夜雨聆风
一、看图这件事，到底难在哪
拿到一张非标零件的3D图档，工艺老师傅会怎么做？
他不会从头到尾"读"这张图。他的眼睛会在图上快速跳转：先看整体结构，再扫孔位、槽位、凸台、曲面，心里已经有了大致判断——这个零件要用哪几台机、哪几道工序、哪里是加工难点、哪里容易出良率问题。
这个过程叫"看图"。它看起来简单，实际上是制造业最依赖经验的环节之一。老师傅看的不是线条和尺寸，而是线条背后的加工语义——每个几何特征意味着什么工艺、什么成本、什么风险。
让AI"看懂"图纸，难的不是识别线条，而是理解这些线条背后的加工含义。这也是"AI理解物理世界"这道前沿命题在制造业最落地的切面之一。
二、第一步：几何特征识别
报价智能体的第一步，是让AI"看到"图纸上的几何特征。系统能够自动识别以下结构特征：
孔类：圆孔（盲孔/通孔）、方孔（盲孔/通孔）、垂直异形孔
面类：加工面数量、曲面
结构类：槽、凸台（凸清台）、垂直角
体积类：移除体积
图1：系统对零件几何特征的自动辨识
这些特征不是简单的几何分类。每个特征都携带加工信息,或者叫最小制造单元：盲孔和通孔的工艺不同，方孔和圆孔的刀具不同，曲面的加工策略和平面完全不同。AI识别的不只是"这里有个孔"，而是"这里有个盲孔，深度比是多少，需要什么刀具，加工难度在哪个级别"。
三、从"看到"到"看懂"：理解加工难点
识别特征只是第一步。更关键的是，系统要通过几何算法理解零件的加工语义。
在模具报价场景中，系统会进一步识别：
分型面识别：判断模具的分型面位置，直接决定模具结构复杂度
型腔/型芯区域：识别哪些区域是型腔、哪些是型芯，影响加工方式选择
侧扣结构：识别需要侧抽芯的结构，影响模具结构和工序安排
尺寸与公差：识别关键尺寸和公差要求，影响精度等级和加工成本
结构复杂度评估：综合评估零件整体复杂度
加工难点识别：定位加工难度高的区域，预判风险
图2：解析识别阶段——通过几何算法识别结构特征，理解加工难点
这一步的本质，是把老师傅"扫一眼就知道哪里难加工"的经验，转化为系统可计算的复杂度模型。老师傅靠的是直觉和经验积累，系统靠的是几何算法和工艺知识库的联合推理。
四、特征→工艺：知识库的匹配
"看懂"之后，下一步是"判断"——每个特征应该用什么工艺来加工。
这一步依赖工艺知识库，它包含五个子库：
标准工艺库：各加工方式的标准流程
工序库：工序定义和工序间逻辑关系
刀具库：刀具规格、适用场景和寿命参数
加工参数库：转速、进给、切削深度等参数
材料库：材料特性、加工性能和成本信息
系统将识别出的特征匹配到对应工艺。产品资料中列出的可匹配工艺覆盖范围包括：钻孔工艺、CNC冲压工艺、磨床工艺、CNC多轴工艺、备料工艺、电火花工艺、表面处理工艺、慢走丝工艺、CNC铣床工艺、锻造工艺、CNC车床工艺。
图3：特征辨识与工艺匹配——从几何特征到加工工艺的映射
这不是一张静态对照表。同一个特征，根据材料、精度、数量不同，匹配的工艺可能完全不同。系统会结合上下文动态调整——这正是"行业知识封装"的价值所在。
五、为什么特征识别是核心技术壁垒
产品资料将"独创的特征识别"列为三大核心技术壁垒之首，并标注为"国内首创"。
为什么特征识别这么难？
第一，非标零件的特征组合几乎是无限的。 标准件可以查手册，非标件每一张图都是新的。系统必须能处理任意特征组合，而不是只能识别预设的几种模板。
第二，特征之间有交互关系。 一个孔旁边有个槽，加工顺序就变了；一个曲面连着凸台，刀具选择就不同。系统不能孤立识别每个特征，还要理解特征间的空间关系和加工先后逻辑。
第三，识别精度直接影响报价准确性。 漏识别一个特征，可能漏算一道工序的成本；误判一个特征的类型，可能选错工艺路线。特征识别是整个报价链的起点，起点错了，后面全错。
这也是为什么深工院将特征识别+行业知识智能体+高效数据分析并列为三大壁垒——特征识别是入口，行业知识是推理引擎，数据分析是校准机制。三者缺一不可。
六、从"看图"到"懂图"
回到开头的问题：AI怎么"看懂"一张3D图纸？
答案不是让AI学会"读图"——那只是第一步。真正的跨越是让AI理解图纸背后的加工语义：每个特征意味着什么工艺、什么成本、什么风险、什么先后顺序。
这套特征识别技术的意义在于：它把"看图"这件事，从依赖个人经验的"手艺"，变成了系统可执行、可复用、可持续优化的"工程"。
老师傅看图靠直觉，系统看图靠算法。但殊途同归——最终都要回答同一个问题：这个零件，到底要花多少钱做出来。