AI正在重写制造业最难啃的一块骨头:工业软件

中国制造有很多已经做到全球前列的产业，但有一块长期显得格外特殊：工业软件。

一边是全球最大的制造业体系之一，另一边却是在高端研发设计、建模仿真等核心环节，依然存在大量需要追赶的基础软件。8月15日，首届AI赋能工业软件创新生态大会在苏州举行。现场一个反复出现的判断是，人工智能带来的机会，可能不只是给现有工业软件增加几个AI功能，而是从底层重新思考工业软件应该怎样开发、怎样使用。大会还发布了工业软件中试验证测评体系与高质量案例集，目前已形成700余套工业软件高质量测评案例。

这件事真正值得关注的地方，并不是又多了一场“AI+工业软件”大会。

而是一个过去很难成立的问题，现在开始值得认真讨论：

如果下一代工业软件本身发生了范式变化，中国还需要完全沿着国外厂商过去几十年的路径追赶吗？

工业软件最难复制的，从来不是代码

很多人容易把工业软件理解成制造业版本的Office。

但CAD、CAE、仿真、工艺设计等工业软件真正昂贵的部分，并不只是程序本身。一套成熟软件背后，往往沉淀着数学模型、数值计算方法、物理机理、工程经验以及几十年真实工业项目的反复验证。

这也是工业软件与普通互联网软件最大的区别之一。

一个互联网产品可以快速上线、快速迭代，某个按钮不好用，下一个版本改掉就可以了。但如果一套仿真软件对飞机结构、汽车碰撞或者复杂流体的计算出现偏差，问题就不是“用户体验不好”，而是设计结果本身可能失去可信度。

苏州此次大会上，相关专家把工业软件长期追赶困难的根源指向基础数学、数值计算、建模仿真和算法体系的长期积累。换句话说，工业软件真正的壁垒并不是“别人写了1000万行代码，我们再写1000万行”，而是大量工业知识已经被固化进软件内部。

因此，过去国产工业软件最难的一件事，就是必须在别人已经走了几十年的轨道上继续追。

而AI第一次让这条轨道本身出现了变化。

AI不是给工业软件加一个聊天框

今天很多软件谈AI，最容易想到的是加入一个Copilot。

工程师输入一句自然语言，AI帮助找功能、写脚本、生成参数。

这当然有价值，但如果工业软件的AI化只做到这里，它改变的只是交互方式，而不是产业格局。

真正更值得关注的是AI原生工业软件。

今年国家自然科学基金委发布的相关重大研究计划，已经明确提出探索“智能化软件新范型”，其中工业软件方向包括工业知识统一建模、领域知识与AI模型协同驱动、低代码开发，以及工业软件核心构件、Agent、知识库和模型库等。

这意味着工业软件未来可能发生三层变化。

第一层是软件怎么被开发。AI生成代码、辅助测试和自动构建模块，可以降低传统工业软件漫长的研发成本。

第二层是工程师怎么使用软件。过去一个工程师需要熟悉复杂菜单、参数、建模规则和工作流；未来他可能更多描述设计目标和约束，由AI帮助调用不同工具完成一系列操作。

第三层则更加激进：

软件开始从“工具”变成“Agent”。

工程师不再一步一步告诉软件怎么操作，而是告诉系统：“把这个零件减重10%，但强度不能下降，并满足制造成本要求。”

然后AI自己调用建模、仿真、优化和验证工具，不断尝试方案。

如果这一层真正实现，工业软件的人机交互逻辑就会发生变化。

这才是所谓“换道”的真正含义

所以AI给国产工业软件带来的机会，并不是一个中国模型突然把国外工业软件“干掉”。

这种理解过于简单。

真正的机会是：

当工业软件的产品形态发生变化以后，上一代软件积累的优势未必能够100%平移到下一代。

桌面软件时代，最重要的壁垒可能是庞大的功能模块、用户习惯和文件格式。

AI原生时代，新的竞争力可能逐渐增加：

工业知识库有多完整？

AI能不能正确调用工具？

能不能理解复杂工程约束？

一个Agent能不能跨越CAD、CAE、PLM等多个系统完成任务？

过去需要几十次人工操作的工作流，能不能变成一次自然语言任务？

这就是“范式替代”和“国产替代”最大的区别。

国产替代回答的是：

“国外已经有一个软件，我们能不能做一个？”

范式替代问的却是：

“下一代工业软件为什么还要长成今天这个样子？”

这对后来者显然更加有利。

中国制造最大的筹码，可能恰恰是“工厂多”

但AI原生工业软件还有一个关键条件：场景。

通用大模型可以在互联网上学习文本，但工业AI真正需要的数据，很多并不存在于公开网络。

飞机怎么设计、机床为什么振动、某种材料在特殊工况下怎样变化、一个零件经过十几道工序以后为什么产生缺陷——这些数据藏在工厂、实验室和工程师几十年的项目里。

这也是苏州这次强调“场景开放”和“中试验证”的原因。中国商飞、中石油等企业以真实产业问题参与，工业软件企业则可以把制造场景变成模型和软件的测试场。

中国制造在这里拥有一个非常特别的优势：

足够多、足够复杂、足够真实的工业场景。

过去庞大的制造业规模主要意味着产能。

AI时代，它可能同时意味着另一种资源：

训练工业智能的场景。

这也是为什么国家今年推出的“人工智能+制造”政策，不只是强调模型，还把中试验证、工业软件、工业智能体和真实制造场景同时放在一起。官方文件明确提出推动AI与工业软件深度融合，并发展能够进行任务规划、调用工具、与工业系统交互的工业智能体。

但AI绕不过工业软件最难的那堵墙

当然，“换道”不等于“捷径”。

AI可以降低代码开发成本，却不能凭空创造正确的物理规律；可以帮助生成仿真方案，却不能因为模型说“结果正确”，工程师就直接相信。

工业软件最核心的一件事始终没有变化：

可信。

这也是AI进入工业软件以后，反而会更加突出的问题。

大模型具有概率性，但工业设计大量场景要求确定性；AI可以产生一个看起来合理的答案，但飞机、汽车、芯片和大型装备需要的是经过验证的答案。

国家自然科学基金委的研究计划也专门把智能化软件的非确定性、可信性和全生命周期质量保障列为核心研究问题。

所以AI不会让中国工业软件突然跳过数学、物理、工程机理和验证体系。

这些“苦功夫”仍然要补。

AI真正提供的是另一种可能：

过去我们一边补课，一边追赶别人已经非常成熟的软件形态；未来，我们可能一边补基础能力，一边参与定义下一代工业软件长什么样。

这两件事完全不同。

工业软件的下一场战争，可能不再发生在菜单栏里

过去几十年，工业软件的竞争很大程度围绕功能展开。

谁的模块更多、谁的算法更成熟、谁覆盖的行业更广。

AI进入以后，新的竞争可能越来越围绕一个问题展开：

谁能让工程师用更少的操作，完成更复杂的工程任务。

软件依然重要。

数学依然重要。

工业知识甚至会变得更加重要。

但人与软件之间的关系可能被重新定义。

过去是：

工程师学会怎么操作软件。

未来则可能变成：

软件逐渐学会工程师到底想解决什么问题。

新质科技认为，这才是AI之于国产工业软件最大的想象空间。

它不是给中国工业软件送来了一张“弯道超车券”，更不是让几十年的产业差距一夜消失。

真正的机会在于：

当工业软件迎来下一次技术范式迁移，中国第一次有机会不只是追赶一套已经成熟的规则，而是参与定义新的规则。