ARTICLE · 1013286
【赛宝观点】问道“AI+工业软件”:改良还是革命?(一)
问道
“AI+工业软件”
改良还是革命？（一）
导读
/ Teaser
↓
当前，以大模型为代表的新一代人工智能加速演进，成为重塑未来的核心力量。人工智能与工业软件深度融合，正成为这一轮产业变革的主旋律。它正在重塑工业软件的产品形态、研发范式与商业模式，并深刻改变企业研发、生产、管理、服务的方式乃至全球产业格局：产品交互走向自然语言与智能体，知识沉淀由人写代码转向模型从数据中学习，价值交付由卖工具走向卖结果，软件本身也正由单一工具延展为人机协同的智能系统。
这场变革究竟是工具的改良还是范式的革命，价值如何释放、创新的方向是什么、边界又在哪里、全球格局怎样重组、中国工业软件路在何方？围绕这些战略性、前瞻性、基础性问题，我们以《问道 “AI＋工业软件”》为题分篇展开研究，力求把判断建立在可核验的证据之上，也愿借此与各界同仁共探“AI＋工业软件”的发展之路。
引言
全球工业软件领域正在经历一轮AI带来的技术密集渗透。西门子发布Industrial Copilot，工程师以自然语言生成PLC代码，并以同样的方式指挥产线机器人；Autodesk推出Neural CAD，语音描述与手绘草图可以直接生成三维模型；达索系统把虚拟伙伴嵌入了设计与仿真的主要环节；NVIDIA Omniverse与工业软件深度集成，基于OpenUSD标准构建实时3D仿真平台，BMW利用其构建完整工厂数字孪生，预计减少高达 30% 的规划成本。在这一波浪潮中，一批AI原生企业快速崛起。Augmenta将建筑电气设计周期缩短约 25%、材料损耗下降约 15%；Navasto让汽车设计师实时计算气动性能，其AI工具可将分析时间和成本降低85%。
这些案例表明，AI正在深刻改变工业软件的形态与效能。自然语言交互、生成式设计、智能仿真优化等功能逐渐成为主流产品的标配，大语言模型与领域知识的结合持续深化，智能体技术开始探索端到端工程任务执行，AI 功能成为工业软件产品溢价的核心支撑，也是厂商竞争的焦点领域。
与此同时，产业界对本轮变革的性质产生了广泛争议，陷入一场“革命还是改良”的非黑即白争论,形成“速胜论”与“不动论”两种极端的思想。速胜论把每次产品发布都视为 “颠覆”， 认为AI 将在短期内彻底重构工业软件的技术范式与产业格局，传统厂商行将清零，产业进入“生死时速”；不动论将每一次技术局限都当作“泡沫”，认为工业软件姓工不姓软，工业 know-how 壁垒深厚，AI 不过是又一件提效工具，仅为传统工业软件的功能增强，底层数学物理基础等均未发生本质变化，仍属于渐进式改良范畴。
这种传统“改良VS革命”二元对立分析框架存在局限性，难以刻画本轮变革多维度、非同步、分领域的复杂特征，容易导致盲目乐观或过度保守的判断。构建系统化、分维度的分析框架，精准研判变革的阶段、边界与节奏，对于客观把握本轮变革的核心特征，引导行业理性看待技术迭代节奏，帮助企业精准战略布局，支撑产业政策科学制定等具有重要的现实意义。
本报告以“工业知识的演进”与“决策权的让渡”为双主线，构建框架进行分析。首先，从历史的逻辑梳理工业软件四次技术范式转移的演进历程，明确本轮变革“数学范式之变”的历史坐标；其次，从事实逻辑辨析AI变革下什么变了、什么没变，为框架奠定事实基础；接着，从理论逻辑先立“三层逻辑”总纲——底层是知识范式的变革、中层是决策权的让渡、表层是产业的变现，再以“交互—架构—商业—机理”四个维度分步展开，标注各自改良、过渡、革命的阶段位置与临界点；进而，从约束的逻辑指出四维演进速度差异的最大因素在于知识验证成本，提出审核驱动的HAx人—AI协同模式；最后，开展综合研判，统一判定口径，明确当前变革进程与演进路线。
工业软件的演进历程与历史坐标
技术范式转移是产业变革的核心标志。厘清工业软件发展历程中的历次重大技术演进是精准研判本轮 AI 变革性质的基础。本章系统梳理工业软件史上的三次技术形态演进，对比分析本轮 AI 驱动变革的本质差异，明确其历史坐标。
图1：工业软件60年演进时间轴
1
第一次（1960s-1980s）：从绘图板到数字工作站
本次范式转移的核心是几何表达数字化，将工业设计从物理绘图板迁移至数字空间。1963 年，美国麻省理工学院推出 Sketchpad 系统，首次实现交互式计算机图形设计，奠定了 CAD 技术的基础；1970年代，源自剑桥大学CAD课题组的Shape Data公司推出ROMULUS实体建模内核，将边界表示（B-rep）从实验室带入工业界；1988 年Parasolid 内核发布，经二十余年工程磨合，凭借稳定的布尔运算与 NURBS 曲面建模能力，成为全球工业界通用几何平台。 这一阶段，工业软件的本质是“表达载体的数字化”，设计逻辑、几何约束仍由人类工程师显式定义，软件的核心价值是替代纸笔工具，提升绘图效率与精度。国内产业同步起步于 20 世纪 80 年代，90年代以“甩图板”工程为标志，开启了工业软件的数字化进程。
2
第二次（1990s-2000s）：从孤立工具到集成平台
本次技术形态演进的核心是数据流的连续贯通。随着制造业全球化与产品复杂度提升，单一功能工具无法满足全流程研发需求，工业软件向集成化、平台化方向演进。达索、西门子等头部厂商通过大规模并购整合，逐步形成覆盖设计、仿真、工艺、制造的全流程产品体系，实现跨环节数据流的连续贯通；PLM 概念的提出，进一步将产品数据管理延伸至全生命周期。
这一阶段集成的核心是“数据”而非“智能”，它解决了异构系统间的数据孤岛问题，确保了设计、仿真、制造等环节的数据一致性，但各个工具内部的求解逻辑与知识形态并未发生根本改变，知识生产与更新完全依赖人类工程师。国内产业在这一阶段逐步跟进，诞生了一批本土 CAD、CAE 厂商，但高端集成平台仍由国外厂商主导。
3
第三次（2010s-2020s）：从本地部署到云端协同
云计算技术的成熟推动工业软件交付模式发生变革，交付模式从一次性许可转向订阅制，协作方式从本地单点转向云端协同。Autodesk Fusion 360、达索 3DEXPERIENCE 等产品先后推出云端版本，实现跨地域协同设计与资源弹性调度，大幅降低了中小企业的使用门槛。
这一阶段，改变的是“交付方式” 而非“计算范式”，云端部署的仍是传统软件架构与求解引擎，软件的核心能力边界未发生本质变化。国内工业软件云化进程同步推进，纷纷推出云化产品，PLM 领域云端部署比例持续提升。
需要看到，云化为本次智能化变革埋下了伏笔。云化不只是交付模式的变化，更是“软件定义”的起点——它让工业软件从“固化的工具”变为“可弹性调用的能力”，以API、微服务与标准化接口的形式沉淀为可组合的能力底座，为AI时代的“能力底座+Agent编排”架构奠定了技术与商业基础。
可见，前三次技术转移并非孤立事件，而是一条连续递进的演进脉络：数字化完成知识载体迁移，集成化完成知识组织贯通，云化完成知识交付弹性化，三者共同为第四次的范式跃迁铺平道路。
（二）第四次范式转移：AI 驱动的智能化变革（2020s—）
2020 年以来，以大语言模型为代表的新一代人工智能技术快速突破，推动工业软件开启第四次范式转移的探索。本轮变革以智能化为核心特征，技术演进呈现三阶段叠加态势。需要说明的是，以下三个阶段的年份区间是基于各阶段临界条件成熟度的经验区间，而非精确预测。
第一阶段（2020—2024）：AI 作为插件（Copilot 模式）
本阶段 AI 以对话框形式外挂于传统软件，提供操作建议、内容生成、信息查询等辅助功能，不改变软件底层架构，典型形态是各类辅助助手。其核心价值是降低操作门槛、提升重复工作效率，是当前产业的主流方向。全球头部厂商均已推出 Copilot 类产品，覆盖代码生成、模型创建、数据查询等场景。国内厂商加速跟进，主流工业软件产品均已集成 AI 辅助功能。
第二阶段（2024—）：AI 作为架构（Agentic 模式）
本阶段 AI 由外挂升级为软件架构核心，软件内部开始围绕模型与智能体重新组织，通过智能体自主调用各类功能模块与 API，实现任务的端到端执行。人类从操作者转变为监督者，仅需设定目标与仲裁异常。目前，Cadence、西门子等厂商已开始布局 Agent 架构，在 EDA 验证、自动化编程等场景开展探索。国内企业也启动相关技术研发，在细分场景试点智能体应用。
第三阶段（2030—）：AI 作为系统（Autonomous 模式）
本阶段多智能体协同形成自主工业系统，承担跨域工程任务，实现闭环自主决策。软件形态从单一工具演变为分布式智能系统，人类仅负责顶层目标设定与全局治理。目前这一阶段仍处于概念验证期，距离规模化落地仍有较长距离。
（三）本轮变革的本质差异：数学范式之变
纵观前三次技术形态演进，尽管在表达、集成、交付等层面取得了巨大进步，但它们共享一个根本特征：数学范式未变。工业软件始终建立在低维、显式、可读、可解释、可验证的函数之上。无论是几何约束方程、有限元离散方程，还是工艺规则逻辑，其本质都是人类将物理规律与工程经验转化为明确的数学表达。这种范式保证了工业软件的高可靠性与可追溯性，但也限制了其处理高维、非线性、多物理场耦合等复杂问题的能力。
本轮变革与前三次范式转移的根本差异，在于数学范式的跃迁——从“低维显式函数”向“高维隐式复合函数”跃迁。以深度学习为代表的AI技术，通过神经网络海量参数拟合实现功能，具备参数不可读、拟合能力强、泛化不确定的特征。这不仅是技术工具的升级，更是知识表达与计算范式的重构。
两套范式在可解释性与泛化能力上此消彼长。显式函数精度可控、可验证性强，但泛化能力弱，只能求解人类已建模的问题；隐式函数泛化能力强、学习效率高，但可解释性差，存在“黑箱”风险。这一数学层面的差异，是本轮变革复杂性的根源，也是“改良VS革命”争议产生的核心原因。
若仅就统计学本质而言，两条路线都在做函数逼近。自牛顿以来科学惯于以函数逼近理解世界，真正的分野不在是否逼近，而在对维度的处置能力。由此产生一条无法回避的追问：工业软件是否愿意、能否放弃可解释性去换取拟合能力？本报告认为未来的选择不是二选一，融合本身的难度才是这场变革的核心挑战。
本章核心结论：工业软件六十年演进前三次技术形态转移分别在知识载体、知识组织、知识交付三个维度完成跃迁，但求解机理这条终极红线从未被触及。本轮变革与前三次范式转移的根本差异在于数学范式的跃迁。
由于全文较长，将分篇呈现，下一期将剖析当前AI在工业软件领域的变革情况，厘清“变”与“不变”的边界。
作者信息
/ Author bio
↓
谢克强，工信部电子五所软件与系统研究院首席研究员，工学博士，正高级工程师。主持国家重点研发计划“工业软件”重点专项青年科学家项目等国家级科研项目，参与多项国家级政策文件起草，多次接受人民日报、新华社等中央媒体采访。出版“软件定义”系列著作《工业软件》《软件定义》《企业软件化》与可靠性著作《质量大数据》。
供稿/校对：软件与系统研究部（院）
宣传策划：技术推广处
编排设计：标信文印室
