AI 最擅长给出候选，工程师最重要的能力是知道什么不能选。
研发负责人、总工程师、产品经理、工艺工程师、PLM/CAPP 建设团队。
一份图纸，为什么总能在投产后获得“第二次成长”
产品图纸在研发部门看起来已经成熟，到了工艺部门，发现某个孔位不好加工；到了采购部门，发现材料交期太长；到了车间，发现夹具伸不进去；到了售后，发现维修时必须先拆掉三个无关部件。于是，一份“最终版”图纸开始了它丰富多彩的版本生活：Final、Final2、Final_真的最终版。这不是某个人不专业，而是产品设计天然跨越需求、结构、材料、仿真、工艺、供应、质量和服务。知识散在不同系统和不同专家脑中，问题往往要等到走完后半程才被前半程看见。AI 在研发与工艺中的价值，不是凭空创造一个惊艳造型，而是让后面的知识更早到达前面。研发 AI 的本质，是扩大工程师一次决策能看见的证据范围；工艺 AI 的本质，是把经验变成可复用、可验证、可迭代的约束。
从“会搜索”开始，比从“会设计”开始靠谱
企业最容易低估的成本，是工程师花在“找”上的时间：找最新标准、找类似零件、找上一次失效原因、找某个参数为什么改过。因此，研发 AI 的第一站通常不是自动画图，而是知识助手与相似设计检索。如果助手同时引用 2019 年旧规范和 2025 年新规范，它不是博学，是没有档案意识。落地时可先选一个产品族，治理需求、设计规范、标准件目录、仿真报告、试验结果、工程变更和售后问题。再建立一批“黄金问题”，由资深工程师给出标准答案和证据，用盲测验证检索命中、引用正确和错误拒答。这件事听起来朴素，却能让专家少回答重复问题，让新人少踩已经交过学费的坑。生成式设计，不是对着聊天框说“帮我画个轻一点的支架”
参数化 CAD、拓扑优化或优化算法生成候选方案，CAE 仿真或经过验证的代理模型负责筛选，工程师审查公差、装配、材料、采购、制造和维修。大模型适合做三件事：把自然语言需求整理成结构化约束；解释方案差异；生成评审材料草稿。它不适合绕过仿真和签审，直接把一张“看起来合理”的图送去生产。几何形状流畅，不代表应力也同意。AI 加速仿真，关键不在快，而在知道快到哪里
高保真 CAE 可能一次计算几个小时甚至几天。如果要搜索成百上千种参数组合，项目周期会被算力拖住。一种实用方法是用高保真模型和试验数据训练“代理模型”。它像一位做过大量题的助教，可以在已知范围内快速估算结果，再把最有希望或最不确定的方案交还给高保真仿真。但代理模型有明确的适用域。它在某种材料、载荷和几何范围内表现很好，不代表换了材料、工况或结构仍然可靠。所以必须保存：训练范围、误差、验证工况、置信度和禁用范围。超出适用域时，模型应拒绝快速作答，让真正的 CAE 和试验重新上场。AI 加速的正确含义，不是把所有验证都变快，而是把昂贵验证集中到最值得验证的地方。工艺知识，不能只靠“把老师傅录下来”
工艺经验常被描述成“老师傅脑中的知识”。但经验真正可用，必须回答：因此，工艺知识库不是资料仓库，而是一组有关联的对象：产品特征、材料、工序、设备能力、刀具/模具/夹具、参数窗口、质量特性、缺陷、原因和控制计划。红线规则：违反就不能通过，例如资质、安全、设备能力上限。推荐规则：大多数情况下有效，但允许工程师说明理由后修改。知识一旦分级，AI 才知道什么时候可以建议，什么时候必须闭嘴。工艺路线如何辅助生成
相似件检索 → 规则过滤 → 优化排序 → 文字编排 → 工程师签审。先根据零件特征、材料、精度和批量找到已批准的相似路线；规则引擎排除设备能力不足、工序先后错误和特殊过程资质不符的方案；优化器按成本、节拍、换型和质量风险排序；大模型把结构化结果整理成工艺卡、SOP 和差异说明。批准后写入 CAPP/PLM，工程师的修改理由回到案例库。真正应该追踪的不是“AI 自动生成了多少条路线”，而是：首稿可用率多少，平均改了几处，错误有没有被提前拦住，编制周期是否下降。自动生成率很高但工程师全部重写，只能说明系统很勤快。参数推荐：先当参谋，再碰旋钮
只有在稳定工况、验证域和安全联锁内，才允许有限自动下发。模型输出不只是一个参数值，还应包括预期质量、置信度、相似历史批次和为什么推荐。开停车、换料、换模、传感器故障或工况超域时，系统自动退出建议或闭环。工业智能的成熟，不是永不退出，而是退出得及时、明确、可恢复。综合示例：一个新产品如何少走三次回头路
需求助手先发现两个验收条件不可测量，产品经理补充测试定义；相似件检索找到三款历史设计，其中一款在寒冷环境发生过密封问题；参数化设计生成若干减重候选，CAE 淘汰应力不合格方案；工艺助手发现某处加工需要现有设备无法达到的定位精度；供应数据又提示首选材料交期过长。最终方案不是“AI 设计”的，而是 AI 把需求、失效、仿真、制造与供应证据提前摆到了同一张桌上。原本可能在样机、试制和采购阶段各返工一次的问题，被压缩到设计评审阶段解决。这里最大的收益，往往不是少画几小时图，而是少走一轮昂贵的全流程回头路。怎样验收研发与工艺 AI
AI 回答的有据率、错误引用率和工程师采纳率如何？最近 3–5 个同类项目通常比“行业平均值”更适合作基线。行业平均很适合写报告，不一定认识你家的设备和产品。其实不止是机械设计，做室内、建筑与景观等等的朋友应该都清楚，效果图和施工图在以往就是两个工作流，那AI介入以后，前者自然是用生图模型，早先的stablediffusion，midjourney等等平台，乃至早期经过定向包装的arkoai、suapp等产品，直至今天的banana、image......而对于glb/obj/fbx等模型生成的平台，则是运用3D大模型，我不太了解，但是原理看起来类似于倾斜摄影/点云；而工业、施工的设计类软件则是要走截然不同的路线，偏向于vibecoding，比如说用codex/workbuddy等通过MCP来写脚本或指令，去调用设计软件（譬如ruby对应sketchup，solidworks、autocad又对应的是其他的语言），在其中完成设计任务；而可控性体现在，AI协助生成的是脚本，而脚本是相对稳定的。但个人觉得现在的难点主要在于诸位驾驶员的功底偏向于本专业，毕竟一个10年草图大师设计员或许压根不知道ruby是什么，市场在之前也未有过这种反常的需求。结语：优秀副驾驶的价值，是让主驾驶看得更远
工程设计与工艺决策包含大量可计算的部分，也包含责任、经验和对边界的敬畏。AI 可以搜索得更广、组合得更快、计算更多候选、记住更多失败。工程师则要定义问题、判断证据、承担签审，并在模型没有见过的地方保持警觉。AI 最擅长扩大选择空间，工程师最重要的能力是缩小风险空间。
下一篇进入生产管理。我们会解释为什么智能排产绝不是让大模型猜明天生产什么，以及订单、设备、物料、人员、仓储、安全和能源如何形成一套真正可执行的协同。互动话题：研发和工艺工作中，你最希望 AI 帮忙的是找资料、做方案、跑仿真，还是写工艺？
夜雨聆风
