ARTICLE · 1306586
上集技术篇|AI撬开工业软件黑盒:不是抄,是“再学会一遍”
☝️点击蓝字关注，选择设为星标⭐
穿透AI迷雾，找到落地锚点。
- 上海交大用MiniMax做了件大胆的事，它未必终结卡脖子，但重新定义了国产替代的路径
工业软件这块硬骨头，中国啃了二十多年，始终不容易。
CAD、CAE、CAM，航空、造船、汽车、能源，几乎所有高端制造业都离不开它们。
真正难的不是做出一个操作界面，而是藏在背后的求解器、物理模型、数值算法，以及几十年工程实践积累下来的技术细节。
一款成熟工业软件，可能有数万个函数。
每个函数背后，都可能藏着工程师多年积累的判断。
没有源码，想把它重新做出来，过去几乎是一场漫长的逆向工程。
但最近，上海交通大学孔令和团队的一项研究，提供了一个值得关注的新思路：
借助国产大模型MiniMax，对一款美国仿真软件约3万个函数中的5000个核心函数进行AI辅助再工程。
不是简单翻译代码，也不是逐行照抄。
而是尝试让AI先理解原有程序的功能和设计逻辑，再重新生成实现代码，并通过测试进行验证。
这件事真正值得关注的，不是又多了5000个函数，而是：
AI开始尝试帮助后来者重新学习工业软件中沉淀的工程知识。
一、从逆向工程到再工程：AI改变了什么？
传统逆向工程，像是拿到一道没有答案的数学题。
你只能从最终结果反推解题过程。
面对复杂的工业软件，工程师需要分析程序结构、调用关系、参数含义，甚至通过反编译理解二进制程序的行为。
这件事不仅耗时，而且容易陷入细节。
更麻烦的是，代码可以通过逆向工程看见，设计意图却未必看得见。
一个变量为什么这样定义？
一个分支为什么要保留？
某个算法为什么在特定工况下采用特殊处理？
这些往往不是注释能够解释清楚的。
AI辅助再工程的思路，则有所不同。
它大致可以拆成三个环节。
第一步：读懂黑盒。
利用大模型分析函数逻辑、调用关系、参数含义和程序行为，尝试推断代码背后的功能与设计意图。
对于工业软件而言，重要的不只是知道代码做了什么，还要理解它在解决什么工程问题。
第二步：生成式重构。
在理解功能和行为的基础上，重新组织代码，实现相应功能。
这不是逐行翻译，而是尝试用新的实现方式完成原有任务，同时改善代码结构、可维护性和部分性能表现。
第三步：多Agent交叉质检。
让不同智能体承担生成、逻辑检查、差异测试等任务，通过多个环节相互验证，降低单个模型生成错误的风险。
这里最值得关注的是第一步。
AI不只是翻译器，而是开始尝试理解代码背后的工程意图。
例如，一个求解器为什么要在特定边界条件下增加修正项？
某个迭代算法为什么要采用这样的收敛策略？
这些可能是工程师经过多年实践才形成的经验。
如果AI能够从代码和程序行为中提取其中一部分隐含逻辑，工业软件的学习方式就可能发生巨大的变化。
过去，后来者需要花很长时间从头摸索。
现在，AI有机会帮助他们更快理解已有成果，再以自己的方式重新实现。
这才是这项研究真正值得关注的地方。
二、为什么值得兴奋？因为工业知识的获取成本可能下降了
工业软件的壁垒，从来不只是代码。
它更像一座冰山。
水面上是程序、函数和界面；
水面下是数学模型、物理规律、工程数据、异常处理和长期验证经验。
过去，这些知识高度依赖少数专业工程师，学习成本非常高。
AI辅助再工程如果能够持续成熟，就可能改变这一局面。
至少有三个方向值得期待。
一是缩短技术追赶周期。
过去需要工程师逐个分析的代码逻辑，现在可以借助AI进行批量分析和辅助重构。
这不意味着AI可以替代工业软件工程师，而是让工程师有机会把更多时间放在算法设计、模型验证和复杂问题处理上。
二是降低工业知识的迁移成本。
一些成熟软件中积累的算法思想、接口行为和工程处理经验，有机会被更系统地分析和整理，为科学智能、动态系统仿真等领域提供新的研究基础。
三是改变工业软件的竞争方式。
当代码理解和重构成本下降，单纯依赖代码封闭构建的技术壁垒可能受到冲击。
未来更难复制的，可能是经过大量真实工况验证的算法、数据、模型，以及与行业深度结合的工程体系。
换句话说：
代码可以重新写，工程可信度却不是靠重新写代码就能得到的。
三、先别急着喊“国产替代成功”
这件事有想象力，但距离真正的工业软件替代，还有很长的路。
至少有三盆冷水需要泼下来。
第一盆：5000个函数，只占约3万个函数的六分之一。
剩下的2.5万个函数，并不意味着都是无关紧要的边角料。
复杂工业软件往往存在高度耦合的系统结构。
一个函数看起来很小，背后可能依赖大量历史逻辑、数据结构和其他模块。
重构一部分核心函数，不等于重构了整个软件。
第二盆：功能相似，不等于工程可信。
仿真软件最危险的情况，不是算不出结果，而是算出了一个看起来合理、实际却错误的结果。
数值精度、边界条件、极端工况、长期迭代稳定性，任何一个环节出现问题，都可能影响最终工程判断。
因此，所谓性能比肩、功能对齐，还需要更广泛的独立基准测试和真实工程场景验证。
第三盆：代码开源，不等于产业生态形成。
工业软件不是几个函数的集合。
它还需要经过验证的算例库、行业认证、上下游兼容、用户习惯、技术支持和长期迭代。
GitHub上有代码，只是有了一个起点。
距离企业敢用、工程师愿用、重大项目能够放心用，还有很长的路。
四、真正的国产替代，不是把别人的软件再写一遍
这才是我认为这项研究最值得思考的地方。
过去谈国产工业软件，容易陷入两种思路：
一种是从零开始，什么都自己做。
另一种是尽可能模仿国外成熟产品，先把功能做得一样。
前者周期太长，后者容易陷入追赶陷阱。
AI辅助再工程，提供了第三种可能：
先借助AI降低学习和重构成本，再把节省下来的时间投入自己的技术体系建设。
但这条路至少要走过四道关。
代码能力，只是第一关。
接下来要形成自己的算法和物理模型，建立自己的工程验证体系，最终培育能够持续迭代的产业生态。
这四个环节缺一不可。
如果只是把别人的代码重新写一遍，我们得到的仍然是别人的技术体系。
如果能够借此理解问题、积累经验、改进算法，最终形成自己的模型、数据和工程标准，才算真正迈出了自主创新的一步。
这也是AI给工业软件国产替代带来的最大机会。
不是让我们更快地复制别人，而是让我们有机会更快地走出自己的路。
机器智能之声
这次上海交大的研究，当然还不足以宣布工业软件卡脖子问题已经解决。
但它至少释放了一个值得重视的信号：
过去，工业软件的技术积累很大程度上依赖人的长期学习和经验传承；
现在，AI开始参与这个过程。
撬开黑盒，不等于掌握了全部技术。
但如果能够借助AI，把理解、重构和验证的成本降下来，后来者就有机会站到一个更高的起点上。
撬棍已经有了，真正的考验，是能不能用它打出自己的地基。
🔽下集预告｜11月5日
把闭源工业软件的核心函数重新实现，然后公开发布到GitHub。这件事到底合不合法？
AI把“读原代码”和“写新代码”放进同一个工作流，传统净室原则还管用吗？
开源是不是免死金牌？
企业又该如何建立AI时代的研发合规机制？
下一集，我们不谈技术有多燃，专门聊聊它背后的法律边界。
有能力做到，和有权利这么做，从来不是一回事。
点击文末“阅读原文”，可看到相关报道。
声选精华｜机器智能时代值得收藏的声音：
2026年，第一批因AI项目失败而“背锅”的CIO，已经出现了
按效果付费+1元买断AI核心产权？恒丰银行这招“反套路”绝了
【云端猎人：国资数字化反腐风暴系列合集】那个在云端“捞钱”的 IT 大虎，被我们的四篇干货“闭环”了
-都看到这里了，点一个【转发】呗-
