序言

从 NX、CATIA、SOLIDWORKS 的工程软件体系出发，研究生成式设计、参数化建模、几何内核、工程智能体、开放标准与 AI 原生 CAD 的产业竞争。研究AI-Native CAD 替代成熟 CAD 的技术路径、产业演化与竞争格局重构。

全球工业软件与 AI-Native Engineering 战略研究系列｜2026 年 10 月 20 日

摘要｜AI-Native CAD 将替代什么，又无法轻易替代什么？

2026 年，计算机辅助设计产业正在接近一个值得重新研究的技术拐点。

过去几十年，机械 CAD 的技术演进主要沿着几何表示、参数化建模、特征建模、装配建模、曲面建模、工程制图、系统集成与产品生命周期管理等方向持续发展。

今天，人工智能正在增加另一条技术路线：让计算机不再仅仅执行工程师指定的建模操作，而是尝试理解工程目标、自主规划建模过程、生成可编辑的工程模型，并在验证结果之后继续修改设计。

这两条路线的根本差异，不是鼠标操作与自然语言输入之间的差异，而是设计工作的控制权、工程知识的表达方式，以及软件系统承担的责任发生变化。

过去，工程师需要把设计意图逐步翻译为几何操作；未来，工程师可能直接表达功能需求、性能指标、制造约束与成本边界，由 AI 系统规划和执行一部分工程任务。

如果这一演化持续推进，CAD 软件产业可能发生三方面变化。

第一，传统 CAD 产品中由人工操作实现的大量建模、修改、检查和文档生成工作，将逐步转变为 AI 系统可以执行的任务。原本由用户界面复杂度、培训成本和操作熟练度形成的竞争壁垒可能减弱。

第二，过去难以形成商业化软件产品的大量长尾工程场景，可能因为 AI 编程、开源几何内核、参数化建模工具和云端计算基础设施的组合而获得新的供给方式。CAD 市场不一定只是存量份额重新分配，也可能出现新的需求空间。

第三，NX、CATIA、SOLIDWORKS 等成熟产品背后的几何内核、工程语义、制造知识、历史设计数据、企业流程与认证机制，不会因为自然语言能够生成几何形状就自动失去价值。其中部分技术资产甚至可能随着 AI 的普及变得更加重要。

因此，本文提出一个核心判断：

AI-Native CAD 对成熟 CAD 的冲击，将首先发生在任务执行层，随后进入应用功能层，再向工程数据与工作流控制层扩展；只有当其证明能够承担工业级工程责任时，才可能对成熟 CAD 平台形成全面替代。

这里的“替代”必须分成不同含义。

一个 AI 系统能够生成 STEP 模型，不等于它能够替代 SOLIDWORKS。

一个 AI Agent 能够操作 NX，不等于 NX 已经失去价值。

一个新的 CAD 系统能够完成复杂参数化建模，也不等于它可以直接替代 CATIA 在航空航天领域承担的跨组织工程职责。

反过来，一个 AI-Native CAD 产品即使尚未覆盖成熟 CAD 的全部功能，也可能通过更低的成本、更快的交付速度和全新的工作流程，在特定市场建立显著竞争优势。

这正是本文的研究对象。

一、研究范围、证据标准与基本结论

1.1 研究对象：三类成熟 CAD 与六条 AI-Native 技术路线

本文主要以三类国际成熟 CAD 为观察基准。

需要首先澄清一个重要的现实变化：根据西门子官方产品说明，NX CAD 在 2026 年 6 月正式更名为 Designcenter，云端产品对应 Designcenter X。为了保持行业读者的理解习惯，本文继续使用“NX”，但讨论当前产品时以 Designcenter 为准。

六条技术演化路线包括：

1. 1. AI Copilot：在成熟 CAD 内部，以自然语言、知识检索和智能推荐辅助工程师。
2. 2. Agentic CAD：以工程智能体调用 CAD API、脚本、功能模块和验证工具，自主执行操作。
3. 3. Text-to-CAD / Image-to-CAD：根据文字、草图、图像或技术描述生成几何模型与建模程序。
4. 4. Generative Design / Physics-Driven Design：以功能目标、物理约束和制造条件驱动几何结构生成与优化。
5. 5. AI-Native Parametric CAD：重新设计参数化模型、特征历史、工程语义与软件交互架构，让 AI 成为主要参与者。
6. 6. Engineering Agent Platform：进一步跨越 CAD、CAE、CAM、PLM、供应链和制造系统，完成端到端工程任务。

这些路线并非互斥关系。未来具有竞争力的 AI-Native CAD 很可能是它们的组合，而不是其中某一条路线的简单放大。

1.2 研究依据与证据分级

本文尽可能区分四个层级的证据。

尤其需要警惕把三种不同的证据混为一谈：产品演示证明某项能力可以实现；学术评测证明某类任务具有一定成功率；工业部署才进一步证明这种能力能够在真实组织中稳定创造价值。

这三者之间存在显著距离。

1.3 六个核心结论

结论一：CAD 的操作复杂度是最先受到冲击的壁垒，但不是最难攻克的壁垒。

传统 CAD 将大量工程能力封装在菜单、命令、交互模式、建模树和工作台之中。AI 可以把用户的目标转化为一系列操作，因此可能显著降低学习和使用门槛。

但是，降低操作难度不等于获得正确的工程结果。

结论二：真正有价值的 Text-to-CAD，必须从 Shape Generation 走向 Engineering Model Generation。

一个几何形状看起来正确，仅仅是工程 CAD 的初始要求。

工业级 CAD 还必须具有正确的尺寸、约束、拓扑、设计历史、材料、装配关系、制造信息和修改行为。

结论三：几何内核不会因为大模型的出现而自动失去重要性。

大模型可以提出建模计划、生成操作序列、识别失败和寻找替代方案，但精确几何计算、布尔运算、拓扑维护、曲面求交与公差控制依然需要可靠的计算基础设施。

未来更可能出现的是“AI 规划与验证系统 + 确定性几何计算引擎”的技术组合。

结论四：替代顺序将由工程风险与流程切换成本共同决定。

教育、个人设计、简单机械零件、非关键工装和早期概念设计，具有较好的 AI-Native CAD 试验条件。

高复杂度、高安全责任、长认证周期和大规模历史数据依赖的工程领域，则存在更高的替换障碍。

结论五：成熟 CAD 厂商不是静止的被替代者。

西门子、达索系统等企业已经把 AI 能力引入现有产品和平台。它们拥有成熟的几何计算、工程数据、制造技术和客户基础，可能将这些资产与 AI 结合，形成新一轮竞争优势。

结论六：未来的产业结果未必是 AI 新公司取代传统巨头，而可能是 CAD 价值链重新分层。

谁负责理解需求？谁负责生成工程模型？谁拥有几何内核？谁保存设计历史？谁验证制造可行性？谁控制工程流程？谁为最终结果承担责任？

这些问题的答案可能分别落在不同企业手中。

在产业战略层面，真正需要研究的是价值链控制点的迁移，而不只是软件界面的替换。

第一篇｜CAD 技术体系的历史形成：为什么成熟产品如此难以替代？

二、从工程制图到产品数字模型：CAD 是如何成长起来的？

现代 CAD 不是在某一年突然诞生的产品，而是计算机图形学、计算几何、机械设计、制造技术、软件工程和企业信息管理数十年共同演化的结果。

理解这一历史尤其重要，因为 AI 冲击 CAD 的不同技术层次，实际上对应着过去几十年不断积累的不同能力。

2.1 第一阶段：计算机成为绘图工具

20 世纪 50—60 年代，交互式计算机图形学开始从实验室研究走向工程应用。

1963 年，Ivan Sutherland 的 Sketchpad 系统展示了人与计算机通过图形交互创建和修改几何对象的可能性。

Sketchpad 的历史意义，并不仅在于使用光笔在屏幕上绘制图形，更在于它展示了约束、对象关系和交互式修改等后来 CAD 技术的重要思想。

这一阶段的软件关注一个核心问题：

如何将工程师通过纸笔完成的几何表达，迁移到计算机环境？

计算机的价值主要是提高制图效率、修改效率和图纸管理能力。

CAD 在这一阶段仍然与工程制图密切相关。

2.2 第二阶段：从线框走向曲面和实体

工业设计中，仅仅描述物体的轮廓并不能满足全部需求。

汽车车身、飞机蒙皮、发动机零件、模具型腔等对象，需要更加精确的三维曲线、曲面与实体表达。

工程系统因此逐步发展出：

• • 参数曲线和参数曲面；
• • B-spline 与 NURBS；
• • 边界表示（B-Rep）；
• • 构造实体几何（CSG）；
• • 几何与拓扑数据结构；
• • 布尔运算和求交算法；
• • 精确几何与容差管理。

这些技术的形成，使 CAD 不再只是图纸处理工具，而成为可以表示和计算三维工程对象的软件。

以 B-Rep 为例，一个实体不是简单的三角形集合，而是由顶点、边、环、面、壳和实体等拓扑元素，以及其对应的几何定义共同组成。

这意味着软件不仅需要知道物体“看起来是什么形状”，还需要知道它在数学和拓扑意义上如何构成。

如果模型要支持精密加工、模具设计、尺寸验证和复杂装配，这种区别至关重要。

2.3 第三阶段：参数化与特征建模形成现代机械 CAD

20 世纪 80 年代后期至 90 年代，参数化和基于特征的实体建模加速发展。

其重大意义在于：工程师不再只是创建一个固定几何对象，而是定义一个可修改、可再生、具有设计历史的工程模型。

例如，一个支架不再只是一个包含若干孔的实体，而可以表达为：

• • 创建基准面；
• • 绘制约束草图；
• • 根据厚度拉伸；
• • 创建孔特征；
• • 建立圆角与倒角；
• • 定义孔距；
• • 根据装配关系调整尺寸。

当孔距发生变化时，CAD 系统尝试依据既有规则重新生成模型。

这种机制极大提高了系列化设计、工程变更和产品复用效率。

但是，它也引入了新的复杂性：模型不再只取决于最终几何，还取决于建模历史、约束关系和特征依赖。

这正是现代 AI-Native CAD 必须面对的重要挑战。

假设 AI 生成了两个在外观上完全相同的支架。

第一个使用合理的草图约束和特征树，改变长度时孔位与加强筋能够同步更新。

第二个只是把最终形状转换成一个不可理解的实体。

这两个模型对于渲染系统可能几乎没有区别，但对于机械工程师，价值差异非常大。

2.4 第四阶段：CAD 从零件工具升级为产品工程平台

随着数字化工程发展，成熟 CAD 逐渐吸收或连接更多能力：

装配约束、干涉检查、机构运动、工程制图、公差标注、钣金、焊接、复杂曲面、模具、复合材料、增材制造、CAM、CAE、PDM 和 PLM。

复杂产品开发往往还需要构型管理、工程变更、设计权限、材料清单、供应链协同及验证数据。

因此，现代高端 CAD 的价值已经超出“画出一个三维零件”。

以 NX 为例，其历史来自 Unigraphics 与 I-DEAS 的技术积累，并在西门子工业软件体系中持续扩展。西门子官方也明确将当前 Designcenter 定位为支持多学

这一演化规律提示我们：

如果把现代 CAD 简化为三维建模器，就会系统性低估成熟工业软件的竞争力，也会错误判断 AI 新公司的市场进入难度。

三、成熟 CAD 到底由哪些技术资产构成？

我们可以将成熟 CAD 的竞争力拆解为九个层级。

九个层级并不意味着九个互不相关的独立软件市场。它们是便于分析技术替代位置的抽象结构。

AI 对每一层产生的影响并不相同。

交互层可能快速变化；参数化建模层可能出现新的实现方法；几何内核层可能因开放技术与 AI 编程而降低进入成本；制造集成、工程数据治理和跨组织认证则需要更长的演化周期。

3.1 几何内核：CAD 的数学计算基础

几何建模内核承担的任务包括：

精确几何表示、拓扑结构管理、面面求交、布尔操作、倒角、圆角、偏移、缝合、修复和几何有效性检查等。

代表性技术体系包括：

• • Siemens Parasolid；
• • Dassault Systèmes 相关 CATIA 几何技术；
• • Spatial ACIS；
• • Open CASCADE Technology；
• • C3D Modeling Kernel。

这些技术体系在商业模式、功能范围、授权条件和可获得性方面存在差异，不能简单看作功能完全等价的替代品。

对 AI-Native CAD 创业者而言，重要的问题不是一定要自己从零研发几何内核，而是判断：

现有内核能否满足目标市场的几何精度、性能、拓扑稳定性和授权要求？

如果能够满足，AI-Native CAD 可以把研发资源更多地投入工程任务理解、建模规划和自动验证。

如果不能满足，特定领域的内核能力仍然可能成为关键技术瓶颈。

3.2 约束系统：几何正确不等于工程关系正确

假设一个零件存在三个等间距孔。

模型生成结果看起来完全正确，但这三个孔究竟由三个独立坐标定义，还是由“等间距”设计规则约束？

这会直接影响后续修改。

对工程 CAD 来说，几何约束不仅是求解数学方程的问题，也涉及用户设计意图的表达。

AI 可以尝试识别隐含约束，但模型必须能够稳定维护这些约束，避免欠约束、过约束、循环依赖和修改后结构失效。

因此，参数化约束器仍然是 AI CAD 技术栈中的关键组件。

3.3 特征建模：保存工程师为什么这样设计

成熟机械 CAD 最重要的价值之一，是对设计意图进行结构化表达。

例如，同样一个孔，可以是普通圆柱切除，也可以是具有孔径、螺纹、深度和加工语义的孔特征。

二者虽然可能产生相似的最终几何，却具有不同的工程信息价值。

如果 AI-Native CAD 不理解特征语义，只是通过几何运算重建外形，其能力就会局限于形状处理。

如果 AI 能够生成、识别和修改具有明确工程语义的特征，它才能逐步进入传统参数化 CAD 的核心领域。

3.4 装配建模：从局部几何走向系统关系

复杂装配不是把大量零件放到同一个坐标空间那么简单。

它还包括：

• • 零部件之间的定位约束；
• • 运动自由度；
• • 公差链；
• • 干涉及间隙；
• • 标准件管理；
• • 产品构型；
• • 复用件与替代件；
• • 材料清单；
• • 上下文关联设计；
• • 大型装配性能。

未来 AI 可能很擅长依据功能说明提出装配结构，但其结果仍然需要满足约束一致性、几何相容性和可制造性。

对于汽车、飞机、复杂机械装备等产品，装配能力可能成为 AI-Native CAD 与成熟 CAD 之间长期存在的差距之一。

3.5 工程文档与标准：从形状模型走向制造契约

工业 CAD 模型往往是设计、制造、采购与质量体系之间的重要技术契约。

尺寸、公差、形位公差、基准体系、表面质量、材料及技术要求，不是可以随意丢弃的附加说明。

美国国家标准与技术研究院 NIST 的模型化企业研究明确强调：CAD 模型向制造、测量等下游流程传递时，产品与制造信息 PMI 具有关键作用；STEP AP242 是支持这些信息交换的重要标准体系。

这意味着 AI-Native CAD 要替代成熟 CAD，不能只证明“可以输出 STEP 文件”，还必须证明：

输出的模型是否能够保留满足目标用途的产品定义信息？

下游 CAM 能否正确理解它？

质量检测系统能否正确解释其公差要求？

后续版本发生变更时，语义是否仍然一致？

这些问题将成为工业级替代的重要判断条件。

第二篇｜AI-Native CAD 的技术演化：从生成形状到自主工程

四、第一条路线：Text-to-3D 为什么不足以替代 CAD？

近年来，生成式 AI 在三维内容生成方面取得明显进展。

用户可以通过文字或图像获得三维物体，部分技术能够生成比较复杂的外形、纹理和视觉效果。

但是，在讨论 CAD 替代时，必须对三维生成任务进行分类。

不能因为一套系统能够生成逼真的机械零件外观，就推断它已经具备成熟 CAD 的工程能力。

其原因在于：视觉相似性与工程有效性不是同一个评价指标。

4.1 三角网格的价值与局限

Mesh 使用顶点、边与多边形表示表面。

它适合图形显示、数字内容创建、三维扫描处理，以及许多使用离散表面的技术场景。

但对传统机械 CAD 而言，许多操作依赖精确曲面与拓扑关系。

一个由三角网格近似的圆柱面，并不天然具有理想数学圆柱的全部属性。

如果需要高精度加工、精确尺寸修改、可靠的布尔计算和下游参数化工程，可能还需要重新建立 B-Rep 或其他合适的工程表示。

因此，Text-to-Mesh 可以成为概念设计和逆向工程的输入，但不应被自动视为传统 CAD 的完整替代。

4.2 Text-to-B-Rep：进入精确几何世界

相比 Mesh，直接生成或重建 B-Rep 模型更接近机械 CAD 的技术要求。

但是 B-Rep 的难点在于它需要同时满足：

几何元素的数学定义正确；拓扑邻接关系正确；边界闭合与方向一致；容差处于允许范围；布尔和后续操作能够稳定执行。

对生成式模型而言，这些要求形成了强约束。

模型输出的局部几何即使看似合理，只要面与边的连接关系存在错误，就可能生成无效实体。

一种可行路线是通过 AI 生成结构化建模操作，让成熟几何内核执行并验证，而不是要求生成模型直接预测全部底层拓扑数据。

4.3 Text-to-Parametric CAD：更接近产业替代的核心

2021 年，DeepCAD 研究提出将 CAD 模型表示为建模操作序列，并构建了包含 178,238 个模型及其构造序列的数据集。

其重要意义在于，研究对象不再只是最终的三维外形，而是可以产生该外形的 CAD 操作过程。

这种研究思想具有持续影响：

如果 CAD 可以表示为可执行操作序列，那么 AI 就可能把参数化建模当作一种具有形式语法、依赖关系和执行反馈的任务。

相比直接生成庞大的三维几何表示，生成命令序列或脚本有几个潜在优势。

其一，操作语言通常比底层几何数据更加紧凑。

其二，可以调用成熟内核完成精确计算。

其三，模型生成失败时可以定位具体操作。

其四，生成的模型有机会保留构造过程。

其五，可以将几何验证、草图约束检查和实体有效性测试嵌入执行过程。

但这里仍然存在一个重要限制：

能够生成操作序列，不等于生成了符合工程师设计意图的最佳特征历史。

两个不同的建模过程可能获得相同实体，但它们对后续修改、系列化设计和制造要求的支持程度可能完全不同。

这使 AI CAD 的评价从“形状是否相似”扩展为“模型是否具有可持续的工程可编辑性”。

五、第二条路线：通过代码生成参数化 CAD

与直接预测几何相比，代码生成已经形成一条具有可解释性和工程可验证性的路线。

其基本原理是：

用户提出设计任务，AI 将任务转化为某种参数化建模脚本或 API 调用，再由 CAD 引擎执行并输出模型。

典型技术环境包括：

CadQuery、build123d、FreeCAD Python API、OpenSCAD，以及商业 CAD 所提供的自动化接口。

这里需要区分两种技术性质。

第一类是声明式或程序式建模，即通过代码定义几何及其构造过程。

第二类是对成熟 CAD 产品进行自动化控制，即调用系统已有的参数化建模能力。

两类路线可以互相结合，但产品竞争位置不同。

5.1 为什么代码生成对大模型具有天然吸引力？

成熟通用大模型在软件代码理解、生成、修改和调试方面已经积累较强能力。

参数化建模语言在某种程度上可以把 CAD 任务转换为代码任务。

例如，一个简单连接板可以表达为：

• • 长度、宽度和厚度；
• • 四个安装孔的位置与直径；
• • 指定的倒角；
• • 某些面的加强筋；
• • 输出格式和质量检查。

这些结构化要求比较容易映射为程序变量、几何操作与验证条件。

从工程软件开发角度看，这是一种重要的技术套利：

AI 无需学会实现全部几何计算算法，而是学会如何组织和调用已有几何算法。

这与软件开发智能体调用编译器、测试框架和程序库的关系相似。

5.2 Text-to-CadQuery 的研究证据

2025 年发表的《Text-to-CadQuery》研究，提出直接利用大语言模型生成 CadQuery 代码，并通过扩展数据集进行训练。

论文报告，将 Text2CAD 数据集扩展为约 17 万条 CadQuery 标注后，其所研究模型的 Top-1 Exact Match 指标由 58.8% 提升至 69.3%，Chamfer Distance 也出现改善。

这些结果说明，预训练代码模型与 CAD 程序表达之间具有值得研究的适配性。

但需要准确理解指标的边界。

69.3% 是该研究所采用数据、模型与评价设置下的结果，不代表系统对真实工业 CAD 项目的总体成功率，更不能据此认定其已经可以替代 NX、CATIA 或 SOLIDWORKS。

这类研究更有力地证明了：

参数化 CAD 生成可以利用已有语言模型能力，而不必完全依赖从零开始训练专用三维基础模型。

5.3 程序化 CAD 的第一个优势：可复现

图像生成存在较强的结果随机性，而程序化 CAD 可以把一次建模操作保存为明确代码。

在相同几何引擎、相同版本和相同输入条件下，程序有机会重现相同结果。

这对于工程审计、版本管理和自动化构建具有重要意义。

一个设计模型可以不再只是二进制工程文件，也可以包含：

• • 需求描述；
• • 参数表；
• • 建模程序；
• • 几何构建日志；
• • 验证规则；
• • 输出文件；
• • 测试结果。

这使 CAD 模型有机会采用类似软件工程的开发、测试和持续集成方法。

5.4 第二个优势：更容易接入 AI Agent

假设 AI 生成一个齿轮箱壳体。

第一次执行后，几何引擎报告布尔运算失败。

AI 可以读取错误，判断问题可能来自某个圆角与壳体边界的相交关系，然后修改操作顺序或参数。

第二次执行成功，但最小壁厚检查不通过。

AI 再次修改加强筋和壁厚。

第三次输出满足几何有效性与初步制造规则。

这种自动迭代与单次生成图像存在根本区别。

代码不仅可以作为模型的表达方式，也可以成为 AI 操作几何系统的执行媒介。

5.5 第三个优势：版本管理与协同

代码化设计理论上可以采用 Git 等版本控制工具追踪某些参数、规则和程序变更。

但必须说明，文本代码易于比较，不等于复杂 CAD 模型天然易于合并。

当两个开发者分别修改同一模型的特征依赖时，仍然可能产生语义冲突。

未来需要专门的 CAD 语义 Diff、特征冲突检测和模型合并技术。

因此，AI-Native CAD 不应只是把 CAD 文件换成 Python 文件，而应形成结构化设计意图、几何状态与版本历史之间的一致性机制。

六、第三条路线：CAD Agent——从自动生成走向自主修改

如果说 Text-to-CAD 的主要问题是“能否从描述生成模型”，那么 CAD Agent 面对的核心问题是：

能否在不确定且不断变化的工程任务中，持续进行正确操作？

这意味着 AI 系统不仅要执行建模动作，还要具有任务规划、工具调用、状态读取、错误修复和结果验证能力。

6.1 一个典型的 CAD Agent 工作循环

其中返工回路是实际系统必须实现的控制逻辑；图示为目标架构，而非某一产品已经具备的完整能力。

核心技术组件包括：

任务规划器、工具注册表、CAD 状态管理、几何内核适配器、参数化建模工具、工程验证器、错误分析器、模型版本管理、执行日志和权限控制。

真正难以实现的往往不是某一次 API 调用，而是跨越几十次甚至上百次操作后，模型状态与设计目标仍能保持一致。

6.2 CAD Agent 和 CAD Copilot 的根本区别

Copilot 通常以辅助人为中心。

它可以解释功能、推荐命令、帮助寻找文档、回答软件操作问题，或者在用户确认后执行部分动作。

CAD Agent 则进一步要求系统能够围绕工程目标规划多个步骤，并根据执行结果调整后续行为。

因此，二者的区别主要体现在自主性和任务闭环，而不是界面是否采用聊天窗口。

同一产品可以同时具有 Copilot 和 Agent 能力，二者不是互斥产品类别。

6.3 可编辑性成为新的竞争焦点

2026 年 5 月发布的 Parametric CAD Bench，针对 AI Agent 生成可编辑 FreeCAD 模型提出了专门评价框架。

该基准不满足于静态三维形状，而是强调可编辑模型，尝试通过评价机制区分真正具有工程编辑价值的模型和仅仅完成表面几何生成的结果。

发布者报告，在其评测配置中，GPT-5.5 配合 Codex 的一个方案达到 0.832 的综合分数，并观察到同一模型更换 Agent 执行框架后，分数可能发生约 10% 量级的变化。

需要特别注意两个方面。

第一，这是特定基准和执行框架中的结果，不是跨全部 CAD 软件与工业任务的通用能力评分。

第二，该结果提醒我们，未来 AI CAD 的竞争单位可能不再只是基础模型，而是基础模型、工程工具、执行框架和验证系统组成的整体。

即使同一个大模型，采用不同的工具接口、任务分解、错误修复策略和几何验证机制，也可能产生不同工程表现。

这对产业研究具有重要意义。

传统 CAD 企业的竞争优势可能来自软件内部的工程工具与数据结构；AI-Native CAD 企业的差异化则可能来自对这些工具的组织、调用和验证能力。

七、第四条路线：Generative Design——从“如何建模”转向“应该设计成什么样”

AI-Native CAD 的讨论容易过度集中于大语言模型，但从工程技术史看，自动生成设计方案并不是从 LLM 出现后才开始的。

参数优化、拓扑优化、形状优化、尺寸优化、进化算法、多目标优化和生成式设计，早已构成计算机辅助工程设计的重要技术传统。

今天的变化在于，这些技术开始有机会与自然语言理解、工程知识检索、多智能体任务规划和自动化验证结合。

因此，必须区分两个概念：

Generative AI 与 Generative Design 有交集，但并不是同一个概念。

前者侧重通过学习数据分布生成内容；后者强调在明确设计目标和工程约束的情况下搜索设计空间。

7.1 传统参数化设计与生成式设计的差异

传统参数化设计通常从已知结构出发。

例如，工程师设计一个支架，首先决定采用 L 形或者 U 形结构，然后定义厚度、孔距、加强筋和连接关系。

之后通过仿真或经验修改部分参数。

生成式设计则可能从载荷、支撑边界、保留空间、禁入区域、材料和制造方法出发，搜索满足约束的结构。

这改变了设计过程中的一个重要顺序。

传统方法通常是：

几何方案 → 性能分析 → 修改几何 → 再次分析。

生成式设计更倾向于：

工程目标与约束 → 方案空间搜索 → 性能评价 → 可制造方案选择。

但现实系统通常仍然需要人来定义目标、材料和边界条件，并对最终方案进行工程确认。

7.2 Autodesk Fusion 提供了成熟的技术参照

Autodesk Fusion 的 Generative Design 可以根据设计目标和制造约束探索方案，包括质量、刚度、安全系数和不同制造工艺条件。

其官方文档明确列出了增材制造、铣削、二维切割、铸造以及不施加制造约束的设计搜索方式。

这说明生成式设计已经不是纯粹的概念演示，而是具备工业软件产品实现基础的方法体系。

值得强调的是，这些能力并不能全部归功于近期生成式大模型。

其中存在长期发展的结构优化、数值求解和工程设计方法。

当 LLM Agent 与这些能力结合时，新的价值可能来自：

自动解释工程目标、选择优化方法、设定边界条件、调用求解器、比较候选方案，并将结果重新转换为可以编辑的工程设计。

7.3 为什么物理约束可能比语言生成更重要？

设想用户提出：

“设计一个质量尽可能轻、能够承受指定载荷、适合三轴铣削的铝合金连接件。”

语言模型可以理解其中的部分任务要求。

但它无法只凭语言描述确定最佳结构，因为结果还取决于：

材料性能、载荷方向、边界条件、连接位置、疲劳寿命、加工刀具、设备能力、成本和安全系数等因素。

更合理的体系是让 AI 完成工程任务组织，并通过确定性计算或经过验证的物理模型处理关键约束。

在这种体系中，LLM 是推理与任务调度的一部分，而不是全部工程判断的来源。

7.4 AI 与优化器如何互相增强？

可以把下一代生成式设计系统分为四个角色。

第一个角色是需求解释器，负责从自然语言、工程图和历史项目中提取设计目标。

第二个角色是工程规划器，负责决定使用拓扑优化、尺寸优化、参数扫描，还是其他设计方法。

第三个角色是数值求解与几何执行系统，负责通过经过验证的算法得到候选方案。

第四个角色是工程验证与决策系统，负责检查结果是否符合要求，并解释不同方案之间的权衡关系。

这种组合的竞争优势可能不来自某一个模型最强，而来自系统能够快速、稳定地将模糊需求转化为合格工程结果。

八、第五条路线：逆向工程、Convergent Modeling 与智能几何重构

AI-Native CAD 的另一个重要切入口，并不是从零创建模型，而是对已有产品或已有几何数据进行理解与重建。

这条路线可能具有很高的工业价值。

现实制造业中存在大量历史模型、二维工程图、三维扫描、网格文件、旧格式工程数据，以及缺少参数化历史的外部供应商模型。

如果 AI 能够把这些数据转换为可编辑、可验证、可持续修改的工程模型，便可以进入成熟 CAD 长期服务的重要市场。

8.1 逆向工程为什么是一条合理的商业路径？

传统逆向工程往往需要多个步骤：

获取实物几何、进行扫描、处理点云、重建曲面、建立拓扑、识别特征、恢复参数约束，最后验证与原始数据的一致性。

不同项目对精度和可编辑性的要求不同。

例如，消费产品外壳的外观重建，与航空发动机零件的高精度逆向工程，在公差、测量、验证和认证方面存在巨大差别。

AI 对这条流程可能产生三类影响。

第一，帮助识别几何结构、孔、槽、倒角、圆角和潜在制造特征。

第二，根据产品类型和工程先验，推荐参数化建模策略。

第三，自动比较重建模型与原始点云或网格之间的偏差，并组织迭代修改。

8.2 从几何识别走向设计意图恢复

逆向工程真正困难的地方不只是重建形状，而是推断原始设计逻辑。

例如，扫描一个注塑件，可以获得外壳的几何表面，却无法直接知道其设计者为什么采用某个壁厚、筋板比例或卡扣结构。

这些决策可能取决于模具分型、材料收缩、装配条件、生产成本和使用环境。

AI 可以从相似设计中推断可能的工程意图，但这种推断必须受到工程规则和验证机制约束。

这将形成一种新能力：

AI-Assisted Design Intent Recovery，即 AI 辅助设计意图恢复。

它不仅针对几何重构，也针对历史工程知识的重新组织。

8.3 Convergent Modeling 的意义

Convergent Modeling 可以理解为让不同几何表达在统一设计流程中协同工作的技术方向，尤其涉及网格、精确实体和其他几何类型的结合。

但不能把这种能力简单等同于 AI，也不能将网格与 B-Rep 的融合视为完全解决了参数化历史恢复问题。

对于 AI-Native CAD，它的重要性在于减少不同几何表示之间的工作流断裂。

未来用户可能不再关心某项设计最初来自扫描、草图、三维生成模型还是传统参数化建模。

用户关心的是能否修改、验证、制造和维护。

如果软件可以通过统一的工程语义层组织多种几何表示，就可能获得与传统单一路径建模不同的产品架构优势。

8.4 一个值得关注的市场：历史工业模型的再工程化

许多企业已经积累了数十年的 CAD 资产。

这些数据并不总是处于能够直接复用的理想状态。

常见问题包括：

模型格式无法直接读取、原始特征历史缺失、设计文档不完整、供应商版本不一致、二维图纸与三维模型不一致，以及关键工程人员离职后知识难以恢复。

AI-Native CAD 可以通过一种新的方式进入这些企业：

先不要求企业替换主力 CAD，而是帮助企业清理、理解和再利用历史工程资产。

这条路径具有三个优势。

它避免了立即改变工程师主工作环境；能够直接创造可衡量的数据治理和再利用价值；还可以逐步积累工程模型、企业知识和真实任务反馈。

这种“先理解存量工程资产，再参与增量设计”的策略，可能比直接销售一个全新的 CAD 编辑器更适合部分工业客户。

第三篇｜成熟 CAD 巨头如何应对：它们并非静止的竞争对象

九、Siemens NX / Designcenter：从复杂工程 CAD 走向 AI 增强的数字主线

D-Cubed 3D DCM | Siemenssiemens.com

NX 的竞争基础不能简单描述为几何建模功能。

它是一个长期服务于复杂产品工程的综合系统，其能力与西门子的产品生命周期管理、制造工程、仿真和工业数字化生态存在广泛关联。

因此，AI-Native CAD 对 NX 的冲击需要分成几个层次讨论。

9.1 第一层：用户界面与操作效率

对于初学者，NX 的复杂功能体系具有较高学习要求。

对于资深工程师，软件命令、工作流与模型管理也存在大量重复操作。

这些任务非常适合 AI 辅助。

西门子于 2025 年 7 月正式发布 Design Copilot NX 相关能力，强调自然语言辅助、文档知识和命令访问，同时发布 CAD 集成的流体及热仿真等功能。

2025 年底至 2026 年初，西门子又进一步介绍了 Designcenter X NX Copilot 和 AI 驱动工作流。

这些产品进展说明，成熟 CAD 厂商已经把 AI 作为自身产品演化的一部分。

对于 AI 创业公司而言，不能再假设传统 CAD 的界面和操作能力长期保持不变。

9.2 第二层：设计自动化与工程知识

NX 的历史优势之一在于成熟的工程模块和可编程能力。

AI Agent 可以通过既有软件接口调用某些设计功能，这可能形成两种商业结构。

第一种是西门子内部的 AI 工程助手，直接增强现有产品。

第二种是独立的跨 CAD Agent，在获得合法技术访问权限的情况下，调用 NX 等系统实现自动化。

后一种模式存在潜在价值，因为大型企业往往并不只使用一种 CAD 产品。

但是，当独立 Agent 执行复杂工程任务时，它仍然可能依赖 NX 提供的可靠几何建模、专业工程模块和数据处理能力。

因此，这是一种上层工作流控制权竞争，未必立即形成底层 CAD 计算能力的替换。

9.3 第三层：工程数据与制造闭环

NX 所处的西门子工业软件生态包括工程设计、仿真、制造规划和产品数据管理等多个环节。

在复杂制造领域，单一零件的建模成本通常只是整个产品生命周期成本的一部分。

设计变更可能影响：

装配结构、制造工艺、工装夹具、供应商采购、质量检测、库存和售后维护。

AI-Native CAD 如果仅仅降低建模时间，却不能可靠管理这种影响传播，可能难以在大型制造企业中取得系统级替代地位。

反过来，如果 AI Agent 能够跨越这些系统，自动评估设计变更的下游影响，那么其价值可能远高于某个局部建模功能。

因此，针对 NX 的竞争需要分别评估：

零件设计效率、工程知识复用、跨系统任务自动化，以及完整产品数字主线的控制能力。

9.4 NX 路线的竞争推演

从产业战略看，西门子可以沿着三个方向进一步加强自身竞争力。

其一，利用成熟几何内核与工程工具建立高质量 AI 执行环境。

其二，利用工程数据、产品结构和历史流程形成上下文优势。

其三，通过开放接口、工业平台和开发生态吸纳外部 AI 创新。

如果这三条路线有效结合，西门子可能从销售工程软件进一步扩展到销售工程任务自动化能力。

而独立 AI-Native CAD 企业必须证明，它们能够在某些任务上提供更优的总体成本、灵活性和交付速度。

这一结论属于竞争推演，不代表西门子已经实现全部上述架构。

十、CATIA：为什么高端复杂产品工程不能被简单理解为三维建模？

BRM AERO | Dassault Systèmes3ds.com

CATIA 是研究 AI-Native CAD 替代难度时不可回避的对象。

对于复杂产品，尤其是涉及高质量曲面、大规模装配、跨专业设计和长周期配置管理的工程活动，CAD 的价值与产品开发组织深度关联。

10.1 从复杂曲面到复杂系统

CATIA 历史上与复杂三维几何设计、汽车和航空航天工程紧密相关。

但今天的 CATIA 产品定位已经不能只从曲面造型理解。

复杂产品开发需要多层级产品结构、工程需求、功能架构、空间约束、协同设计以及产品全生命周期信息。

当许多不同专业的团队围绕同一个产品模型工作时，模型的价值不仅取决于几何正确性，还取决于信息的一致性、可追溯性和组织可用性。

这使大型复杂产品工程形成一种特殊壁垒：

软件不仅保存几何，还承担跨组织协作的共同技术语言。

10.2 AI 对复杂曲面建模的冲击

汽车外覆盖件、飞机机身、复杂消费产品外观等对象，存在丰富的几何设计要求。

AI 可以在前端生成大量造型候选方案。

但将视觉方案转化为工程级曲面时，还需要考虑：

曲面连续性、曲率变化、截面质量、边界关系、可制造性以及与相邻部件的匹配。

因此，不能将 Text-to-3D 生成的复杂外观自动视为 CATIA 曲面能力的替代。

更可能出现的路径是：

AI 生成设计意向，使用曲面重构与优化工具建立精确曲面，再进入 CAD 环境完成工程验证。

在这条流程中，AI 可能先替代部分人工造型步骤，然后逐步扩大到精确曲面构造与自动修改。

10.3 达索系统 2026 年的 AI 平台路线

2026 年 7 月 23 日，达索系统正式宣布其 3DEXPERIENCE 平台上的 Virtual Companions，包括面向项目管理的 AURA、面向复杂工程的 LEO 和面向深度科学的 MARIE。

随后，达索系统社区发布了 CATIA 相关 Generative Experiences 与 Virtual Companions 的介绍，强调基于行业知识、工程任务与产品生命周期的协作。

这表明达索系统的 AI 战略并非仅仅在 CAD 界面添加一个问答窗口，而是试图把工程知识、仿真、项目组织和生命周期活动纳入 AI 平台。

需要注意，官方战略定位、产品已发布能力和具体工程任务的自动化成熟度仍需要分别验证，不能因为发布了 AI-Native Agentic Platform 就认定 CATIA 已经实现完全自主设计。

10.4 CATIA 可能面临的真正竞争

对 CATIA 来说，潜在风险不仅是某家创业公司做出一个相似的三维建模器。

更值得研究的是以下可能性：

第一，新型 AI-Native CAD 在概念设计和中等复杂度机械设计方面，显著降低传统高端 CAD 的使用需求。

第二，跨平台工程智能体逐步控制需求、设计、验证和制造任务分配，使底层 CAD 变成可被调用的计算资源。

第三，开放工程数据标准不断改善，降低企业在不同 CAD 系统之间迁移和协同的成本。

第四，新一代工业企业从成立之初就使用 AI-Native 工程流程，减少对传统人工建模工作方式的依赖。

其中第四点尤其值得关注。

对于已经拥有大量 CATIA 资产的航空航天企业，替换成本非常高。

但对于没有复杂历史系统的新公司，采用全新工程架构的阻力可能小得多。

因此，新进入者更可能首先竞争未来新建立的工作流程，而不是立即迁移全部存量平台。

十一、SOLIDWORKS：AI-Native CAD 最值得研究的主流市场之一

Quick Guide to 3D Printing Car Parts | Top 3D Shoptop3dshop.com

相比高端复杂工程 CAD，SOLIDWORKS 所代表的主流机械 CAD 市场，可能更适合观察 AI-Native CAD 的早期商业替代。

原因并不是 SOLIDWORKS 技术能力弱，而是部分典型用户场景更容易标准化、任务相对独立，并且对部署成本和操作效率较为敏感。

11.1 主流机械 CAD 的典型工作任务

大量机械设计项目围绕零件、机构、装配和工程图展开。

对于一些中小型企业，主要需求集中在：

机械零件设计、钣金、机架、焊接结构、标准件装配、工程制图、BOM 以及与加工供应商交换数据。

这些工作往往既有明确的工程要求，又存在大量重复性操作。

因此，它们适合用来验证 AI-Native CAD 是否具有真实生产效率优势。

11.2 AI 可以先替代哪些工作？

例如，一个客户提出：

“设计一个带有四个安装孔的铝合金电机支架，适配现有电机尺寸，能够方便更换不同长度的支撑臂，并输出二维加工图。”

成熟 CAD 的常规做法，是工程师创建草图、约束、特征、参数和工程图。

AI-Native CAD 的目标流程可能是：

读取电机规格 → 生成支架方案 → 建立参数化特征 → 检查安装空间 → 输出工程图 → 自动检查关键尺寸。

如果这个流程能够在可靠性达到要求的情况下减少人工时间，那么对于某些标准化设计任务，AI-Native CAD 就可能具备现实商业竞争力。

但应注意，支架是否满足强度、振动、疲劳和制造要求，仍取决于充分的工程输入与验证。

11.3 达索系统也在强化 SOLIDWORKS AI

SOLIDWORKS 2026 官方帮助文档已列出相关 AI 功能。

其 2026 SP1/FD01 的 SOLIDWORKS Labs 文档具体介绍了通过 Virtual Companions 辅助初始装配结构、从模型创建工程图、解释建模失败，以及图像转草图等能力。

这些功能需要按照具体版本、部署环境和可用条件判断，不能直接推断所有 SOLIDWORKS 用户均可使用。

这一事实对竞争分析非常重要。

AI-Native CAD 新进入者的优势不能仅仅建立在“支持自然语言”上，因为成熟软件也在迅速吸收这种交互方式。

其差异化可能必须进一步体现在：

任务完成速度、自动验证、可编辑建模、开放性、部署成本、跨工具协作和全流程自动化。

11.4 三类成熟 CAD 的替代阻力比较

以下比较是定性研究判断，不是厂商官方性能评分。

不能把这个表解释为谁的产品质量更高。它只反映不同市场和典型工程场景下，AI-Native CAD 可能遭遇的替代难度。

值得关注的是，主流 CAD 的可进入性更高，并不意味着竞争一定更容易获胜。