夜雨聆风随着人工智能技术快速发展，越来越多研究者与工程师将AI落地于产品设计领域，掌握并融合AI能力，是设计师构建产品核心竞争力的关键。AI早已不是工业设计锦上添花的加分技能，而是贯穿设计全流程的必备基础能力。设计师若不掌握AI，将在效率、创意、行业竞争力上全面落后。
本课程采用“理论解析-案例重构-工程实操”闭环范式，应对三维AI生成精度不足与制造脱节的瓶颈，助力设计师向“设计规则与创意意图主导者（Constraint & Intent Director）”转型。围绕这一角色转型目标，本课程从理论框架、工程落地与数据映射三个核心维度，系统构建学员的专业能力与创新收益：（1）掌握前沿协同框架与工程评价：系统理解Meta-X设计（MXD）架构与多智能体协同机制；掌握BrepRAG框架下的美学-工程协同评价（AECE）方法，攻克生成式方案“不可用”的难题。（2）打通Rhino高精度工程落地：掌握在Rhino平台中将离散Mesh网格重构为G2（曲率连续）高阶参数化NURBS实体模型的拓扑重建方法；应用Chat-to-CAD编译机理，实现自然语言向确定性建模代码（RhinoCommon Python）的顺序编译与参数化局部纠偏。（3）探索数据驱动自适应设计：学习采集并处理多通道生理与行为时序数据，构建运动学与生理动力学协同模型，实现产品形态与物理刚度分布的自适应参数化映射。最后通过案例分析打通从AI概念形态到高精密制造级实体文件（STEP 格式）导出的全链路。
一、培训时间
2026年10月29-30日（10月28日报到） 杭州
二、培训内容
第一部分：为什么AI正在重构工业设计？
一、AI为什么第一次真正改变了工业设计？
1.1 人机关系历史迁跃：从静态工具、被动执行者、交互控制器、智能助手到协同共创伙伴的演进规律。
1.2工业设计5.0（ID 5.0）理论范式：确立以人机共生、认知协同与价值共创为核心的新一代设计框架。
1.3元设计（Meta-Design）向Meta-X设计（MXD）的进化：解决传统元设计难以在工业约束中落地的问题，实现宏观元设计理论与微观DfX（面向X的设计）的有机合成。
二、生成式AI的瓶颈与MXD架构
2.1离散网格模型的制造落地局限：剖析AI生成的Mesh/点云模型在编辑性、计算开销和局部几何精度上的瓶颈。
2.2人机协同共创的两大障碍：认知失调（语义、参数错配与物理约束冲突）与控制不稳（能力自适应偏差与硬反馈缺失）。
2.3MXD四层技术架构解析：基础设施层、模型层、认知层与应用层的解耦设计、服务导向整合与多智能体驱动机制。
三、BrepRAG框架：攻克“生成不可用”僵局
3.1美学-工程协同评价（AECE）：结合LAION美学预测器（LAP）归一化评分与基于图神经网络（SimGNN）的局部组件相似性工程校验。
3.2跨表示几何拓扑重构链路：通过语义分割（SAM算法）定位缺陷，经历“2D图像→3D Mesh→3D B-rep”的逆向重构过程。
3.3 深度感知融合与自适应升级：基于Depth Pro实现零样本单目公制深度估计，完成修正后B-rep组件与原2D方案的几何对齐。
3.4 用户偏好自学习的RAG引擎：利用Neo4j与多模态知识图谱（MMKGs）进行方案动态关联、时间自适应衰减排序及方案进化管理。
3.5 协同设计案例：针对原始AI生成方案中扶手缺失、座椅曲率异常等工程缺陷，通过B-rep局部参数化重构与Depth Pro深度融合技术进行几何自适应纠偏。
第二部分：AI如何真正进入工业设计作业流程？
四、跨表达几何重构与多模态混合现实协同
4.1 AI-MCD多模态协同设计工作流：基于大语言模型构建自协同多智能体系统，解耦“提示词智能体”与“人机协同虚实评测”技术域，降低多方协同的设计复杂度。
4.2 制造端物理桥接与几何优化：诊断3D原生生成网格在制造落地的几何缺陷，利用计算机辅助设计平台对离散几何进行拓扑规整与网格平滑度优化，使其适配物理实体制造要求。
4.3 科普教具协同设计与评审案例：通过AI-MCD机制自动迭代生成高阶产品3D网格并完成物理白模3D打印，再借助MR技术将AI生成的高保真2D渲染图投影至模型外表面，实现多方共同参与的装配结构与模拟功能虚实双重评审。
五、Chat-to-CAD：基于约束管理的Rhino边界表示顺序重构
5.1 顺序B-Rep生成与意图编译：将自然语言意图与多视投影几何草图对齐，利用大模型认知编译框架，直接将设计师意图编译为确定性的顺序特征建模代码。
5.2 拓扑约束管理与路线多目标优选：应用Grounded-SAM进行目标图像组件分割，提取并构建JSON格式中介表示（JSON-IR）的拓扑约束图；引入多样性终止机制防止代码冗余，并通过最小化多维成本函数自动优选最佳建模路线。
5.3 顺序操作流控制与人机动态调控：编排如“Loft/Trim - Sweep2/Fillet- Boolean/Offset”三阶段特征序列，支持在参数化界面中实时调整参数或通过语言动态微调中间DSL步骤，实现无需全局重新编译的局部纠偏。
5.4 参数化重构案例：自动将目标图像分割并编译为顺序特征指令流，提供分阶段历史特征导航与文本调控，实现高几何精度、人机交互可控的实体参数化逆向重构。
六、数据驱动的多模态用户偏好映射
6.1 生理与行为数据多通道采集：利用眼动追踪与脑电等传感器，在设计交互过程中实时捕获用户底层的深层认知状态与多通道生理数据序列。
6.2 情感响应解码与量化建模：应用机器学习分类和聚类算法提取复杂生理行为数据背后的情感波动模式，量化用户对产品外观的审美偏好特征。
6.3 认知维度向三维几何的映射：用提示词在Grasshopper中建立“用户生理特征值”与“产品外观控制尺寸”之间的非线性数学映射关系。
6.4 自适应设计案例：基于多模态手部姿态实验与时序特征，构建手部运动学与生理动力学协同模型，实现符合人机工程学、刚度自适应动态形变的定制化康复手套生成。
三、报名方式
扫描下方二维码添加老师微信咨询报名
