夜雨聆风
AI +工业软件:政策解读・CAD/CAE 卡点分析・大模型的真实边界
免责与创作声明：本文研究方向、整体架构及核心观点均由原创作者统筹搭建，文稿细节润色、数据整理完善由DeepSeek辅助完成。文中所有数据仅作行业量级与结构趋势参考，未经权威学术核验。本文不作为学术研究依据，亦不构成任何投资、产业决策相关建议，相关风险由读者自行承担。
摘要：随着工信部“人工智能+软件”专项行动深入落地，AI赋能工业软件成为产业及政策重点方向，但当前行业普遍混淆AI应用层增效与工业软件底层核心算法攻坚的核心逻辑。本文紧扣国家最新AI与工业软件扶持政策，聚焦研发设计类核心工业软件CAD与CAE两大品类，深度拆解两类软件差异化底层技术卡点、国产化结构性分化现状及头部国产企业追赶实情，清晰界定工业大模型赋能工业软件的能力边界与适用禁区。结合前沿AI数学科研落地实践案例，明确划分大模型可辅助攻坚与无法替代的工业软件算法细分领域，重点剖析当前政策体系普遍缺失的核心发展路径，提出AI辅助算法研发与形式化验证协同发展的核心战略思路，并适配后续规划周期给出针对性实操政策建议。本文厘清工业软件国产化突围的核心主次路径，警示重应用、轻底层的片面发展隐患，为我国工业软件自主可控、破解核心卡脖子难题、筑牢制造业供应链安全提供务实产业研判与战略参考。
目录
•导言：一个被混淆的核心问题
•一、政策背景：工信部AI+软件在做什么
•二、CAD：卡在地基，大模型的路径是绕道
•三、CAE：卡在算力黑洞，大模型能正面突破
•四、核心观点：被遗漏的第三条路径
•五、作者建议：AI辅助算法研发与形式验证应成为下一个政策着力点
•结语：两件事，一个认知差距
导言：一个被混淆的核心问题
工信部在 2026 年 4 月底正式宣布启动 “人工智能 + 软件” 专项行动，叠加此前 “人工智能 + 制造” 的政策布局，一时间 AI 赋能工业软件成为产业热词。然而，在政策话语与市场叙事的喧嚣之中，一个关键性的区分被系统性地忽略了：
大模型赋能工业软件的使用效率，与大模型突破工业软件的底层算法卡点—— 这是两件本质上截然不同的事，但几乎所有的公开讨论都把它们混在一起讲。
本文从政策背景出发，聚焦最具代表性的两类工业软件——CAD（计算机辅助设计）与 CAE（计算机辅助工程），逐层拆解卡点的真实性质，厘清大模型介入的真实边界，并在此基础上提出一个政策文件尚未充分关注、却可能具有战略意义的路径：AI 辅助算法研发与形式化验证的协同。
一、政策背景：工信部 AI + 软件在做什么
1.1 政策的起点
2024 年 3 月，国务院总理李强在政府工作报告中首次提出 “人工智能 +” 行动，将其纳入推动新质生产力的核心框架。2025 年政府工作报告再次强调持续推进。这是顶层信号。
工信部随后沿两条主线推进：
1.2024 年 6 月联合四部门发布《国家人工智能产业综合标准化体系建设指南（2024 版）》，目标到 2026 年制定 50 项以上国家标准、参与制定 20 项以上国际标准；
2.2026 年 1 月联合八部门印发《人工智能 + 制造专项行动实施意见》，目标到 2027 年人工智能关键核心技术实现安全可靠供给，产业规模稳居世界前列。
1.2 AI + 软件专项行动的具体指向
2026 年 4 月 28 日，工信部在国务院政策例行吹风会上正式宣布启动 “人工智能 + 软件” 专项行动，核心方向包括三个：
•智能编程：用 AI 大幅降低软件开发门槛，加快国产软件开发工具体系建设；
•工业软件国产替代：推动基础软件、工业软件智能化升级，重点突破长期被海外垄断的工业软件领域；
•新型服务业态：培育模型即服务（MaaS）和智能体即服务（AgentaaS）等新商业模式。
政策的着力点，主要在于应用层赋能—— 用 AI 改善软件的使用体验和开发效率，而不是用 AI 解决软件底层核心算法的卡脖子问题。这是理解后文分析的重要前提。
1.3 工业软件国产化的真实现状
软件和信息技术服务业整体规模已相当可观。据工信部 2026 年 1 月 30 日发布的数据，2025 年软件业务收入达 15.48 万亿元（同比增长 13.2%），其中工业软件产品收入 3330 亿元（同比增长 9.7%）。但在工业软件这一细分领域，结构性短板依然突出。
根据 2025 年工业互联网大会、2026 年国产软件评测评议会（2026-04-28）等公开数据，各层级国产化率呈现严重分化：
|
软件类型 |
国产化率（2024-2026 年估算） |
说明 |
|
经营管理类（ERP 等） |
约 71.8% |
中低端基本实现国产替代，高端市场仍在追赶 |
|
生产控制类（MES 等） |
约 60% |
流程工业突破明显，中高端离散制造业仍以外资为主 |
|
研发设计类（CAD/CAE/EDA） |
整体不足 10% |
高端严重依赖进口，其中 CAD 约 15%，CAE 不足 5% |
越靠近研发设计端（上游），越难替代；越靠近管理运营端（下游），国产化越成熟。而研发设计端恰恰是最核心的战略制高点，也是本文聚焦分析的领域。
从企业层面看，国产工业软件正在加速追赶。中望软件 2025 年营收 8.93 亿元，3D CAD 国产化率约 27%（较上年提升 2 个百分点）；华天软件皇冠 CAD 注册用户已超过 50 万，2026 年 4 月发布的 R3 版本在工业造型设计、工业母机正向设计等 8 大行业深度落地。电磁仿真领域，云湃科技的焕岳三维全波电磁仿真软件也部署了全面自主化的解算引擎。但与全球。它与仿真验证的定位是互补的：仿真验证回答 “在给定条件下，这个零件能不能承受住载荷”；模型检验则从源头上证明数学模型是否永远满足给定的安全规范，而不仅仅是在少量采样点上做测试。如果说仿真验证是 “抽检”，模型检验就是对 “设计图纸本身” 的数学证明。
中国与 Joseph Sifakis 的合作已持续多年：南方科技大学斯发基斯可信自主系统研究院（2019 年正式授牌）、军事科学院相关团队、多次高校学术交流等。当 AI 辅助算法的正确性难以被明确判断时，模型检验可提供一种形式化的安全保障。两者的世界观形成了一个闭环：AI 负责从模糊的、不可穷举的行动空间中高效搜索和合成，形式化方法负责在关键环节给出精确、不含糊的 “对 / 错” 证明。这是一种 “AI 探索 + 形式验证” 的双引擎协同框架。
二、CAD：卡在地基，大模型的路径是绕道
2.1 CAD真正的卡点在哪里
CAD软件的核心竞争力不在界面，而在藏于底层的两个引擎：
几何内核（Geometric Kernel）
负责所有三维形体的数学表达。全球90%以上的商业CAD软件使用两个专有内核：Siemens的Parasolid和Spatial的ACIS，均为美国公司产品，均可被断供。
约束求解器（Constraint Solver）
负责处理设计意图——当工程师说“这个孔和那条边保持平行”，背后是求解器在实时计算满足所有约束条件的几何形状。
生态锁定
工程师们用AutoCAD、SolidWorks积累了几十年的操作习惯和设计库，切换软件意味着重新培训、重新建库，迁移成本极高。
值得指出的是，国内已有少数企业实现了自主内核突破。中望软件自主研发了Overdrive三维几何内核及ZGS约束求解引擎；华天软件的皇冠CAD基于自研三维几何建模引擎走出了自主可控路线。但绝大多数国产CAD仍依赖授权内核，自主内核的产业渗透率依然有限。
2.2 大模型能做什么：重构交互，绕道突围
几何内核是纯数学和工程问题，大模型无法替代它。但大模型提供了一条绕道路径：
① 自然语言/图片 → 直接生成CAD建模序列
AAAI 2025收录的CAD-GPT提出了一种基于多模态大语言模型的统一生成范式，在图像输入任务中性能比GPT-4提升84%，命令与参数准确率分别达到98.73%和98.12%。微软亚洲研究院的FlexCAD（ICLR 2025）、CAD-Editor（ICML 2025）同样在推进这一方向。Autodesk内测的生成式CAD大模型Bernini，则接受文本、草图、体素、点云等多模态输入，直接复制设计者的创作过程。
核心逻辑：通过重新定义人机交互界面，让工程师不需要熟悉传统CAD操作逻辑，从而降低国产CAD软件的迁移门槛，使几何内核的差距变得不那么致命。
② 跨格式语义翻译，破解生态锁定
大模型可以将SolidWorks的设计文件语义化地转换为国产CAD能理解的格式，同时保留设计意图而不仅仅是几何数据。
③ 智能设计补全
类似代码补全，当工程师画出半个零件草图，AI能根据工业知识库预测设计意图，自动补全约束和特征，大幅提升设计效率。
三、CAE：卡在算力黑洞，大模型能正面突破
3.1 CAE真正的卡点在哪里
CAE的卡点性质与CAD完全不同，不是授权和生态问题，而是计算能力和工程知识的双重积累。
全球CAE市场中，西门子、达索和Ansys三大巨头占据53%市场份额。国产第一梯队（安世亚太、索辰科技、中望软件）合计市占率不足5%（2026年行业报告口径），在流体、电磁、多物理场耦合等高端领域外资份额仍超80%。2024年研发设计类综合国产化率约10%，CAE不足5%，虽较往年有所提升但差距依然巨大。2025年国产CAE市场规模已突破60亿元，正处在加速追赶期。
3.2 大模型能做什么：正面破局
CAE是大模型最有正面突破潜力的领域。
① AI代理模型（Surrogate Model）
通过学习大量历史仿真数据，建立输入参数与仿真结果之间的映射关系，用AI预测替代完整方程求解。实测数据：响应速度提升100-1000倍，某汽车制造商模具调试时间从3天缩短至4小时；高温合金铸造模拟精度从85%提高到96%；航空发动机叶片一次成型率提高31%。广汽联合华为构建的工业AI大模型平台，在智能驾驶仿真中每天可进行超500个场景测试，预计节约委外测试费360万元/年。
② AI加速网格生成
大模型可以学习好网格的分布规律，将原本需要工程师手工调整数小时的网格生成过程压缩到分钟级。
③ 大模型构建材料知识库
把散落在论文、实验报告、工程手册里的材料数据，通过大模型做结构化提取和推断补全，建立国产工业材料数据库。
值得一提的是，华为–中望物理AI设计平台（2025年8月战略合作）将昇腾算力与盘古工业大模型结合，有望在CAE加速代理模型方面实现端到端协同，为国产CAE提供硬件和软件的双重加速底座。
四、核心观点：被遗漏的第三条路径
4.1 AI解决数学难题：真实案例与常见误读
2025年9月，量子计算理论学家Scott Aaronson在研究QMA是否等于QMA₁这一悬而未决的量子复杂度问题时遭遇关键推导受阻，转而向GPT-5求助。在约30分钟的交互后，GPT-5提出了一个精妙的数学函数，成为论文中最关键的突破。同月，另一篇数学论文将GPT-5列为定理贡献者。
真相：做出突破的从来不是没有基础的人，而是顶级专家。 Scott Aaronson是麻省理工/德克萨斯大学的量子计算理论权威，他知道问题在哪、知道答案应该长什么样、知道AI给的函数是否有意义。陶哲轩的评价最为精准：AI像是一名平庸但并非完全无能的研究生——经过一两次迭代，结合工具，能达到合格研究生的水平，但无法独立生成关键概念性想法。AI把顶级专家的效率放大了10倍，而不是让外行变成了专家。
4.2 这个逻辑能用于工业软件卡点吗
能被这种方式攻克的子问题
•网格生成算法优化：有明确评价标准、解空间可搜索，与DeepMind的FunSearch思路一致；
•约束求解器的算法变体探索：人类专家知道问题所在，但搜索空间太大，AI可辅助探索；
•材料本构模型的符号回归：让AI在方程结构空间搜索，找到更精确的数学形式。
AI帮不了的子问题
•几何内核的B-rep拓扑运算：两个三维实体相交时，精确计算交线、处理奇异点、保证数值稳定性——没有大量训练数据，且对精度要求绝对，一个运算出错整个装配体崩溃。这不是AI不够聪明，而是该类任务的验证机制和容错机制根本不适合现阶段AI的工作方式。
4.3 被忽视的战略路径：AI辅助算法研发 + 形式验证协同
这是本文最想提出的核心判断：
工信部AI+软件政策语言停留在应用层——这是可量化、可落地、可以在三年计划里汇报成果的方向。而AI辅助算法研发和形式验证协同的周期长、风险高，很难写进政策KPI里，但从供应链安全和技术自主的战略角度来看，这恰恰是最值得投入的路径。
4.4 一个关键的补充：形式化模型检验
大模型生成设计或补全建模操作序列时，验证环节并不是靠AI自己的精度置信度就能过关的。原文4.2节中“AI帮不了”的子问题，本质上是验证机制和容错机制的根本不匹配。
而模型检验（Model Checking）——2007年图灵奖授予Edmund Clarke、Allen Emerson和Joseph Sifakis的成果——提供了一套形式化的数学验证方法。它与仿真验证的定位是互补的：仿真验证回答“在给定条件下，这个零件能不能承受住载荷”；模型检验则从源头上证明数学模型是否永远满足给定的安全规范，而不仅仅是在少量采样点上做测试。如果说仿真验证是“抽检”，模型检验就是对“设计图纸本身”的数学证明。
中国与Joseph Sifakis的合作已持续多年：南方科技大学斯发基斯可信自主系统研究院（2019 年正式授牌）、军事科学院相关团队、多次高校学术交流等。当AI辅助算法的正确性难以被明确判断时，模型检验可提供一种形式化的安全保障。两者的世界观形成了一个闭环：AI负责从模糊的、不可穷举的行动空间中高效搜索和合成，形式化方法负责在关键环节给出精确、不含糊的“对/错”证明。这是一种“AI 探索 + 形式验证”的双引擎协同框架。
五、作者建议：AI 辅助算法研发与形式验证应成为下一个政策着力点
建议一：识别并聚焦可 AI 化的算法子问题
由工业软件领域的核心算法专家，系统梳理 CAE 求解器、网格生成、材料数据库等领域中，哪些子问题具备评价标准可量化、解空间可搜索、验证机制可自动化的特征。
建议二：以“专家 + AI” 为基本组织单位
AI 把顶级专家的效率放大 10 倍，而不是让外行变成专家。正确的组织方式是：找到国内真正懂几何算法、有限元理论的那批人，让他们用 AI 来加速算法探索、验证数学猜想、生成代码原型 —— 把原本需要 5 年才能完成的算法研发压缩到 1-2 年。
建议三：建立 AI 算法发现的验证与激励机制
学术界已有先例——GPT-5 被写进数学论文作为定理贡献者，DeepMind 的 FunSearch 发现了目前已知最大的 cap set。工业软件领域需要建立类似的机制：当 AI 辅助发现了一个更好的网格生成算法或材料本构模型，如何验证、如何归因、如何在产业层面推广？这是政策层面目前的空白。
建议四：将 AI 辅助算法研发纳入下一轮工业软件政策框架
在工业软件专项政策中，专门设立 “AI 辅助工业软件算法攻关” 子项，配套：专项基金支持混合研发团队；以网格生成、CAE 求解器优化、材料本构模型为优先方向；建立工业算法公开数据集；与高校数学系、计算力学系建立联合攻关机制。
建议五：构建“AI 探索 + 形式验证” 协同研发机制
建议将设在中国高校和科研机构中的可信系统研究院、模型检验合作平台（如南方科技大学斯发基斯研究院）纳入工业软件攻关体系，实现“算法生成 — 形式验证 — 工业部署” 的闭环反馈。同时对 AI 辅助生成的工业软件建立验证标准，使形式化验证成为工业软件安全性的数字签名基础设施。这一机制尤其适用于航空航天、高铁制动、核电控制等不容有失的关键领域。2026 年 4 月 28 日工业软件评测评议会强调的 “长期可靠性”，恰恰是形式化验证的核心价值所在。
结语：两件事，一个认知差距
政策布局的是应用层赋能；真正能解卡脖子的，是 AI 辅助算法研发。这两件事被混在一起说，但本质上是两条完全不同的路。
前者是给一辆旧车装导航和自动泊车—— 让车更好开，但发动机的差距没有改变；后者是重新设计发动机 —— 周期更长、风险更高，但这才是真正的卡脖子所在。
而在这两条路之外，还存在一个被忽视的技术维度：形式化验证。大模型擅长在模糊空间中高效搜索，却无法提供确定性的安全保证；模型检验恰好填补了这一空缺。中国与 Joseph Sifakis 及其团队持续多年的合作，为这一融合提供了独特的基础。
中国工业软件的国产化突围，三条路都需要走：应用赋能、算法攻关、形式验证。但如果只走第一条，那么十年之后，我们可能拥有了全球最好用的 AI 工业软件界面，但核心求解器和几何内核依然卡在别人手里。