夜雨聆风年初，GLM5 发布。
这件事对软件行业的冲击，到现在还能感受到。做应用软件的，一夜之间被推到了"必须用 AI 重做"的境地。代码、文档、UI、测试，几乎所有环节都被 AI 重新定义。
但 AI 跟工业软件本身的结合，情况不太一样。
工具类软件，尤其是 CAD/CAE/CAM，不像消费类应用那样"说变就变"。它们要保证确定性、稳定性、可靠性，毕竟买它是为了真刀真枪干工程，不是看个花架子。
AI 到底怎么和这些工具结合，行业里一直不明确。有人说"AI 会重新定义 CAD"，有人说"AI 在工业场景里没有用"。两种说法，好像都有道理。
国际大厂：已经不是在"试"了
达索系统的 3DEXPERIENCE 平台，AI 辅助建模、知识工程，这些不是 PPT 概念，是有产品的。西门子去年完成对 Altair 的收购（100 亿美元），整合进 Xcelerator 平台，在 AI for simulation 上有具体产品。新思科技去年完成对 ANSYS 的收购后，Ansys SimAI 在仿真领域已经能用，2026 R1 还扩展了 AI 产品线。Autodesk 的 Fusion360，AI 辅助设计功能也早就在产品里了。
从国际主流厂商的做法可以看到：AI 进入工业软件，不是"要不要做"的问题，是"怎么做深"的问题。大厂的判断很一致——这不是短期风口，是中长期投入。
国内厂商：起步晚，但在追
中望、数码大方、华天软件等国内 CAD 厂商，今年都开始把 AI 能力集成进产品。中望 CAD 2026 做了 AI 智能改图，数码大方的 CAXA CAD 做了 AI 图纸识别，华天软件的皇冠 CAD 2026 发布了"华小云"AI 智能助手。起步比国际大厂晚，但在追。
这里有个值得注意的地方：国内厂商的 AI 功能，目前大多集中在"辅助"层面——画图辅助、识别、推荐。真正把 AI 做到内核层的，还很少。
客户和厂商，对 AI 的期待有错位
厂商在讲"AI 赋能设计""AI 驱动仿真"。用户关心的则是“能不能让我少改几遍图”“别总让我重复做同样的事”。
这两种期待不是一回事。
厂商讲的那套，用户觉得"听起来很厉害，但跟我明天要解决的问题有什么关系？"用户关心的问题，厂商不一定听得进去——因为太碎片化，不容易做成标准产品。
这个错位，短期内不会消失。但它也意味着，谁能把用户的真实问题先解决了，谁就能占住位置。
大模型能做和不能做的，边界在哪
体验了用AI辅助工具+大模型写代码，确实惊艳。写脚本、写插件、写应用功能，这些事AI现在干得不错。
但让大模型"直接生成一个可以用在航空发动机叶片上的三维模型"——这件事现在做不到，短期内应该也很难做到。不是模型不够大，是工业模型对精度、可制造性、规范符合性的要求，不是"生成一张图"就能解决的。
边界在哪儿？凡是"有明确规则、有明确评判标准"的事，AI 接得住。凡是"需要工程判断、需要对后果负责"的事，AI 现在接不住。
这个边界，决定了 AI 在工业软件里的角色：它不是替代工程师，是让工程师把时间花在更需要判断的地方。
AI + 工业软件，目前主要在做什么
第一类，AI 辅助建模与设计。草图推荐、特征推荐、建模意图理解，这些功能在商用 CAD 里已经能看到。本质是"你画到一半，我来猜你想画什么"，猜对了就帮你省时间。这件事目前做得比较成熟，因为输入和输出都比较明确。
第二类，AI 驱动的参数优化与生成式设计。给定约束条件，让 AI 生成多组设计方案，工程师来选。这件事在结构优化、拓扑优化领域已经有落地案例，但离"大规模日常使用"还有距离。
第三类，大模型辅助写脚本和二次开发。Catia、NX、Creo 都有自己的脚本语言或 API，以前要翻文档、查论坛，现在直接问大模型，大部分时候能给出能跑的代码。这是目前落地最快、反馈最明确的方向。
第四类，知识管理与智能问答。把企业内部的设计规范、工艺知识、历史项目经验，做成可以问答的知识库。这件事的难点不在 AI，在于知识的结构化——很多企业的知识在设计员的脑子里，没有结构化，AI 也用不了。
第五类，也是最核心的一类：直接用 AI 生成三维几何模型（B-Rep）。这件事学术界有人在做了，工业界也在看，但离落地最远。
为什么 AI 直接生成模型这件事很难
"AI 直接生成三维模型"这件事，拆解开来看，有三个方面的难点。
第一关是表示层。三维模型在计算机里怎么表示？B-Rep（边界表示）是目前工业软件的主流表示方式，但它有一套复杂的拓扑数据结构——面、边、顶点、环、壳，彼此之间有严格的连接关系。大模型擅长处理的是"序列"——文本是序列，代码是序列。B-Rep 不是序列，是图。怎么把 B-Rep 表示成大模型能处理的格式，学术界现在有三种路线：图神经网络、把 B-Rep 序列化成类似代码的表示、直接用自然语言描述几何。这三种路线各有优劣，目前没有收敛到某一种。
第二关是生成层。假设表示问题解决了，大模型能生成 B-Rep 了，生成出来的东西质量怎么样？目前能生成简单零件，复杂零件的拓扑一致性和几何精度还做不到稳定。这不是"模型不够大"的问题，是训练数据的问题——工业模型的数据量，跟自然语言的语料比，差了好几个数量级。
第三关是可控层。这是最难的一点。工程师用 CAD 软件建模，不是"生成一张图"就完了，是要能改、能参数化驱动、能追溯建模历史。AI 生成的模型，如果是一坨 B-Rep，没有特征树、没有参数化关系，工程师拿到手也没法用。这一点，目前还没有特别好的解法。
当然，以上是基于目前主流建模方式的角度进行的思考，至于AI 是否能产生全新的建模范式，这是后话，暂且不论。
