国外商业工业软件的 AI 在哪些方面发力?

PART 01 先看棋盘：一年之内发生的几件事

梳理时间线，2026 年前后有几件事值得放在一起看。

西门子在 CES 2026 上把「工业 AI 革命」作为主题，随后发布了面向自动化工程的 Eigen Engineering Agent——官方的措辞很直白：标志着 AI 从「生成建议」转向「端到端执行工程任务」。这个产品在 19 个国家、超过 100 家客户试点后正式商用，直接对接 TIA Portal，输出结果还会按客户自己的工程标准校验。

达索在 3DEXPERIENCE CATIA R2026x 里放进了三个有名字的「虚拟伙伴」——AURA、LEO、MARIE，官方称之为 AI 原生的智能体平台：不是往旧工具上贴 AI 补丁，而是让平台从底层就为「人与 AI 协同」重新设计。SOLIDWORKS 2026 也整体换上了 AI 加持的设计与协作能力。

新思科技（Synopsys）在完成对 Ansys 的收购后，交出的答卷是一整个长程智能体组合 AgentEngineer 加一个 Autopilot 平台——按官方数据，全自主验证工作流比传统流程快 50 倍，计划 2026 年底全面商用。

这几件事连起来看，行业的重心已经移动了：从演示 AI 能做什么，到把 AI 塞进产品的骨架里、并对结果负责。下面拆开讲五个方向。

两年前各家做的是 Copilot：你问，它答，你来操作。2026 年的关键词换成了 Agent——你说目标，它拆解任务、调用工具、自己执行，最后交给你验收。

西门子的 Eigen Engineering Agent 是典型样本。它新增的能力里有一条很关键：把自然语言的机器描述直接转成符合标准、可直接使用的自动化项目，并把电气设计（ECAD）与软件开发打通。注意这里的措辞不是「辅助生成」，而是「就绪可用」——敢对交付物负责，是副驾和智能体的本质区别。

EDA 领域走得更远。新思的 AgentEngineer 不是一个智能体，而是一组按专业分工的长程智能体：验证、实现、模拟、PCB 的 EMC 合规分析，各有专属 Agent，由一个编排层统一调度。官方称其为「long-horizon agents」——能推理、规划并执行跨越多个阶段的完整工程流程。行业里第一批「AI 全流程值班的工程师岗位」，出现在芯片设计，不意外。

Autodesk 的路径更贴普通设计师：在已有较高采用率的 AutoConstrain 基础上，推出 AutoTimeline——把没有约束、没有设计历史的导入几何，自动转成可编辑的参数化特征；再用 AutoAssemble 把零件智能装配成体。这两个功能解决的是 CAD 用户最古老的痛点：拿到的模型是「死」的，改不动。

达索的表述值得单独拎出来：「这不是往你的工具里加 AI，而是一种新的协作方式——人与虚拟伙伴安全地、大规模地共同创造。」CATIA 里的 AURA、LEO、MARIE 分工明确，贯穿概念设计、仿真、知识管理，嵌入的是「生成式体验」：工程师面对的不再是静态命令集，而是一个会根据任务重组界面的工作环境。

Ansys 的动作同样有架构层面的信号。SimAI 在 2026 R1 拆成了两层：SimAI Pro 跑在工作站本地 GPU 上做部件级训练与预测，SimAI Premium 是完整云端方案——AI 仿真正式按部署形态分层定价，意味着它从「亮点功能」变成了「产品线」。更值得注意的是新亮相的 GeomAI：从参考设计中学习，生成式地产生几何——生成式设计第一次和 CAD 主流程合流。

这类「AI 原生重构」的共同点：AI 不是功能的增量，而是产品重新分类的依据。老产品的菜单没有消失，但新用户会从 AI 入口进来——增量正在决定存量。

一个略显技术宅、但影响深远的动向：模型上下文协议（MCP）正在成为大模型直连工程软件的标准通道。

PTC 给 Onshape 的 FeatureScript 语言发布了 MCP Server——FeatureScript 本来是 Onshape 用来沉淀工程知识、自动化建模的脚本语言，现在 Claude、ChatGPT、Gemini 都能通过 MCP 直接读写它，实现「文字到代码到 CAD」的链路。官方还预告了 Onshape Labs 里的 AI Agent 和 Drawing Checker（用 AI 校验图纸是否符合企业标准）。

更有意思的是 Bentley：他们的工程师自己动手给 MicroStation 搭建了 MCP Server，让 AI 助手直接操作工程应用，用自然语言指挥工作流。基础设施软件厂商的工程师在「用脚投票」——当连接协议标准化，每一家工程软件都自动获得了被任何大模型调用的能力。

这件事的战略含义：厂商不必自研最好的大模型，只要把自己能力「MCP 化」，就能接入整个 AI 生态。反过来，谁的能力接口做得越细、越可验证，谁在 AI 时代的被调用价值就越高。

西门子与 NVIDIA 的合作代表了另一条主线。Digital Twin Composer 把 Xcelerator 全家桶的 2D/3D 数据与实时运营信息融合成照片级的「活模型」，底层是 NVIDIA Omniverse；百事等早期用户已用它做整厂规划。

再往深一层是「物理 AI」：用 NVIDIA Cosmos 世界模型为质检生成逼真训练数据，用 Factory Operations Blueprint 让 AI 智能体生成生产计划，再在虚拟工厂里先行验证。数字孪生的角色变了——过去是给人看的沙盘，现在是给 AI 练手的训练场。西门子甚至给这条线算了一笔账：物理 AI 可能撬动百万亿美元级的生产力市场。

Hexagon 走的是「数字现实」路线：把 HXDR 云平台的可视化层直接接上 Omniverse，做出了他们自称「迄今最精确、最照片级的数字孪生」，从激光扫描到实景融合一条龙。测量起家的公司，卖的是现实世界的毫米级复制能力。

三条主线可以这么概括：AI 从客人变成员工，从功能变成地基，从孤岛变成插座。而跑在最前面的赛道依然是 EDA——验证环节的确定性高、数据结构化好、结果可度量，天然适合智能体；这正好印证了这个系列一直的观点：AI 落地的速度，取决于每类任务的可验证性。

把镜头转回国内，有三点可以说的。

其一，别再做「AI 面板」了。巨头已经把标准抬到了「端到端执行 + 按企业标准校验」。追赶者的机会不在把 Copilot 聊天框做得更漂亮，而在挑一两个验证闭环清晰的细分流程（图纸合规、特征树清理、工艺参数推荐），把「敢对交付物负责」做到底——Onshape 生态里连第三方都靠 Adam AI 这种小切口工具立足。

其二，尽早把能力 MCP 化。协议是现成的、开放的，接入成本远低于自研大模型。国内厂商哪怕内核还年轻，也可以先把几何、网格、求解能力的接口做细做稳——在 AI 生态里，「可被调用」本身就是渠道。

其三，盯住 Synopsys + Ansys 这盘整合棋。EDA 与仿真的合并，意味着「从芯片到系统」的验证链路正在被一家公司打通，国内芯片与仿真两条战线上的公司，未来面对的将是一个组合拳对手。牌桌变了，跟不跟、怎么跟，需要提前想。

最后回到那个容易被忽略的细节：所有巨头在宣传 AI 能力时，都不忘强调同一件事——结果要经过验证、符合标准、责任清晰。西门子的 Eigen 按客户标准校验输出，PTC 的 Drawing Checker 专做合规检查，新思的智能体永远给出签核路径。AI 跑得越快，「护栏」越是卖点。这大概是国外巨头们用真金白银验证过的共识，也是 worth 抄的作业。