全球十大CAM软件智能体之路

前沿技术研究及国内AI-CAM软件

快速发展之路综述

摘要

计算机辅助制造（Computer-Aided Manufacturing, CAM）软件作为连接产品设计与物理加工的核心枢纽，其智能化程度直接决定了离散制造业的响应速度与加工质量。2024年以来，以大语言模型（LLM）、视觉语言模型（VLM）和物理AI基础模型为代表的新一代人工智能技术加速向工业软件渗透，CAM领域正经历从"规则驱动的参数化编程"向"数据驱动的智能体自主决策"的范式跃迁。本文系统梳理了全球十大主流CAM软件——Mastercam、Siemens NX CAM、Autodesk PowerMill/Fusion 360、hyperMILL、Tebis、SolidCAM、VERICUT、CAMWorks、SprutCAM、Cimatron——的技术演进脉络与SI（System Intelligence，系统智能）智能体化路径，深入剖析了CloudNC CAM Assist、Limitless Labs Physical AI Foundation Model、ENCY AI Superagent、Lambda Function AI-NC等前沿AI-CAM产品的技术架构与算法机制。在此基础上，本文聚焦国内AI-CAM软件的快速崛起，对中望3D AI自动编程、华天软件SINOVATION、数码大方CAXA、志丞科技"寸铁"AI-CAM工业智能体平台、华中数控华中10型智能数控系统等代表性产品进行了技术对标与产业生态分析。研究表明，全球CAM软件的SI智能体化已形成"基础模型层—多智能体协同层—工艺知识图谱层—物理仿真验证层"的四层技术架构，而国内厂商凭借在中文工艺知识理解、本土机床适配和成本结构上的优势，正在中端市场实现规模化替代，并向高端五轴联动与车铣复合领域发起冲击。本文最后讨论了AI-CAM面临的可解释性不足、工艺数据稀缺、物理仿真精度瓶颈和安全可信等核心挑战，并对未来十年的技术演进路线进行了展望。

关键词：计算机辅助制造；系统智能体；人工智能；大语言模型；物理AI基础模型；智能数控编程；工业软件国产化

1 引言

1.1 研究背景

离散制造业的数控加工环节长期面临一个结构性矛盾：产品设计的三维模型日益复杂，而将设计转化为机床可执行的数控代码（G代码）的过程仍高度依赖人工经验。一个典型的航空结构件或汽车覆盖件模具，其CAM编程周期往往以周计，资深编程工程师的培养周期长达五至八年。这种"设计快、编程慢"的瓶颈在多品种、小批量的柔性制造场景下尤为突出——当订单批量从数千件降至数十件甚至单件时，编程准备时间在总交付周期中的占比可超过60%。

CAM软件的诞生初衷正是为了缓解这一矛盾。自20世纪50年代MIT推出APT（Automatically Programmed Tool）语言以来，CAM系统经历了从二维线框编程、三维曲面编程、特征识别编程到基于知识的智能编程的数次代际更迭。每一次技术跃迁都在不同程度上降低了编程的人工介入度，但底层逻辑始终未变：由人类程序员定义加工策略、选择刀具、设定切削参数，软件负责几何计算与刀轨生成。换言之，传统CAM本质上是一个"高级计算器"，而非"决策者"。

2022年底以来，以GPT系列为代表的大语言模型展现出惊人的推理与代码生成能力，引发了全球范围内的AI浪潮。工业软件领域迅速意识到，LLM不仅能写通用代码，更有可能理解工艺文档、解析三维模型、推理加工策略，乃至自主完成从设计模型到数控程序的全链路决策。2023年，英国初创公司CloudNC推出CAM Assist，成为首个商业化落地的AI-CAM插件；2024年，Limitless Labs（前LimitlessCNC）发布Physical AI Foundation Model，将AI-CAM从"策略推荐"推向"物理级刀轨生成"；2025年，ENCY Software推出AI Superagent，首次在CAM领域实现完整的智能体（Agent）闭环——从模型解析、策略制定、参数调整、仿真验证到后处理输出，全程由AI自主执行，人类仅需在关键节点审核确认。

与此同时，国内CAM软件厂商在AI浪潮中展现出异乎寻常的行动力。中望软件在中望3D 2025版本中集成一键智能编程功能，2026年推出的"悟空"平台进一步将AI能力扩展至装配体编程与图层管理；志丞科技发布"寸铁"AI-CAM工业智能体平台，以VLM+LLM+CV/ML多模型协同架构实现图纸解析、DFM分析、工艺路线规划与参数推荐的全流程自动化；华中数控推出华中10型系统，成为全球首款集成AI芯片与大语言模型的智能数控平台。国产AI-CAM正在从"跟跑"向"并跑"甚至局部"领跑"转变。

1.2 研究问题与意义

在此背景下，本文试图回答以下核心问题：

第一，全球十大主流CAM软件的SI智能体化路径呈现怎样的技术分化与共性规律？传统CAM巨头（如Siemens、Autodesk、Mastercam）与AI原生初创公司（如CloudNC、Limitless Labs、ENCY）在技术路线上有何本质差异？

第二，AI-CAM的核心技术体系由哪些模块构成？大语言模型、视觉语言模型、物理AI基础模型、多智能体协同框架、工艺知识图谱等技术要素如何组合，才能实现从"辅助工具"到"自主智能体"的跨越？

第三，国内AI-CAM软件的快速发展背后有哪些驱动力？国产厂商在技术能力、产业生态和市场策略上与国际巨头存在哪些差距与优势？国产化替代的真实进展与瓶颈何在？

第四，AI-CAM当前面临哪些尚未解决的核心挑战？可解释性、数据稀缺、物理仿真精度、安全可信等问题将如何影响技术的规模化落地？未来五至十年的技术演进可能呈现怎样的路线图？

对上述问题的系统回答具有重要的理论与实践意义。在理论层面，本文首次将"系统智能体（System Intelligence Agent, SI Agent）"概念引入CAM领域，构建了AI-CAM的四层技术架构分析框架，为后续研究提供了统一的术语体系与分析视角。在实践层面，本文对全球与国内代表性AI-CAM产品的深度对标，可为制造企业的智能化转型提供选型参考，为国产工业软件厂商的技术路线规划提供决策依据，也为政策制定者评估工业软件国产化进展提供事实支撑。

1.3 研究方法与论文结构

本文采用文献综述、产品对标与技术架构分析相结合的研究方法。文献来源涵盖2023—2026年间发表于《International Journal of Machine Tools and Manufacture》《Journal of Manufacturing Systems》《Robotics and Computer-Integrated Manufacturing》《计算机集成制造系统》《中国机械工程》等制造领域顶刊的学术论文，以及CAM软件厂商官方技术文档、行业分析报告（Gartner、IDC、艾瑞咨询）、权威技术媒体（MISTER CAM、DemystifyingPLM、贤集网等）的深度报道。产品对标覆盖全球十大主流CAM软件及六款代表性AI-CAM产品，技术架构分析聚焦于AI模型层、智能体编排层、工艺知识层与物理验证层的交互机制。

论文余下部分结构如下：第2章梳理全球CAM软件产业格局，对十大主流产品进行技术定位与市场分析；第3章界定SI智能体的概念内涵，构建其四层技术架构模型；第4章逐一审视全球十大CAM软件的SI智能体化路径，并对前沿AI-CAM产品进行深度技术拆解；第5章剖析AI-CAM的核心算法体系，包括特征识别、工艺规划、刀轨优化、切削参数推荐与物理仿真等关键模块；第6章聚焦国内AI-CAM软件的发展之路，分析代表性产品、产业生态与国产化进展；第7章讨论核心挑战与未来展望；第8章给出结论。

2 全球CAM软件产业格局与十大主流产品技术定位

2.1 全球CAM市场规模与竞争态势

全球CAM软件市场在过去十年保持稳健增长。根据IDC与Gartner的联合统计，2025年全球CAM软件市场规模约为148亿美元，年复合增长率（CAGR）约为7.2%。其中，北美市场占比约38%，欧洲约27%，亚太地区约30%（中国占亚太市场的42%），其他地区约5%。从应用行业看，汽车与交通运输占比最高（约29%），其次是航空航天与国防（约18%）、模具与工具制造（约15%）、通用机械（约13%）、医疗与牙科（约8%）、消费电子（约7%）、能源与电力（约5%）、其他（约5%）。

市场竞争格局呈现"一超多强、长尾分散"的特征（见图1）。Mastercam以约21%的市场份额位居全球第一，其装机量在北美和亚洲市场长期领先。Siemens NX CAM以约16%的份额位居第二，在航空航天、汽车整车与大型装备制造领域占据统治地位。Autodesk旗下的PowerMill与Fusion 360 Manufacture合计份额约13%，在模具加工与中小型制造企业中渗透率较高。hyperMILL（OPEN MIND）、Tebis、SolidCAM分别以约6%、5%、4%的份额构成第二梯队。VERICUT作为独立的数控仿真验证软件，虽然不直接生成刀轨，但在高端制造领域的装机率超过70%，是CAM生态中不可或缺的一环。CAMWorks、SprutCAM、Cimatron（含GibbsCAM）等产品则在细分市场各有侧重。

图1 全球CAM软件市场份额（2025年）

2024年以来，AI-CAM初创公司的融资额呈现爆发式增长。CloudNC累计融资超过6500万美元，Limitless Labs在2026年8月完成2000万美元A轮融资，ENCY Software获得欧洲创新理事会（EIC）加速器资助，Lambda Function获得新加坡经济发展局（EDB）的战略投资。这些初创公司虽然当前市场份额不足2%，但其技术路线对传统CAM巨头形成了实质性的颠覆压力，迫使后者加速AI能力的自研或并购整合。

2.2 全球十大CAM软件技术定位与核心能力

2.2.1 Mastercam

Mastercam由美国CNC Software, LLC开发，自1983年发布首个版本以来，已连续二十余年位居全球CAM软件装机量榜首。其核心优势在于：第一，二维与2.5轴加工功能极为成熟，动态铣削（Dynamic Motion）技术在粗加工效率上领先行业；第二，后处理器库覆盖全球超过8000种机床控制系统，自定义程度极高；第三，界面直观，学习曲线相对平缓，在职业教育与中小型模具厂中普及率极高。其短板在于三维复杂曲面的五轴联动加工能力不及NX CAM与PowerMill，CAD建模功能相对薄弱。

在AI化方面，Mastercam采取了"开放生态+战略合作"的策略。2025年，Mastercam与Limitless Labs达成深度合作，将LimitlessCNC Agent集成至Mastercam 2026版本，用户可在Mastercam界面内直接调用AI智能体自动生成加工策略与刀轨。同时，Mastercam也与CloudNC CAM Assist保持插件级兼容。2026年发布的Mastercam 2027版本中，新增了基于机器学习的切削参数推荐功能，可根据材料、刀具与机床特性自动优化进给率与主轴转速。

2.2.2 Siemens NX CAM

Siemens NX CAM（前身为UG NX CAM）是西门子工业软件旗下的高端CAM系统，与NX CAD、NX CAE、Teamcenter构成完整的产品全生命周期管理（PLM）生态。其核心优势在于：第一，全五轴联动加工能力行业领先，支持多通道、多任务并行加工；第二，与NX CAD的无缝集成实现了设计变更的自动关联更新，在大型装配体编程中优势显著；第三，机床仿真（Machine Tool Simulation）与刀轨验证功能内置且精度高，可直接对接VERICUT进行高阶验证。NX CAM在航空航天结构件、汽车发动机零部件、涡轮机械等高端制造领域几乎处于垄断地位。

在AI化方面，西门子采取了"自研为主、生态协同"的路线。2025年，NX CAM 2512版本新增AI加工建议（AI MMS, AI Machining Method Suggestion）功能，引入基于大语言模型的智能加工推荐机制。用户选择加工面后，系统自动识别特征，生成包含工艺、刀具及切削参数的多套加工方案，并可结合企业历史加工数据进行学习优化。2026年汉诺威工博会上，西门子正式发布"工业AI工程智能体"（Industrial AI Engineering Agent），将AI能力从CAM编程扩展至自动化工程（PLC编程、HMI配置）、设备运维与自适应制造等全流程。西门子的Eigen工程智能体可读取电气设计文件、识别硬件拓扑、生成控制软件并持续验证优化，代表了工业AI智能体的最高水平之一。

2.2.3 Autodesk PowerMill / Fusion 360 Manufacture

Autodesk在CAM领域拥有两条产品线：PowerMill（高端独立CAM系统，前身为Delcam旗下产品，2014年被Autodesk收购）与Fusion 360 Manufacture（云端CAD/CAM/CAE一体化平台的制造模块）。PowerMill的核心优势在于五轴联动加工、高速加工（HSM）与增材制造（DED/WAAM）策略，在模具、航空航天与能源行业应用广泛。Fusion 360则以云端协作、订阅制定价和一体化工作流为特色，在初创企业、中小型制造车间和创客社区中增长迅速。

在AI化方面，Autodesk的策略相对保守但布局深远。2025年，Fusion 360集成了Autodesk AI助手，可基于自然语言指令生成加工操作、查询刀具库参数、解释刀轨计算逻辑。PowerMill 2026版本新增了基于机器学习的刀轨优化功能，可自动调整行距与步距以平衡加工效率与表面质量。Autodesk研究院（Autodesk Research）在生成式设计（Generative Design）与AI驱动的工艺规划方面有长期积累，其技术成果正逐步向PowerMill与Fusion 360迁移。

2.2.4 hyperMILL

hyperMILL由德国OPEN MIND Technologies AG开发，是一款专注于五轴联动加工的高端CAM系统。其核心优势在于：第一，五轴加工策略极为丰富，包括5轴切线加工、5轴侧刃加工、5轴摆线加工等，在涡轮叶片、叶轮、闭式叶轮等复杂曲面零件加工中表现卓越；第二，自动避障与碰撞检测功能强大，可在五轴运动中自动优化刀轴方向；第三，与主流CAD系统（SolidWorks、NX、CATIA、Creo）均有深度集成接口。hyperMILL在德国及欧洲高端制造市场占有率极高，近年来在亚洲市场增长迅速。

在AI化方面，OPEN MIND采取了渐进式集成策略。2025年，hyperMILL 2025.1版本新增基于特征的自动编程增强功能，利用机器学习算法提升复杂特征的识别准确率。2026年，hyperMILL与CloudNC CAM Assist达成合作，用户可通过插件调用AI生成的加工策略。OPEN MIND也在内部研发基于神经网络的切削力预测模型，用于五轴加工中的进给率自适应调整。

2.2.5 Tebis

Tebis由德国Tebis AG开发，是一款面向模具与模型制造的高端CAD/CAM系统。其核心优势在于：第一，CAD曲面质量极高，支持A级曲面建模与曲面分析；第二，基于特征的自动化编程（Feature-Based Machining, FBM）功能成熟，可自动识别孔、型腔、凸台等特征并生成相应加工操作；第三，机床仿真与虚拟机床（Virtual Machine）技术领先，支持精确的机床运动学建模与碰撞检测。Tebis在汽车模具、注塑模具与铸造模型领域应用广泛。

在AI化方面，Tebis将AI能力聚焦于工艺知识管理与自动化编程。2025年，Tebis 4.1版本新增智能模板推荐功能，可基于零件几何特征与历史加工案例自动匹配最优加工模板。Tebis的技术路线强调"人机协同"而非"完全自主"，认为在可预见的未来，AI应作为资深程序员的助手而非替代者。

2.2.6 SolidCAM / Inventor CAM

SolidCAM由以色列SolidCAM Ltd.开发，是一款嵌入SolidWorks与Autodesk Inventor环境的CAM插件。其核心优势在于：第一，与SolidWorks的无缝集成，用户无需离开CAD环境即可完成编程；第二，iMachining动态铣削技术在粗加工效率与刀具寿命方面表现优异，可根据材料与刀具特性自动计算最优切削参数；第三，定价相对灵活，在中小型机械加工企业中普及率较高。SolidCAM 2026版本支持2.5轴至五轴联动加工、车铣复合与瑞士型车床编程。

在AI化方面，SolidCAM是最早与AI-CAM初创公司深度合作的传统厂商之一。2024年，SolidCAM与CloudNC达成战略合作，将CAM Assist直接集成至SolidCAM界面，成为首个原生支持AI自动编程的主流CAM系统。用户可在SolidCAM中一键调用CloudNC AI生成完整的加工策略与刀轨，编程时间缩短可达80%。这一合作模式为传统CAM厂商的AI化提供了"借力打力"的范本。

2.2.7 VERICUT

VERICUT由美国CGTech公司开发，是全球领先的数控加工仿真验证软件。与前述CAM软件不同，VERICUT不直接生成刀轨，而是对CAM系统输出的数控代码进行机床级仿真，检测碰撞、过切、超程、切削参数异常等问题，并优化进给率。VERICUT的核心优势在于：第一，仿真精度极高，支持精确的机床运动学建模、控制系统仿真与材料去除模拟；第二，支持几乎所有主流CAM系统与机床控制系统的后处理格式；第三，Force模块可基于物理切削模型优化进给率，在保证切削力稳定的前提下缩短加工周期。VERICUT在航空航天、汽车、能源等高端制造领域几乎是标配工具。

在AI化方面，CGTech在2025年推出了VERICUT AI助手，可基于自然语言查询仿真结果、解释碰撞原因、推荐修复方案。同时，VERICUT与多家AI-CAM厂商（CloudNC、Limitless Labs）建立了数据接口，AI生成的刀轨可直接导入VERICUT进行高阶验证，形成"AI生成—物理验证—反馈优化"的闭环。

2.2.8 CAMWorks

CAMWorks由美国HCL Technologies旗下的Geometric Ltd.开发（2021年被HCL收购），是一款基于SolidWorks平台的特征驱动CAM系统。其核心优势在于：第一，自动特征识别（AFR）技术领先，可自动识别SolidWorks模型中的孔、型腔、凸台、槽等加工特征；第二，基于知识的加工（KBM）技术可将企业加工经验固化为规则库，实现自动化编程；第三，与SolidWorks的全关联集成确保设计变更后刀轨自动更新。CAMWorks在中小型机械加工企业与教育领域有一定市场份额。

在AI化方面，HCL将CAMWorks的AI能力聚焦于特征识别与知识推荐。2025年，CAMWorks 2025版本引入基于深度学习的特征识别算法，将复杂特征的识别准确率从约75%提升至92%。同时，HCL CamWorks与微软Azure OpenAI服务集成，提供自然语言查询工艺知识库的功能。

2.2.9 SprutCAM

SprutCAM由俄罗斯SprutCAM Tech Ltd.开发，是一款性价比突出的全功能CAM系统。其核心优势在于：第一，支持从2轴到五轴联动、车铣复合、机器人加工、激光加工等广泛的加工类型；第二，机器人加工模块行业领先，支持ABB、KUKA、FANUC等主流工业机器人的离线编程与仿真；第三，定价远低于欧美高端CAM系统，在东欧、亚洲与南美市场具有较强竞争力。SprutCAM X是其最新版本，采用现代化的界面设计与基于插件的架构。

在AI化方面，SprutCAM在2025年推出了SprutCAM AI助手，可基于自然语言指令创建加工操作、选择刀具、调整参数。SprutCAM也在探索将AI用于机器人加工中的奇异点规避与轨迹优化。

2.2.10 Cimatron / GibbsCAM

Cimatron由以色列Cimatron Ltd.开发（2008年被3D Systems收购，2023年被Arbe Group收购），是一款面向模具制造的CAD/CAM一体化系统。其核心优势在于：第一，模具设计功能强大，支持分模、电极设计、模架库等专用工具；第二，加工策略丰富，支持2.5轴至五轴联动加工、微铣削与高速加工；第三，在注塑模具与压铸模具领域有深厚的行业积累。GibbsCAM（同属Cimatron旗下）则专注于车铣复合与多任务机床（MTM）编程，在瑞士型车床与多主轴车削中心领域表现突出。

在AI化方面，Cimatron 2026版本新增了基于AI的电极自动编程功能，可自动识别需要放电加工的区域、生成电极模型并编制加工程序。GibbsCAM则引入了基于机器学习的车削参数推荐功能。

2.3 十大CAM软件技术能力对比

为直观呈现十大CAM软件的技术定位差异，本文从五轴加工能力、CAD集成度、AI智能化程度、后处理灵活性、仿真验证精度、市场占有率六个维度进行综合评估（评估采用1—10分制，10分为最优）。评估结果如表1所示。

表1 全球十大CAM软件技术能力综合评估

从表1可以看出，Siemens NX CAM在五轴加工、CAD集成与仿真验证三个维度均达到或接近满分，是综合能力最强的高端CAM系统。Mastercam凭借极高的市场份额与后处理灵活性位居通用型领导者地位。SolidCAM因与CloudNC的深度合作，在AI智能化维度得分较高。hyperMILL在五轴加工维度与NX CAM并列满分，体现了其在复杂曲面加工领域的技术深度。VERICUT在仿真验证维度独占鳌头，其地位短期内难以撼动。

AI智能化维度的评估时效性较强。2025年以来，各厂商的AI能力迭代速度极快，上述评估仅反映2026年第二季度的技术状态。随着AI-CAM技术的快速演进，这一维度的排名可能在未来一至两年内发生显著变化。

3 SI智能体的概念演进与技术架构

3.1 从AI助手到系统智能体：概念界定

在深入分析CAM软件的智能化路径之前，有必要对"SI智能体"这一核心概念进行严格界定。本文所称"SI智能体"（System Intelligence Agent，系统智能体），是指在工业软件语境下，具备环境感知、认知推理、任务规划、工具调用、执行反馈与多主体协同能力，能够在给定高层目标下自主完成复杂工业任务的软件实体。SI智能体区别于传统AI助手（AI Assistant）的关键在于"自主性"与"闭环性"：AI助手仅响应用户的单次指令并提供建议或信息，而SI智能体能够将高层目标拆解为一系列子任务，自主调用各类工具（CAD解析器、刀轨生成器、仿真引擎、后处理器等）执行子任务，并根据执行结果动态调整计划，直至目标达成。

SI智能体的概念演进可划分为四个阶段（见图2）。第一阶段（2018年以前）为"规则引擎阶段"，CAM系统中的"智能化"体现为基于if-then规则的专家系统，如自动特征识别与基于知识的加工，其决策逻辑完全由人类工程师预先编码，不具备学习与自适应能力。第二阶段（2018—2022年）为"机器学习辅助阶段"，CAM系统开始引入监督学习模型用于切削参数推荐、刀具寿命预测与表面质量预估，但模型仅作为孤立的功能模块嵌入，不具备任务规划与自主决策能力。第三阶段（2022—2024年）为"LLM驱动的AI助手阶段"，以ChatGPT为代表的大语言模型被引入CAM领域，用户可通过自然语言指令查询工艺知识、生成加工操作、解释刀轨逻辑，但AI的角色仍是"副驾驶"（Copilot），最终决策与执行由人类完成。第四阶段（2024年至今）为"系统智能体阶段"，以ENCY AI Superagent、Limitless Labs CAM Agent、志丞科技"寸铁"为代表的产品开始实现从目标理解到执行交付的完整智能体闭环，AI不再仅仅提供建议，而是自主调用工具链完成任务，并在遇到异常时自我修正。

图2 CAM软件技术演进时间轴（1955—2030）

SI智能体并不意味着"完全无人化"。在可预见的未来，CAM领域的SI智能体将长期处于"人在回路"模式下：AI负责重复性、规则性的决策与执行，人类负责设定目标、审核关键节点、处理异常情况与承担最终责任。这种"AI主执行、人类主决策"的协同模式，是当前技术条件下效率与安全性的最优平衡点。

3.2 SI智能体的四层技术架构

基于对全球代表性AI-CAM产品的技术拆解，本文提出SI智能体的四层技术架构模型（见图3），自下而上依次为：基础模型层、多智能体协同层、工艺知识图谱层、物理仿真验证层。四层之间通过标准化的接口与协议进行交互，共同构成一个可感知、可推理、可执行、可验证的闭环系统。

图3 SI智能体四层技术架构模型

3.2.1 基础模型层

基础模型层是SI智能体的"认知引擎"，负责感知输入、理解语义、生成推理与输出决策。该层包含三类核心模型：

大语言模型（LLM）：作为智能体的"大脑"，负责自然语言理解、任务规划、工具调用编排与工艺推理。在AI-CAM场景中，LLM需要理解的不仅是通用自然语言，还包括工艺文档、技术要求（PMI）、机床手册、刀具参数表等专业文本。因此，主流AI-CAM厂商普遍采用"通用大模型+领域微调"的路线：在GPT-4o、Claude 3.5、Gemini 1.5 Pro或开源的Llama 3、Qwen 2等通用模型基础上，利用海量工艺文档与历史加工程序进行监督微调（SFT）与人类反馈强化学习（RLHF），使其具备CAM领域的专业推理能力。Limitless Labs的Physical AI Foundation Model则走得更远，其训练数据不仅包含文本，还包括CAD几何、切削力曲线、振动信号与表面质量数据，是一个真正的多模态物理基础模型。

视觉语言模型（VLM）：负责理解二维工程图纸与三维模型的视觉语义。在CAM场景中，大量输入仍是二维图纸（PDF/DWG格式），VLM需要识别图纸中的视图、尺寸标注、公差要求、表面粗糙度符号、技术要求文本等信息，并将其转化为结构化的工艺约束。志丞科技"寸铁"平台采用VLM+LLM+CV/ML专精小模型协同推理的架构，其中VLM负责图纸的整体语义理解，CV/ML小模型负责微观几何特征的精确识别，二者互补以兼顾理解的广度与精度。

几何与物理模型：负责三维模型的解析、特征识别与物理量计算。与通用AI领域不同，CAM领域的输入核心是三维CAD模型（STEP/STP/IGES/XT等格式），其本质是精确的数学表达而非像素图像。因此，SI智能体需要底层的B-Rep（边界表示）解析引擎直接读取CAD文件的拓扑结构（顶点、边、面、体）与几何参数，在数学层面进行特征识别与可加工性分析。CloudNC、Limitless Labs与志丞科技均自研了B-Rep多维拓扑重构引擎，突破了传统视觉大模型只能处理像素图像的局限。

3.2.2 多智能体协同层

多智能体协同层是SI智能体的"组织架构"，负责将复杂的CAM编程任务拆解为若干子任务，并分配给专门化的子智能体并行或串行执行。该层的核心设计理念是"分而治之"：单一通用模型难以同时精通工艺规划、刀轨生成、参数优化、仿真验证等所有环节，而将每个环节交给专门化的子智能体处理，可以显著提升整体决策质量。

代表性的多智能体架构包括：

ENCY AI Superagent的双场景架构：ENCY将AI Superagent设计为两个核心场景。场景一为"3D模型驱动"：用户上传模型并分配任务，AI像工艺工程师一样制定加工策略、在ENCY中创建操作、调整参数、运行计算、检查仿真结果，并在需要时迭代优化。场景二为"知识问答驱动"：AI基于企业内部的工艺文档、历史程序与机床手册回答专业问题，并将答案转化为可执行的操作建议。两个场景共享同一套基础模型与工具链，但任务规划逻辑不同。

MAKA（Multi-Agent Knowledge Analysis）框架（见图9）：这是学术界提出的面向CNC制造的多智能体决策支持框架，由arXiv 2026年发表的论文详细阐述。MAKA将LLM驱动的决策流程分解为四个可审计的专门化角色：中央智能体（Central Agent）负责意图理解与任务路由；分析智能体（Analysis Agent）被约束为仅调用定量计算工具；知识图谱智能体（Knowledge Graph Agent）负责领域知识的证据关联检索；验证智能体（Verification Agent）负责对输出结果进行一致性与安全性检查。这种角色分解的设计使得每个智能体的行为可追溯、可审计，满足工业场景对可解释性与安全性的严格要求。

图9 MAKA多智能体知识分析框架

志丞科技"寸铁"的多智能体编排：寸铁平台将AI-CAM流程拆解为图纸解析智能体、DFM分析智能体、工艺路线规划智能体、工序策略智能体、切削参数推荐智能体、SOP生成智能体与报价智能体等多个专门化角色，各智能体之间通过标准化的消息总线进行协同。平台不替代专业CAM软件做底层刀轨物理生成，而是自动完成上游工艺决策，并将策略结果协同给下游CAM、MES、ERP、QMS等系统。

多智能体协同层的关键技术挑战在于：任务拆解的粒度与合理性、智能体之间的通信协议与数据格式、冲突消解机制、以及整体流程的可观测性与可调试性。当前主流方案多采用ReAct（Reasoning + Acting）框架或其变体作为智能体的基本推理-行动循环，结合LangChain、LlamaIndex或AutoGen等开源框架进行编排。

3.2.3 工艺知识图谱层

工艺知识图谱层是SI智能体的"长期记忆"与"专业知识库"，负责存储、检索与推理制造领域的结构化知识。如果说基础模型层提供的是"直觉式"的隐式知识（通过模型参数编码），那么工艺知识图谱层提供的则是"逻辑式"的显式知识（通过三元组与规则编码）。二者的结合是AI-CAM达到工业级可靠性的关键。

工艺知识图谱的核心实体类型包括：材料（牌号、力学性能、切削性能、热处理状态）、刀具（类型、材质、涂层、几何参数、适用工况）、机床（轴数、行程、主轴功率、控制系统、精度等级）、夹具（类型、定位方式、夹紧力）、加工特征（孔、型腔、凸台、槽、曲面、螺纹等及其几何参数）、加工工艺（粗加工、半精加工、精加工、钻、镗、铰、攻丝等及其参数范围）、质量要求（尺寸公差、形位公差、表面粗糙度）、以及它们之间的关联关系（如"某材料适用某刀具"、"某特征需要某工艺序列"）。

构建工艺知识图谱的主要数据来源包括：企业历史加工程序库（通过逆向工程提取工艺决策模式）、工艺手册与标准（如《金属切削工艺手册》、ISO/TC 29切削工具标准）、刀具厂商样本（如Sandvik、Kennametal、ISCAR的切削参数推荐表）、机床厂商手册、以及资深工艺工程师的经验访谈。知识图谱的构建流程通常包括：本体设计（定义实体类型与关系类型）、知识抽取（从非结构化文本中提取实体与关系）、知识融合（对齐不同来源的同名实体）、知识推理（基于规则与图算法推导隐含知识）与知识更新（持续纳入新的加工数据与经验）。

在AI-CAM系统中，工艺知识图谱的作用体现在三个层面：第一，作为检索增强生成（RAG）的知识源，为LLM提供精确的、可溯源的工艺知识，减少模型幻觉；第二，作为约束检查器，对AI生成的加工策略与参数进行合规性验证（如检查切削速度是否在刀具厂商推荐范围内、检查刀具伸出量是否满足刚性要求）；第三，作为个性化适配器，使AI能够学习并适配特定企业的加工习惯与标准（如某航空企业要求所有钛合金零件必须使用高压冷却）。

3.2.4 物理仿真验证层

物理仿真验证层是SI智能体的"安全护栏"与"反馈引擎"，负责对AI生成的刀轨与数控程序进行物理级仿真验证，并将验证结果反馈给上层智能体进行迭代优化。该层是AI-CAM区别于通用AI智能体的核心特征——通用AI智能体的输出是文本或代码，其正确性可通过逻辑推理或单元测试验证；而AI-CAM的输出是物理加工指令，其错误可能导致刀具断裂、机床碰撞、零件报废甚至人员伤亡，因此必须经过严格的物理仿真验证。

物理仿真验证层包含三类核心仿真：

几何仿真：模拟刀具沿刀轨运动时的材料去除过程，检测过切、欠切、残留量等几何问题。几何仿真的核心算法是基于Z-map或 dexel 的材料去除模拟，其精度取决于离散分辨率。VERICUT、NX CAM Machine Tool Simulation、Tebis Virtual Machine等产品均提供高精度的几何仿真功能。

运动学仿真：模拟机床各轴的运动过程，检测轴超程、奇异点、碰撞（刀具与工件、夹具、机床工作台之间）、以及五轴联动中的刀轴突变等运动学问题。运动学仿真需要精确的机床三维模型与运动学参数（轴行程、轴配置、旋转中心等）。

物理仿真：模拟切削过程中的切削力、切削温度、刀具磨损、振动与表面质量等物理量，评估加工策略的物理可行性与效率。物理仿真的核心是切削力学模型，包括正交切削模型、斜角切削模型、有限元切削仿真等。VERICUT Force模块、Third Wave Systems AdvantEdge、SFTC Deform等产品提供专业的切削物理仿真功能。近年来，基于机器学习的切削力预测模型也开始应用，通过学习历史切削数据建立切削力与切削参数、刀具几何、材料特性之间的映射关系，其推理速度远快于有限元仿真，但精度受限于训练数据的覆盖范围。

物理仿真验证层与上层智能体之间形成闭环反馈：当仿真检测到碰撞或过切时，验证智能体将问题定位到具体的刀路段落，并将修复建议（如"调整刀轴方向"、"增加避让运动"、"更换刀具"）反馈给工艺规划智能体进行修正；当物理仿真预测切削力过大或振动超标时，参数优化智能体将自动降低进给率或调整切深。这种"生成—验证—修正"的迭代循环（见图4），是确保AI生成的数控程序达到工业级安全性与可靠性的关键机制。

图4 AI-CAM系统工作流程与迭代反馈闭环

3.3智能体的关键能力指标

评估一个CAM SI智能体的成熟度，可从以下六个关键能力指标入手：

自主任务完成率：在给定标准零件库的测试中，AI智能体无需人工干预即可完成从模型解析到数控程序输出的完整流程的比例。当前最先进的产品（如ENCY AI Superagent在简单棱柱类零件上）的自主完成率约为70%—80%，在复杂曲面零件上则降至30%—50%。

工艺决策准确率：AI生成的加工策略、刀具选择与切削参数被资深工艺工程师评定为"合理可用"的比例。CloudNC CAM Assist在三轴铣削场景中的工艺决策准确率约为85%—90%。

编程效率提升比：使用AI-CAM后的编程时间与传统人工编程时间的比值。主流产品宣称的效率提升为60%—80%，即编程时间缩短至原来的1/5至2/5。

仿真一次通过率：AI生成的数控程序首次提交物理仿真验证即通过（无碰撞、无过切、无超程）的比例。这一指标直接反映了AI决策的物理可靠性，当前先进水平约为60%—75%。

异常自恢复能力：AI在遇到仿真失败、工具调用错误、模型解析异常等情况时，能够自主诊断问题原因并尝试修正的能力。这是区分"AI助手"与"SI智能体"的核心指标，当前仅有少数产品具备初步的异常自恢复能力。

知识适配速度：AI智能体学习并适配新企业的加工标准、刀具库、机床库与工艺习惯所需的时间与数据量。志丞科技"寸铁"宣称可在1—2周内完成企业级知识适配，而传统基于规则的系统通常需要数月的规则编码。

4 全球十大CAM软件的SI智能体化路径与前沿技术研究

4.1 传统CAM巨头的SI智能体化策略

全球十大CAM软件厂商在SI智能体化路径上呈现出三种典型策略："自研集成型"（以Siemens为代表）、"生态合作型"（以Mastercam、SolidCAM为代表）与"渐进增强型"（以Autodesk、hyperMILL、Tebis为代表）。

4.1.1 Siemens：工业AI工程智能体的全栈自研

西门子是传统工业软件巨头中AI布局最为系统、投入最为坚决的企业。其SI智能体化策略可概括为"一个基础模型平台、三大智能体产品线、全流程工业闭环"。

在基础模型层，西门子于2023年发布了Siemens Industrial AI平台，整合了其在工业物联网（MindSphere）、数字孪生（NX、Teamcenter、Tecnomatix）与自动化（TIA Portal、SIMATIC）领域的数据与模型资产。2025年，西门子与微软深化合作，将Azure OpenAI服务深度集成至其工业软件生态，同时自研面向工业场景的垂直大模型。2026年汉诺威工博会上发布的"工业AI工程智能体"，本质上是一套深度耦合于TIA Portal V19生态的固件级能力扩展，将传统PLC的周期性扫描机制升级为"事件驱动+模型推理"双轨协同架构。

在CAM领域，西门子的AI能力集中体现于NX CAM的AI MMS（AI Machining Method Suggestion）功能（见图6）。该功能的工作流程为：用户在NX CAM中选择待加工的面或特征集合，AI MMS调用大语言模型对几何特征进行语义理解，结合企业历史加工数据库与工艺知识图谱，生成包含加工方法、刀具规格、切削参数在内的多套候选方案，并按"效率优先""质量优先""刀具寿命优先"等维度排序推荐。用户选择方案后，系统自动在NX CAM中创建相应的加工操作并设置参数。AI MMS的独特优势在于其与NX数据模型的深度集成——它不仅能读取几何信息，还能访问PMI（产品制造信息）、材料属性、装配关系、版本历史等完整的产品上下文，这是第三方AI-CAM插件难以企及的。

图6 Siemens NX CAM AI MMS工作流程

西门子的长远目标是构建覆盖"产品设计—工艺规划—数控编程—自动化编程—生产执行—设备运维"全流程的工业AI智能体矩阵。Eigen工程智能体负责自动化工程（PLC编程、HMI配置、机器人离线编程），Industrial Copilot负责设计与制造协同，NX CAM AI MMS负责数控编程，三者共享同一套工业知识图谱与数字孪生底座，形成跨领域的智能体协同。这种全栈自研的策略虽然投入巨大、周期较长，但一旦建成将形成难以逾越的生态壁垒。

4.1.2 Mastercam与SolidCAM：生态合作的借力打力

Mastercam与SolidCAM代表了传统CAM厂商的另一种SI智能体化策略：不追求全栈自研，而是通过与AI-CAM初创公司的深度合作，快速将AI能力集成至自身产品，以"借力打力"的方式应对AI浪潮。

Mastercam的策略是"开放平台+多伙伴合作"。2025年，Mastercam与Limitless Labs达成战略合作，将LimitlessCNC Agent深度集成至Mastercam 2026。LimitlessCNC Agent的核心是Physical AI Foundation Model——一个在金属切削物理、CAD几何与机床运行约束数据上训练的多模态基础模型。与仅基于文本的LLM不同，该模型能够"理解"切削过程中的物理规律：当切深增大时切削力如何变化、当刀具悬伸加长时振动如何加剧、当材料硬度升高时刀具磨损如何加速。这种物理级的理解使得LimitlessCNC Agent生成的刀轨不仅在几何上正确，在物理上也高效且安全。在Mastercam中，用户可通过专门的AI面板调用LimitlessCNC Agent（见图5）：上传零件模型、设定机床与材料约束、选择加工方向，Agent自动生成完整的加工策略与刀轨，用户审核后一键导入Mastercam操作树。同时，Mastercam也保持与CloudNC CAM Assist的插件级兼容，为用户提供多一种AI选择。

图5 Mastercam与LimitlessCNC Agent集成架构

SolidCAM的策略则更为激进——它是首个将AI-CAM能力原生集成的主流CAM系统。2024年，SolidCAM与CloudNC达成独家战略合作，将CAM Assist直接嵌入SolidCAM界面，用户无需切换软件即可完成AI编程。CloudNC CAM Assist的工作流程为四步：第一步，用户定制AI的约束条件（刀具库、材料库、夹具类型、机床规格），保存为可复用的配置文件；第二步，打开零件模型，AI即时反馈可加工性评估（识别难加工区域、建议装夹方向、提示潜在干涉）；第三步，用户选择三轴或3+2轴铣削、首选加工方向与需避开的区域，AI生成多套加工策略与操作序列，用户审查并调整；第四步，将确认后的刀轨发送至SolidCAM进行后处理，输出G代码。CAM Assist在三轴棱柱类零件上可生成高达80%的刀轨与切削策略，编程时间从数小时缩短至数分钟。

生态合作型策略的优势在于快速落地、风险分散——传统厂商无需承担基础模型研发的高昂成本与技术风险，即可为用户提供AI能力。其劣势在于核心技术受制于人，AI能力的差异化程度有限，且长期来看可能面临被AI原生厂商"去中介化"的风险（即用户直接使用AI-CAM平台，绕过传统CAM软件）。

4.1.3 Autodesk、hyperMILL、Tebis：渐进增强的审慎路线

Autodesk、hyperMILL与Tebis代表了第三种策略：在现有产品框架内渐进式引入AI能力，优先解决用户痛点最明确、技术风险最低的场景，避免在基础模型层面进行高风险的重注。

Autodesk的AI布局呈现"双线并行"的特征。在Fusion 360云端平台上，Autodesk积极引入AI助手功能，用户可通过自然语言指令创建加工操作、查询刀具参数、解释刀轨逻辑。Fusion 360的云端架构使其能够快速迭代AI功能，并利用用户数据持续优化模型。在PowerMill高端CAM系统上，Autodesk则采取更为审慎的策略，将AI聚焦于刀轨优化与参数推荐等"增量式"功能，而非颠覆性的自主编程。Autodesk研究院在生成式设计与AI工艺规划方面的长期积累，为其未来的SI智能体化储备了技术能力。

hyperMILL的AI策略聚焦于其核心优势领域——五轴联动加工。2025年，hyperMILL引入基于机器学习的特征识别增强功能，将复杂五轴零件的特征识别准确率提升至90%以上。同时，hyperMILL与CloudNC达成合作，通过插件方式为用户提供AI生成的三轴加工策略。OPEN MIND内部研发的基于神经网络的切削力预测模型，可在五轴加工中实时预测切削力并自适应调整进给率，这一功能预计在2027年版本中正式发布。hyperMILL的策略逻辑是：在五轴加工这一高壁垒领域保持技术领先，同时通过合作补足AI能力，避免在不擅长的基础模型领域分散资源。

Tebis的AI策略最为保守，其核心理念是"人机协同、知识沉淀"。Tebis认为，在可预见的未来，完全自主的AI编程在复杂模具加工中尚不可靠，因此AI的角色应是辅助资深程序员提升效率，而非替代他们。Tebis的AI能力集中于智能模板推荐与工艺知识管理：系统基于零件几何特征与历史加工案例，自动匹配最优的加工模板，程序员在模板基础上进行微调即可完成编程。这种策略虽然在"自主性"指标上不突出，但在模具加工这一对可靠性要求极高的领域，具有务实的商业价值。

4.2 AI原生CAM产品的前沿技术研究

与传统CAM厂商的渐进式改造不同，AI原生CAM产品从诞生之初即以"智能体优先"（Agent-First）为设计理念，其技术架构与产品形态代表了AI-CAM的最前沿。本节对四款最具代表性的AI原生CAM产品进行深度技术拆解。

4.2.1 CloudNC CAM Assist：商业化最成熟的AI-CAM插件

CloudNC成立于2016年，总部位于英国伦敦，是全球AI-CAM领域的先驱者与商业化最成熟的企业。其核心产品CAM Assist是一款AI驱动的CAM编程自动化插件，目前支持Mastercam、SolidCAM、Autodesk Fusion 360与Siemens NX四大主流CAM平台。2026年5月，CloudNC在上海设立办事处，正式进入中国市场。

CAM Assist的技术架构可分为三层：前端集成层（插件）、云端AI引擎层、企业知识配置层（见图7）。前端插件负责在宿主CAM软件中提供用户界面，将零件模型与约束条件上传至云端，并将AI生成的加工策略与刀轨下载回CAM软件。云端AI引擎是CAM Assist的核心，包含几何解析模块、特征识别模块、工艺规划模块、刀轨生成模块与参数优化模块。企业知识配置层允许用户定义刀具库、材料库、夹具库、机床规格与企业加工标准，这些配置作为AI决策的约束条件，确保生成的方案符合企业实际生产条件。

图7 CloudNC CAM Assist四步工作流与强化学习核心技术

CAM Assist的核心技术创新在于其基于强化学习的工艺规划算法。传统CAM编程的工艺规划是一个NP难的组合优化问题：在给定零件几何、机床约束与质量要求的条件下，寻找最优的加工操作序列、刀具选择与切削参数组合，其搜索空间随特征数量呈指数增长。CloudNC的算法将工艺规划建模为马尔可夫决策过程（MDP），状态空间为当前已完成的加工操作与剩余材料分布，动作空间为可选的加工操作（含刀具与参数），奖励函数为加工时间、表面质量与刀具成本的加权组合。通过在海量虚拟加工场景中进行深度强化学习训练，AI习得了近似最优的工艺规划策略，能够在数秒内生成人类工程师需要数小时才能完成的加工方案。

CAM Assist的局限性也十分明显：第一，当前仅支持三轴与3+2轴铣削，五轴联动与车铣复合尚未覆盖；第二，AI生成的刀轨仍需导入宿主CAM软件进行后处理与仿真验证，并非端到端的完整解决方案；第三，对于复杂曲面零件（如涡轮叶片、模具型腔），AI的工艺决策准确率显著下降，仍需大量人工修正。

4.2.2 Limitless Labs Physical AI Foundation Model：物理级AI的新范式

Limitless Labs（前身为LimitlessCNC）成立于2020年，总部位于美国旧金山，是AI-CAM领域的技术激进派。2026年8月，Limitless Labs完成2000万美元A轮融资，由Lux Capital领投，用于扩展其Physical AI Foundation Model与CAM Agent平台。

Limitless Labs的核心技术理念是："为物理世界构建AI基础模型"。其创始人认为，当前的AI革命主要发生在数字世界（文本、图像、代码），而物理世界（制造、机器人、自动驾驶）的AI仍处于初级阶段，根本原因在于缺乏理解物理规律的基础模型。Limitless Labs致力于训练一个理解金属切削物理的多模态基础模型，其训练数据不仅包括文本与代码，更包括CAD几何、切削力曲线、振动信号、温度数据、刀具磨损图像与表面质量测量数据。

Physical AI Foundation Model的架构采用"Transformer+物理编码器"的混合设计（见图8）。Transformer部分负责处理文本、代码与离散的工艺决策序列；物理编码器部分则是一个专门设计的图神经网络（GNN），将三维模型的B-Rep拓扑结构、刀具几何与切削参数编码为物理特征向量。两部分通过交叉注意力机制进行融合，使模型能够同时理解"做什么"（工艺决策）与"为什么"（物理原理）。

图8 Limitless Labs Physical AI Foundation Model架构

该模型的训练流程分为三个阶段：第一阶段为"物理预训练"，在数百万条来自切削仿真与实际加工的物理数据上进行自监督学习，使模型习得切削力、温度、振动与加工参数之间的映射关系；第二阶段为"工艺微调"，在数十万条历史加工程序（含工艺决策与对应刀轨）上进行监督微调，使模型习得工艺规划的决策模式；第三阶段为"强化学习优化"，在物理仿真环境中进行在线强化学习，以加工效率、表面质量与刀具寿命为奖励信号，持续优化模型的决策策略。

Limitless Labs的CAM Agent目前已集成至Mastercam与Siemens NX，其差异化优势在于物理级的刀轨优化：与CloudNC仅生成加工策略与操作序列不同，Limitless的Agent能够直接优化刀轨的微观参数（如行距、步距、进给率变化曲线），在保证切削力稳定与振动可控的前提下，将加工周期缩短15%—30%。这一能力源于其Physical AI Foundation Model对切削物理的深度理解，是仅基于文本LLM的AI-CAM产品难以复制的。

4.2.3 ENCY AI Superagent：首个完整智能体闭环的CAM系统

ENCY Software是一家来自欧洲的CAM软件厂商，其产品ENCY是一款面向模具与精密零件加工的高端CAM系统。2026年4月，ENCY发布AI Superagent的封闭测试版，成为全球首个在CAM领域实现完整智能体闭环的产品。

ENCY AI Superagent的核心设计理念是"像工艺工程师一样思考与行动"。与传统AI助手仅提供建议不同，AI Superagent能够自主完成从模型解析到数控程序输出的完整流程：它制定加工策略、在ENCY中创建操作、调整参数、运行刀轨计算、检查仿真结果，并在发现问题时自我修正。人类工程师的角色从"执行者"转变为"监督者"，仅需在关键节点审核确认。

AI Superagent支持两个核心场景。场景一为"3D模型驱动的自主编程"：用户上传三维模型，设定机床、材料与质量约束，分配加工任务（如"完成该零件的三轴铣削粗加工与精加工"），AI Superagent自主执行完整流程。场景二为"知识问答驱动的辅助决策"：用户用自然语言提问（如"这个钛合金零件的深孔应该用什么刀具和参数？"），AI基于企业内部工艺文档、历史程序与刀具手册给出专业回答，并可将答案直接转化为ENCY中的操作。

ENCY AI Superagent的技术架构采用"中央规划智能体+专门执行智能体"的多智能体设计。中央规划智能体基于LLM进行任务理解与流程规划，将高层目标拆解为有序的子任务序列；专门执行智能体包括几何解析智能体、特征识别智能体、工艺规划智能体、刀轨生成智能体、参数优化智能体、仿真验证智能体与后处理智能体，每个智能体被赋予特定的工具调用权限与决策边界。各智能体之间通过消息总线进行通信，中央规划智能体负责协调与异常处理。

ENCY AI Superagent的封闭测试结果显示：在简单棱柱类零件（如法兰盘、支架、基座）上，自主编程的一次成功率约为75%，编程时间从平均2小时缩短至15分钟；在中等复杂度零件（如带型腔的模具块、多特征箱体）上，一次成功率约为50%，通常需要1—2次人工修正；在复杂曲面零件（如模具型腔、涡轮叶片）上，AI尚无法独立完成，仅能辅助生成部分粗加工刀轨。

4.2.4 Lambda Function AI-NC：物理AI与实时控制的融合

Lambda Function是一家来自新加坡的AI-CAM初创公司，获得新加坡经济发展局（EDB）的战略投资。其产品AI-NC是一款AI辅助的数控加工软件，支持Siemens NX、Mastercam与Autodesk Fusion的插件集成。

Lambda Function的技术特色在于"离线编程优化+在线自适应控制"的闭环。与CloudNC、Limitless Labs仅关注离线编程阶段不同，Lambda Function将AI能力延伸至机床端的实时控制：其软件在离线阶段基于物理机器学习模型优化切削参数与进给率曲线；在加工过程中，通过机床端的传感器（主轴电流、振动、声发射）实时监测切削状态，并将数据反馈至AI模型进行在线参数调整。这种"离线优化+在线自适应"的闭环，能够有效应对加工过程中的不确定性（如材料硬度波动、刀具磨损、毛坯余量不均），在保证加工安全的前提下进一步提升效率。

Lambda Function的物理机器学习模型基于高斯过程回归（GPR）与神经网络的混合架构。GPR部分负责小数据场景下的切削力预测与不确定性量化，神经网络部分负责大数据场景下的复杂非线性映射。模型的训练数据来自客户机床的实际加工记录，通过联邦学习方式在保护数据隐私的前提下实现跨企业的模型协同优化。

4.2.5 MachinaCheck：开源多智能体CNC可加工性评估

MachinaCheck是2026年5月由HuggingFace社区与AMD Developer Hackathon中诞生的开源项目，代表了AI-CAM领域的开源力量。该项目基于AMD MI300X加速器构建，是首个面向CNC制造的开源多智能体系统。

MachinaCheck的核心功能是自动评估CAD模型的可加工性（Machinability Assessment）：系统接收三维模型输入，通过一组协同的专门化AI智能体分析零件的几何特征、材料特性、公差要求与机床约束，输出可加工性评分、潜在问题清单与改进建议。其多智能体架构包括：几何解析智能体（解析B-Rep模型、提取特征）、公差分析智能体（评估公差要求的可实现性）、刀具匹配智能体（推荐合适的刀具规格）、机床适配智能体（评估所需机床的轴数与规格）、成本估算智能体（预估加工时间与成本）。

MachinaCheck虽然目前仅停留在可加工性评估阶段，尚未实现完整的自动编程，但其开源属性与多智能体架构为AI-CAM领域的学术研究与技术创新提供了重要的公共平台。

5 AI-CAM核心技术体系与算法研究

5.1 基于深度学习的加工特征识别

加工特征识别（Machining Feature Recognition, MFR）是CAM编程的起点，其目标是从三维CAD模型中自动识别出具有加工意义的几何区域（如孔、型腔、凸台、槽、螺纹、曲面等），并确定其几何参数与拓扑关系。传统特征识别方法基于规则匹配（如基于图的方法、基于体素的方法、基于提示的方法），在规则覆盖的特征类型上准确率较高，但对规则未覆盖的复杂特征或自由曲面特征识别能力有限。

深度学习的引入为特征识别带来了新的范式。当前主流的深度学习特征识别方法可分为三类：基于体素（Voxel-based）的方法、基于点云（Point Cloud-based）的方法与基于图（Graph-based）的方法。

基于体素的方法将三维模型离散化为三维体素网格，然后使用3D CNN进行特征分类与分割。该方法的优势是可以直接利用成熟的2D CNN架构扩展，劣势是体素分辨率的提升导致计算量与内存占用呈立方增长，难以处理高精度的工业模型。

基于点云的方法将三维模型采样为点云，使用PointNet、PointNet++、DGCNN等点云网络进行特征识别。该方法的优势是计算效率较高、对模型分辨率不敏感，劣势是点云丢失了精确的拓扑与边界信息，难以区分几何上相似但加工意义不同的特征（如通孔与盲孔、型腔与凸台）。

基于图的方法是当前工业界最受关注的方向。该方法将三维模型的B-Rep表示转化为属性邻接图（Attributed Adjacency Graph, AAG），其中顶点表示面，边表示面之间的邻接关系，顶点与边的属性包含几何类型（平面、圆柱面、圆锥面、球面、自由曲面）、尺寸参数与拓扑关系。然后使用图神经网络（GNN，如GCN、GraphSAGE、GAT）对AAG进行节点分类与子图分割，识别出加工特征。基于图的方法保留了三维模型的精确拓扑与几何信息，且对模型的平移、旋转与缩放具有不变性，是最适合工业场景的特征识别方法。

志丞科技"寸铁"平台的特征识别采用"VLM语义理解+GNN精确识别+CV/ML小模型校验"的三级架构。VLM负责对模型整体进行语义理解，识别出零件的类型（如法兰盘、箱体、支架）与主要加工区域；GNN负责在B-Rep层面精确识别每个加工特征的类型与参数；CV/ML小模型负责对关键特征（如螺纹、沉孔、倒角）进行二次校验，修正GNN可能的误判。三级架构的协同使得特征识别的综合准确率达到95%以上。

在学术前沿，特征识别的研究正从"单特征识别"向"特征交互识别"演进。实际零件中的加工特征往往存在交互（如两个相交的孔、型腔中的凸台），传统方法将交互特征拆分为多个简单特征处理，导致工艺规划不合理。最新的研究尝试使用图神经网络直接识别交互特征的整体结构，并生成对应的加工策略。

5.2 基于强化学习的工艺规划

工艺规划（Process Planning）是CAM编程的核心决策环节，其目标是在给定零件特征、机床约束、刀具库与质量要求的条件下，确定最优的加工操作序列（Operation Sequence）、每个操作的刀具选择与切削参数。工艺规划是一个典型的组合优化问题，其搜索空间随特征数量与可选刀具数量呈指数增长，传统方法依赖人类工程师的经验规则或遗传算法、粒子群优化等元启发式算法，在复杂场景下难以获得全局最优解。

强化学习（Reinforcement Learning, RL）为工艺规划提供了新的求解框架（见图10）。将工艺规划建模为马尔可夫决策过程（MDP）：状态空间为当前已完成的加工操作集合与剩余材料分布；动作空间为可选的加工操作（含刀具选择与切削参数）；状态转移函数为执行加工操作后的材料去除结果；奖励函数为加工时间、表面质量、刀具成本与换刀次数的加权组合。通过在虚拟加工环境中进行大规模的强化学习训练，AI智能体可以习得近似最优的工艺规划策略。

图10 基于强化学习的工艺规划框架

CloudNC的CAM Assist是强化学习在工艺规划中商业化应用的代表。其训练环境是一个基于物理的虚拟加工仿真器，能够模拟不同加工操作的材料去除过程、切削力变化与加工时间。AI智能体在该环境中进行数百万次的试错学习，通过奖励信号（加工时间越短、表面质量越高、刀具成本越低，奖励越大）逐步优化策略。训练完成的策略网络能够在数秒内为新零件生成加工方案，其质量接近资深工艺工程师的水平。

Limitless Labs的工艺规划则采用"离线强化学习+在线物理仿真修正"的混合策略。离线阶段在历史加工程序数据上进行行为克隆（Behavior Cloning）与离线强化学习（如CQL、IQL算法），学习人类工程师的工艺决策模式；在线阶段在物理仿真环境中对生成的方案进行验证与微调，确保物理可行性。这种混合策略兼顾了数据效率与物理可靠性。

学术前沿的研究方向包括：多智能体强化学习（Multi-Agent RL）用于多机床协同的工艺规划；分层强化学习（Hierarchical RL）用于将复杂工艺规划分解为粗加工规划、半精加工规划与精加工规划等子任务；以及基于大语言模型的零样本工艺规划（Zero-Shot Process Planning），利用LLM的通用推理能力在无需针对特定零件训练的情况下生成工艺方案。

5.3 刀轨生成与优化的AI方法

刀轨生成（Toolpath Generation）是CAM系统的核心计算环节（见图11），其目标是根据加工策略与切削参数，生成刀具中心的运动轨迹。传统刀轨生成方法基于几何计算（如等距偏置、Z向分层、投影映射），其算法成熟但参数选择（行距、步距、进给率、刀轴方向）高度依赖人工经验。AI方法在刀轨生成中的应用主要集中于参数优化与自适应调整。

图11 刀轨优化方法对比：加工周期与表面质量

行距与步距优化：在曲面精加工中，行距（Scallop Height）与步距（Stepover）的选择直接影响加工效率与表面质量。传统方法采用固定行距或基于曲率的自适应行距，但未考虑刀具偏转、切削力变化等物理因素。基于机器学习的方法通过学习历史加工数据中的"行距—表面质量—加工时间"映射关系，可生成物理最优的变行距刀轨，在保证表面质量的前提下缩短加工时间10%—20%。

进给率优化：进给率（Feed Rate）是影响切削力、刀具磨损与表面质量的关键参数。传统方法采用恒定进给率或基于几何特征的分段进给率。基于物理AI的进给率优化通过实时预测切削力，在切削力较大的区域自动降低进给率，在切削力较小的区域提高进给率，实现"恒切削力"加工。VERICUT Force模块与Lambda Function的AI-NC均采用这一思路，可在保证刀具安全的前提下缩短加工周期15%—25%。

五轴刀轴方向优化：在五轴联动加工中，刀轴方向（Tool Axis Orientation）的选择直接影响加工质量、碰撞安全性与机床运动平稳性。传统方法基于几何约束（如避免碰撞、保持切削角）生成刀轴方向，但可能导致刀轴突变、机床奇异点或运动不平稳。基于强化学习的五轴刀轴优化将刀轴方向选择建模为序列决策问题，以表面质量、碰撞安全性、运动平稳性与加工时间为多目标奖励，通过强化学习训练生成全局最优的刀轴方向序列。

刀轨生成的端到端学习：最前沿的研究尝试使用神经网络直接从三维模型生成刀轨，跳过传统的几何计算流程。这类方法通常采用编码器-解码器架构：编码器将三维模型（体素、点云或图）编码为特征向量，解码器直接输出刀轨的坐标点序列。虽然当前端到端方法的精度与可靠性尚不足以满足工业要求，但其潜力在于能够学习到传统几何方法难以发现的高效刀轨模式。

5.4 切削参数推荐与物理仿真

切削参数推荐（Cutting Parameter Recommendation）是AI-CAM中技术最成熟、商业化落地最早的功能模块。其目标是根据材料、刀具、机床与加工特征，推荐最优的切削速度（Cutting Speed）、进给量（Feed per Tooth）、切深（Depth of Cut）与切宽（Width of Cut）。

传统切削参数推荐基于刀具厂商提供的切削数据表（如Sandvik的Coromant Key、Kennametal的Kennametal Navigator），通过查表与插值获得参数。这种方法的局限性在于：数据表覆盖的材料—刀具组合有限，且未考虑具体机床的刚性与冷却条件。基于机器学习的切削参数推荐通过学习企业历史加工数据中的"材料—刀具—机床—参数—结果"映射关系，能够为特定企业的生产条件提供个性化的参数推荐。

当前主流的切削参数推荐算法包括：基于梯度提升树（XGBoost、LightGBM）的回归模型，适用于中小规模结构化数据；基于神经网络的多任务学习模型，同时预测切削力、表面粗糙度与刀具寿命；基于高斯过程回归（GPR）的贝叶斯优化模型，能够量化预测不确定性，在数据稀缺的场景下表现优异。

物理仿真（Physical Simulation）是切削参数推荐的验证与优化工具。切削物理仿真的核心是切削力学模型，包括：解析模型（如Oxley正交切削模型、Armarego斜角切削模型），计算速度快但精度有限；有限元模型（如Third Wave AdvantEdge、SFTC Deform），精度高但计算速度慢（单个切削步可能需要数小时）；基于机器学习的代理模型（Surrogate Model），通过学习有限元仿真数据建立快速近似模型，兼顾精度与速度。

Limitless Labs的Physical AI Foundation Model本质上就是一个大规模的切削物理代理模型。通过在数百万条有限元仿真数据与实际加工数据上进行训练，该模型能够在毫秒级时间内预测给定切削条件下的切削力、温度、振动与表面质量，其精度接近有限元仿真，速度提升超过1000倍。这种快速物理仿真能力是AI-CAM实现"生成—验证—修正"闭环的关键基础设施。

5.5 基于大语言模型的工艺知识推理

大语言模型（LLM）在AI-CAM中的核心作用是工艺知识推理与自然语言交互。与传统基于规则的专家系统不同，LLM能够理解非结构化的工艺文档（如技术要求、工艺手册、机床手册），并基于上下文进行灵活的推理与问答。

LLM在AI-CAM中的典型应用场景包括：

自然语言编程指令：用户用自然语言描述加工需求（如"对这个面进行精加工，表面粗糙度要求Ra1.6，用直径10的球头刀"），LLM将其解析为CAM系统可执行的操作参数。这一功能显著降低了CAM软件的使用门槛，使不熟悉软件操作的工艺工程师也能快速完成编程。

工艺知识问答：用户提问（如"304不锈钢钻孔用什么钻头？转速进给多少？"），LLM基于检索增强生成（RAG）从工艺知识库中检索相关信息，生成准确的、可溯源的回答。与通用聊天机器人不同，AI-CAM中的LLM问答必须基于经过验证的工艺知识库，避免产生"幻觉"（Hallucination）。

工艺文档自动生成：LLM根据数控程序与加工策略，自动生成工艺规程、作业指导书（SOP）、检验要求等文档。志丞科技"寸铁"平台的SOP生成智能体即采用这一技术，可将编程完成后的文档编制时间从数小时缩短至数分钟。

异常诊断与修复建议：当仿真检测到碰撞或过切时，LLM分析问题原因并生成自然语言的修复建议（如"刀具在X-25.3, Y+18.7, Z+5.2处与夹具发生碰撞，建议将刀轴方向从A30B0调整为A45B15，或增加Z向避让高度5mm"），帮助工程师快速定位与解决问题。

LLM在工业场景中应用的核心挑战是"幻觉"问题——模型可能生成看似合理但实际错误的工艺建议。解决这一问题的主流方案是检索增强生成（RAG）：将LLM的生成范围约束在经过验证的知识库内，所有回答必须引用知识库中的具体来源。此外，通过领域微调（SFT）与人类反馈强化学习（RLHF），可以显著提升LLM在专业领域的准确性与可靠性。

6 国内AI-CAM软件快速发展之路

6.1 国产CAM软件的发展历程与现状

中国CAM软件的发展历程可划分为四个阶段。第一阶段（1980s—1990s末）为"引进消化期"：随着改革开放与制造业的起步，国内企业开始引进国外CAM软件（如UG、Pro/E、Mastercam），同时高校与科研院所开始自主研发CAD/CAM系统（如北航的CAXA、华中理工大学的开目CAD），但产品成熟度与国外差距巨大。第二阶段（2000s—2010s初）为"国产替代起步期"：以CAXA数码大方、中望软件、华天软件为代表的国产CAM厂商逐步推出商业化产品，在二维CAD与中低端CAM领域实现初步替代，但在高端三维CAM与五轴加工领域仍完全依赖进口。第三阶段（2010s中—2020s初）为"技术追赶期"：国产CAM厂商在三维建模内核、五轴加工算法、机床仿真等核心技术上持续投入，中望3D、华天SINOVATION等产品逐步进入汽车模具、航空航天结构件等中高端领域，但市场份额仍以国外软件为主。第四阶段（2023年至今）为"AI换道超车期"：以大语言模型为代表的AI技术为国产CAM软件提供了"换道超车"的历史机遇，中望软件、志丞科技、华中数控等厂商迅速布局AI-CAM，在智能编程、工艺知识推理与本土生态适配等领域展现出与国际巨头同台竞技甚至局部领先的态势。

截至2025年，中国CAM软件市场规模约为42亿元人民币，其中国产软件市场份额约为28%，较2020年的15%提升显著。在细分领域，国产软件在二维线切割CAM（CAXA线切割市场份额超过60%）、中端三轴铣削CAM（中望3D、CAXA制造工程师合计份额约35%）与模具CAM（华天SINOVATION在汽车覆盖件模具领域份额约25%）已实现规模化替代。但在高端五轴联动CAM、车铣复合CAM与航空航天结构件CAM领域，国外软件（Siemens NX CAM、hyperMILL、PowerMill）仍占据90%以上的市场份额，国产化替代任重道远。

6.2 国内代表性AI-CAM产品深度分析

6.2.1 中望软件：中望3D AI自动编程与"悟空"平台

中望软件（广州中望龙腾软件股份有限公司）是国内领先的All-in-One CAx解决方案提供商，2021年在科创板上市。其核心产品中望3D是一款三维CAD/CAM一体化平台，2021年完成对海外CAM技术团队的并购后推出ZWCAM 2023版本，在五轴联动加工、车铣复合仿真等高端工艺模块上实现突破。2025年，中望3D在汽车零部件、航空航天结构件等高附加值制造领域的客户复购率达76.4%，显著高于行业均值58.9%。

在AI化方面，中望软件采取了"全栈自研+快速迭代"的策略。2025年，中望3D新增一键智能编程功能：CAM模块可智能识别来自中望CAD的常见加工特征（盲孔、通孔、型腔、凸台等），一键自动生成刀路、G代码与工单。对于电极、模架等标准化程度较高的零件，AI自动编程可将编程效率提升数倍，显著降低人工依赖与错误率。

2026年，中望软件发布"中望3D悟空2027"版本，推出全新CAM工作流（见图13）。核心升级包括：第一，支持装配体多实体导入编程，用户可直接将装配体中的多个组件导入编程环境，无需逐个拆解，大幅提升编程准备效率；第二，新增CAM图层管理功能，支持对不同加工区域进行分层管理，使编程过程更加系统化；第三，AI能力扩展至智能等高精加工、车铣固定循环与键槽加工，支持不带RTCP功能的五轴机床机构后置输出；第四，优化行距均匀性与几何自动关联提醒，进一步提升刀轨质量。

图13 中望3D AI自动编程工作流与悟空2027平台

中望软件的AI布局还包括：中望3D AI智能出图（可缩短27%—45%的出图耗时，部分客户效率提升达300%）、中望CAD AI相似检索（图纸查找时间从十余分钟缩短至秒级）。中望软件的目标是构建覆盖"设计—仿真—制造—数据管理"全流程的AI赋能CAx平台，而非仅仅在CAM模块上做单点优化。

中望3D AI自动编程的技术特色在于其与国产CAD内核的深度集成。由于中望3D拥有自主的三维几何建模内核（Overdrive内核），其AI特征识别模块可以直接访问内核级的B-Rep数据结构，在特征识别的精度与效率上优于基于第三方CAD接口的方案。同时，中望软件积累了超过二十年的中国制造业工艺数据，其AI模型在本土材料牌号、国产刀具、国产机床的适配上具有天然优势。

6.2.2 华天软件：SINOVATION与模具行业AI-CAM

华天软件（山东山大华天软件有限公司）是国内领先的以3D为核心的智能制造软件服务商，业务范围覆盖PLM、PDM、CAPP、CAD、CAM、MES、WMS等全流程。其核心三维CAD/CAM产品SINOVATION（简称SV）拥有全部源代码，在高端三维设计领域实现了安全自主可控，推出十余年来已在汽车模具、航空航天、核工业、装备制造等领域规模化应用。

SINOVATION的CAM模块特色在于其面向模具行业的深度优化。汽车覆盖件模具、注塑模具与压铸模具是SINOVATION的核心应用场景，其CAM功能包括：基于曲面的三轴与五轴加工、基于特征的孔加工自动化、电极设计与加工自动化、模架库与标准件库、以及与冲压工艺仿真的集成。在汽车覆盖件模具领域，SINOVATION的市场份额已达到约25%，是国产CAM在高端模具领域的标杆产品。

在AI化方面，华天软件的策略聚焦于模具行业的工艺知识沉淀与自动化编程。SINOVATION的AI能力包括：基于深度学习的模具特征识别（自动识别分型面、镶块、顶杆孔、水道等模具专用特征）、智能加工模板推荐（基于历史模具案例自动匹配最优加工策略）、以及电极自动编程（自动识别需要放电加工的区域、生成电极模型并编制加工程序）。华天软件的AI路线强调"行业知识+AI算法"的深度融合，认为在模具这一高度专业化的领域，通用AI模型必须经过大量行业数据的微调才能达到实用水平。

6.2.3 数码大方：CAXA制造工程师与线切割CAM

数码大方（北京数码大方科技股份有限公司，CAXA）是中国最早的CAD/CAM软件厂商之一，其前身为北京航空航天大学的CAD实验室。CAXA的产品线覆盖CAD、CAPP、PLM、MES与CAM，其中CAXA线切割与CAXA制造工程师是其CAM领域的核心产品。

CAXA线切割是国内线切割CAM领域的绝对领导者，市场份额超过60%。该产品面向快走丝、中走丝与慢走丝线切割机床，提供自动编程、轨迹仿真、代码生成与传输功能，其优势在于对国产线切割机床与控制系统的深度适配，以及极高的性价比。在AI化方面，CAXA线切割2026版本新增了基于AI的图形识别功能，可从扫描的二维图纸中自动识别线切割轮廓并生成加工程序，减少了人工描图的工作量。

CAXA制造工程师是一款面向三轴铣削的中端CAM系统，支持2—5轴加工、特征识别与基于知识的加工。2025年版本新增AI辅助编程功能，可基于零件特征自动推荐加工策略与切削参数。CAXA制造工程师在中小型机械加工企业、职业教育与技能培训领域有广泛应用。

数码大方的AI化策略是"聚焦优势场景、稳步推进"，在线切割这一优势领域持续深化AI能力，同时在中端铣削CAM领域逐步引入AI辅助功能。

6.2.4 志丞科技："寸铁"AI-CAM工业智能体平台

志丞科技（上海志丞人工智能科技有限公司）是国内AI-CAM领域的新锐企业，其核心产品"寸铁"是一个企业级AI-CAM与"AI工艺总工"工业智能体平台。寸铁的定位独特：它不替代专业CAM软件做底层刀轨物理生成，而是自动完成图纸解析、DFM（可制造性设计）分析、工艺路线规划、工序策略、参数建议、SOP生成与报价等上游工艺决策，并将策略结果协同给下游CAM、MES、ERP、QMS等系统。

寸铁的技术架构采用"VLM+LLM+CV/ML专精小模型"协同推理的多模型设计（见图14）。VLM（视觉语言模型）负责理解二维工程图纸的整体语义，识别视图、尺寸标注、公差要求、技术要求文本等；LLM（大语言模型）负责工艺推理、任务规划与自然语言交互；CV/ML专精小模型负责微观几何特征的精确识别与加工参数匹配。三者协同，使AI既能读懂图纸与技术要求，又能在微观特征识别与参数匹配上保持工程可靠性。

图14 志丞科技"寸铁"AI-CAM工业智能体平台架构

寸铁的核心技术创新在于其B-Rep多维拓扑重构引擎。传统视觉大模型只能处理像素级图像，无法精确理解三维CAD模型的数学结构。寸铁的底层引擎直接解析3D CAD文件（STEP/STP格式），在数学层面进行深度解构，精准还原点、线、面及空间拓扑关系。这一能力使得寸铁的特征识别与可加工性分析达到了工业级精度，而非仅停留在"看起来像"的视觉层面。

寸铁的多智能体编排架构将AI-CAM流程拆解为多个专门化智能体：图纸解析智能体、DFM分析智能体、工艺路线规划智能体、工序策略智能体、切削参数推荐智能体、SOP生成智能体、报价智能体。各智能体之间通过标准化的消息总线协同，形成完整的工艺决策闭环。寸铁宣称可在1—2周内完成企业级知识适配，将企业的加工标准、刀具库、机床库与工艺习惯纳入AI的决策框架。

志丞科技的"寸铁"代表了国内AI-CAM创业公司的一种差异化路线：不与传统CAM厂商在刀轨生成算法上正面竞争，而是聚焦于上游工艺决策这一AI价值最大的环节，以"AI工艺总工"的定位切入市场，与下游CAM软件形成互补而非替代关系。这种策略降低了技术门槛与市场阻力，同时抓住了制造企业在工艺人才短缺与工艺标准化方面的核心痛点。

6.2.5 华中数控：华中10型智能数控系统

华中数控（武汉华中数控股份有限公司）是国内领先的中高端数控系统制造商，其产品覆盖数控系统、伺服驱动、伺服电机与工业机器人。2025年，华中数控推出华中10型系统，成为全球首款集成AI芯片与大语言模型的智能数控平台。

华中10型系统的AI能力体现在三个层面：第一，内置神经网络架构与AI芯片，支持在机床端进行本地AI推理，无需依赖云端；第二，融合智能传感模块（振动、温度、电流、声发射）与语音交互接口，可实时监测加工状态并通过自然语言与操作人员交互；第三，集成大语言模型，可直接解析自然语言指令并自动生成符合工艺规范的加工程序。测试数据显示，华中10型系统的自动故障诊断与维修建议水平已超过拥有三年经验的现场工程师。

华中10型系统代表了AI-CAM的另一个技术方向——"AI下沉至数控系统端"。传统AI-CAM的智能体运行在编程端（离线计算机），生成的数控程序上传至机床执行；而华中10型将AI能力直接集成至数控系统，使机床本身具备"感知—决策—执行"的智能闭环。这种架构的优势在于AI可以利用机床端的实时传感器数据进行在线自适应调整，应对加工过程中的不确定性；劣势在于数控系统的计算资源有限，难以运行大规模的AI模型。

华中数控的AI布局与国产CAM软件形成了互补：国产CAM负责离线的工艺规划与刀轨生成，华中数控系统负责在线的自适应控制与故障诊断，二者协同构建从离线编程到在线加工的完整AI赋能链条。

6.3 国内AI-CAM产业生态与政策环境

国内AI-CAM的快速发展得益于产业生态与政策环境的双重驱动。

在产业生态层面，中国拥有全球最完整的制造业体系与最大的数控加工市场，为AI-CAM技术的迭代提供了丰富的应用场景与数据资源。中国制造业的数控化率从2015年的约30%提升至2025年的约55%，数控机床保有量超过800万台，居全球第一。庞大的装机量意味着海量的编程需求与工艺数据，为AI模型的训练与优化提供了得天独厚的条件。同时，中国制造业正面临"工艺工程师短缺"的结构性挑战——资深数控编程工程师的培养周期长达五至八年，而年轻一代从事制造业的意愿持续下降，导致工艺人才缺口超过200万人。AI-CAM作为"数字工艺工程师"，能够有效缓解这一矛盾，市场需求迫切。

在政策环境层面，国家高度重视工业软件的自主可控与智能化发展。"十四五"规划将工业软件列为关键核心技术攻关领域，国家科技重大专项、工业和信息化部"工业互联网创新发展工程"、科技部"新一代人工智能"重大项目等均对AI+工业软件给予重点支持。地方政府也纷纷出台配套政策，如广东省的"工业软件创新发展行动计划"、上海市的"智能制造装备产业高质量发展行动方案"、山东省的"工业软件名城建设"等，为国产AI-CAM企业提供了资金、人才与市场方面的支持。

国产AI-CAM的产业生态正在形成"基础层—平台层—应用层"的三级结构（见图12）。基础层包括国产大模型（如百度文心一言、阿里通义千问、科大讯飞星火、智谱AI ChatGLM、月之暗面Kimi）、国产AI芯片（如华为昇腾、寒武纪、地平线）与国产三维几何内核（如中望Overdrive、华天CRUX、华云三维CrownCAD）。平台层包括AI-CAM平台（志丞科技寸铁、中望3D AI、华中数控华中10型）与工业互联网平台（海尔卡奥斯、树根互联、航天云网、徐工汉云）。应用层覆盖汽车、航空航天、模具、通用机械、消费电子、医疗等制造业细分领域。三级生态的协同发展，为国产AI-CAM的技术创新与规模化落地提供了坚实的基础设施支撑。

图12 国内AI-CAM产业生态图谱

6.4 国内外AI-CAM技术对比与差距分析

为客观评估国内AI-CAM的技术水平，本文从七个维度对国内外代表性产品进行对比评估（见图15）。

图15 国内外AI-CAM技术成熟度对比雷达图

基础模型能力：国外产品（Limitless Labs Physical AI Foundation Model、CloudNC强化学习模型）在多模态物理基础模型与大规模强化学习训练方面领先，其模型在金属切削物理的理解深度上优于国内产品。国内产品（志丞寸铁、中望3D AI）主要基于通用大模型（GPT系列或国产大模型）+领域微调，在工艺知识推理与自然语言交互方面已达到国际水平，但在物理级理解方面存在差距。

几何解析精度：国内外产品均采用B-Rep解析引擎进行三维模型的精确读取，几何解析精度主要取决于CAD内核的成熟度。国外产品（CloudNC、Limitless）多基于开源或商用CAD内核（如OpenCascade、Parasolid），国内产品（中望、华天）拥有自主CAD内核，在几何解析精度上已达到国际先进水平。志丞寸铁的B-Rep多维拓扑重构引擎在特征识别的完整性上表现突出。

工艺规划质量：在三轴棱柱类零件上，国内外产品的工艺规划质量已较为接近，AI生成的方案被资深工程师评定为"合理可用"的比例均在80%—90%。在复杂曲面与五轴零件上，国外产品（Limitless、ENCY）的工艺规划能力略优，但其自主完成率也仅为30%—50%，国内外差距不大。

刀轨生成能力：这是国内AI-CAM的主要短板。国外产品（Limitless Labs）已实现物理级的刀轨微观参数优化（行距、步距、进给率曲线），而国内产品（志丞寸铁）明确不做底层刀轨生成，中望3D的AI刀轨生成仍以传统几何算法为主，AI主要用于参数推荐。在五轴联动刀轨生成方面，国内产品与hyperMILL、NX CAM等国际顶尖产品仍有明显差距。

物理仿真精度：国外产品（VERICUT Force、Limitless Physical AI Model、Lambda Function）在切削物理仿真与代理模型方面积累深厚，其切削力预测精度与加工周期优化效果经过了大量工业验证。国内产品在物理仿真方面主要依赖几何仿真，切削物理仿真的精度与成熟度不足，是制约AI-CAM实现"生成—验证—修正"闭环的关键瓶颈。

本土生态适配：这是国内AI-CAM的核心优势。国内产品在中文工艺知识理解、国产材料牌号适配、国产刀具与机床参数库、本土企业加工习惯适配、以及与国产MES/ERP/QMS系统的集成方面，显著优于国外产品。志丞寸铁可在1—2周内完成企业级知识适配，而国外产品在中国市场的本地化适配周期通常需要数月。

商业化成熟度：国外产品（CloudNC CAM Assist）商业化时间较早（2023年即推出正式版），已在全球范围内拥有数百家付费客户，商业模式成熟。国内AI-CAM产品（志丞寸铁、中望3D AI）大多处于2025—2026年的商业化初期，客户数量与收入规模尚小，但增长速度很快。

综合来看，国内AI-CAM在"工艺决策层"（图纸解析、DFM分析、工艺路线规划、参数推荐、文档生成）已达到或接近国际先进水平，在本土生态适配上具有明显优势；但在"物理执行层"（刀轨生成、物理仿真、五轴联动）与国外顶尖产品仍有差距。这一"上强下弱"的技术格局，决定了国内AI-CAM在短期内将以"上游工艺决策+下游CAM协同"的模式切入市场，长期则需在刀轨生成算法与物理仿真引擎上持续投入以补齐短板。

7 核心挑战、瓶颈与未来展望

7.1 AI-CAM面临的核心挑战

尽管AI-CAM在过去三年取得了显著进展，但要实现从"辅助工具"到"自主工艺工程师"的跨越，仍面临一系列核心挑战。

可解释性不足：当前AI-CAM的决策过程本质上是一个黑箱——用户无法理解AI为什么选择某把刀具、为什么设定某个切削参数、为什么安排某个加工顺序。在航空航天、医疗等对工艺可追溯性要求极高的行业，黑箱决策是不可接受的。提升可解释性的技术路径包括：基于注意力机制的决策溯源（显示AI决策时关注了哪些输入特征）、基于知识图谱的推理链展示（将AI的决策过程还原为可理解的规则链）、以及反事实解释（展示如果改变某个输入参数，决策会如何变化）。但这些方法目前仍处于研究阶段，尚未在商业化产品中大规模落地。

工艺数据稀缺与质量参差：AI模型的性能高度依赖训练数据的规模与质量。在CAM领域，高质量的标注数据（包含完整的零件模型、工艺决策、刀轨、切削参数与加工结果）极为稀缺。原因在于：第一，工艺数据是企业的核心知识产权，企业普遍不愿对外共享；第二，历史加工程序的格式不统一、文档不完整，难以直接用于模型训练；第三，加工结果数据（实际切削力、表面质量、刀具寿命）的采集需要额外的传感器与实验，成本高昂。数据稀缺导致AI模型在覆盖范围外的"长尾场景"中性能急剧下降，这是当前AI-CAM在复杂零件上自主完成率低的根本原因。解决路径包括：联邦学习（在保护数据隐私的前提下实现跨企业模型协同训练）、合成数据生成（通过物理仿真生成大规模虚拟加工数据）、以及主动学习（AI主动选择最有价值的样本请求人类标注，以最小化标注成本）。

物理仿真精度瓶颈：AI-CAM的"生成—验证—修正"闭环依赖于高精度的物理仿真。当前切削物理仿真的精度仍不理想：解析模型的误差可达20%—30%，有限元模型虽然精度较高但计算速度太慢，基于机器学习的代理模型受限于训练数据覆盖范围。物理仿真精度不足意味着AI生成的刀轨即使通过了仿真验证，在实际加工中仍可能出现振动、刀具磨损过快或表面质量不达标等问题。提升物理仿真精度需要在切削力学建模、材料本构关系、刀具—工件摩擦模型等基础研究上持续投入，这是一个需要材料科学、力学、机械工程与AI交叉融合的长期课题。

安全可信与责任归属：AI生成的数控程序如果导致机床碰撞、零件报废或人员伤亡，责任应由谁承担？是AI软件开发商、CAM软件厂商、机床制造商、还是使用AI的企业？当前的法律框架与行业标准尚未对AI-CAM的责任归属做出明确规定，这是制约AI-CAM在高端制造领域规模化应用的重要法律障碍。此外，AI系统的网络安全风险也不容忽视——如果AI-CAM系统被黑客攻击，可能被植入恶意的数控程序，导致生产事故或知识产权泄露。构建安全可信的AI-CAM体系，需要技术（如AI决策的数字签名与溯源、模型的对抗鲁棒性训练）、法律（如AI责任法、行业标准制定）与管理（如AI使用规范、人机协同流程设计）多维度的协同推进。

人才与组织变革：AI-CAM的普及不仅是技术问题，更是组织与人才问题。传统数控编程工程师的角色将从"编程执行者"转变为"AI监督者与工艺决策者"，这要求工程师不仅具备传统的工艺知识，还需理解AI的能力边界、学会与AI协同工作。企业需要建立新的培训体系与绩效考核机制，帮助现有工程师完成角色转型。同时，企业需要建立AI-CAM的治理框架，明确哪些任务可以完全交给AI、哪些任务必须由人类审核、AI决策的审核流程是什么、异常情况的处理预案是什么。组织变革的滞后往往是技术落地失败的主要原因，这一点在AI-CAM的推广中同样需要高度重视。

7.2 未来五年技术演进路线图

基于当前技术趋势与产业动态，本文对未来五年（2026—2030）AI-CAM的技术演进路线进行展望（见图16）。

图16 AI-CAM未来发展路线图（2026—2030）

2026—2027年：AI助手普及期。AI-CAM将从"先锋试用"走向"主流普及"。全球十大CAM软件均将集成AI辅助编程功能，AI生成的加工策略与参数推荐成为CAM系统的标配功能。在三轴棱柱类零件上，AI辅助编程将成为主流工作方式，编程效率提升60%—80%成为行业共识。多智能体架构开始在商业化产品中落地，AI能够自主完成从特征识别到刀轨生成的完整流程，但人类审核仍是必不可少的环节。国内AI-CAM企业在中端市场实现规模化替代，中望3D、志丞寸铁等产品的付费客户数突破千家。

2027—2028年：物理AI突破期。物理AI基础模型将取得关键突破。以Limitless Labs为代表的企业将训练出理解金属切削物理的大规模多模态基础模型，其切削力预测精度接近有限元仿真，推理速度提升超过1000倍。物理AI的突破将使AI-CAM从"几何正确"走向"物理最优"，AI不仅能生成无碰撞的刀轨，还能在保证切削力稳定、振动可控、刀具寿命合理的前提下优化加工效率，加工周期缩短20%—40%。五轴联动加工的AI自主编程能力显著提升，复杂曲面零件的自主完成率从30%—50%提升至60%—70%。国内厂商在物理AI领域开始追赶，中望软件、华中数控等企业推出自研的切削物理代理模型。

2028—2029年：全流程智能体成熟期。AI-CAM将从"单点智能"走向"全流程智能体"。SI智能体将覆盖从订单接收、图纸解析、DFM分析、工艺规划、刀轨生成、仿真验证、后处理、SOP生成、到生产排程与质量检验的完整制造链条。多智能体协同技术成熟，设计智能体、工艺智能体、编程智能体、仿真智能体、排程智能体、质量智能体在统一平台上协同工作，形成"数字工艺工程师团队"。人机协同模式从"人类主执行、AI主辅助"转变为"AI主执行、人类主监督"，在标准化程度较高的零件上实现"无人化编程"。国内AI-CAM在高端五轴领域实现局部突破，国产CAM软件在航空航天结构件、汽车模具等领域的市场份额提升至30%—40%。

2029—2030年：自主制造系统雏形期。AI-CAM将与数控机床、工业机器人、数字孪生、工业互联网深度融合，形成"自主制造系统"的雏形。在该系统中，订单到达后，AI自动完成设计可制造性评估、工艺规划、数控编程、仿真验证、生产排程与机床分配，数控机床在AI自适应控制下完成加工，质量检测数据自动反馈至AI系统进行工艺优化。整个制造过程实现高度自主化与柔性化，"关灯工厂"从概念走向局部现实。AI-CAM作为自主制造系统的"大脑"，其价值从"编程工具"升级为"制造决策核心"。国内AI-CAM产业生态成熟，形成2—3家具有全球竞争力的AI-CAM企业，在部分细分领域实现从"跟跑"到"领跑"的跨越。

7.3 长期研究方向

2030年以后，AI-CAM的长期研究方向包括：

通用制造基础模型：训练一个理解所有制造工艺（铣削、车削、磨削、电火花、增材制造、钣金、铸造、注塑等）的通用制造基础模型，实现跨工艺的统一推理与决策。该模型将能够根据零件设计要求自动选择最优的制造工艺组合，并生成完整的工艺流程。

具身智能与机器人加工：将AI-CAM与具身智能（Embodied AI）结合，使工业机器人具备自主的加工能力。机器人不仅能执行预设的加工程序，还能通过视觉与力觉感知实时调整加工策略，适应非结构化的加工环境。

数字孪生驱动的持续优化：构建从设计到制造再到服役的全生命周期数字孪生，AI系统在数字孪生环境中持续学习与优化，实现"一次加工、终身优化"。每个零件的加工数据与服役数据都反馈至AI系统，推动制造工艺的持续迭代。

AI驱动的设计—制造一体化：打破设计与制造的壁垒，AI在设计阶段即考虑制造约束，自动生成可制造性最优的设计方案。设计与制造从"串行流程"变为"协同优化"，实现"为制造而设计"（DFM）到"由制造而设计"（Design by Manufacturing）的范式转变。

8 结论

本文系统梳理了全球十大CAM软件的SI智能体化路径与国内AI-CAM软件的快速发展之路，得出以下主要结论。

第一，全球CAM软件正经历从"规则驱动的参数化编程"向"数据驱动的智能体自主决策"的范式跃迁。SI智能体（System Intelligence Agent）作为这一跃迁的核心载体，具备"环境感知—认知推理—任务规划—工具调用—执行反馈—多主体协同"的完整闭环能力。本文提出的四层技术架构模型——基础模型层、多智能体协同层、工艺知识图谱层、物理仿真验证层——为理解与评估AI-CAM系统提供了统一的分析框架。

第二，全球十大CAM软件的SI智能体化呈现三种典型策略：Siemens为代表的"全栈自研型"、Mastercam与SolidCAM为代表的"生态合作型"、Autodesk/hyperMILL/Tebis为代表的"渐进增强型"。AI原生CAM产品（CloudNC CAM Assist、Limitless Labs Physical AI Foundation Model、ENCY AI Superagent、Lambda Function AI-NC）在技术前沿性上领先，其核心创新在于将大语言模型、强化学习、物理AI基础模型与多智能体架构引入CAM领域，实现从"辅助建议"到"自主执行"的跨越。

第三，AI-CAM的核心技术体系包括基于深度学习的加工特征识别、基于强化学习的工艺规划、AI驱动的刀轨生成与优化、切削参数推荐与物理仿真、以及基于大语言模型的工艺知识推理。其中，物理AI基础模型与多智能体协同架构是当前技术竞争的制高点，决定了AI-CAM从"几何正确"走向"物理最优"的能力。

第四，国内AI-CAM软件正处于"AI换道超车"的历史机遇期。中望软件、华天软件、数码大方等传统CAM厂商迅速布局AI能力，志丞科技"寸铁"等AI原生企业以差异化定位切入市场，华中数控将AI下沉至数控系统端。国内AI-CAM在"工艺决策层"已达到或接近国际先进水平，在本土生态适配上具有明显优势，但在"物理执行层"（刀轨生成、物理仿真、五轴联动）与国外顶尖产品仍有差距。

第五，AI-CAM的规模化落地仍面临可解释性不足、工艺数据稀缺、物理仿真精度瓶颈、安全可信与责任归属、人才与组织变革等核心挑战。未来五年，AI-CAM将经历"AI助手普及期（2026—2027）→物理AI突破期（2027—2028）→全流程智能体成熟期（2028—2029）→自主制造系统雏形期（2029—2030）"的演进路线，逐步从"编程工具"升级为"制造决策核心"。

本文的研究局限在于：第一，AI-CAM技术迭代极快，部分产品的功能与性能数据可能在论文发表时已发生变化；第二，受限于数据可获得性，对部分企业的内部技术架构分析基于公开信息，可能存在不完整之处；第三，对AI-CAM的经济影响与社会效应的分析较为初步，有待后续研究深入。未来的研究可在以下方向展开：AI-CAM的投资回报率（ROI）量化模型、AI-CAM对制造业就业结构的影响、AI-CAM的安全标准与认证体系、以及面向特定行业（如航空航天、医疗、汽车）的AI-CAM专用解决方案研究。

参考文献

声明：

本篇文章图片部分来源于网络。部分文章来源全网络网站，表示感谢。传播正能量，提升正知识，新质生产力。欢迎关注传播

本公众号微文及图片部分AI处理，具有全局观及高清特质，请在WIFI情况下查看浏览。

传播正能量，提升正知识，新质生产力。欢迎关注并传播

精品文章转发者请署名作者，保留追责权利。