全球 AI Native Engineering 创业公司产业全景与投资竞争格局
从AI原生CAD、Physics AI与工程智能体，到制造自动化、工程数据平台及下一代工业软件创业生态
研究周期：2026年1月1日—2026年10月19日
研究范围：美国、加拿大、英国、德国、法国、瑞士、北欧、中国、日本、韩国、印度、以色列及中东等地区
研究对象：AI Native CAD、计算工程、Physics AI、Agentic CAE、AI EDA、智能CAM、电子设计自动化、工程知识系统及工业AI数据基础设施
引言｜2026年，工业软件创业正在从开发新工具转向重构工程任务
2026年，全球工业软件创业生态正在出现一批具有鲜明技术特征的公司。它们并不完全遵循传统CAD、CAE、CAM或EDA企业的产品开发路径，也不一定从构建完整的专业软件平台开始，而是利用生成式人工智能、机器学习、几何计算、专业工程模型和可编程软件接口，尝试改变工业产品的设计、分析、制造及工程知识利用方式。
这批企业的出现，使全球工业软件产业面临一个值得重新讨论的问题：在人工智能和自动化编程能力持续提高的条件下，新企业是否仍然需要经过长期的软件内核、专业求解器、完整产品界面和行业应用开发，才能进入工业软件市场？
2026年的产业实践已经给出了部分答案，但并不支持简单的乐观或悲观判断。
一方面，AI的确正在降低某些工程软件任务的开发和使用成本。新兴企业可以利用成熟的几何组件、开源数值求解器、云计算基础设施和基础模型能力，围绕具体工程问题建立自动化产品。部分创业公司已经不再要求工程师通过复杂的软件菜单完成全部操作，而是将自然语言、结构化需求和专业工具执行结合起来，使用户能够直接提出工程目标。
另一方面，工业软件的核心技术壁垒并没有因为基础模型能够生成代码而自动消失。几何模型是否具有有效拓扑和可编辑特征，物理预测是否符合真实工况，数控程序是否能够安全加工，电路板是否满足电气和制造约束，仍然需要专业算法、工程数据及严格验证。
因此，AI Native Engineering创业并不是普通软件创业的简单延伸。它既受到AI技术进步的推动，又持续受到物理世界及工业工程复杂性的约束。
2026年6月8日，英国PhysicsX宣布完成3亿美元C轮融资，估值约24亿美元。其技术路线围绕大型物理模型、工程优化和面向工业企业的AI原生平台展开。9月16日，日本与美国双总部企业CADDi公布1.14亿美元D轮融资，估值达到12亿美元，计划继续建设连接工程图纸、采购、制造和质量信息的Manufacturing AI Data Platform。两家公司处于不同的软件技术层级，却都试图使长期分散在传统工业软件和企业系统中的工程信息，转化为可以被AI持续利用的能力。
与此同时，专业任务型创业公司正在探索更加明确的应用边界。
美国Flux于2月宣布获得3700万美元新投资，继续发展能够理解电子设计状态、执行原理图任务并连接器件供应链的AI Hardware Engineer。英国CloudNC于9月获得2000万美元新投资，将其自动CAM编程能力进一步扩展到加工报价和制造业务流程。美国Backflip则于8月推出将三维扫描数据转换为可编辑参数化CAD模型的产品，试图降低逆向工程中的重复建模成本。
这些企业的产品方向并不相同，但反映了一个重要的创业逻辑：AI原生工程软件的早期商业机会，未必来自全面替代成熟工业软件，而可能来自识别成熟软件体系中长期存在的高成本任务，并重新组织完成这些任务的技术方式。
2026年的另一个特点，是工程AI创业公司与传统工业软件企业之间的边界正在变得更加复杂。
德国SimScale于5月开放Engineering AI Agents试用，并在9月将仿真智能体接入PTC旗下Onshape，使设计人员能够在CAD环境中调用云端物理仿真。美国Rescale则将专业仿真智能体、Physics AI模型和计算资源管理整合进现有工程计算平台。这些公司正在尝试成为连接专业软件、工程数据与AI应用的基础设施，而不只是提供某一种新的分析功能。
与此同时，传统工业软件集团也在通过收购重新配置创业技术资产。Autodesk于2026年8月3日完成对工业维护与运营软件企业MaintainX的收购，交易此前公布的现金对价约36亿美元。这一交易并不属于狭义AI Native CAD收购，却说明大型工业软件平台愿意通过资本配置进入工业资产运营和工程数据闭环市场。
因此，研究AI Native Engineering创业生态，不能只观察融资金额、公司估值和产品发布数量。
更重要的是分析这些企业究竟掌握什么技术能力、处于工程流程的哪个位置、依赖哪些成熟软件或基础设施，以及能否将工程技术进展转化为可持续的商业收入。
本章将以企业真实产品与2026年公开事件为基础，将全球AI原生工程创业公司划分为不同技术层次，分别研究其产品能力、融资结构、商业模式及产业竞争位置，并在此基础上分析未来五年的投资逻辑与市场演进。
一、AI Native Engineering的产业边界：不能把所有使用AI的工业软件企业视为同一种公司
1.1 AI原生工程软件应当根据实际工程能力，而不是产品宣传定义
2026年，AI Native、Engineering Agent、Physics AI、AI CAD和Industrial AI等概念已经广泛进入工业软件市场，但这些名称并不具有完全统一的技术定义。
有些企业利用通用大模型提供工程文档问答，有些企业通过AI生成CAD命令，有些开发自主几何建模能力，有些则利用神经算子预测复杂物理场。它们都可能使用人工智能，却并不属于相同的软件产业环节。
因此，本报告不将“产品中包含AI功能”作为AI Native Engineering的充分条件。
更合理的判断方式，是研究AI是否已经成为软件完成核心工程任务的重要组成部分，以及企业是否围绕这种新的技术结构形成独立产品。
例如，工程文档问答系统可以帮助设计人员查找技术规范，但它本身并不承担机械设计；自然语言生成STEP文件的工具可能提供几何输出，但不一定具备参数化设计能力；利用AI预测气动性能的软件则需要通过专业物理数据和工程验证判断其实际价值。
对于每一种产品，都应当同时考察实际输入、核心算法、输出结果、工程验证方式和客户使用场景。
在这一意义上，AI Native Engineering既不是单一产品类别，也不完全等同于传统CAD、CAE或EDA市场中的AI附加模块。它更适合被理解为一组以工程任务为中心、利用AI重组专业计算与工作流的软件技术。
1.2 不同创业公司掌握的能力，分布在工程价值链的不同位置
从2026年的主要创业企业看，市场已经形成几种不同的技术路线。
Zoo、Backflip等企业主要改变几何模型的创建、转换和编辑方式；PhysicsX、Neural Concept则通过物理AI模型改变部分性能预测和设计优化过程；SimScale、Rescale更加强调专业仿真与智能体执行平台；CloudNC聚焦真实制造工艺，Flux和Quilter则服务于电子硬件设计。
CADDi与这些企业又存在明显区别。它主要建设工程图纸、物料、供应商、采购及质量信息之间的数据语义关系，为工程决策和智能体提供上下文，而不是直接开发精确几何建模内核或物理求解器。
这种分工说明，AI Native Engineering市场不能简单用一家企业是否拥有完整软件产品线来评价。
一家专注于PCB自动布局的公司，可能只解决电子设计流程中的某一类问题，却拥有较强的专业技术壁垒；一家覆盖多种工程任务的平台企业，则可能拥有更广泛的产品接口，但依赖第三方专业求解器完成关键计算。
两种商业模式都可能成立，重要的是其是否创造了可以持续被客户购买的专业价值。
表9-1｜AI Native Engineering创业公司的技术定位框架
|
|
|
|
|
|
|---|---|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
说明：该表按主要技术能力分类，不意味着各企业只从事单一业务，也不构成技术成熟度或估值排名。
二、AI原生机械设计：从模型生成走向参数化编辑和工程数据重建
2.1 Zoo：可编程几何是AI原生CAD的一条重要技术路线
在2026年的AI Native CAD创业公司中，美国Zoo值得作为独立技术样本研究。
Zoo的产品体系围绕自有几何引擎、KittyCAD API、参数化建模语言KCL和Zoo Design Studio展开。与主要通过自然语言生成静态三维网格的AI应用不同，Zoo试图将精确几何计算与代码表达结合，使机械设计可以同时通过图形交互和参数化程序完成。
2026年2月5日，Zoo公开发布Zookeeper，这是一套直接集成于Zoo Design Studio的对话式CAD智能体。根据公司披露，Zookeeper可以读取当前设计状态，识别用户选中的模型对象，并通过调用专业建模能力创建、修改和检查三维模型。其Text-to-CAD功能依赖可执行的建模程序及公司自有几何引擎，而不是只生成外观相似的三维图像。(Zoo，2026年2月5日)
这一架构具有重要的工程软件意义。
传统CAD主要由工程师通过图形界面创建和修改特征，软件内部负责管理参数、约束与几何结果。Zoo尝试把其中部分设计过程进一步转化为可编程对象，使智能体能够通过生成和修改KCL代码执行工程任务。
例如，智能体可以根据尺寸要求建立草图，生成拉伸或旋转特征，再根据用户指令调整尺寸及相关结构。
与直接输出三维网格相比，这种方式更有可能保留模型的工程可编辑性。
但从长期竞争角度看，可编程CAD并不是没有技术挑战。复杂机械产品可能具有大量零部件、相互依赖的特征和严格的装配条件。智能体即使能够生成有效代码，也可能因为设计约束不完整而产生不符合真实需求的模型。
因此，Zoo的关键竞争力不只是自然语言交互，而是其能否持续完善参数化计算、复杂模型状态管理、装配能力和工程验证体系。
对于投资研究而言，Zoo代表了一种具有明确技术辨识度的创业方向：不是单纯把大模型接入成熟CAD界面，而是从软件架构层面重新组织AI与几何计算的关系。
不过，2026年可以核实的产品技术进展，并不足以证明其已经在复杂大型装配、航空航天或高端机械设计市场达到成熟CAD平台的整体能力。该公司公开财务资料也不足以支持对其2026年经常性收入和客户留存率作出可靠判断。
2.2 Backflip：逆向工程可能是AI CAD较早形成稳定商业需求的细分市场
美国Backflip选择了不同的技术入口。
其早期产品围绕生成式三维设计展开，而2026年的重要变化，是进一步进入工程逆向建模。
8月4日，Backflip推出新的CAD Copilot，支持将三维扫描网格转换为可编辑的参数化CAD模型。9月17日，公司又宣布扩展从二维工程图和照片恢复三维CAD的能力。(Backflip，2026年产品公告)
这一方向具有明确的工业需求。
大量制造企业在设备维护、备件开发、旧产品改造和供应商替换过程中，可能能够获得实体零件、历史二维图纸或扫描数据，却缺少可修改的原始三维模型。
传统逆向工程需要工程师分析扫描结果，识别几何特征，并在CAD软件中重新建立草图、尺寸和参数化特征。
对于几何关系相对明确的零件，这些工作具有较强的重复性。
如果AI能够识别圆柱、孔、平面、对称结构和其他常见特征，并推断合理的建模步骤，就可能减少人工重建成本。
但逆向工程的技术难点远不止恢复三维外形。
实体零件可能已经发生磨损或变形，扫描数据也可能存在缺失和测量误差。由扫描结果恢复的尺寸，不一定就是原始设计尺寸。
此外，同一个三维外形可以由多种不同的参数化特征序列生成，而不同序列的后续编辑便利性可能差异很大。
因此，评价Backflip时，应该考察特征树是否具有工程合理性、尺寸误差是否满足要求、复杂模型能否稳定编辑，以及人工校正时间究竟减少了多少。
Backflip于2024年12月宣布获得3000万美元A轮融资。这一融资可以作为其历史资本基础，但不能重复计入2026年新增融资。(Backflip融资历史)
Backflip的长期价值，可能更多来自其专业逆向建模技术与成熟CAD生态的结合，而不是要求所有客户立即放弃原有设计软件。
2.3 Leo AI：工程知识智能体与AI CAD之间存在不同的商业边界
以色列技术背景的Leo AI则更集中于机械工程知识和设计工作辅助。
其产品试图帮助工程师获取零部件信息、历史设计经验、技术文档和工程计算知识，降低复杂工程资料检索所需的时间。
Leo AI于2025年7月披露完成新一轮融资，累计融资达到970万美元。公司在2026年10月发布的技术文章中，进一步强调AI在机械工程中更适合承担能够验证的任务，包括工程知识检索、常规计算辅助、零件信息查询和规则检查。(Leo AI，2026年10月8日)
这一路线与Zoo、Backflip明显不同。
Leo AI主要解决工程人员如何理解和利用已有专业知识的问题，而不以独立开发完整几何内核为核心。
对于复杂制造企业，这类系统可能具有实际价值，因为工程师的大量时间用于寻找历史资料、理解技术规范和判断零部件是否适用。
但知识辅助系统的成熟，不等于已经具备自主机械设计能力。
因此，将Leo AI归入AI Engineering是合理的，但若将其与开发精确几何建模引擎的企业直接进行技术成熟度比较，就会混淆不同的产品类别。
从产业结构看，工程知识智能体未来可能成为CAD、PLM和企业文件系统之间的重要应用层。它们的竞争优势更可能来自工程语义、客户数据连接、权限治理和专业知识可靠性。
2.4 AI Native CAD的真正门槛是长期维护工程状态
从Zoo、Backflip和Leo AI的不同技术路线可以看出，AI进入机械工程的方式并不是单一的。
有的企业试图创造新的参数化设计架构，有的企业从历史工程数据恢复可编辑模型，还有的帮助工程师理解既有知识和设计资产。
但对于真正进入CAD核心市场的企业，长期技术壁垒可能集中于工程状态管理。
一个复杂机械模型不仅具有最终形状，还包含尺寸、特征、装配关系、材料、工程图和设计变更历史。
AI如果只生成初始模型，而无法在反复修改中保持这些关系的一致性，其商业应用就会受到限制。
因此，AI Native CAD的发展需要从模型生成进一步走向模型维护，从单次演示走向可重复工程任务，从视觉相似走向参数化及制造可验证性。
这也是传统CAD企业与新兴创业公司之间最值得持续观察的竞争领域。
三、Physics AI创业公司：资本正在购买物理模型的可迁移性与工程数据能力
3.1 PhysicsX：2026年Physics AI融资规模和技术方向的代表
英国PhysicsX是2026年工程AI创业市场最具代表性的企业之一。
6月8日，PhysicsX宣布完成3亿美元C轮融资，估值约24亿美元。投资者包括Temasek、NVIDIA、Siemens及其他金融和产业资本。
值得注意的是，这组投资者同时包含长期金融资本、AI计算企业及大型工业技术集团。
这种资本结构，反映了Physics AI正在同时受到软件、算力和实际工业需求的推动。(PhysicsX融资公告)
PhysicsX的技术重点不是开发一个面向所有工程问题的自然语言助手，而是利用物理AI模型提高复杂产品设计与优化效率。
其技术基础包括高质量仿真数据、几何深度学习、神经算子、工程优化及相关计算基础设施。
2026年8月，公司公开PX-Car-Aero-v1大型物理模型，尝试通过广泛预训练降低特定汽车空气动力学任务所需的新仿真数据量。
这一进展具有重要的商业意义。
传统物理代理模型通常需要针对特定产品生成大量高保真数据。如果基础模型能够在多个相似任务之间复用已有的物理表示，就可能降低新客户或新项目采用Physics AI的门槛。
但从研究角度看，模型迁移能力必须通过不同任务、几何形态和边界条件加以验证。
某一汽车外流场模型取得较好的迁移表现，并不意味着相同技术已经能够可靠处理复杂燃烧、流固耦合或其他完全不同的工程问题。
因此，PhysicsX的估值反映的是投资者对未来发展空间的预期，而不是已经证实其能够替代完整CAE市场。
3.2 PhysicsX的国际化表明工程AI正在进入产业化服务阶段
2026年10月8日，PhysicsX宣布在新加坡设立亚太业务中心，并与新加坡科技研究局A*STAR开展五年合作，计划合作规模为4000万新加坡元。
公司还提出在未来三年将新加坡团队扩大至100人以上。(PhysicsX，2026年10月8日)
这项进展不能简单理解为增加销售办公室。
Physics AI产品通常需要与客户真实工程数据、专业仿真流程和设计团队深度结合。即使模型具有较强通用性，首次进入新的工业客户时，仍然可能需要完成数据准备、模型适配和工程验证。
因此，国际化交付能力可能成为Physics AI企业的重要竞争要素。
与普通SaaS相比，工程AI公司可能需要更高比例的物理学、数值计算和专业工程人才，直接参与客户项目。
这也带来一个值得关注的商业模式问题：企业是主要依靠标准软件订阅实现收入，还是仍然高度依赖专业工程团队的项目交付？
前者通常具有较强的软件规模效应，后者则更加依赖人才供给和项目管理。
对PhysicsX未来商业成熟度的评价，需要持续观察这两类收入和交付方式之间的关系。
3.3 Neural Concept：几何与物理模型融合可能改变产品设计早期的优化方式
瑞士Neural Concept是Physics AI市场中的另一家重要企业。
2026年1月7日，公司推出Physics- and Geometry-Aware AI Design Copilot，重点探索根据设计意图生成具有物理性能约束的三维方案。
其技术路径结合几何理解、物理代理模型和设计优化，希望让工程人员能够在设计早期比较更多候选方案。(Neural Concept，2026年1月7日)
这一方向与PhysicsX存在部分交叉，但Neural Concept更突出设计几何和物理性能之间的直接联系。
在汽车、航空航天和热管理等领域，很多产品决策具有强烈的多目标特征。工程师需要在质量、结构强度、散热、阻力、空间和制造成本之间取得平衡。
传统工作流往往在设计方案形成后再开展高保真仿真，这可能导致较晚阶段才发现问题。
如果AI能够提前预测不同方案的性能，工程师就可能更早排除不合适的设计方向。
但这种优势依赖训练数据和专业验证。
特别是当AI生成的几何结构超出原有训练范围时，模型可能无法保持稳定预测精度。
Neural Concept于2025年12月完成1亿美元C轮融资，由Goldman Sachs Alternatives相关基金领投。该轮融资属于2025年事件，不能因为其2026年继续发布相关产品，就重复计入2026年的融资规模。(Neural Concept融资公告)
2026年6月，公司在韩国首尔设立亚太办公室，9月进一步扩大印度业务，体现其面向汽车和制造业客户的国际化发展。
3.4 Physics AI创业公司的竞争优势，可能集中于数据复用效率而不只是推理速度
传统CAE求解器与Physics AI之间的性能比较，经常采用单次计算耗时。
但真正决定Physics AI商业价值的，可能是一个更加综合的指标：在满足工程精度要求的前提下，企业需要多少高质量训练数据和专业人工投入，才能完成新的设计任务。
如果每一个新客户都需要重新执行大量昂贵仿真，并投入专业团队进行模型开发，那么即使模型推理速度很快，其整体交付成本仍然可能较高。
因此，预训练、迁移学习、通用几何表达和数据治理，正在成为Physics AI创业企业的重要研发方向。
这种竞争也可能带来新的技术壁垒。
能够获得大量经过验证的工业数据，并持续在不同项目中积累训练经验的公司，可能比只依赖通用开源模型的企业拥有更强的长期优势。
但工程数据通常属于客户的核心知识产权，数据能否跨客户复用受到合同、保密和合规约束。
因此，Physics AI企业必须同时解决模型技术和数据权利问题。