夜雨聆风今年春天，一家叫卡伦特的国产 CAD 厂商在北京发了一款工具，叫"创模 AI"。你不用再学半年建模命令，只要用文字说清楚想要什么，或者丢一张参考图，它就能直接给你生成三维模型。
同一个月，浩辰软件在西安发布了 CAD 大模型 LCM。官方给出的数字很夸张：图纸重生成效率提升 7.6 倍，开图速度翻番，内存管理优化 8 倍。
再看中望。它的悟空几何内核新版本，已经能做汽车覆盖件、航空发动机叶片这种高端复杂曲面了。这意味着国产三维 CAD，第一次摸到了"大国重器"研发的边。
消息一个接一个，很容易让人产生一种错觉：中国工业软件被卡了几十年的脖子，是不是终于要被 AI 一把扯开了？
上一篇我们聊过，中国工业软件为什么几十年没真正做出来——算法代差、生态封锁，还有对知识产权那种骨子里的不敬。那篇文章的结尾我泼过一盆冷水：别指望一个 AI 模型来当救世主。今天就把这句话展开，讲清楚它到底是不是真的没救。
我的结论先放在这里：AI 是工业软件的加速器，不是平移器。它在某一层能帮你把差距追平，但在另外两层，它撞上的是物理定律和几十年积累的铁墙。
第一层：交互层，AI 真把门槛削平了
这一层，我是乐观的。而且乐观得有依据。
工业软件过去最大的门槛，不是软件贵，是软件难用。一个机械毕业生要练半年以上才能独立出图，资深仿真工程师的培养周期是按年算的。工具把人挡在了门外。
AI 改的是这件事。大模型最擅长的能力，是把"人的意图"翻译成"机器的语言"。而画图，本质上就是把设计意图翻译成几何。
卡伦特的创模 AI、浩辰的 LCM、中望的文生模型，干的都是同一件事：让你用自然语言描述需求，系统自动生成符合工程规范的三维模型，甚至顺手把结构优化、受力校验、工艺适配都做了。
行业数据说得更直接：AI 辅助的 CAD 设计，完成速度快了 31%，绘图生产力提升 40%。以前资深设计师花几天做的复杂零件建模，现在普通工程师输入一句话，几分钟出好几个备选方案。
这背后的角色变化才是关键。大连理工郭旭教授打了个比方：传统工业软件里，工程师是蹲那儿算题的；智能工业软件里，工程师变成了出考题的。
工程师从"执行者"变成"决策者"和"审核者"。这个变化是真实的，也是不可逆的。在交互这一层，国产软件和达索、西门子站在了同一起跑线——因为大家都要重新学怎么跟 AI 说话，谁也没有老本可吃。这一点最容易被忽视，却最致命：当用户习惯被重新定义，后来者第一次有了从零培养自己生态的机会。
第二层：求解器层，AI 撞上了物理的铁墙
但到了求解器这一层，故事完全不一样。
CAD 处理的是几何，几何恰好是 AI 擅长的生成领域。CAE 处理的是方程——流体的 Navier-Stokes、结构的有限元、热传导的偏微分方程。这些方程的特点是：解是唯一的、确定的、可验证的。
AI 在这里能做什么？它能用推理模型去"近似"求解，把原本要跑一夜的仿真压缩到几分钟。PhysicsX、nTopology 在做这个，国内也有一堆团队在做"神经求解器"。
但它不能替代求解器本身。原因很硬：AI 是概率的，物理是确定的。
你可以让 AI 猜一个近似解，但最终在那个分析报告上签字、告诉你"应力集中在这里，安全系数 1.8，通过"的，必须是那个确定性引擎。中国科学院院士陈十一说得更狠：纯数据驱动的 AI，天然存在"能量不守恒、物体相互穿透、外推失败"的物理缺陷。也就是说，它可能给你算出一个永动机，或者让两个零件穿模，或者你的问题稍微超出训练分布它就彻底失灵。
Zoo.dev 有句话总结得很准："AI 是起跑者，不是撞线者。"
更冷静的一个判断来自行业里做"仿真 Copilot"的人：现在市面上大量 Physics AI 的叙事，本质是为了好融资、好传播。"仿真从几小时变成几秒"，这个指标太好讲了，适合给投资人做 demo。但真正稀缺的从来不是单次计算速度，而是资深仿真工程师的判断力——边界条件对不对、载荷路径真实不真实、结果有没有和试验闭环。这些，AI 替代不了。
EDA 这一层最能说明问题。芯片设计可能是 AI 渗透得最深的工业软件领域——新思科技的 DSO.ai 能用强化学习自动搜索最优的芯片布局布线，把工程师几周的活压缩到几天。看起来很猛。但你要看清它处在哪：它优化的是"在物理规则和设计约束下的搜索空间"，底层那套半导体物理、时序收敛、可制造性校验，依然是不可动摇的确定性引擎。AI 在这里是优秀的搜索者，不是规则的制定者。一旦到了先进制程的物理极限，拼的还是对器件物理的理解，那恰恰是需要几十年试错积累的东西。
所以这一层的真相是：AI 能帮 CAE 提速，但填不平那个由百年物理积累筑起的护城河。谁掌握确定性求解器，谁就握着工业软件的命门。这一点，对国产和欧美，是同样公平、也同样残酷的。
第三层：生态层，AI 动不了几十年的老本
很多人以为，工业软件卡脖子是因为算法不行。算法当然重要，但真正让人绝望的是生态。
西门子、达索、Ansys 的护城河，是几十年里把全球最头部的工厂、最复杂的工艺、最严格的行业规范，一点点封装进了软件。MES 封装了车间排产和追溯，PLM 封装了从设计到报废的全生命周期，EDA 封装了芯片设计制造测试的全流程。这些不是代码，是"行业 Know-How 的数字化结晶"。
工程师用熟了 SolidWorks，他的肌肉记忆、他的模板、他带的学生、他司的协作流程，全绑在这套软件上。你换个国产的，他要重新学，他的历史项目打不开，他的同事接不上。这种切换成本，不是 AI 加个智能按钮就能抹掉的。
更要命的是，别人也没睡觉。从 2025 到 2026 初，AI Agent 的爆发一度让部分国际企业级软件公司市值大幅下挫，从业者集体焦虑：是不是要被 AI 替代了？但你看西门子、达索、Ansys 的实际动作——它们不是慌了，是重金把 AI Agent 叠在了自己的护城河上。AI 是普惠技术，欧美巨头一样能用，而且它们有更多的历史数据和客户场景去喂。你指望 AI 当奇兵去掀翻人家的生态，人家转头就把 AI 变成了守城的弩炮。
这一层给国产的启示很苦涩：生态是时间堆出来的，AI 压缩不了这个时间。该一家家客户啃、一个个场景打磨，一样都省不了。
那弯道超车还有戏吗？有，但换了个赛道
讲到这儿，可能有人要泄气：三层里两层填不平，那还超什么车？
我的判断是：有戏，但超车的方式，不是很多人想象的那样——不是"训练一个大模型把 Ansys 干掉"，而是换了一条更朴素的赛道。
关键在一个词：燃料变了。
老派工业软件吃的是代码加公式，谁先写、谁占坑，所以欧美先发优势滚了四五十年。AI 大模型吃的是高质量的真实工业数据，谁工厂多、谁场景真实，谁占便宜。
风水这事，真转了一点。全球差不多三成的制造业增加值来自中国工厂。每天几千万台机床、注塑机、产线在跑，不停产出带着现场真实信息的工业数据。以前没算力消化，大多流走了；现在这些"养料"能喂给国产 AI 物理模型。黄仁勋年初说物理 AI 能重塑制造和物流，价值到 50 万亿美元——这块蛋糕，中国分到的原料是最足的。
这条路上有几个实在的进展：
合肥中科大孵化的九韶内核 AMCAX，2024 年 4.0 发布填补国内空白，2025 年 5.0 被工信部认作国际先进，已经用在了国产大飞机气动外形和汽车车身上。它的打法很"笨"也很对：基础算法全自研，一行行写；把初版直接扔真实工业场景里"挨打"，按一线反馈反复改。在浙江台州黄岩——中国模具之都，同样的内核加 AI 设计平台，把传统要半个月的复杂模具设计压到了四个小时。这不是 PPT 上的指标，是产线上的真事。
云原生让中国能跳过 legacy 架构。浩辰的 CAD Cloud、3D Cloud 直接上浏览器端协同，多人同图设计。在云和 AI 这条新起跑线上，没有谁背着二十年单机软件的包袱，大家都是新账。
国家层面也在搭台。工信部年初启动"AI+软件"专项行动，武汉、大连、西安等六个工业软件中试验证平台联动，跨行业共享场景做验证。
写在最后
所以回到标题那个问题：中国工业软件，能靠 AI 弯道超车吗？
我的答案是——能，但请先把预期校准。
AI 不会凭空长出一个能替代 Ansys 的求解器，也不会一夜之间拆掉西门子几十年的生态城墙。它真正能做的，是在交互层把使用门槛削平、在算力层把仿真提速、在燃料层用中国工厂的真实数据，喂出一套欧美没有的工业智能。
对做工业软件的人，超车路线其实很清晰，三步：
第一，死磕自主内核，别在求解器上偷懒。 九韶、悟空证明了内核能自研出来，这条路没有捷径，必须一行行写、一次次在真实场景里"挨打"。凡是想用"套个 AI 外壳"绕过内核的，最后都会卡在高端市场门外。
第二，深耕垂直行业，用中国工厂的场景和数据养模型。 燃料已经变了，谁的工厂多谁占便宜。模具、电解铝、汽车零部件这些中国最卷的现场，恰恰是最肥的训练场。别一上来就想做通用大平台，先在一个行业里把"数据—模型—验证"的闭环跑通。
第三，押注云原生和 AI-native，别在别人铺好的旧轨道上追。 单机软件的包袱欧美背了二十年，中国没有。直接在浏览器和智能体这条新起跑线上重画架构，反而能绕过 legacy。
对用工业软件的人，心态也要换：把 AI 当副驾驶，别当司机。它出方案、它提速、它查错，但最后那个签字放行的，还得是你。
弯道不是捷径。它只是给了后发者一个，重新起跑的机会。
