ARTICLE · 981036
【赛宝观点】问道“AI+工业软件”:改良还是革命?(二)
问道
“AI+工业软件”
改良还是革命？（二）
导读
/ Teaser
↓
当前，以大模型为代表的新一代人工智能加速演进，成为重塑未来的核心力量。人工智能与工业软件深度融合，正成为这一轮产业变革的主旋律。它正在重塑工业软件的产品形态、研发范式与商业模式，并深刻改变企业研发、生产、管理、服务的方式乃至全球产业格局：产品交互走向自然语言与智能体，知识沉淀由人写代码转向模型从数据中学习，价值交付由卖工具走向卖结果，软件本身也正由单一工具延展为人机协同的智能系统。
这场变革究竟是工具的改良还是范式的革命，价值如何释放、创新的方向是什么、边界又在哪里、全球格局怎样重组、中国工业软件路在何方？围绕这些战略性、前瞻性、基础性问题，我们以《问道 “AI+工业软件”》为题分篇展开研究，力求把判断建立在可核验的证据之上，也愿借此与各界同仁共探“AI+工业软件”的发展之路。
第一期，我们回溯历史，分析了工业软件六十年发展的三次技术形态转移，阐释本轮AI来的变革与前三次范式转移的根本差异在于数学范式的跃迁——从“低维显式函数”转向“高维隐式复合函数”。本期，我们将剖析当前AI在工业软件领域的具体变革情况，厘清“变”与“不变”的边界。
现实辨析：变与不变的并立证据
二元分析框架之所以难以准确刻画本轮变革，原因在于 “变”与“不变”同时存在，且在不同层面呈现显著的速度差。真实的产业变革并非一蹴而就的线性替代，而是呈现出高度的非对称性。本章基于详实的产业数据与前沿案例，客观剖析当前AI在工业软件领域的变革情况，厘清“变”与“不变”的边界，为后续构建多维演进框架提供事实依据。
（一）
什么变了：革命论据
1
交互范式迭代：从“人操作软件”到“人设目标、AI 执行”
传统的工业软件交互高度依赖图形用户界面（GUI），工程师需手动完成繁琐的参数配置与流程控制。AI 大模型与智能体的成熟，使得软件具备了意图理解与任务规划能力，知识交互范式从 “GUI 参数操作式” 向 “自然语言意图式” 演进。Agentic AI则带来了更激进的交互范式，AI不仅理解指令，还能自主规划、调用工具、迭代优化。在有限元分析领域，学术界的AutoFEA系统让大语言模型调用图神经网络用于检索与匹配示例，在512个算例构成的基准数据集上，生成可复现参考结果的仿真输入文件，成功率达90.2%。在工业自动化工程中，西门子推出的 Eigen Engineering Agent 能够自主规划并执行复杂的工程任务，执行效率提升 2 至 5 倍，整体解决方案质量提升高达 80%。
2
知识生产模式变革：从“人编码知识”到“人机协同知识生产”
工业软件的核心壁垒在于几十年沉淀下来的领域知识。过去，它们以公式、代码和专家规则的形式固化在软件里，生产周期长、成本高，且高度依赖专家的个人经验。传递链条是“专家经验→文档化→软件化”，每一道转译都是一次衰减。AI 把这条链条重构为“数据→模型→知识”通过对海量仿真与试验数据的学习，总结出传统方法难以发现的设计规律与优化方向，实时、动态、可规模化。工业生产的核心资产，正在从制造物体的能力，转向生成物体的知识。
更值得关注的是知识资产的归属迁移。工业Know-how的载体正从源代码迁入模型权重与数据资产，知识定义权随之从软件厂商转向模型与数据的控制者。西门子、达索等中外厂商竞相建设领域大模型，争夺的正是这一知识主权。对知识主权而言，我国的筹码恰在数据侧——工业场景与工程数据在本土，模型时代的知识定义权有望不再旁落。但数据在本土不等于知识主权在本土。数据要炼成知识、本体要由己方定义，主权才算真正落地，否则可能重演“数据在手、标准由人”的教训。
这场主权之争有具体的争夺对象——数据模型与语义标准，即行业所称的“本体”（Ontology）。它是显式知识的制度化形态，过去供开发者遵循。AI 时代它的角色换位，模型生成的方案，只有落到显式的语义与约束上，才是可校验、可审核的。本体定义到哪，AI 能触及的概念边界就在哪。
3
设计范式突破：生成式设计实现“探索即验证”
传统设计是“收敛式”的，工程师基于经验在有限方案中选择优化，设计空间受限于人类认知边界与经验积累；生成式设计是“发散式”的，AI 可在数秒内探索上万种设计选项，在物理约束下自动寻优，并以快速校验闭环，大幅拓展了设计创新空间。全球实践中，汽车零部件供应商马勒将这类能力嵌入既有系统，推出全新仿生结构的汽车空调鼓风机，效率提升约 15%、噪声降低约 4 分贝。
更进一步，Agentic AI 将设计范式推向更深处：从“目标—生成—选择”演进为“目标—探索—验证—迭代”。Navasto 等新一代平台实现了“生成即验证”，将设计与仿真环节无缝衔接，实现零时差反馈。这种设计范式的突破，极大释放了工程创新的潜力。
4
智能决策能力演进：从辅助决策向自主决策延伸
传统工业软件仅提供数据与分析结果，最终决策由人类做出，决策效率受限于人类信息处理能力。AI 技术推动决策向自主化、协同化方向发展，在结构化、规则明确的场景中，AI 已具备自主决策能力。在复杂工业场景中，决策正从单一节点向多智能体协同演进。西门子 Factory Agent 在工厂运维场景中，通过多智能体协同优化备件库存与点检流程，实现备件库存下降约20%、点检效率提升约 50%。决策范式的跃迁，使工业系统具备了更强的韧性与自适应能力。
5
产业格局结构性重组：四股力量同台竞技
AI的介入打破了工业软件原有的封闭生态，引发产业格局的结构性重组。当前市场呈现四股力量同台竞技的态势：一是以西门子、达索为代表的传统工业软件巨头，正加速将AI融入其全栈平台；二是以NVIDIA、Microsoft为代表的科技AI巨头，凭借算力与基础模型优势强势切入工业底座；三是以ABB为代表的自动化硬件巨头，通过“软硬一体”强化AI落地；四是以Augmenta为代表的AI原生企业，以颠覆性架构挑战传统范式。这种多元竞争格局为产业创新注入了前所未有的活力，也对传统软件厂商的商业模式与竞争壁垒形成深层冲击。
（二）
什么没变：改良论据
尽管表层应用日新月异，但工业软件的底层逻辑、安全底线、产业壁垒及人类核心能力并未发生根本性动摇。这些“不变”的因素，构成了AI落地的刚性约束。
1. 物理机理与数值计算的基石未变
工业软件的可靠性建立在严密的数学与物理基础之上。几何内核历经几十年发展，核心的边界表示理论与布尔运算逻辑仍未改变，依然是CAD系统的基石；有限元分析的基本方程自20世纪60年代确立以来，其理论框架未曾改变。当前AI 的角色更多是“加速器”而非“替代者”。代理模型用于加速仿真计算，生成式 AI 用于辅助几何建模，但最终的精确求解与几何建模仍依赖传统内核。工业的核心逻辑仍是低维显式可解释函数，AI 的高维隐式参数仅作为补充，未从底层替代传统求解范式。
2. 确定性与可追溯性的刚性需求未变
工业软件服务于工业生产，必须满足确定性、可重复、可追溯的刚性要求，这一本质属性不因 AI 而改变。无论是航空领域的 DO-178C 标准，还是汽车行业的 ISO 26262 功能安全标准，都对软件的可验证性提出了严苛要求。AI 的概率性输出与工业的确定性需求之间存在天然矛盾。在工程实践中，“验证”永远比“设计”更核心，任何未经严格验证的 AI 生成结果都无法直接用于工业生产。截至目前，AI 生成的设计与仿真结果仍需通过传统工具进行物理签核，无法独立完成工程闭环。
AI深度参与之后，验证正确性反而成了新难题。工业软件的“验证”不是简单的“检查”，而是物理一致性、安全认证与形式化证明，这恰恰是统计学习路线的短板。当AI深度参与仿真后，由谁来验证AI的仿真结果是正确的，这个问题在Agentic AI时代更加尖锐。
3. 产业格局壁垒未被打破
工业软件具有极高的领域知识密度、数据积累要求和生态迁移成本，构成了难以逾越的三重壁垒：工业软件需要几十年的行业知识积累，AI 无法凭空获得；高质量工程数据稀缺且掌握在头部企业与用户手中；用户长期形成的工具使用习惯、数据格式依赖、生态系统锁定，使得 AI 原生公司难以切入主流市场，仍局限于特定细分场景。传统寡头格局依然稳固，例如在CAD/PLM领域，西门子与达索占据主导地位；在EDA领域，Synopsys、Cadence与Mentor的三巨头格局难以撼动，AI尚不足以在短期内瓦解这种基于数十年积累的系统性壁垒。
4. 对工程师判断力需求未变
工程师的物理直觉与工程判断AI无法替代。在AI时代，最稀缺的能力不再是“操作软件”，而是“审核 AI”——即能够驾驭 AI 输出、识别潜在错误、并对最终结果负责的能力。尤其在Agentic时代，AI自主执行的链路变长，审核的复杂度呈指数级增长。工程师从“执行者”转变为“审核者”与“决策者”，这一角色转变需要漫长的适应与能力建设周期。
（三）
小结：变与不变共同指向“分维度异步”
综合上述分析，AI 驱动工业软件的变革呈现出显著的“分维度异步”特征。“变”的方面集中于人机关系与知识形态，恰恰是 AI 技术红利释放最快、应用层创新最活跃的领域；而 “不变”的方面则深植于求解机理与生态架构，恰恰是工业底层逻辑最稳固、演进最缓慢的领域。
简单的“革命”或“改良”二元框架，已无法容纳这种复杂异步性。二元框架的失效有三重根源：一是掩盖层状结构，把交互界面的焕新与求解内核的停滞混为一谈；二是缺乏时间维度的动态视角，把从量变到质变的连续过渡压缩成非黑即白的断言；三是忽略子领域差异，用同一条时间表套住节奏相差数年的不同赛道。亟需构建一个多维度的分析框架，以精准刻画不同子领域、不同环节的演进状态与临界点。
本章核心结论：“变”与“不变”同时成立，且分属不同层面：“变”集中于人机关系与知识形态，是AI红利释放最快的领域；“不变”深植于求解机理与生态架构，是工业逻辑最稳固的领域。变与不变的并立指向“分维度异步”，二元框架无法容纳这种复杂异步性。
下一篇是报告的核心，将提出理论框架，对变革进行多维度、分阶段的系统分析。
作者信息
/ Author bio
↓
谢克强，工信部电子五所软件与系统研究院首席研究员，工学博士，正高级工程师。主持国家重点研发计划“工业软件”重点专项青年科学家项目等国家级科研项目，参与多项国家级政策文件起草，多次接受人民日报、新华社等中央媒体采访。出版“软件定义”系列著作《工业软件：通向软件定义的数字工业》《软件定义：重构新型工业化数字底座》《企业软件化》与可靠性著作《质量大数据：体系与应用》。
更多相关
/ More
↓
供稿/校对：软件与系统研究部（院）
宣传策划：技术推广处
编排设计：标信文印室
