分 Shell 操作可能返回非实体结果,某些碰撞关系检测可能把浅层重叠判断为接触,部分 Tessellation 场景也存在三角网格质量问题。

这些问题恰恰说明:一个几何内核能够公开源代码、提供 API 和示例,并不代表它已经达到了 Parasolid 那样经过长期工业应用积累的成熟程度。

但从技术演化角度看,NVIDIA 这条路线仍然非常值得重视。

它将精确几何表示、开放三维场景、GPU 计算、机器人和物理仿真放在一个更广泛的技术生态中,使工程几何有机会成为物理世界数字化基础设施中的一种可组合对象。

这对未来 AI Agent 使用工程数据、组织不同计算引擎和执行跨软件任务,都有重要意义。

七、当 Siemens、NVIDIA 和大模型公司同时进入这个技术演化过程,工业软件的竞争壁垒将如何变化?

现在,我们可以把前面的技术线索放到同一张产业图谱中。

Siemens 拥有经过长期工业验证的几何内核、约束求解器、运动规划、几何搜索和工程数据技术;NVIDIA 正在推动 GPU、OpenUSD、SMLib、Omniverse 和物理仿真体系的连接;OpenAI、Anthropic 等基础模型公司则在发展推理模型、Coding Agent、多模态理解和工具调用能力。

这三条技术路线并不完全相同,但它们之间存在明显的互补关系。

如果把这几条路线结合起来,真正值得关注的不是谁会推出一个新的 CAD 产品,而是谁能够成为工程师与底层工程计算能力之间的主要智能入口。

传统工业软件巨头:底层技术资产可能获得新的价值

对于 Siemens、Dassault Systèmes、PTC 等传统工业软件巨头来说,大模型既是挑战,也是一次重新利用历史技术资产的机会。

过去,它们积累的底层技术需要由专业工程师通过复杂的产品界面和 API 使用。未来,AI 可以直接理解用户意图,自动组织几何内核、约束求解器、仿真工具和产品数据。

这意味着传统工业软件巨头有机会把原本分散在不同产品、组件和部门中的能力,重新组织成统一的 Engineering Agent Platform。

例如,Siemens 可以围绕 NX、Teamcenter、Simcenter 和 PLM Components 建立更加统一的工程智能层,使 AI 不仅能够生成几何模型,还能够理解产品结构、设计约束、仿真结果和制造要求。

Dassault Systèmes 可以围绕 CATIA、SIMULIA、DELMIA、ENOVIA 和 3DEXPERIENCE 体系,强化设计、仿真、制造和产品生命周期之间的智能协作。

PTC 可以进一步发挥 Creo、Windchill、Codebeamer 和相关工程数据能力,探索产品设计、需求、变更和生命周期管理中的 Agent 工作方式。

但传统厂商不会因为拥有底层技术,就自动成为 AI 时代的赢家。

它们还需要解决组织架构、产品接口、历史系统兼容、数据语义统一、AI 工具权限和跨产品执行等问题。过去的产品矩阵可能很强大,但如果这些产品之间缺少统一的智能执行层,第三方 Agent 仍然有机会通过 API 重新组织这些能力。

AI 基础模型公司:不一定拥有底层内核,也可以重新组织工业软件

OpenAI 和 Anthropic 的优势,并不是几十年积累的 CAD 几何算法,而是模型、Coding Agent、推理能力、工具调用体系和开发者生态。

如果它们进入工业软件领域,最自然的路径可能不是从零开始重建 Parasolid,而是先把已有几何内核、求解器和专业软件转化为 Agent 可以调用的工具。

在这个基础上,它们可以开发跨 CAD、CAE、CAM 和 PLM 的工程智能体,让用户通过一个统一入口完成过去需要多个软件协作的任务。

这条路径对传统软件公司的挑战在于,智能入口和工作流组织能力可能不再完全由原有软件厂商控制。

但基础模型公司也有明显限制:它们即使能够生成几何操作计划,也必须依赖可靠的确定性计算引擎;即使能够理解工程需求,也必须有真实的工程数据和验证机制;即使能够完成局部代码修改,也不代表能够承担航空航天、汽车和高端装备等行业的工程质量责任。

因此,AI 基础模型公司不一定取代传统工业软件,而可能首先改变用户如何访问和组织传统工业软件。

NVIDIA 和 AMD:计算基础设施与物理世界的结合

NVIDIA 的优势在于 GPU、CUDA、Omniverse、OpenUSD、物理仿真和开发者生态。

如果这些能力进一步与几何内核、工程数据和 AI Agent 结合,NVIDIA 就有机会成为未来工程计算体系的重要基础设施提供者。

AMD 也值得关注,尤其是其在 GPU 计算和相关工程软件生态中的布局。对于 AI Native CAE、CFD 和 Physics AI 而言,计算基础设施的变化可能会影响传统求解器的执行方式和成本结构。

但这里需要区分,GPU 能够加速某些计算,并不意味着所有几何算法和传统求解器都可以直接迁移到 GPU。几何内核中的复杂拓扑操作、数据依赖和分支控制,与高度并行的矩阵运算存在很大差异。要实现真正的加速,需要针对具体算法重新设计计算路径。

开源技术生态:让新进入者获得更多底层技术选择

Open CASCADE、SMLib、Gmsh、FreeCAD 等开源技术项目,也可能因为 AI 编程能力的提升而获得新的发展机会。

过去,一个新公司想开发 CAD 产品,需要投入大量人力研发几何内核、数据交换、可视化和其他底层能力。现在,它可以从成熟的开源技术出发,让 AI 帮助理解代码、开发插件、改造功能和建立新的应用。

但开源并不意味着没有技术壁垒。

以 OCC 为例,它本身就是一个模块化的 C++ CAD/CAM/CAE 开发平台,包含基础类、建模数据、建模算法、可视化、数据交换和应用框架等模块,并提供 DRAW 测试环境。它拥有相当完整的技术体系,但要在特定工业场景中达到成熟商业内核的稳定性,仍然需要大量工程投入。

AI 可以降低开发成本,却不能直接消除数值精度、拓扑有效性、历史兼容和长期维护的难度。

AI Native 新公司:从新的工程工作方式切入

对于新兴企业而言,最大的机会可能不在于立即重新开发完整的 NX 或 CATIA,而在于选择传统 CAD 尚未充分满足的任务和场景。

例如:

  • • 自然语言驱动的参数化建模。
  • • 自动识别和修改已有 CAD 模型。
  • • 根据设计意图生成多个工程候选方案。
  • • 自动完成几何检查和装配干涉分析。
  • • 将仿真结果反馈到几何设计。
  • • 自动生成制造准备数据。
  • • 利用工程知识库和历史模型实现设计复用。

这些场景可以利用成熟几何内核作为底层计算能力,在上层建立新的 AI 原生产品。

因此,未来可能同时存在两类新的竞争者:一类不拥有底层内核,却通过 AI 重新组织已有技术能力;另一类拥有底层技术资产,通过 AI 加速自身算法和软件的持续演化。

最有竞争力的企业,可能是能够同时掌握这两类能力的企业。

工程数据可能成为比单纯代码规模更重要的竞争壁垒

在这里,我们想进一步讨论前面特别强调的一个问题:Siemens 不仅拥有大量软件技术资产,还有非常丰富的工业数据。这一点可能比代码本身更加重要。

因为大模型时代,代码理解和代码生成的成本正在下降,但真正有价值的工业数据,并不是简单积累大量三维模型文件。

它还包括:

  • • 原始设计需求。
  • • 参数和几何约束。
  • • 特征历史和设计修改记录。
  • • 工程评审意见。
  • • 设计失败案例。
  • • 仿真输入和计算结果。
  • • 材料、工艺和制造参数。
  • • 质量检测与实际使用反馈。
  • • 零部件、供应商和产品结构数据。
  • • 产品生命周期中的变更和决策记录。

如果这些数据能够被关联起来,AI 就可以进一步理解过去的工程师为什么做出某种设计决策,某种设计为什么失败,某种材料和结构在特定工况下表现如何,以及某个零件是否已经在其他产品中使用过。

这与普通的三维模型检索有很大区别。

一个企业可能拥有数百万个三维模型,但如果缺乏设计意图、参数、工艺、仿真和质量数据之间的关联,那么这些模型很难直接转化为高质量的工程知识。

反过来,一个拥有较少但关联完整、经过验证的工程数据集的企业,也可能为 AI 提供非常有价值的专业知识。

所以,未来工业软件的技术壁垒可能逐渐演化为:

工程算法 + 工程数据 + 设计意图 + 验证证据 + 工业应用反馈。

不过,这些数据能否被用于模型训练、推理和商业产品,还取决于数据所有权、客户授权、商业保密和行业合规要求。拥有数据的存储位置,并不等于拥有无限制使用数据的权利。

八、如果今天开始行动,我们应该怎样建立自己的 AI 软件研发能力?

前面的讨论并不只是为了预测未来。实际上,如果我们真的希望利用大模型研究大型软件源代码,完全可以从今天开始建立实验体系。

我们认为最合理的方式,不是直接购买 NX 或 Parasolid 的源代码,然后投入大量资源让 AI 研究,而是先通过公开项目建立方法论,再逐步进入商业软件的真实研发环境。

第一阶段:以 Chromium 为样本,建立大型软件理解能力

Chromium 是非常适合第一个实验对象的项目,因为它拥有公开源码、完整的开发文档、相对成熟的构建系统和丰富的测试体系。

我会首先选择几个相对完整的技术链路,例如:

  • • 浏览器启动与进程初始化。
  • • Tab 创建与页面导航。
  • • Blink 的 HTML 解析和布局。
  • • 页面 Paint 与 GPU 合成。
  • • Browser 与 Renderer 之间的 IPC。

我们不需要一次性理解 Chromium 的所有代码,而是先选择一条完整的执行路径,让 Agent 完成源码定位、模块分析、调用追踪、运行时调试、测试和文档整理。

例如,让它回答:

用户在地址栏输入一个 URL 后,Chromium 内部发生了什么?从浏览器进程到 Renderer,再到 Blink 的解析、布局和绘制,涉及哪些模块、函数和数据结构?这些结论能否通过源码和运行时证据验证?

然后再给它一个真实修改任务,让它完成代码修改、编译和测试。

如果这条链路可以可靠完成,我们就拥有了第一套大型软件智能理解方法论。

第二阶段:以 Open CASCADE 为样本,验证几何内核的专业理解能力

Design and Implementation of a Three-Dimensional CAD Graphics Support Platform for Pumps Based on Open CASCADE | MDPI

Chromium 能够验证 AI 对大型通用 C++ 软件的理解能力,但不能代表它已经能够理解专业几何算法。

因此,第二阶段应该进入 Open CASCADE。

建议重点研究三个技术链路:

技术链路      
研究重点      
B-rep 数据结构      
实体、壳、面、边、顶点及拓扑关系      
NURBS 曲线曲面      
参数方程、曲率、曲面求交和修剪      
Boolean 运算      
求交、分类、拓扑重建和几何有效性      

这里的验收标准不是 AI 能否写出一个解释,而是它能否将数学原理、具体源码、测试模型和实际运行结果关联起来。

例如,让它研究某个 Boolean 算法,要求提供核心函数、调用关系、相关数据结构、算法步骤、特殊测试案例和实际执行结果,再由专业工程师审查其结论。

这样,我们才能知道模型是否真正进入了几何内核的专业知识体系。

第三阶段:利用 NVIDIA USD BRep / SMLib,研究 AI Agent 与专业几何内核的结合

这一步非常值得加入,因为 NVIDIA 已经公开了 SMLib 的源码、构建和测试体系,并且在仓库中提供了明确的 Agent 开发指南。

我们可以直接研究:

  • • SMLib 的核心数据结构。
  • • SM_API 的接口设计。
  • • Boolean、Fillet、Offset 和 Healing 的实现。
  • • B-rep 与 OpenUSD 的转换。
  • • 几何有效性检查。
  • • 现有已知问题和测试案例。
  • • Agent 如何利用仓库中的 AGENTS.md 和 Skills 完成开发任务。

它比直接进入一个完全封闭的商业几何内核更容易建立完整实验,也比普通开源项目更贴近我们真正关心的 AI Native CAD 技术方向。

特别值得注意的是,SMLib 仓库公开了已知问题,这使我们可以设计一些非常具体的实验:让 Agent 阅读一个已知几何缺陷的描述,找到相关实现,构造复现模型,分析问题,提出修复方案,最后运行完整测试验证结果。

这将帮助我们真正测出 AI 在专业几何软件研发中的能力边界。

第四阶段:进入 Parasolid 和 NX,建立真正的工业软件研发体系

当前面三个阶段的技术体系成熟之后,再进入 Parasolid 和 NX 会更加合理。

我们建议先从 Parasolid 的一个相对独立但技术价值很高的模块开始,例如 Boolean 运算,而不是一开始就要求 Agent 理解整个几何内核。

随后逐步扩展到 NURBS、Fillet、Offset、拓扑管理、Shape Healing 和数据交换。

对于 NX,则需要进一步研究产品级软件架构,包括几何内核、约束系统、特征建模、装配、工程图、数据管理和仿真接口之间的关系。

这时我们已经拥有了一套能够复用的技术体系:

  • • 代码资产盘点。
  • • C++ 结构解析。
  • • 软件架构图谱。
  • • 运行时调试。
  • • 几何算法知识库。
  • • Agent 任务编排。
  • • 自动化测试。
  • • 持续知识更新。

这样,研究 NX 就不再是从零开始。

建立一套真正能够衡量 AI 软件理解能力的 Benchmark

我们还应该做一件更有长期价值的事情:让 Codex、Claude Code 和开源模型在同一套大型软件上完成相同的测试任务。

不能只比较它们的回答是否流畅,也不能只比较它们一次性生成了多少代码,而应该测试它们能否提供准确的源码证据、能否理解完整执行路径、能否完成实际修改,以及修改之后能否通过测试。

建议采用以下评价体系:

测试项目      
评价内容      
核心验收依据      
代码定位      
能否准确找到类、函数和接口      
符号及源码位置      
架构理解      
能否解释模块职责和依赖      
架构图与源码证据      
调用追踪      
能否还原跨模块执行路径      
静态与动态调用记录      
数据流分析      
能否理解对象生命周期      
数据流与运行时证据      
算法理解      
能否解释算法和数学原理      
代码、测试和专业审查      
运行时分析      
能否定位性能和异常问题      
调试记录和复现结果      
修改能力      
能否完成指定功能变更      
可构建的代码提交      
回归验证      
能否识别修改带来的副作用      
测试结果和覆盖证据      
系统级任务      
能否完成跨模块工程任务      
完整任务验收      

还应该记录完成时间、Token 消耗、人工介入次数、失败重试次数和测试覆盖情况。

这样,我们就能够真正回答:

Codex 和 Claude 哪个更适合大型 C++ 软件?哪个更擅长几何算法?哪个更适合跨模块重构?哪个更能够在长周期任务中保持技术知识的一致性?当我们为模型提供代码知识图谱、运行时工具和专业知识库之后,它的能力究竟提升了多少?

这比简单比较模型排行榜更有实际价值。

人类专家的角色,也需要重新定义

最后,还有一个组织问题必须解决。

如果未来 AI 可以自动完成大量代码盘点、结构分析、函数定位、测试生成和常规修改,那么人类工程师是否还需要逐行阅读代码?

人类专家的主要价值将逐渐转移到更高层次。

工作内容      
AI Agent      
人类专家      
源代码扫描和分类      
主导      
监督      
模块与函数识别      
主导      
抽样核查      
调用关系分析      
主导      
审查关键关系      
算法原理整理      
主导      
数学和专业校验      
历史问题复现      
主导      
补充隐性知识      
测试案例生成      
主导      
定义验收标准      
普通模块修改      
可以自主执行      
抽样审查      
核心算法修改      
协作      
专家批准      
架构演进      
提供方案      
主导关键决策      
工业级可靠性认定      
提供验证证据      
专业团队负责      

人类专家不再需要亲自完成所有信息采集和代码搜索工作,而应该把精力投入到定义工程问题、判断技术方向、补充隐性知识和建立质量标准上。

这意味着未来软件研发组织的竞争力,不仅取决于拥有多少优秀程序员,还取决于能否将专业知识、软件资产和 AI Agent 组织成一个持续进步的研发系统。

九、真正值得重新定价的,可能不是软件代码,而是人类几十年积累的技术资产

回到开篇提出的问题。如果今天真的把 NX 和 Parasolid 的源代码交给 Codex、Claude,它们能不能在短时间内完全理解这些软件?

不能。但这并不意味着 AI 对这些软件没有革命性价值。

我们已经看到,Coding Agent 可以进入大型代码库,利用符号搜索、上下文管理、工具调用和自动化测试完成越来越复杂的软件研发任务;OpenAI 和 Anthropic 的公开实践也表明,软件工程正在从人工编写代码为主,逐渐转向人类定义目标、设计环境、建立反馈机制,Agent 执行具体工作的模式。

我们还看到,NVIDIA 的 USD BRep 项目将 SMLib 几何内核、B-rep 数据表示和 OpenUSD 场景体系连接起来,并且已经在代码仓库中提供面向 AI Coding Agent 的工程指南;Siemens 则通过 Parasolid、D-Cubed、Kineo、Geolus、JT 等技术组件,建立了长期覆盖 CAD、CAM、CAE 和工程数据协作的技术生态。

这些变化共同指向一个值得重视的方向:专业软件的底层能力正在变得更容易被智能体理解和调用,而软件研发本身也开始具备更强的智能化执行能力。

但我们不应该把这理解为过去几十年的工业软件积累即将失去价值。恰恰相反,成熟几何内核、专业求解器、工程数据、客户案例和长期验证经验,仍然是未来工程智能系统最重要的基础资产之一。

变化在于,这些资产的价值实现方式可能发生了改变。

过去,一家公司拥有一个成熟几何内核,意味着它可以通过产品和 API 提供精确几何计算能力;未来,如果它能够让 AI 深度理解这个内核,就可以进一步将它用于自动设计、算法优化、跨软件工作流和工程智能体执行。

过去,一个软件公司拥有大量历史代码,意味着它积累了长期研发成果;未来,如果它能够建立 Software Intelligence Platform,就可以让这些代码成为 AI 持续学习、理解和演化的技术资产。

过去,一个企业拥有大量三维模型,意味着它拥有设计数据;未来,如果这些模型能够与设计意图、参数约束、仿真结果、制造工艺和质量反馈关联起来,它们就可能进一步成为 AI 理解工程知识的重要基础。

这三个变化是相互关联的。

代码资产正在向可理解的软件知识资产演化,工程数据正在向可计算的工程知识资产演化,而传统专业软件正在向可被智能体组织和执行的工程能力平台演化。

这也是为什么我们不应该只研究 AI 是否能够生成一个新的 CAD 软件,而应该研究 AI 如何改变整个工业软件技术体系的研发和演化方式。

我们认为,未来工业软件的竞争可能同时存在两条路线。

一条路线是上层创新者,它们不一定拥有最成熟的底层内核,但可以利用大模型、API、开源组件和工程 Agent,重新组织已有技术能力,创造新的产品和工作方式。

另一条路线是底层进化者,它们拥有长期积累的几何内核、约束求解器、专业算法、工程数据和客户生态,可以利用 AI 加速软件理解、算法研发、产品改造和技术演进。

两条路线并不互斥。真正有机会形成长期优势的企业,可能既拥有深厚的底层工程技术资产,又能够利用 AI 将这些资产重新组织成新的产品和平台。

对于 Siemens、Dassault Systèmes、PTC 这样的传统工业软件巨头而言,这是一次重新发挥历史积累的机会;对于 OpenAI、Anthropic 和 NVIDIA 这样的技术平台公司而言,这是进入专业工程计算和工业软件市场的新入口;对于拥有开源技术和专业人才的新兴企业而言,这也是降低技术进入成本、探索新产品形态的机会。

但最终决定竞争结果的,不会只是哪个模型的上下文更大,也不会只是哪个企业拥有更多源代码。

它还取决于谁能够真正理解工程问题,谁能够把几何、约束、物理、制造和数据组织起来,谁能够建立可靠的计算和验证体系,以及谁能够将这些能力转化为用户真正愿意使用的产品。

结语:拥有源代码,不等于拥有技术;能够让 AI 理解和演化技术,才是新的竞争优势

过去几十年,成熟工业软件公司的技术壁垒,主要由算法、代码、工程师经验、工业数据、客户生态和长期应用验证共同构成。

大模型的出现,并没有让这些技术资产失去价值,而是改变了人类获取、理解和使用这些资产的方式。

今天,我们已经能够让 AI 参与大型软件的阅读、分析、修改和测试;未来,随着代码知识图谱、运行时理解、专业知识体系和多智能体协作进一步发展,AI 可能逐步进入过去只有少数资深工程师才能深入参与的专业软件研发领域。

当这种能力真正成熟时,软件公司的竞争方式也会发生变化。

过去,一个企业可能需要数百名工程师长期积累,才能建立一套复杂的专业软件技术体系;未来,AI 未必能够让它从零开始轻易复 制成熟软件,但可能让一个拥有这些技术资产的团队,以完全不同的速度进行理解、改造、扩展和创新。

对于 CAD 而言,真正值得期待的突破,也许不是 AI 能够更快地画出一个三维模型,而是人类终于能够把更多工程任务直接交给计算机,让它理解目标、组织技术、探索方案、执行计算,并通过可验证的证据证明设计结果。

那时,CAD 就不再只是帮助人类绘制产品的工具,而会成为人类创造、计算和验证工程产品的智能系统。

而这场变化的影响也不会止于 CAD,它还会延伸到 CAE、CFD、EDA、CAM、PLM,以及更多依赖专业算法、复杂软件和长期工程知识积累的领域。

过去,人类花费几十年创造复杂的软件技术;未来,一个更重要的问题是,我们能否让 AI 真正理解这些技术,并帮助人类继续创造下一代技术。

这可能才是大模型时代,工业软件产业最值得研究的一次范式变化。

主要资料来源与研究依据

以下优先采用企业官方技术资料、项目源码、开发文档和公开工程实践。

软件智能与 Coding Agent

  1. 1. OpenAI — Harness Engineering: Leveraging Codex in an Agent-First World:Codex 的百万行软件工程实践、仓库知识管理、Agent 自主执行与反馈体系。
  1. 2. Anthropic — How Claude Code Works in Large Codebases:大型代码库、LSP、Subagents、Skills 和上下文管理。
  1. 3. OpenAI Developers — Codex as a Platform:Agent Harness、工具调用和专业工作流集成。

大型软件与几何内核

  1. 4. Chromium — Source Code Directory Structure:Chromium 模块架构与典型代码路径。
  1. 5. Open CASCADE Technology — Documentation:几何建模、建模算法、数据交换和可视化架构。

Siemens 工业软件技术资产

  1. 6. Siemens — PLM Components:组件生态、授权范围和市场数据。
  1. 7. Siemens Developer Portal — PLM Components:Parasolid、D-Cubed、Kineo、Geolus、JT 等组件的官方技术定位。

NVIDIA、OpenUSD 与 SMLib

  1. 8. NVIDIA — USD BRep GitHub Repository:SMLib 几何内核、USD BRep、API、Agent 指南和测试体系。
  1. 9. NVIDIA — Solid Models in USD Proposal:B-rep 数据表示、拓扑结构、装配范围及验证边界。
  1. 10. NVIDIA — USD BRep Known Issues:当前几何修复、拓扑、测量和网格处理的已知问题。
  1. 11. VTK — Official Project:项目开源属性及 BSD 许可。

文章的核心观点可以用一句话概括:

过去,工业软件公司通过几十年的积累建立技术壁垒;未来,谁能够让 AI 真正理解、使用、改造和持续演化这些技术资产,谁就有机会重新定义专业软件的研发方式和竞争边界。

 



来源:工业软件产业发展探索
ACTSystem碰撞拓扑优化网格处理通用航空航天核能汽车其他软件CATIAUGECAD材料PLM仿真体系控制渲染试验
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:2026-11-17
最近编辑:10分钟前
易赋
签名征集中
获赞 5粉丝 6文章 130课程 0
点赞
收藏
作者推荐

产业探索:《具身智能驱动的工业软件产业演化:物理世界、AI 基础设施与新兴产业集群》

《具身智能驱动的工业软件产业演化:物理世界、AI 基础设施与新兴产业集群》第一篇|产业发展逻辑:从复杂终端产品到新兴产业集群的形成序言|为什么需要重新研究工业软件产业的未来过去七十余年,全球工业软件的发展始终与现实工业体系的演化紧密联系。从早期计算机辅助设计、有限元分析和数控编程,到现代CAD、CAE、CAM、EDA、PLM、工业自动化和数字孪生平台,工业软件已经形成庞大的专业技术体系,并逐渐成为现代制造业不可分割的组成部分。它所积累的不仅是软件代码和产品功能,更是人类长期探索几何、材料、运动、流动、传热、电磁和复杂工程系统过程中形成的数学方法、物理模型、数值算法与工程知识。这种长期积累,使工业软件成为一个具有明显技术连续性和产业路径依赖的领域。成熟软件厂商的竞争优势不仅来自现有产品功能,更来自长期形成的求解精度、模型兼容性、工程验证经验、行业流程、用户技能、合作伙伴网络和客户历史数据。对于发展时间相对较短的中国工业软件产业而言,这些积累意味着进入成熟市场具有相当高的综合成本。即使某些局部技术已经取得显著进展,企业仍然需要面对产品成熟度、工程可信度、产业生态和商业体系等方面的长期竞争。然而,产业发展并不是沿着固定市场边界进行的线性竞争。历史上多次重大的产业技术变革,都不是单纯由一种新技术替代另一种旧技术所完成,而是新的终端需求改变了技术组合方式,进而带动供应链重新分工、产业资本重新配置和专业技术能力不断发展。汽车工业的电动化便是其中具有代表性的案例。新能源汽车并没有抛弃汽车工业长期积累的车辆动力学、机械设计、制造工程与质量管理能力,而是将动力电池、电力电子、软件和新型能源基础设施引入已有产业体系,推动形成新的产业组织方式。具身智能及其机器人产品,可能使工业软件再次面临类似但并不相同的产业演化过程。与主要在数字环境中执行任务的人工智能系统不同,具身智能必须理解并作用于真实物理世界。机器人需要感知空间和物体,预测动作引起的状态变化,处理接触、摩擦、运动、柔性变形和环境扰动,并通过不断执行任务积累经验。它的能力边界因此既受到AI模型的影响,也受到机械工程、材料、传感器、动力学、数值计算和控制系统的共同约束。这意味着,具身智能并不是一个完全脱离传统工业技术体系的新领域。相反,它可能成为将过去几十年积累的工业软件、计算物理学、先进制造与现代人工智能重新组织到同一产业需求之下的重要力量。本报告尤其关注其中尚未被充分论证的一项可能性:如果机器人产业的发展产生了持续扩大、可重复、可验证的物理世界训练和实验需求,那么传统工业软件中的几何内核、有限元求解器、计算流体力学、多体动力学、系统建模和数字孪生能力,是否能够从主要面向工程师的设计分析工具,进一步成为供机器智能持续调用的物理计算基础设施?在这一问题之下,还存在一个更具体的技术命题。人类能否在继承成熟工程仿真体系的基础上,通过模型降阶、Physics AI、世界模型、实时物理引擎与跨软件协同计算,逐步建立能够加载不同物理能力、接受智能体动作、保持状态演化并支持大量重复实验的开放式虚拟物理世界?这一方向已经拥有相当丰富的技术基础,但远未达到可以任意组合物理学模块并保证计算结果正确的程度。传统CAE求解器与现代机器人仿真框架具有不同的设计目标;高速代理模型与高精度物理求解存在适用边界;不同物理领域的计算模型也难以仅靠统一文件格式实现自动耦合。因此,本报告不会将开放式虚拟实验场描述为一项已经成熟的通用技术,而是把它作为需要结合现有成果、系统验证和进一步研发的潜在共性基础设施。从更宏观的产业角度看,这项研究的最终目的也不是提出一套新的软件架构,而是理解具身智能为何可能成为一个具有长期产业牵引作用的新兴产业,以及这种牵引作用怎样在真实市场需求、基础技术发展、供应商分工、工程能力积累与区域产业集群之间形成相互促进的关系。我们既不能把新能源汽车产业的发展历史直接视为具身机器人未来成功的保证,也不能因为当前机器人产业尚未形成成熟的通用消费市场,就忽略其潜在的技术和产业价值。需要研究的恰恰是两者之间的历史相似性与现实差异,识别终端市场形成的必要条件,以及复杂工业产品如何在不同发展阶段激活既有技术体系。本报告因此采用产业经济学、技术演化史、工程科学与企业竞争研究相结合的方法,既分析工业软件自身的技术连续性,也考察人工智能对物理建模、工程计算和自动化实验带来的真实变化;既研究国际领先企业的技术体系,也研究中国在机器人、工业软件和先进制造方面已经形成的能力基础;既关注技术突破,也关注产业分工、投入产出关系、开放标准、市场规模和商业化约束。我们的研究不预设具身机器人一定会复 制新能源汽车的发展速度,也不预设未来必须形成单一的通用机器人形态或者统一的物理世界平台。报告将把已经得到验证的事实、具有充分理论依据的推断和仍需要实验检验的假设明确区分,力求在尊重已有工业知识和产业积累的基础上,理解新兴需求可能带来的长期变化。这份研究的核心,不是证明传统工业软件将被人工智能颠覆,而是理解具身智能如何可能改变工业软件被使用、被组合和被创造的方式,并由此推动新的产业演化。第一章|具身智能为什么可能成为新一代产业牵引力量1.1 从技术突破到产业形成:为什么终端产品具有特殊地位判断一个新兴技术领域是否具有重大的产业战略意义,不能只观察其技术先进性、融资规模或者社会关注程度,还需要分析它能否形成持续增长的最终需求,以及这种需求能否促进上游产业分工、生产组织、技术投入和专业知识的长期积累。在产业经济学中,终端产品与基础技术之间存在复杂的相互关系。基础科学和通用技术进步能够创造新的产品可能性,而最终产品市场一旦形成,又会向上游持续提出性能、可靠性、成本和制造规模方面的要求。这些需求能够使原先停留在实验室或少量专业应用中的技术,获得进一步工程化和产业化的条件。汽车、民用航空、半导体和通信设备产业的历史表明,复杂终端产品往往具有超出自身销售收入的产业影响。现代汽车制造涉及机械结构、材料、动力系统、电气电子、嵌入式软件、自动化设备和供应链管理。大型航空器则需要气动力学、结构力学、复合材料、控制系统、航空电子、数字化设计、验证与认证等高度专业化的能力。半导体产业虽然具有不同的产业组织结构,但芯片设计与制造同样将EDA、材料、精密机械、光学、化学、真空技术和自动化控制连接成复杂的技术网络。这些产业具有一个共同特点:最终产品的性能不是由某一项技术单独决定,而取决于多个相互依赖的子系统能否有效协同。正因为这种高度互补性,终端需求能够跨越不同专业领域,持续影响整个产业链的技术发展方向。在这一意义上,具身智能机器人值得被视为一种潜在的产业牵引型产品,而不仅是一类新增的智能设备。它既需要复杂的机械结构、传动机构、驱动系统和传感器,也需要软件、控制、AI模型和真实物理环境中的行为学习能力。机器人能力越复杂,其研发和部署过程对专业化工程技术的需求通常也越广泛。但是,技术复杂度并不自动等于产业规模。航空航天领域具有极高技术复杂性,却未必形成与大众消费电子相似的终端数量;某些高度复杂的科研装备也可能长期处于低批量、高价值市场。因此,我们在评价具身机器人时,不能仅仅因为它包含大量先进技术,就推断其最终市场必然巨大。真正值得研究的是,它能否同时满足三个条件:具有广泛而可持续的终端使用价值,存在不断降低生产和使用成本的技术路径,并且能够通过产品平台化和产业分工,将复杂研发成本分摊到足够大的市场之中。如果这些条件逐步成立,具身机器人便可能兼具复杂装备和规模化终端产品的特征,进而成为带动相关技术长期发展的产业力量。1.2 具身智能的技术边界:从数字信息处理走向物理世界行动近年来,人工智能技术的发展显著改善了机器处理语言、图像、程序和其他数字信息的能力。大规模预训练、多模态模型以及模型推理与工具调用技术,使计算机能够在越来越多的知识性任务中表现出较强的适应能力。然而,数字信息任务与现实物理操作之间存在根本差异:前者的行动结果大多仍然发生在软件和信息系统内部,后者则需要面对真实世界的连续状态、物理约束和不可完全预测的外部变化。当一个AI系统需要回答技术问题、编写程序或检索资料时,其主要活动发生在符号、文本和数字数据空间中。即使结果存在错误,很多情况下仍然可以通过重新计算、回滚版本或人工审核予以修正。具身机器人则不同,错误动作可能导致物体损坏、设备故障甚至人员伤害;环境也不会因为一次算法计算结束而停止变化。因此,具身智能要求机器不仅能够识别物体与理解任务,还必须在连续时间中处理动作与物理后果之间的关系。一台移动机器人需要依据自身速度、质量、惯性和地面摩擦条件决定运动方式;一台机械臂需要根据物体形状、质量、材料和接触状态控制抓取力;一台人形机器人在运动过程中还必须维持身体平衡,并在外部扰动发生时及时调整控制策略。这些问题并不是人工智能时代才被发现的。机器人学、经典力学、自动控制、最优控制、多体动力学和计算机视觉已经围绕相关问题进行了数十年的研究。现代具身智能的重要发展方向,是通过数据驱动学习与基础模型,为已有机器人技术增加任务泛化、环境理解与动作适应能力,并探索减少大量任务专用编程和示教工作的可能性。这意味着具身智能的发展既具有连续性,也具有新的技术特征。连续性来自物理规律与工程方法不会因为AI出现而改变,新的技术特征则来自机器人有可能通过大规模数据与虚拟交互经验,获得过去难以依靠显式规则完成的行为能力。对于工业软件产业而言,这种变化尤其值得关注。传统工程仿真 主要服务于设计、分析、优化和验证,机器人学习则可能要求物理环境能够长期执行、反复初始化、接受动作干预并产生大规模训练数据。虽然已有大量仿真系统具备部分能力,但随着训练规模扩大、环境复杂度提高和物理领域不断增加,现有软件架构可能需要进一步演化。因此,具身智能对工业软件的潜在影响,不仅是增加机器人企业这一类客户,更可能改变工程计算能力的使用频率、接口形式、部署环境和软件之间的协作关系。1.3 工业机器人已经拥有广泛市场,但不能与通用具身机器人混为一谈机器人产业的现实基础,首先来自长期发展的工业自动化和专业机器人应用。国际机器人联合会于2026年9月发布的《World Robotics 2026》数据显示,2025年全球工业机器人新增安装量超过60万台,同比增长约11%,全球工厂中运行的工业机器人存量达到500万台。中国当年新增安装工业机器人约35.4万台,占全球新增安装量的59%。这一数据表明,工业机器人已经成为全球制造业的重要装备基础,而中国在机器人部署规模方面具有明显优势。这些市场事实对于研究具身智能具有重要意义,但其代表的是成熟工业机器人产业,而不是通用人形机器人市场。现有工业机器人主要针对相对明确的工作任务,通过固定程序、离线编程、示教、视觉引导和控制系统完成生产操作。近年来,机器学习和自主规划不断进入工业机器人应用,但大量生产场景仍然强调可预测的节拍、重复精度、质量稳定性和安全保障。通用具身机器人则希望提高设备跨任务和跨环境的适应能力,从而减少针对每一种操作单独开发软件和工程系统的成本。这一目标具有很高的潜在价值,但也意味着机器人需要在非结构化、动态变化和长尾情况丰富的环境中保持可靠性。2026年9月发布的IFR服务机器人报告显示,2025年专业服务机器人全球出货量接近25万台,同比增长24%,其中运输与物流机器人是重要应用类别。专业服务机器人市场的增长说明,机器人正在从传统工业生产线扩展到物流和其他专业服务场景,但这一数据同样不能直接用来衡量通用人形机器人的商业化程度。我们因此需要在产业研究中保留明确的技术与市场分类。工业机器人、移动机器人、专业服务机器人、人形机器人和具备跨任务学习能力的通用机器人,可能共享部分机械、传感器和AI技术,却不具有完全相同的成本结构、客户需求和发展节奏。具身智能的长期影响可能首先发生在传统机器人技术能够与新型感知、规划和学习方法相结合的领域,而不是必须等待通用人形机器人进入千家万户之后才开始显现。这一区分还具有现实的战略价值。如果把具身智能产业简单定义为人形机器人整机产业,容易忽略大量已经存在、并可能通过AI增强而扩展能力边界的机器人形态。反过来,如果将所有自动化设备都纳入具身智能,又容易夸大AI在机器人产业中的实际商业化规模。本报告将以机器能否通过感知、决策和物理行动完成任务,以及这些能力是否能够通过学习不断改善,作为理解具身智能系统的重要技术维度,同时在市场规模分析中保持严格的产品分类。1.4 具身机器人作为复杂终端产品的产业组织特征在研究具身智能对工业软件产业的影响时,有必要区分产品技术构成与产业组织结构。前者回答一台机器人由哪些技术组成,后者回答这些技术由谁开发、如何交易、怎样协同,以及在什么条件下形成具有持续创新能力的专业化产业体系。一台具身机器人可以被理解为由机械本体、动力与执行机构、感知系统、计算与通信系统、控制软件、智能模型以及能源系统构成的复杂机电一体化产品。机械系统决定机器人的运动范围、刚度、承载能力和物理操作边界,驱动和控制系统决定动作精度、响应速度与稳定性,传感器提供有关环境和机器人内部状态的信息,人工智能系统则负责将任务要求、感知信息与动作决策联系起来。这些系统之间具有显著的技术耦合。机械结构变化可能改变控制算法需要处理的动力学特性,传感器布置影响环境观测质量,执行器性能限制控制策略可实现的动作空间,而AI模型生成的动作又必须满足机构约束、接触稳定性和设备安全边界。因此,机器人并不是将几个成熟零部件简单组合便能够获得预期性能的产品,而需要持续开展跨学科系统工程。这种特征与现代汽车存在一定相似性。整车企业通常承担整车架构、系统集成、性能定义、质量管理以及供应链组织等工作,而大量专业供应商负责零部件、材料、电子模块和技术服务。汽车工业经过长期发展,逐步建立了不同层级的供应链结构、专业设计规范以及面向整车研发和制造的工程软件体系。具身机器人是否也会形成类似的成熟分工结构,目前仍然存在较大不确定性。一方面,机器人企业可能需要将机械、控制与AI模型进行深度联合优化,以获得显著优于通用组件组合的性能;另一方面,如果关键接口和产品形态逐渐趋于稳定,专业供应商就可能在执行器、减速器、触觉传感器、控制器、仿真模型和训练工具等领域获得更大的独立发展空间。从技术经济学角度分析,纵向一体化与专业化分工之间并不存在永久不变的最优答案。在产业形成早期,关键技术尚未成熟、供应商数量有限、接口频繁变化,企业可能更依赖内部研发和紧密协同。随着产品架构稳定、市场规模扩大、专业模块质量提高,外部采购与专业化供应的经济优势可能增强。这一演变过程对工业软件尤为重要。机器人整机企业是否愿意采购第三方物理求解器、训练环境或世界模型服务,不仅取决于软件功能是否先进,也取决于采购后的系统集成成本、模型性能、接口稳定性、数据安全以及对核心技术自主控制的要求。因此,未来具身智能产业即使形成规模化终端市场,也可能出现不同的产业组织模式。有的整机企业采用高度垂直整合的发展方式,有的企业依赖开放式机器人软件生态,也可能出现大型平台供应商统一提供训练、仿真与计算基础设施的模式。这些模式之间的竞争,将直接影响传统工业软件企业、新型物理AI企业和独立软件开发者在机器人价值链中的地位。1.5 从终端需求到工业软件:技术需求怎样沿产业链传递终端产业对基础技术的牵引作用,需要通过具体的工程活动才能转化为市场需求。以一台需要完成工业装配任务的具身机器人为例,其最终用户通常不会直接购买几何内核、有限元求解器或者多体动力学平台。用户关注的是机器人能否完成指定操作,能否达到生产节拍和质量要求,是否可以安全进入现有生产流程,以及其综合使用成本是否优于替代方案。这些最终需求会被逐步转换为工程约束。机器人制造商需要根据任务确定运动范围、负载、末端执行器、关节精度和控制响应要求,并通过机械设计、结构分析、运动学建模和控制仿真评估不同设计方案。进一步进入真实场景后,还需要解决物体识别、操作技能学习、复杂接触、异常恢复及与工厂设备之间的协同问题。由此形成一条从应用需求到专业工程能力的传导路径。终端需求 形成的工程问题 相关工业软件与基础技术 提高动作速度与承载能力 机构优化、强度、刚度、运动稳定性 CAD、FEA、MBD、优化软件 降 低 制造与维护成本 零部件设计、制造工艺、可靠性 CAD/CAM、PLM、CAE、制造系统 提高抓取与装配能力 接触、摩擦、柔性体、轨迹与控制 物理引擎、接触求解器、机器人控制 适应不同工作环境 感知、导航、环境重建与训练 传感器仿真、虚拟场景、AI训练平台 提高能源利用效率 电机效率、传动损失、散热与电池管理 电磁仿真、热仿真、系统建模 实现大批量生产 工艺规划、生产执行、质量追溯 CAM、MES、APS、QMS、PLM 保障长期安全运行 故障分析、极端工况与系统验证 CAE、系统仿真、数字孪生、测试平台 但是,工程需求的产生并不等于相应软件市场立即扩大。企业可以通过已有商业软件、开源项目、自研工具或专业工程服务满足这些需求,而不同实现方式对应的商业收入和产业分工并不相同。例如,机器人训练对高频刚体动力学的需求,可能更多由开源或商业实时物理引擎满足;复杂材料与结构分析则可能依赖专业CAE软件;一些重复调用的计算任务又可能通过ROM和AI代理模型实现加速。如果机器人企业能够自行完成特定算法研发,相应的价值便可能更多体现为内部研发能力,而不形成第三方软件采购。因此,研究工业软件产业演化时,需要同时关注技术需求增长、软件能力的供给方式和实际价值捕获。不能直接依据机器人市场规模乘以某个软件成本比例,便推导出未来工业软件市场规模。对于具身智能而言,尤其值得关注的是软件调用主体的变化。过去,工程师使用CAE软件完成一次设计分析,通常需要进行模型准备、工况设置、求解和结果判断。未来,如果AI训练系统能够通过标准接口自动调用相同的物理计算能力,一种软件能力便可能被嵌入大量自动化实验之中,其调用频率、部署方式和计算资源结构都会发生变化。这为工业软件产业带来了新的可能性,也提出了新的技术要求。软件供应商需要解决的不仅是单次计算是否正确,还包括模型能否被自动生成和检查、任务能否批量运行、计算资源能否弹性调度、结果能否被机器解释,以及高频实验是否能够维持合理的运行成本。这些变化可能使工业软件从交互式工程设计工具,进一步发展为可由智能系统调用的工程计算服务。但这一演化既不意味着人类工程师退出软件使用过程,也不意味着全部工业软件都必须采用同一种云端或AI原生架构。1.6 虚拟物理实验场为什么可能具有跨企业的共性价值机器人产业发展过程中,一项具有特殊意义的研发活动是利用虚拟环境完成物理任务训练和验证。与只在数字信息环境中运行的智能系统相比,具身智能必须考虑动作与物理后果之间的关系。机器人抓取物体时,需要处理质量、惯性、接触位置、摩擦、变形和运动约束;机器人行走时,需要处理关节动力学、足地接触、平衡控制以及外部扰动;机器人操作柔性材料时,还可能涉及大变形、复杂接触、材料非线性和状态变化。如果所有学习都依靠真实机器人完成,将面临设备占用、硬件磨损、环境搭建、实验安全和数据获取方面的限制。虚拟仿真能够在一定程度上降低这些成本,并提供现实中不易获得的完整状态信息。但虚拟环境也可能产生与真实世界不一致的行为。特别是在复杂接触、柔性物体操作、传感器噪声和长期连续任务中,模型误差可能沿时间不断累积,导致机器人在仿真环境中学习到的策略无法直接迁移到现实场景。因此,机器人虚拟实验的价值不能仅以场景数量或训练速度评价,还必须考虑实际任务中的迁移效果、计算成本及模型验证水平。过去几十年形成的工业软件技术,能够为这一问题提供重要支撑。几何建模和装配技术可以描述物体结构,多体动力学可以计算机构运动,有限元和流体仿真可以处理复杂连续介质,控制系统仿真可以研究执行器和反馈控制,而传感器仿真与实时渲染技术则为机器人提供虚拟观测数据。然而,这些工具并不天然具备统一的场景语义、物理状态和计算接口。不同求解器采用的空间离散方式、时间步长、变量定义和数值算法可能存在较大差异,将其组合为一个持续运行的虚拟环境需要解决相当复杂的软件与工程问题。这也是开放式、可组合物理世界值得研究的原因。如果不同物理求解器、AI代理模型、机器人模型和传感器模块能够通过明确的接口与验证机制进入共同的计算环境,产业便有可能减少部分重复开发,使独立专业供应商参与同一训练生态。但这种开放能力必须以物理正确性和工程可验证性为前提。流体、热学和结构力学插件虽然可以分别安装,却不能不考虑能量交换、边界变化和数值稳定性而简单叠加。通用插件接口、专业耦合机制和可信执行环境应当被视为不同层次的技术问题。对于产业组织而言,这一点尤其重要。只有当物理能力能够被第三方可靠提供,并以可预期的成本进行集成和验证,开放式生态才可能具有超出传统软件产品集成的经济价值。1.7 从机器人产业发展到区域产业集群形成具身智能能否成为产业集群发展的牵引力量,还需要考察企业之间的知识流动、专业服务、人才市场和产业基础设施。产业集群通常不是将大量从事同一行业的企业集中到某个区域便自然形成的。产业集群的发展往往与专业供应链、劳动力市场、知识外溢、科研机构、客户需求和地方制度条件之间的相互作用有关。企业空间集聚可能提高信息交换和工程协同效率,但地理距离本身并不能替代实际产业联系。复杂终端产业之所以可能具有集群牵引作用,是因为其研发、制造和部署活动需要大量不同技术主体协同完成。机器人整机企业能够提出系统需求,关键零部件供应商持续改进产品,软件企业开发设计、仿真与控制工具,科研机构研究基础算法和材料,应用企业提供真实工作场景,而测试机构与工程服务商则承担验证和集成工作。当这些主体之间产生稳定的技术合作、采购和人才流动关系时,区域产业体系可能形成持续的知识积累。一家企业研发过程中发现的工程问题,可能推动专业供应商发展新的产品;供应商形成的技术又可能被其他机器人企业或工业装备企业采用,进而扩大其应用市场。新能源汽车产业的发展已经表明,复杂终端产品的规模扩张可以支持大量专业供应商成长,但机器人产业是否会形成同样的空间集聚结构,不能直接由汽车案例推导。机器人在硬件制造方面可能利用现有汽车、消费电子和精密机械供应链,AI模型与软件开发则可以通过跨区域计算和远程协作完成,实际部署又高度依赖不同城市和行业的应用场景。因此,未来机器人产业集群未必按照传统整车制造基地的方式组织,而可能形成制造基地、AI研发中心、专业软件集群和应用测试中心之间的网络化分工。这里还存在一个值得深入研究的变化。过去,许多工业软件企业的市场主要围绕既有制造业客户形成,企业所在地区是否拥有软件研发人才和相应客户十分重要。具身智能如果产生新的基础物理建模和训练需求,可能加强机器人企业、工业软件企业与AI计算平台之间的联系,促使一些原本相对独立的产业集群形成新的交叉合作。但我们必须通过真实企业关系和产业项目验证这种可能性,而不能简单把同一地区的机器人公司、工业软件公司和AI公司加总,就宣布形成了新的完整产业生态。1.8 技术复杂性、市场规模和产业牵引能力并非同一概念具身智能产业研究中,一个容易出现的判断偏差,是把机器人的技术先进程度直接转化为产业价值判断。一个机器人如果能够完成后空翻、复杂舞蹈或者具有视觉冲击力的操作,确实能够体现其动力学控制、机械设计或动作学习方面的能力,但这些展示与其是否适合长期执行有价值的生产任务之间,并不存在简单的对应关系。产业需求最终取决于产品能够解决怎样的问题,以及相对于现有人工、自动化设备或其他技术方案,是否具有可以接受的综合经济性。因此,对于具身机器人,我们需要区分技术能力、应用价值和商业价值三个层次。技术能力涉及机器人能够完成什么动作、适应怎样的环境以及如何从经验中学习;应用价值涉及这些能力是否解决真实的生产或生活问题;商业价值则进一步涉及设备购置、部署集成、维护、能源、软件更新、故障停机和整个使用周期的成本。只有当三者形成有效联系时,技术发展才可能推动市场持续扩大。这种逻辑同样适用于工业软件基础设施。如果一个虚拟物理世界能够展示复杂的多物理场计算,说明其具有一定技术能力,但并不意味着机器人企业必然愿意为其支付高额费用。只有当这种能力能够缩短真实研发周期、减少实验设备消耗、提高训练效果或者改善产品可靠性,并且收益超过部署与使用成本时,它才有可能形成可持续的市场需求。由此可以看出,具身智能产业对工业软件的牵引作用,既不是技术必然性,也不是纯粹的政策选择,而是需要通过真实产品开发和市场竞争逐步实现的产业过程。在后续研究中,我们将分别评估机器人终端市场、工程研发活动、训练基础设施需求和工业软件市场之间的关系,并特别关注技术替代与新增需求的区别。某些软件能力可能因为AI自动化而降低单位使用成本,另一些能力则可能因为机器人研发规模扩大而增加总调用量。产业总需求的变化,将取决于这两种力量及其他经济因素的共同作用。1.9 第一章结论:具身智能的产业价值应当从终端市场与技术协同共同判断具身智能之所以值得作为新一代产业发展方向研究,不仅因为人工智能正在获得新的物理行动能力,也因为机器人可能成为把机械、电子、软件、计算物理、AI和先进制造重新连接起来的复杂终端产品。但这种潜力能否真正转化为产业牵引能力,取决于市场需求、工程可行性、成本改善和专业化分工能否形成相互促进的循环。单纯的模型性能提升、机器人演示能力或者投资规模增长,都不足以证明一个成熟产业已经形成。与此同时,机器人产业又具有较为坚实的技术和制造基础。全球工业机器人和专业服务机器人已经形成真实市场,中国在工业机器人部署和制造应用方面具有显著规模。这意味着具身智能并不是完全脱离现有产业的新技术实验,而是能够在长期形成的机械、控制、自动化、传感器和工业软件体系上持续发展。对于工业软件,本章形成的核心研究判断是:具身智能可能使既有工程计算能力获得新的使用方式,其变化不仅涉及终端客户增加,也可能涉及模型自动构建、高频物理计算、虚拟场景组织、跨领域求解器协同以及AI自主实验。但是,这些新需求能否转化为独立的软件市场和开放式产业生态,仍需进一步研究具体技术条件与经济机制。下一章需要通过新能源汽车产业史回答一个更加明确的问题:在一个成熟工业体系中,新技术如何通过终端市场扩张激活已有基础能力,推动新的供应链分工,并最终形成持续的产业积累;这一机制在具身机器人领域究竟具有多大的可迁移性?第二章|新能源汽车产业发展的历史机制及其对具身智能的启示2.1 历史类比的边界:新能源汽车是成熟需求的技术重构,具身智能则可能创造新的需求空间新能源汽车产业与具身机器人产业之间的比较,是本报告产业战略分析的重要起点,但这种比较必须首先明确两者在产业发展阶段上的根本区别。新能源汽车进入快速发展阶段之前,全球汽车市场已经拥有庞大的消费者基础、成熟的道路交通系统、汽车制造能力以及销售和售后服务网络。汽车的核心用途并不需要重新创造,消费者已经明确知道为什么需要汽车,并且愿意为交通便利性、使用性能、安全、品牌和舒适性支付费用。新能源汽车的关键任务,是以新的动力技术和产品架构,更有效地满足已经存在的大规模交通需求。其市场形成过程虽然仍然涉及价格、续航里程、充电便利性和技术可靠性等障碍,但最终使用价值相对明确。具身智能机器人则处于不同阶段。传统工业机器人已经拥有成熟应用,但通用具身机器人试图进入的许多任务,过去主要由人类劳动、专用机械或传统自动化系统完成。用户是否需要购置一台通用机器人,取决于机器人能够完成多少具有实际价值的工作,以及这些工作的自动化收益能否覆盖设备和系统成本。因此,新能源汽车的发展在相当程度上属于既有大市场中的技术路线替代,而通用具身机器人则同时面临技术能力建设与新产品市场形成的问题。这一区别非常重要,因为市场形成的不确定性,会直接影响整个产业链的发展速度。对于新能源汽车,动力电池企业可以围绕逐渐扩大的整车市场组织生产,零部件供应商能够依据较为成熟的汽车开发流程参与产品研发。对于具身机器人,部分任务规范、产品架构、软件接口和验收标准尚在形成,不同企业对通用平台、人形形态、专用机器和AI模型架构的选择仍可能存在较大差异。由此,本报告不采用简单的汽车销量增长曲线预测未来机器人销量,而是重点研究新能源汽车产业演化中能够被抽象出来的机制,包括技术继承、需求牵引、供应链分工、基础设施建设、规模经济、竞争开放和产业集群发展。这些机制具有一定跨产业解释力,但具体表现仍必须结合机器人产业的技术与商业条件重新分析。2.2 中国新能源汽车的发展:长期技术积累与市场形成的共同结果新能源汽车产业历史能够提供的第一个重要启示,是重大产业的发展往往需要长时间的技术积累与多种条件的相互配合,而不是由某一个重大项目或一家明星企业单独推动。现代新能源汽车的发展建立在锂离子电池、电机、电力电子、嵌入式控制、汽车制造和能源系统的长期技术进步之上。相关技术原本分布于消费电子、电气工业、工业驱动和传统汽车等不同领域,随着电动车市场不断扩大,逐步形成围绕整车产品的产业协同。中国新能源汽车的发展尤其体现了这种长期性。2009年,中国启动“十城千辆”新能源汽车示范推广工程,早期通过公共交通、出租车及其他公共服务车辆等场景,探索车辆性能、充电方式、运行安全和配套基础设施。世界银行在2011年的研究报告中明确记录了这一示范计划,并指出,早期选择运营路线相对可预测的公共车辆,有助于应对续航和基础设施方面的限制。imageWorld Bank这种路径具有明显的工程合理性。新兴复杂产品在技术不成熟时,首先进入边界条件较为明确的应用环境,可以更有效地识别实际问题,积累真实数据,并使供应链企业获得逐步改善产品的机会。公交运营的固定线路、统一场站和组织化维护条件,使早期电动汽车能够在相对受控的使用场景中积累经验。随后,中国新能源汽车产业逐渐从公共示范应用扩展到更加广泛的乘用车市场,相关政策也从早期补贴和试点逐步延伸到技术创新、产业生态、市场秩序、充电设施和长期竞争能力等方面。2020年发布的《新能源汽车产业发展规划(2021—2035年)》明确将技术创新、新型产业生态、产业融合、基础设施建设以及开放合作列为重要任务,同时强调企业在技术路线和市场竞争中的主体作用。imageIEA+1这表明新能源汽车产业的发展过程,既涉及单个产品技术性能的不断改善,也涉及研发、制造、市场和公共基础设施之间的协同。随着动力电池制造和整车销量增加,产业逐步形成规模化生产、工程经验积累、成本改善与需求增长之间的正向关系。与此同时,市场竞争也推动企业形成不同技术路线、价格定位和产品架构,而不是由一种技术方案从一开始就完全主导市场。具身机器人能否形成类似的产业发展过程,关键不在于是否存在一项可以直接复 制的产业政策,而在于能否找到具有真实使用需求、技术条件可控并能够持续积累经验的早期应用场景,并在此基础上形成产品可靠性、成本和制造规模之间的有效循环。2.3 特斯拉的产业作用:技术竞争、制造体系与中国供应链的结合在讨论中国新能源汽车产业时,特斯拉上海超级工厂具有重要的历史意义,但必须将其作用放在中国汽车工业与新能源汽车产业长期发展的背景中理解。特斯拉对现代电动汽车的重要贡献之一,是通过连续的产品开发、技术投资和商业实践,证明高性能纯电动汽车能够进入全球汽车消费市场,并逐渐形成具有规模的研发与制造业务。其在电池系统、电驱动、整车电子电气架构、软件和生产制造方面所进行的探索,对传统汽车行业形成了显著的竞争压力。特斯拉上海超级工厂于2019年开工,并在同年开始生产车辆。这一项目将国际新能源汽车企业的产品开发、质量要求和供应链体系,与中国已有的汽车零部件、电子制造、工业装备和产业配套能力连接起来。但这种连接并不是单向的技术输入。中国制造体系的供应能力、生产效率与产业配套条件同样支持了特斯拉在中国扩大生产规模。中国本土供应商通过满足整车企业的质量、成本、交付和工程协同要求,积累了更多参与全球汽车产业竞争的经验。从产业经济学角度看,特斯拉上海工厂的价值不应仅以工厂产量或投资规模衡量,而应进一步分析其对供应商能力升级、制造工艺、人才流动、竞争行为和产业合作网络所产生的影响。其中一个值得强调的特征,是国际领先企业与本土制造体系之间存在互补关系。国际企业可能带来产品定义、技术标准和全球市场渠道,本土供应商则提供专业制造、工程服务、技术适配与成本优势。双方通过持续采购和工程协同形成相互依赖,而不是由某一方单独完成全部技术进步。这一机制为具身机器人产业研究提供了有价值的启示。如果未来中国机器人产业能够吸引具有先进AI模型、机器人控制和系统架构能力的企业,并与国内已经形成的精密机械、电子、工业软件和自动化制造体系建立长期合作,那么相关产业之间可能出现类似的技术互补和能力提升。不过,机器人产业与汽车产业在技术标准化程度、生产数量和供应链稳定性方面仍存在显著差异。汽车制造早已形成成熟的零部件分工、质量体系和生产流程,而具身机器人部分关键硬件和软件架构尚未收敛。因此,机器人产业中的合作模式可能更加依赖联合研发与系统集成,难以完全照搬成熟汽车产业的采购层级和产品开发流程。这意味着产业研究需要特别关注,机器人企业与国内工业软件企业之间是否正在形成长期共同研发、技术标准协作和产品迭代关系,而不能仅把某些国际或国内整机企业的落地视为完整产业生态已经形成的证据。2.4 规模化市场如何改变基础技术的经济性新能源汽车产业历史中的另一个关键机制,是市场规模扩大能够改变专业技术的研发和生产经济性。对于一项需要较高前期研发投入的技术,如果最终只能服务少量客户,企业可能难以分摊研发成本,也缺乏持续优化和产品化的动力。随着市场规模扩大,专业技术供应商能够将研发成果应用于更多产品和客户,从而形成规模经济与范围经济。动力电池产业的发展较为明显地体现了这一机制。电池技术早已应用于消费电子和其他领域,但新能源汽车的大规模需求使其成为独立且庞大的产业体系,推动电池材料、制造设备、电芯结构、电池管理与回收利用等专业领域持续发展。IEA《Global EV Outlook 2026》显示,2025年全球电动汽车销量超过2000万辆,中国电动汽车销量超过1300万辆,占其新车销售接近55%。同年,中国约占全球电动汽车生产量的四分之三。如此规模的最终产品需求,使大量上游专业企业获得了持续开发、扩大生产和参与竞争的条件。但产业规模扩张也带来激烈的价格竞争,技术进步产生的收益可能以产品降价的形式转移给整车企业和消费者,而不全部留在技术供应商内部。因此,研究机器人产业对工业软件的牵引作用时,不仅要考虑机器人销量增长可能带来多少新的工程计算需求,还需要分析专业软件供应商能否获得足够规模的复用机会,以及这种复用能否覆盖持续研发和工程验证成本。假如每一家机器人企业都需要自行建立完整的流体、结构、接触、控制和传感器模拟能力,可能导致较高的重复开发成本。如果其中一部分能力能够由专业软件企业提供,并通过标准化接口服务多个客户,就可能形成更合理的产业分工。但这只有在接口相对稳定、物理模型得到验证、客户具有明确采购意愿且供应商能够保证服务持续性的条件下才能成立。由此可以发现,具身智能与工业软件之间的产业关系,不只是机器人对工业软件提出更多需求,更可能涉及专业技术能力是否能够形成新的可交易产品形态。这一问题将在后续关于物理计算基础设施与开放式插件生态的章节中进一步展开。2.5 不能复 制新能源汽车的地方:市场、产品形态与技术成熟度新能源汽车产业发展史能够解释复杂终端产业如何形成规模,但不能为具身智能提供确定的市场预测。首先,两者的最终需求基础不同。汽车为消费者提供交通能力,市场价值经过长期验证,而通用具身机器人希望进入的部分工作和生活场景尚未形成成熟的产品定义。机器人是否能够以足够低的成本、足够高的可靠性完成这些任务,仍是决定未来市场规模的重要变量。其次,两者的产品架构成熟度不同。现代汽车虽然存在大量技术路线差异,但交通功能、乘员安全和使用环境具有相对稳定的边界。具身机器人需要应对的任务范围更加广泛,专用移动机器人、人形机器人、轮式机械臂和其他形态之间并不存在已经确定的统一产品架构。再次,两者的智能能力在产品价值中占据的地位不同。新能源汽车可以在不具备高级自动驾驶能力的情况下满足基本交通需求,而某些通用具身机器人的核心经济价值,恰恰取决于其是否能够可靠完成原本需要人类操作的复杂任务。最后,软件和训练基础设施在两类产业中的作用也可能不同。汽车产业长期形成的工程软件主要服务于整车与零部件设计、仿真、生产和管理。具身智能除这些用途外,还可能要求大量仿真环境直接参与机器人策略的学习过程,从而使物理计算和AI训练之间建立更加紧密的联系。因此,具身智能可能对工业软件产生不同于新能源汽车的技术需求,但这种差异不会自动转化为更大的软件市场。需要进一步考察机器人训练的计算效率、模型可复用程度、实际部署规模以及相关软件的商业供给方式。2.6 第二章阶段性结论:真正可借鉴的是产业演化机制新能源汽车的发展历史,为具身智能产业研究提供了重要参考,但其价值主要体现在产业演化机制,而非销量曲线、产品形态或者具体政策工具的简单复 制。可以从这一历史中识别出若干具有跨产业意义的规律:复杂终端产品能够组织不同专业技术形成共同需求,早期应用场景可以为新技术积累工程经验,规模化市场能够改变专业供应商的研发经济性,制造能力与技术创新之间可能形成相互促进关系,而产业开放、标准化与真实市场竞争则会影响整个产业体系的发展效率。与此同时,新能源汽车产业史也表明,规模增长并不保证每一家企业都获得利润,产业集聚不必然产生高水平技术创新,国际领先企业进入也不能替代本土企业的持续研发投入。对于具身智能而言,最值得关注的不是未来是否会出现一家对应特斯拉的机器人公司,而是它能否形成一类足够复杂、足够广泛并具有持续发展需求的终端产品,使中国已经积累的工业软件、计算物理、精密制造、自动化和AI技术获得新的组合机会。这一判断将成为下一章研究机器人产业边界的重要基础。本篇最重要的研究依据包括国际能源署 Global EV Outlook 2026、国际机器人联合会 World Robotics 2026相关发布、世界银行对中国早期新能源汽车示范计划的 历史研究,以及国务院 《新能源汽车产业发展规划(2021—2035年)》。后续涉及企业个案、市场比较和产业链关系时,将继续优先使用年报、技术论文、官方标准及可追溯的一手资料,而不以行业宣传材料替代证据。 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