作者：张春光

底层，技术边界论

论AI 的能力圈与工业软件的“不可逼近层”

本章核心问题：AI 的能力边界在哪里？工业软件的几何内核、物理求解器、工程数据库等核心层，哪些是AI 无法逾越的“护城河”？这些边界是静态的还是动态迁移的？

边界分析的框架：从“功能平替”到“本质探寻”

在探讨AI 与工业软件的边界时，首先需要厘清一个方法论前提：边界分析不能停留在“AI能做什么”的功能罗列，而必须深入到“AI在什么意义上能做”的本质探寻。

传统的边界讨论往往陷入一种粗放的二分法——要么认为AI 将很快取代一切，要么认为工业软件的专业壁垒“AI 永远攻不破”。这两种极端都缺乏分析粒度。本章提出一个三层分析框架：

1.表层（交互层）：AI 能否改变人与工业软件的交互方式？

2.中层（流程层）：AI 能否自动化传统的工程工作流？

3.底层（核心层）：AI 能否替代，重构或超越工业软件的数学与物理引擎？

前两层是AI 当前已经展现显著能力、且边界正在快速扩展的领域；第三层则是工业软件真正的“护城河”所在，也是本章分析的重点。这一分层框架的意义在于：承认AI在表层的强大，并不等同于承认AI在底层的颠覆——反之亦然。

CAx 的几何内核：AI的“空间理解”与精确几何表达的天然鸿沟

2.1 几何内核的本质：从NURBS到B-rep的确定性表达

几何内核是CAD 软件的“根技术”，也是工业软件最底层的护城河之一。以Parasolid 和ACIS 为代表的主流几何内核，其核心是边界表示（B-rep）模型——用精确的数学曲面（主要是NURBS，即非均匀有理B 样条）定义物体的外表面，再通过拓扑关系（面、边、顶点及其连接关系）构建完整的三维实体表达。

B-rep 模型的关键特征是确定性与精确性：

每条曲线，每个曲面都有明确的参数方程，任意点的坐标可在机器精度内计算；

实体之间的布尔运算（并、交、差）有严格的数学定义，输出结果唯一且可复现；

模型可以无歧义地传递到下游CAE 进行网格划分和仿真，或传递到CAM 进行刀具轨迹规划。

这种确定性是制造业的刚性需求。一个零件的几何模型，如果存在“差不多”的歧义，就意味着模具开错了、零件装不上去——这是物理世界不可承受的代价。

2.2 AI 在几何领域的“能做”与“不能做”

AI已经能做到的：

基于LLM 的CAD 自动化生成已展现出可观潜力。Aurel Schüpbach【目前就职于Inspire AG（瑞士一家专注于增材制造和工业技术的研究机构），并与 ETH Zürich（苏黎世联邦理工学院） 的 Mirko Meboldt 教授团队合作。】等（2025）提出的框架利用LLM 的函数调用和Agent 工作流，使设计师通过文本描述即可自动生成CAD 代码，其中融合了视觉反馈的Agent 工作流在多模态LLM 上表现尤为突出。FeaGPT【FeaGPT 是2025 年10 月发表于arXiv 的研究成果，由斯图加特大学团队提出，是首个通过自然语言对话界面实现完整 “几何-网格-仿真-分析” （GMSA）全链路自动化的端到端Agentic AI 框架】进一步实现了从自然语言到几何模型、再到仿真全链路的自动化。国内企业如设序科技，基于自研几何AI 模型，已实现云架构下的3D 设计方案与2D 工程图纸的智能生成，2025 年合同额同比增长约70%，RAAS（Result as a Service）模式占营收约1/3。

这些进展表明，AI在几何的“表达层”——即如何将人类的设计意图转化为CAD 代码【TEXT 2 CAD】和可编辑模型——已经展现出实际可用性。

AI当前“不能做”的：

然而，AI 与几何内核底层能力的差距仍然巨大：

第一，空间推理的根本局限。前述Schüpbach 的研究明确指出了当前LLM 在CAD生成中的核心挑战：空间推理能力不足、提示依赖性强、工作流适应性有限。LLM 本质上是基于文本概率的语言模型，其“理解”三维空间的方式是通过训练语料中的文字描述间接建立的，而非通过真实的几何计算。当面对复杂装配体中的干涉检测、公差累积分析等需要精确空间计算的任务时，LLM 的能力迅速触及天花板。

第二，精确性的刚性要求。工业几何要求的精度是亚微米级甚至更高，而AI 生成的结果天然带有概率性误差。即便AI 生成的CAD 代码“看起来正确”，其背后的几何参数是否满足制造公差？布尔运算后的模型是否产生非流形（non-manifold）问题？这些都需要几何内核的确定性算法来兜底。

第三，隐式几何新范式的启示。值得一提的是，一种新的几何表达范式——隐式几何（以符号距离场SDF 为数学载体）——正在突破传统B-rep 内核的性能瓶颈。国产鸿丌GBIK 内核【2026 年7 月18 日上午，首届世界人工智能大会学术会议（WAICA）启动会在上海召开。中国工程院院士、山东省科协主席凌文作主旨报告，首次完整发布全栈自研GBIK 鸿丌工业隐式几何内核】已实现复杂布尔运算成功率从68.4%提升至100%，运算速度提升9.2 倍。更重要的是，隐式几何天然兼容AI张量计算，从底层打通了几何建模与生成式AI 设计的壁垒。这一进展暗示：传统B-rep内核与AI的“不兼容”并非不可改变——当几何内核本身的数学表达范式发生迁移时，AI 与几何底层的关系可能被重新定义。但这恰恰说明，当前AI“够不到”的不是几何本身，而是特定范式的几何内核。

2.3 边界判断: 几何内核是 “不可逼近” 还是 “可重构” ？

基于以上分析，我们可以给出关于几何内核边界的判断：

在当前B-rep范式下，几何内核是AI难以直接替代的“硬核资产”。几何内核的研发需要数十年的数学积累和工程验证，是典型的技术“时间壁垒”。清华大学软件学院院长王建民指出，三维CAD 存在精度、性能、稳定性不可能三角，复杂工业软件的底层数学和几何难题无法依靠大模型简单解决。

但这一判断有一个重要的限定条件：“替代几何内核”与“重构几何生成方式”是两个不同层面的问题。AI 可能不必直接替代B-rep 内核的计算引擎，而是通过以下方式绕过这一壁垒：

用AI 生成符合B-rep 标准的参数化模型（即AI 生成代码，内核执行计算）；

在隐式几何等新范式上构建“AI 原生”的几何设计链路。

换言之，几何内核作为“计算引擎”的地位仍然稳固，但AI正在改变“谁来决定计算什么”的权力结构。在具体实现上，AI 大模型通过函数调用机制调用几何内核API 来生成几何模型，意味着AI 负责意图理解和流程编排，几何内核负责精确计算，二者形成了分工而非替代的关系。此外，达索系统提出的“工业世界模型”——一种融合物理AI 与工业AI 的新型模型范式——也表明巨头们的战略方向并非用AI 替代几何内核，而是在内核之上构建新的智能层。

物理求解器：AI Surrogate 的 “快” 与第一性原理的 “真”

3.1 传统求解器的 “圣杯” ：从PDE 到FEA 的物理确定性

CAE 仿真的核心是偏微分方程（PDE）的数值求解——无论是结构力学的平衡方程、流体的Navier-Stokes 方程，还是热传导的Fourier 方程。传统有限元/有限体积法通过离散化将连续域的PDE 转化为代数方程组，以可接受的精度逼近真实物理行为。

这种方法的根本优势在于物理确定性：给定几何、材料本构、边界条件和载荷，求解器输出的应力场、温度场是物理规律的数值逼近，具有明确的物理意义和收敛性保证——网格越密，结果越逼近真实解。这种“可收敛性”是工程认证的基石：航空适航认证、汽车功能安全认证都要求仿真结果具有可追溯的误差界。

3.2 AI 在物理仿真中的“代理化”路径

近年来，神经求解器（Neural PDE Solvers）成为科学计算领域最活跃的方向之一。其核心理念是：用神经网络学习PDE 解算子（solution operator），从而在推理阶段以毫秒级速度输出预测结果，而非像传统求解器那样需要数小时甚至数天的迭代计算。

达索系统的“CAE-AI”项目展示了这一路径的惊人潜力：通过AI代理模型（AI Surrogate Modeling），原本需要12 个CPU 核心耗时120 分钟的车顶盖结构分析，被压缩到单GPU 仅需7 分钟——接近两个数量级的加速。更值得注意的是，AI预测的3D 变形场与应力场与传统FEA 参考解高度吻合，覆盖了动力学、静力学、焊接、结构屈曲、电池安全等复杂多物理场场景。

类似的进展还体现在拓扑优化领域：基于扩散模型的拓扑优化方法已将传统需要数小时迭代的优化过程缩短至秒级响应。

3.3 “代理” 与 “求解” 的本质区别：拟合软件 vs 拟合物理

然而，“快”并不等于“替代”。这里存在一个根本性的认识论问题，也是当前科学智算领域最深刻的讨论之一：

当前的AI物理仿真模型，究竟是在拟合物理世界，还是在拟合传统求解器？

答案是明确且令人警醒的：几乎所有的AI 神经求解器，其训练数据都来自传统数值求解器的输出，而非直接来自物理实验观测。这意味着，模型拟合的不是自然界本身，而是另一个软件——求解器自身携带的离散化误差、数值耗散以及未建模的物理过程，都被原封不动地编码进了神经网络的参数中。

正如中国计算机学会YEF2026 科学智算论坛【中国计算机学会 YEF2026（2026 CCF 青年精英大会）中的“科学智算”相关专题论坛名为"科学智算智能体——从方程求解到自主科学发现"。该论坛于2026 年 5 月 21 日至 23 日在四川绵阳举办，是本届大会 18 个获批专题论坛之一，聚焦 AI4Science 前沿领域。】所指出的：数值求解器构成了一道隐性的天花板——在其生成的数据上训练，无论精度多高，本质上都只是在天花板之下做得更快。当前的benchmark 衡量的不是“模型理解物理的能力”，而是“模型逼近求解器的能力”。RealPDEBench（ICLR 2026 Oral）【国际学习表征会议（International Conference on Learning Representations，简称ICLR）是由图灵奖得主Yoshua Bengio 和Yann LeCun 于2013 年创立的深度学习领域学术会议】首次将真实实验数据与仿真数据配对，结果表明：仅用模拟数据训练的模型在真实场景下的表现显著下降。

更深层的问题在于物理一致性的保障。传统求解器天然具备守恒律和对称性保证——这是从PDE 的数学结构直接导出的。而当前的科学机器学习模型几乎从未被拆解到PDE 的基本组成项上逐一验证其是否遵守这些基本原则。一个AI 预测的应力场可能在数值上“看起来很合理”，但可能违背动量守恒或能量守恒——在工程实践中，这是不可接受的。

此外，达索系统CEO 帕斯卡·达洛兹明确指出：达索系统正在打造的AI不同于大众熟悉的大语言模型，其根基立足于对物理世界的深刻理解。“我们必须洞悉客观物理规律”，在此基础上构建的“工业世界模型”是物理AI 与工业AI 的深度融合。

3.4 边界判断：求解器从 “唯一引擎” 到 “验证者”

物理求解器领域的边界正在经历一次“角色重构”，而非简单的“被替代”。

传统模式下，求解器是唯一的计算引擎——所有仿真需求都必须经由求解器完成。AI时代的模式正在变为：AI代理负责快速探索（在庞大的设计空间中快速筛选候选方案），传统求解器负责精确验证（对AI 推荐的候选方案进行高保真验证）。

这一分工的逻辑在于：

AI 代理的优势是速度——适合概念设计阶段的快速迭代和方向判断；

传统求解器的优势是可信度——适合详细设计阶段的关键验证和工程认证。

两者并非替代关系，而是互补关系。正如中国计算机学会论坛讨论的结论：科学智算不再是AI 与求解器的二选一，而是在智能体编排下两者共同进化的新生态。

中国科学院院士郭旭【大连理工大学，计算力学专家,主要从事计算力学、结构优化和固体力学研究。】也指出，人工智能赋能工业软件面临四大核心挑战，其中之一就是算法/模型可解释性差——“黑箱”封装不利于推理决策透明化，可能引发对智能工业软件的可信性关切。这一挑战在物理仿真领域尤为突出。

工程数据库与知识图谱：AI 的 “主场” 但非 “无门槛”

4.1 工程数据的价值与困境

工业软件的第三个核心层是工程数据——包括设计历史、BOM 结构、变更记录、测试报告、工艺参数、失效案例等。这类数据是企业数十年甚至上百年积累的隐性知识资产，其价值在AI 时代被重新发现。

然而，高质量工业数据的匮乏恰恰是当前AI 赋能工业软件的最大瓶颈之一。郭旭院士指出，数据孤岛、合规限制等导致的“数据饥荒”将制约智能软件能力提升。原因在于：

工业数据的高壁垒性：企业的设计数据、工艺参数是核心竞争力，不愿开放共享；

工业数据的异构性：不同CAD 系统、不同PLM 平台的数据格式各异，难以统一建模；

工业数据的质量参差：历史数据中存在大量不一致、不完整的记录，难以直接用于训练。

4.2 AI 在工程数据领域的能力边界

AI的优势面：

AI 在工程数据处理方面的能力正在快速释放。前文已提及的FeaGPT 系统利用向量索引的知识库进行语义检索：当用户提出工程需求时，系统通过相似度匹配从知识库中检索验证过的几何模式、材料属性和求解器配置。这种知识增强的RAG（检索增强生成）架构正在成为工业AI 的标配。

AI的局限面：

然而，工程数据领域的AI 应用面临一个独特挑战：数据质量决定模型质量，而工业数据的清洗和标注本身就是一项极为昂贵的工程。设序科技指出，工业世界模型的核心难点在于数据、模型技术以及量产业务的推进——不是技术算法本身，而是构建高质量训练数据和验证数据闭环的工程能力。

另一个关键约束是受控数据的安全性。PLM 系统管理的数据往往涉及企业的核心知识产权，在使用AI 处理这些数据时，权限管理、数据脱敏、合规审计等问题比通用AI场景更为复杂。工信部电子五所人工智能中心主任孔德智指出，智能体自主决策带来代码生成失控、数据泄露等全新安全风险，传统IT 安全体系无法覆盖大模型全生命周期风险防控。

4.3 边界判断：AI 正在 “解锁” 数据资产，但受制于数据本身

工程数据库的边界相对“软”——AI 在此领域的能力不是“能否替代”，而是“能否有效利用”。当AI 能够通过自然语言让工程师直接检索数十年积累的设计知识时，这本身就是巨大的价值创造。正如郭旭院士所观察的：当前工程师近四成时间耗费在零部件检索上，基于机械大模型的智能检索工具能直接读取零件尺寸、公差，大幅释放研发人力。

然而，这种价值的释放高度依赖于数据的可得性、质量和结构化程度——而这些恰恰是工业领域最难解决的“人的问题”而非“技术的问题”。

边界的动态性：AI 正从 “外围” 向 “核心” 渗透

5.1 边界的迁移速度

综合以上分析，AI 与工业软件的边界并非静态的“城墙”，而是一条动态迁移的战线：

交互层（UI/UX、自然语言驱动）：AI 正在快速占领，边界快速外推；

流程层（自动建模、自动网格划分、自动报告生成）：AI 正在稳步渗透，边界 持续迁移；

核心层（几何内核、物理求解器）：AI 目前无法替代，但正在改变其“调用方式”和“使用场景”——从“人调用工具”变为“AI 代理调用工具”。

达索系统CEO 帕斯卡·达洛兹的判断具有代表性：“那些纯粹由流程驱动的软件，将面临较高被替代风险；而深深根植于科学规律与工业知识中的软件系统则拥有更强‘护城河’。”这一判断精确地刻画了边界的动态本质——护城河的深浅取决于软件中“物理知识含量”的多少。

5.2 “不可逼近层” 的再定义

基于以上分析，本章提出一个修正性的观点：

工业软件的核心层不是“AI不可逼近”的静态领域，而是“AI逼近的代价”极高的领域。所谓“护城河”，本质上是数学精度、物理保真度和工程可信度的成本函数——AI要突破这一层，不是技术上不可能，而是经济上不合理、认证上不现实。

具体而言：

几何内核的护城河在于数十年积累的数学算法和工程验证——不是AI 学不 会，而是AI 需要同等量级的工业数据（目前不存在）和同等量级的认证（目前 不可能）。

物理求解器的护城河在于第一性原理的保真性——AI 代理可以“近似”，但无 法“证明”自己遵循物理定律；只要工程认证体系要求“可追溯的误差界”， 传统求解器就不可替代。

工程数据库的护城河在于数据积累的壁垒——AI 无法“创造”企业尚未积累的 经验，只能“索引”已经存在的数据。

5.3 真正的 “护城河” 可能正在转移

然而，一个更深层的问题是：当AI 在交互层和流程层的能力持续增强时，传统工业软件的“护城河”本身是否在贬值？

正如达索系统所展示的战略方向——从“卖软件工具”转向“卖工业世界模型”——传统工业软件巨头正在主动将竞争焦点从“谁有更好的求解器”转移到“谁有更好的工业AI 平台”。这或许意味着：真正的护城河正在从“底层技术”向“数据与生态”迁移。

本章小结

本章从几何内核、物理求解器、工程数据库三个层面，系统分析了AI 与工业软件的技术边界：

1.几何内核：在当前B-rep 范式下，AI 难以直接替代，但隐式几何等新范式可能重构 AI 与几何的底层关系。当前可行路径是“AI 编排+内核执行”的分工模式。

2.物理求解器：AI 代理模型实现了数量级的加速，但其本质是 “拟合求解器” 而非 “拟合物理” ，在物理保真度和可解释性层面存在根本局限。未来趋势是 “AI 快速探索+求解器精确验证” 的互补生态。

3.工程数据库：AI 正在释放数据的价值，但受制于数据质量、合规和安全等工程问 题，并非单纯的技术挑战。

核心结论是：工业软件的核心层构成了一道“高成本护城河”，而非“不可逾越之墙”。AI 的边界正在动态迁移——从交互层到流程层，不断向核心层逼近——但“逼近”不等于“突破”，在可预见的未来，AI 与传统求解器更可能形成“智能体编排下的共生关系”，而非替代关系。

当下基于Transformer 架构下AI 的科学推理领域的能力进展；归纳·演绎·溯因 → 生成式 AI 掌握了科学循环三分之二的能力。