AI应用深度思考:传统工业软件是否会消失?

QUOTE

AI 拿走的是「操作权」，工业软件守住的是「判定权」。

这半年，「AI 会不会颠覆工业软件」几乎成了技术圈最热闹的话题。达索宣布转型工业 AI 平台公司，Ansys 升级 TwinAI，NVIDIA 把加速工具铺进主流工业软件生态，声量很大，结论却出奇一致——AI 会重构工业软件。

但讨论的重心，整体偏向了一个看起来很安全的问题：「AI 能给工业软件带来什么」。功能增强、效率提升、体验改善。这个问法本身没错，可它默认了一个前提——工业软件是一个已经存在、边界清晰的东西，AI 只是往里加料。

我想把这个次序倒过来。有一个更本源的问题，几乎没有人在讨论的热闹里愿意回去问：工业软件到底为什么会诞生？它解决的是什么不可替代的问题？如果这个答案不清晰，那么关于「颠覆」「护城河」「终局」的所有讨论，都悬在半空。

本文看点

工业软件诞生的时刻，条件非常朴素：工程师画图纸靠手绘，验证靠物理试验，车间靠人工管控，文档靠人工管理。每一种手工作业都在向生产结果注入不确定性——人为误差、试错成本、生产波动、协同信息差、经验不可复制。这就是工业体系的熵增。

而工业生产的终极诉求只有一个：用最低的成本、最短的周期、最高的质量、最小的风险，完成工业产品从「人类需求」到「物理落地」的转化。要同时满足这四个「最」，唯一的办法就是把不确定性收敛掉。

所以工业软件的原生形态其实不是「软件」，而是收敛工具。它沉淀在代码里的，是工业机理、工艺知识、行业经验与流程规范——本质是给工业世界定规则的底层工具。软件只是载体，规则才是内核。

把这条逻辑走到底，会得到三个彼此咬合的判断：它诞生于工业不确定性的收敛需求；它同时承担规则沉淀与为人搭梯子的双重职能；而它之所以不可替代，是因为在零容错条件下，判定权必须有明确的归属。

当我们在今天讨论「AI 会不会颠覆工业软件」时，如果连「规则」究竟是什么都没弄清楚，这场讨论从一开始就跑偏了。补上这一层，再往下看。

把上面这条逻辑落到具体品类上，会得到一张异常清晰的对应表。四种软件内核，对应工业体系四类熵增。

值得注意的是 CAE 在研发流程里的位置。78%的大型制造企业已在使用至少一个 CAE 平台，68%的工程团队把仿真集成到了设计阶段，FEA 占仿真负载的 42%。

这意味着仿真不再是「出图之后的验证动作」，而是设计决策本身的一部分。这恰恰是它最值钱、也最难被替代的地方。而正是在这里，工业软件撞上了新的岔路口。

顺带一提这场讨论的产业背景。全球 CAE 软件市场规模约 137 亿美元，2025 至 2032 年的年复合增长率在 12% 上下；中国工业软件市场规模已突破 3000 亿元，国产化率不足 20%，而 95% 的研发设计类软件依赖进口。工信部的规划是到 2027 年市场规模突破 5300 亿元，国产替代率目标从 35% 提升至 70%。

换句话说，这不是一个「AI 会不会颠覆工业软件」的哲学问题，而是一个正在发生的产业竞争问题。窗口期不长，路径也需要选对。

过去几十年，工业软件一直在做两件事。而这两件事的性质，完全不同。

这个判断，可以用四个日常观察验证。表面看是工业需要，真实动因全都是「人」这个补位节点。

内核值得被加大投入，因为它是唯一不能被生成的那部分。AI 可以生成一份看起来合理的结构设计报告，但它无法凭空生成参数化几何约束求解引擎，也无法凭空生成材料库与经过验证的模型库。这两块恰恰是当下国产替代攻坚最硬的地方——中科院数学院 CASGEO 几何内核攻克复杂曲面建模，基于共形几何的拓扑优化使设计效率提升四成以上，PHG 并行有限元性能已接近 Ansys。进展不快，但方向明确。

这里有一个值得警惕的错位：AI 时代最容易被资本放大的，是「外壳」——界面、交互、Copilot；最难兑现的，是「内核」——几何内核、求解器、知识库。短期热钱流向哪里，与长期竞争力沉淀在哪里，往往并不重合。

AI 击穿的，是过去几十年的核心前提：人不再是工业全流程唯一的决策与执行主体。这个前提一松动，整条价值链的重心就会移位。

以前「提效」这个词的含义是清晰的——让人干得更快、更好、更少出错。现在问题变成了：如果执行层不再是人，工业软件提升谁的效率？

更尖锐一点的问法是：如果只是优化算力、算法、模型，那和工业软件本身还有关系吗？这正是整个行业当下最真实的焦虑，也是最容易被含糊过去的地方。

技术的进步不会取消问题，只会换一个位置来考验解决者。

工业的终极目标没变：收敛不确定性。变的是达成它所必须突破的那道坎。

于是出现了一个非常刺眼的对照。主流大模型在工业相关问答上的幻觉率，在 58% 到 82%之间波动；而工业场景的容错空间是 0%。

这个区间不是「准确率还不够高」的问题，而是「错误不可接受」的问题。前者靠模型变大能解决一部分，后者是范式问题——概率生成的机制本身，无法承诺确定性。

所以结论很直接：这道坎，通用算力、算法、大模型跨不过去。它必须由「可校验的工业能力」来补。

这不是一句悲观的判断，而是一个正在被验证的技术路线。达索系统 2026 年宣布从工程设计软件公司转型为工业 AI 平台公司，推出 AI 驱动的虚拟孪生与「工业世界模型」；西门子发布 Teamcenter AI copilot；Ansys 升级 TwinAI 并推出桌面端 AI CAE 工具。方向高度一致——厂商在做的不是给软件加个聊天框，而是把内核拆成可被调用的能力。

效果也开始显现：原本需要 3 到 5 天的仿真迭代，现在数小时内即可输出多版优化方案。但要注意这条路的另一面——提速的是「算」，被重新定义的是「算完之后谁来签字」。这正是下一节要面对的问题。

邬贺铨讲过一句话：工业控制毫秒级的确定性需求，与大模型智能决策的天然随机性，构成的是底层冲突，目前尚无成熟通用解决方案。这不是工程优化能抹平的差异。

具体到能力上，通用 AI 无法自主判断四件事：

更做不到的是全流程闭环：需求拆解 → 设计迭代 → 仿真验证 → 工艺规划 → 生产排程 → 供应链协同 → 运维保障。这条链上任何一环断掉，前面所有环节的价值都要打折。

代价是真实的。以下四个案例，来自近两年的公开报道。

四条恰好对应四种失效模式：看不见物理、匹配不了因果、不掌握机理、不提示不确定性。它们的共同点很关键——都可以靠「可校验的工业能力」补上，而不是靠更大的模型补上。

还有一类风险更隐蔽：不确定性提示的缺失，本身就比模型出错更危险。当模型从不承认自己不知道，人就失去了判断该不该相信它的依据——现场那句「AI 说是对的」，在零容错场景里是最危险的一句话。

值得注意的是，这四个「无法自主判断」有一个共同特征：它们的答案不在通用语料里，而在工业体系的规则里。法规条款、材料 S-N 曲线、产线精度约束、极端工况安全边界——这些东西从来不是「聪明的通用模型」能推理出来的，它们是被写进代码、沉淀成模型、固化为准则的。达索的 CATIA 成为航空航天标配，正是因为它沉淀了该领域的设计规范、工艺要求与质量标准。

所以工业软件的护城河从来不是界面、不是流程、不是易用性——那三样恰恰是「外壳」。真正的护城河是三样东西：数学壁垒（几何内核的样条与曲面重构、求解器里数百万至数十亿方程的数值计算）、知识沉淀壁垒（工业 Know-how 的代码化）、以及生态锁定壁垒（数据格式成为行业标准，工程师数年学习习惯与工艺适配风险带来极高替换成本）。

技术变了，工业领域的核心问题变了，工业软件的定义和边界就不能固化。三个转变随之而来。

这里有一个高频混淆必须拆开：RAG 是检索校验组件，MCP 是通信协议，工业 AI Agent 是执行主体。它们都是搭建终局的钢筋水泥，不是工业软件本体。把这三者混为一谈，是当下很多讨论跑偏的起点。

终局形态：工业原生智能体操作系统（IAOS）

这套架构并非纸上推演。行业已经在动手：中望 CAx 智能体平台规划 5000 余项可组合能力单元，TmAgent 5.0 把 CAD 能力拆成 107 个细粒度工具通过 MCP 开放给任意大模型；Neural Concept 的 MCP Bridge 让 AI Agent 能直接操作 CATIA、NX、Abaqus，客户案例中轮辋几何清理从 1 天缩短到约 3 分钟。

中望总经理刘玉峰那句话说得最准：没有工业级 CAD，就没有工业级 AI+CAD。闭环逻辑是——AI 提出建议 → CAD 精准执行 → CAE 验证性能 → 工程师作出判断，四者缺一不可。注意最后一步还在人手里，但人已经不在执行层了。

从这个意义上说，工业软件的护城河正在从「代码与界面」迁移到机理模型 + 知识图谱 + 可调用能力单元 + 可信执行闭环。谁把软件能力拆成可被 Agent 调用的受控工具集，谁就有机会定义下一代工程入口。

回到最初的问题。AI 杀不死工业软件，只会杀死工业软件里那些为了适配人而存在的冗余形态。

中国工业软件市场规模已突破 3000 亿元，国产化率不足 20%；工信部规划到 2027 年突破 5300 亿元，国产替代率目标从 35% 提升至 70%。这是一个规模足够大、替代空间足够多的战场，也是一个必须靠「可校验的工业能力」才能玩得转的战场。

所以最终结论是：从来不是 AI 绝杀工业软件，而是工业软件会带着 AI，真正走进工业的深水区。