AI冲击工业软件:不是替代,是重写底层架构

达索系统的CEO Pascal Daloz被问到AI会不会取代工业软件时，他说了一句很实在的话：

“如果一个AI技术不能带来十倍的效果、十倍的效率、十倍的成本降低，我不会在上面投入太多资源。”

这句话的意思其实很简单——别拿玩具当工具。AI能画个漂亮的零件出来，不代表它能告诉你这个零件在高温下会不会裂、在注塑时会不会缩、在量产时良率有多少。

画画是概率的事。工程是确定的事。

这两件事底层就不兼容。

但如果你因此觉得”工业软件没事了，继续用你的菜单和工具栏吧”，那大概是误会了什么。

问题不在于AI能不能替代工业软件，而在于工业软件到底是什么。

你觉得它是软件。它其实是被固化的工程经验。

CAD里每一个约束规则，CAE里每一个本构方程，PLM里每一个审批流程——都不是程序员拍脑袋写出来的。是几十年里，工程师们在图纸上犯过的错、在车间里烧坏的模具、在测试台上炸过的样机，被一层层翻译成代码，封进了软件里。

工业软件不是IT产品。它是工业知识的压缩包。

AI要压缩的不是代码量，是这些知识本身的组织方式。这就是为什么这场冲击的本质不是”谁替代谁”，而是底层架构的重写。

想象一下你的桌面。

左边放着一本厚厚的笔记本，里面记着所有的设计变更、BOM清单、供应商联系方式、审批记录。每一条都有编号，每一页都有日期。你想知道什么，去翻。

右边坐着一个跟你干了十年的老工程师。你问他：”如果把壳体壁厚从3mm改成2.5mm，会影响哪些零件？供应链上哪些供应商的交期要变？CBAM的碳排放数据要不要重新算？”

他不用翻笔记本。他知道。

左边的笔记本叫”记录系统”（System of Record）。右边的老工程师叫”智能系统”（System of Intelligence）。

2026年以前的工业软件，全是笔记本。

这不是修辞。这是架构选择。

传统PLM和CAD建立在1990年代的关系数据库上。关系数据库把数据存进表里——属性在列里，记录在行里。它擅长一件事：查。你告诉它要找什么，它帮你翻。

但它不懂关系本身。

知识图谱（Knowledge Graph）做了一件不同的事：把”关系”当成一等公民。A零件用到B材料，B材料的供应商是C公司，C公司在越南，越南的关税政策改了——这一串因果链在关系数据库里需要五个JOIN查询拼出来，在知识图谱里是一条路径。

AI不需要被训练”怎么查”。它直接在关系上推理。

有个叫Cognyx的初创公司用Neo4j知识图谱做PLM，AI能直接回答”这个设计变更对供应商风险和法规合规有什么影响”。传统PLM系统做不到——不是因为它不够智能，是因为它的数据库结构不支持推理。

所以当有人说”AI+PLM”的时候，先问一句：你的PLM底层是关系数据库还是知识图谱？

前者只是给笔记本加了个ChatGPT聊天窗口。后者才是让笔记本变成了一个能思考的同事。

AI对不同类型的工业软件，冲击力度完全不同。

CAD首当其冲。因为它处理的是几何——而几何恰好是AI最擅长的生成领域。2026年的AI CAD工具已经能原生输出B-Rep（边界表示）几何，不再是那些只能生成三角形网格的玩具。Zoo.dev把CAD做成了API，AdamCAD让你用对话建模，BricsCAD的Blockify功能能把重复的图块自动识别封装。

数据说得很直接：AI辅助的CAD设计完成速度快31%，绘图生产力提升40%。

画图这件事，本质上是把意图翻译成几何。AI恰好擅长翻译。

CAE的情况完全不同。

CAE的核心是求解物理方程——流体的Navier-Stokes，结构的有限元分析，热传导的偏微分方程。这些方程的解是唯一的、确定的、可验证的。AI可以做一件事：用推理模型近似求解，把原本需要跑一夜的仿真压缩到几分钟。PhysicsX和nTopology就在做这个。

但它不能替代求解器本身。

因为AI是概率的。物理是确定的。你可以用AI猜一个近似解，但最终签字放行的，必须是那个能告诉你”应力集中在这里，安全系数1.8，通过”的确定性引擎。

Zoo.dev的workflow哲学说得很准：“AI是起跑者，不是撞线者。”

PLM又不一样。PLM不是计算问题，是协作问题。它管的是人——谁改了设计、谁要审批、谁负责验证、变更通知发给谁。AI在这里能做的不是”算得更快”，而是承担责任。

这就是从Copilot到Agent的转变。Copilot回答问题。Agent接管任务。

EBOM和MBOM的对齐、变更影响的追踪、合规文档的生成——这些不是”难”的问题，是”烦”的问题。全球89%的工程公司缺人，不是缺聪明人，是缺有时间做这些琐事的人。AI Agent不替你创新，它替你干那些”让人麻木的重复劳动”。

有意思的是，干完这些活的人，反而说工作满意度提高了。不是因为AI让他们觉得自己的工作更有意义，是因为他们终于不用把时间花在Excel和PDF之间来回复制粘贴了。

市场上正在形成两种势力。

一边是老牌巨头：SolidWorks推出了Aura，Autodesk Fusion嵌入了原生AI助手，西门子Teamcenter做预测性影响分析，PTC Windchill用IoT数据做闭环反馈。它们的底气是——几十年的工业know-how不是开玩笑的。一个做过上万次注塑模的工程师知道哪些设计”看起来行但实际上不行”，这种知识不在论文里，在软件的每一行约束代码里。

另一边是AI原生初创：Zoo.dev从GPU原生B-Rep内核开始重写CAD，Dessia做意图驱动的工程平台，AdamCAD把3D建模做成了”3D建模界的Canva”。它们的逻辑是——你们在旧地基上装修，我从地基建。

达索的Daloz要十倍回报。初创们给的也是十倍承诺——但不是在”画得更好”这个维度上，而是在”从意图到成品的路径缩短十倍”这个维度上。

话说回来，这中间有一个很多人忽略的裂缝。

AI生成的几何，不管多精确，它只是”起点”。真正决定这个零件能不能量产的，是后面的确定性验证环节——Ansys的结构分析、Nastran的模态计算、实际车间的试模。这个环节AI目前做不了，因为它不是生成问题，是验证问题。

所以2026年的标准工作流是混合的：AI生成 → 人类筛选 → 物理引擎验证。

别误会，不是说AI不够强。是说工程的本质就是确定性。你不可能用概率性的工具签一个确定性的字。

中国市场在这个局里，处境更特殊。

中国占全球制造业的30%，但工业软件市场占比不到5%。这个数据本身就说明问题了——不是中国不需要工业软件，是过去几十年，盗版和外资垄断把这个市场压成了一个奇怪的形状。

2021到2025年的资本热潮之后，现在进入了”中场淘汰赛”。

国产替代不是简单的”换一个软件用”。林雪萍说得很准：这是一个知识迁移的过程——要把几十年来在西工具上积累的二次开发、企业内部方言、工程师的操作肌肉记忆，原封不动地搬到国产平台上。

这不是IT迁移。这是文明迁移。

区别在于知识图谱。如果国产PLM还在用关系数据库做底层，那它就是一个更便宜的笔记本。如果它能从第一天就建在知识图谱上，那它就是一个从出生就能思考的系统。

先进封装（Chiplet、GAA）正在推动EDA和CAE的融合——AI芯片的微尺度散热设计成了一个关键瓶颈。这个场景恰好是中国有机会弯道超车的地方，因为它的知识壁垒还没有被老牌厂商完全固化。

回到最初那个问题：AI会不会替代工业软件？

如果你把工业软件理解为”一个帮你画图和管文档的工具”——那它已经在被替代了。AI画图更快，Agent管文档更省心。

但如果你理解对了——工业软件是工程知识的容器——那问题就变成了：谁能更好地固化、推理和应用这些知识？

答案不是”AI”也不是”传统软件”。答案是：用AI的方式重写知识容器的底层架构。

知识图谱代替关系数据库。Agent代替Copilot。B-Rep代替Mesh。混合工作流代替纯生成。

这四件事同时在发生。它们不是四个趋势，是同一件事的四个切面。

这件事的名字叫：工业软件从”帮你记住”变成”帮你想到”。

记事本不会消失。但坐你对面的那个老工程师，终于开始干活了。