工业软件的下一次产业分化：从六十年技术积累、十年资本重组，看中国的产业位置与2031年的未来

—2026全球工业软件产业战略研究：企业、产品、资本、技术组件与国家创新体系的历史透视

研究观察时点：2026年11月13日

引言：我们可能一直在用错误的尺度观察工业软件

2026年，当人工智能开始进入工业设计、仿真分析、芯片设计和制造工程领域时，一个越来越重要的问题摆在全球工业软件产业面前：那些经过三四十年、甚至半个多世纪形成的竞争优势，究竟会被人工智能削弱，还是会因为人工智能而变得更加重要？

如果只是观察最新发布的AI产品，我们很容易得出一种令人兴奋的判断：过去需要数百名工程师开发多年的软件，未来可能只需要少数人借助智能体就可以完成。几何建模、网格生成、代码开发、界面设计乃至部分工程仿真工作，都正在出现新的自动化路径。

但是，如果我们将视野从一款软件的开发，扩展到整个工业软件产业的形成过程，就会发现事情远比想象中复杂。

Siemens、Dassault Systèmes、Autodesk、PTC、Synopsys、Cadence、Ansys，以及一大批隐藏在它们背后的底层技术企业，并不是依靠某一次技术突破就建立了今天的产业地位。它们的成长涉及早期工业需求、大学科研、产品工程化、全球销售、长期研发、客户验证、产业并购、组织学习，以及资本市场提供的持续融资和资产重组能力。

这些企业拥有的也不只是软件代码。它们拥有大量经过复杂工程场景验证的数学模型、算法实现、技术组件、产品系列、客户工作流程、培训和认证体系、开发者生态，以及在数十年中形成的产业信用。

今天我们看到的产品版图，往往已经不是任何一家公司最初设计的结果，而是多代创业者、工程师、企业管理者和投资者共同积累的结果。

因此，理解工业软件的未来，不能只研究AI将带来什么新工具，更需要回答三个历史性问题：

第一，全球工业软件产业究竟是怎样形成的？第二，中国为什么拥有如此庞大的制造业，却没有自然形成同等规模和竞争力的工业软件产业？第三，当AI、开源软件、GPU计算和智能体开始改变软件生产方式时，过去几十年形成的产业秩序将怎样重新分化？

这些问题的答案，决定了我们今天应该投资什么企业、建设什么公共技术基础设施，以及怎样看待2031年前的产业机会。

一、2026年的工业软件产业，正在出现一组值得重新思考的财务现象

研究工业软件，最容易犯的错误，就是用营业收入增长率来衡量一切。

2026年，几家全球工业软件企业发布的财务数据，提供了非常具有启发性的反例。

PTC在2026财年第四季度的营业收入约为6.73亿美元，同比下降约25%。如果只观察这个数字，我们可能认为一家成熟工业软件企业的经营正在出现显著困难。

然而，同一份财报显示，在剔除已出售业务的可比口径下，PTC的年度经常性收入ARR从约23.20亿美元增加至25.08亿美元，同比增长约8%。全年自由现金流约8.73亿美元。

收入下降与可比ARR增长并不矛盾，因为营业收入确认、合同年化价值及资产剥离的统计边界并不相同。更不能简单把ARR增长视为企业所有经营问题都已经解决。财务分析必须同时观察现金流、资产出售、合同结构、费用变化和客户留存。

Nemetschek在2026年第三季度也出现了一种非常值得研究的现象：报表收入同比增长26.6%，但是剔除HCSS收购影响后的有机增长为13.7%。如果我们只看报表增速，就可能高估原有业务的自然增长能力；如果完全排除并购增长，又可能忽略企业通过资本配置获得新产品、新客户和新市场的经营能力。

Cadence则提供了第三种情况。2026年第三季度，其营业收入达到约16.33亿美元，同比增长约22%，但是GAAP经营利润率从上年同期的31.8%下降至26.2%。收入规模扩张，并不必然带来同期利润率提高。

这三组数据揭示了工业软件企业增长的基本复杂性。

一家公司的收入可能来自原有客户扩张、新客户获得、产品涨价、订阅模式转换、海外市场增长，也可能来自收购后的资产并表。利润变化可能受到研发投入、产品结构、销售模式、云服务成本和并购会计处理的影响。自由现金流又受到营运资本、税费、资本开支及非经常性事项的影响。

因此，我们真正需要研究的，不是简单的十年收入增长排名，而是将企业经营拆解为四组相互关联的变化：

客户与产品的有机增长、研发与组织投入、并购与资本配置，以及最终形成的利润和现金回报。

如果一个企业2016年的收入为10亿美元，2026年达到50亿美元，我们首先需要知道，这40亿美元的新增收入有多少来自原有产品持续成长，有多少来自新产品自主研发，有多少来自收购，有多少受到汇率、定价和会计口径变化的影响。

其次，还要知道企业为了获得这些增长累计投入了多少研发资金、支付了多少并购对价、承担了多少债务，以及最终形成了多少可以持续经营的资产。

只有把这些数字放进同一个时间序列，我们才开始真正理解一家企业过去十年的成长。

而把观察窗口从十年进一步延伸到六十年，工业软件产业更深层的形成机制才会逐渐显现。

二、工业软件巨头的起点，往往不是一家软件公司，而是一个必须解决的工程问题

今天我们习惯用企业成立年份作为产业历史的起点，但这往往会误导我们的理解。

因为软件公司的诞生时间、底层技术的研发起点，以及第一款商业产品的发布时间，可能完全不同。

Dassault Systèmes就是一个典型案例。

CATIA的技术起源可以追溯到Dassault Aviation内部的航空设计实践。复杂航空曲面设计、工程建模以及真实制造需求，为早期技术开发提供了明确的应用场景。

到1981年，Dassault Systèmes成立，CATIA走向商业化，并通过与IBM的合作获得国际销售和支持渠道。

这一过程的意义，不是简单地证明一家法国软件公司拥有优秀的创始团队，而是说明：一项复杂工业软件技术，可以首先在高要求的工业环境中形成和验证，再借助专业软件公司与全球商业渠道进入更广阔的市场。

这里至少存在三种重要资源：长期积累的工程技术、真实且严格的工业客户需求，以及能够将产品销售到全球市场的商业组织。

SolidWorks则表现出另一条成长路径。

1993年成立的SolidWorks，利用Windows个人计算机平台的发展机会，在1995年推出SOLIDWORKS 95。与既有高端CAD系统相比，它所切入的是一个不同的市场窗口：越来越多的机械设计企业需要成本更低、操作门槛更适合普通工程团队的三维设计工具。

这说明技术平台的变化，能够重新定义一类软件产品的开发成本、部署方式和商业市场。

PTC的Pro/ENGINEER则从参数化、特征化建模等技术方向切入，尝试改变工程师表达设计意图和维护模型关系的方式。Autodesk早期的AutoCAD则抓住了个人计算平台和工程绘图普及的机会。

这些公司的起点并不相同，但它们具有一个共同特点：不是先建立一个庞大的软件体系，再寻找工业应用，而是率先识别出一个具有真实经济价值的工程问题，并将解决方案发展为可持续销售、维护和迭代的产品。

第一款产品的商业化，实际上比公司成立本身更能说明一个工业软件企业是否真正跨越了从技术研究到商业经营的门槛。

因此，研究一家工业软件公司的形成史，必须回答：第一款产品解决了什么问题？技术此前积累了多少年？创始团队具备什么专业能力？谁是第一批愿意付费的客户？产品经历了哪些工程验证？企业依靠什么渠道完成销售？又经过多少年才实现可持续增长？

这些问题不仅适用于分析国外龙头，也直接关系到今天中国工业软件创业企业的成长路径。

三、为什么一款工业软件能够积累几十年的竞争力？

从技术本质上看，工业软件是将人类对物理世界、工程过程和制造规律的认识，转化为能够重复执行、验证和改进的计算体系。

一个成熟的几何建模系统，不只是能够在屏幕上画出三维模型。它需要处理几何对象的精确表达、拓扑关系、曲面求交、布尔运算、数值容差、模型修复以及大量边界情况。

一个成熟的CAE求解器，也不只是实现某种数学方程的求解方法。它需要保证算法在大量真实工况下的稳定性、精度与收敛行为，需要与网格、材料、边界条件、实验数据和工程标准共同工作。

EDA软件面对的则是另一种复杂性：当晶体管规模、时序约束、功耗、布线密度和先进封装问题不断增长时，算法必须在极其庞大的设计空间中寻找满足约束的可行解。

这些系统的成熟，通常需要经历长期产品研发、客户部署、错误修复、专业验证、版本迭代和组织知识积累。

源代码固然重要，但源代码并不自动等于全部工程能力。

即使一家企业获得了某款成熟工业软件的完整代码，也不代表它立刻获得了同等水平的工程验证体系、客户使用经验、研发组织、技术支持网络、商业合同和市场信用。

工业软件的一个重要经济特征正在于此：大量复杂工程知识能够被封装在软件中反复使用，而这种知识的可靠性又需要通过长期真实使用不断建立。

这也是为什么某些工业软件可以持续销售数十年，并在原有技术基础上发展新的产品系列。

但是，长期积累并不意味着永远安全。

当计算平台发生变化，过去受到硬件资源约束的算法可能出现新的实现方式；当开源技术不断成熟，部分基础能力的获取成本可能下降；当AI能够辅助理解大型代码库、生成工程方案和执行自动化验证时，过去依靠软件开发规模形成的部分优势也可能被削弱。

真正能够长期保持竞争力的，不是拥有最多代码，而是持续掌握复杂工程问题、验证技术结果并将知识转化为产品价值的能力。

四、在那些著名工业软件品牌背后，还存在一整层不应被忽视的产业

如果把全球工业软件产业仅仅理解为Siemens、Dassault Systèmes、Autodesk、PTC、Synopsys和Cadence等大型企业之间的竞争，我们会遗漏一个极其重要的产业层次。

这个层次由几何内核、约束求解器、三维可视化、数据交换、网格生成、仿真组件、刀具路径计算以及数值求解等专业技术供应商构成。

它们中的很多企业并不直接向普通工程师销售完整的终端软件，而是通过SDK、技术授权、开发组件或者其他合作形式，将自身技术嵌入其他软件公司的产品中。

Parasolid就是这一产业层次最具代表性的案例之一。

它从早期几何建模技术发展而来，经过持续演进，逐渐形成能够被大量工程软件采用的几何建模组件。今天，Parasolid不仅服务于Siemens自身的工业软件产品，也通过授权进入其他厂商的应用体系。

这意味着一家大型工业软件集团可以同时扮演两个角色：在终端应用市场与其他企业竞争，同时又在底层组件市场向这些企业提供技术。

D-Cubed的历史同样具有启发性。

2004年，UGS以约2200万美元的总购买价格收购D-Cubed。该公司的约束求解等技术后来继续进入Siemens的软件组件业务，并服务于众多外部软件应用。

将这笔交易与后来动辄数十亿美元的产业收购放在一起，我们会发现一个非常值得研究的问题：一项原本规模有限的专业软件技术，是否能够通过大型集团的资本、渠道和长期研发支持，逐渐成为覆盖更广泛产业应用的基础能力？

Spatial所提供的ACIS几何建模和数据互操作技术，以及Tech Soft 3D的HOOPS系列产品，也代表了类似但并不完全相同的发展路线。

特别是Tech Soft 3D，其发展经历了从工程可视化技术到多种软件开发组件的产品扩展，并通过持续的投资与并购补充互操作、可视化和工程数据处理能力。

ModuleWorks则从与五轴加工相关的专业技术起步，逐步发展为面向CAD/CAM软件企业提供制造技术组件的专业供应商。

它们说明，一个工业软件产业不一定需要每家终端软件企业都重新开发几何内核、显示系统、数据转换器和全部数值计算能力。

通过专业分工，一部分企业可以长期深耕底层技术，另一部分企业专注于行业应用、工程工作流和最终客户需求。

工业软件产业的成熟程度，不仅取决于有多少终端软件品牌，还取决于是否存在能够被广泛复用、持续维护、商业化生存的底层技术供应链。

对于中国而言，这一点尤其重要。

如果产业发展始终集中于终端产品的国产替代，而缺少相应的几何、约束、互操作、网格、可视化和求解组件生态，那么大量企业可能需要分别投入资金、人才和时间，重复开发类似的基础能力。

但反过来，也不能认为将所有底层组件外购就是最佳答案。某些关键技术具有长期战略价值，某些组件供应商可能形成技术依赖和授权风险，某些高端工业场景又需要对底层计算实现更深的控制。

真正成熟的产业战略，应当在自主研发、商业授权、开放标准、开源生态和长期技术控制之间形成合理的分工。

五、全球工业软件巨头的今天，是一代又一代资本配置的结果

理解工业软件巨头的成长，还需要进入另一个经常被低估的领域：企业并购能力。

过去十年乃至更长时期，全球工业软件产业发生了大量收购、合并、分拆和资产重组。若只将这些事件理解为大公司不断购买小公司，就无法真正解释它们对产业结构的影响。

因为许多大型工业软件公司今天拥有的产品能力，并不是最初由同一个研发组织开发的。

Siemens的软件资产形成过程就非常典型。

2007年，Siemens宣布以35亿美元、包括承担既有债务在内的价格收购UGS，获得了重要的CAD、PLM及工程软件资产基础。这一交易是Siemens从传统工业自动化与制造技术领域进一步进入大型工业软件市场的重要节点。

此后，Siemens继续通过一系列交易扩张工业软件产品组合。例如，CD-adapco带来了重要的CFD仿真能力，Mentor Graphics强化了EDA和电子系统设计能力，Altair则进一步扩展机械、电磁仿真、高性能计算、数据科学和AI相关能力。

2025年3月26日，Siemens宣布完成对Altair的收购，所披露的企业价值约为100亿美元。

如果只把这些交易排列成时间轴，我们得到的是一部并购事件史。

但如果进一步研究UGS原有的NX、Teamcenter、Parasolid及其他技术资产，Mentor Graphics自身的EDA产品与长期并购历史，CD-adapco的STAR-CCM+技术，以及Altair的仿真、优化和计算技术组合，就可以看到另一种更深刻的产业变化。

这些资产原本属于不同企业、不同研发团队、不同技术传统和不同客户群体，经过资本交易与持续整合，逐渐进入同一个大型工业软件集团。

Dassault Systèmes也经历了类似但具有自身特点的发展过程。

以CATIA为起点，公司通过SOLIDWORKS进入更广泛的机械设计市场，通过Abaqus扩展高端结构仿真，通过MatrixOne等资产加强PLM体系，通过Medidata进一步进入生命科学研发及相关数据和流程市场。

Synopsys于2025年7月17日完成对Ansys的收购，则是另一个具有标志意义的事件。

它把长期主要围绕半导体电子设计、IP和验证的技术体系，与更广泛的工程仿真和物理分析能力连接起来。交易的长期战略价值，仍然需要通过产品整合、客户协同、研发效率及资本回报来验证，但它已经反映了电子设计和复杂物理系统设计之间不断增强的联系。

这些历史告诉我们，大型工业软件集团的产品竞争力不仅来自研发，还来自持续识别、获取和经营技术资产的能力。

不过，这里有一个必须避免的误区：不能因为一家企业进行了大型并购，就认为它已经创造了同等规模的价值。

并购对价是购买资产所支付的成本，而不是资产最终实现的经济收益。

一笔交易究竟成功与否，需要观察被收购产品的客户增长、研发进展、人才留存、技术整合、利润率变化、现金回报，以及投入资本回报是否足以覆盖资本成本。

有些并购可能创造显著协同，有些可能只是购买了收入，有些可能因市场变化或整合困难而未达到原有目标。

我们需要保留这些不同的历史结果，而不能只研究最终成长为巨头的成功企业。

六、更值得研究的，不是大型并购本身，而是企业如何学会并购

这里存在整份产业演化研究中一条非常重要的线索。

一家工业软件企业通常不会因为第一次完成收购，就自动拥有管理复杂技术集团的能力。

识别标的、技术尽职调查、交易估值、融资安排、知识产权评估、核心人才留任、客户关系维护、产品路线整合、品牌管理和跨文化组织协调，都需要专门的管理知识与实践经验。

早期的小型投资和技术收购，可能是企业学习这些能力的重要机会。

第一次收购一个小型技术团队，需要判断所购买的算法与人才是否真正具有价值。第一次收购拥有完整产品的公司，需要学习怎样维持客户支持、产品更新和销售体系。第一次实施跨国收购，又会遇到法律、税务、管理文化和研发组织之间的复杂问题。

当企业逐渐积累交易经验、建立专业化Corporate Development团队和并购后整合机制时，它可能具备管理更复杂交易的能力。

但这种学习并不是一条保证成功的单向阶梯。

交易次数多，不代表整合能力必然强；小型技术并购成功，也不代表企业能够管理跨行业、跨国家的大型上市公司收购。有些企业还可能通过产业股东、外部管理团队或专业投资机构获得原本并不具备的交易能力。

因此，我们真正需要研究的是企业并购能力的形成机制，而不是机械地把并购规模逐年扩大解释为能力进步。

对一家企业而言，连续收购可能同时产生两种积累。

第一种是资产积累，包括代码、算法、知识产权、产品、客户、渠道和技术团队。

第二种是组织能力积累，包括发现资产、判断价值、完成交易、保留人才、融合技术以及管理复杂产品组合的能力。

前一种积累决定企业拥有了什么，后一种积累决定企业未来还有能力获得、整合和经营什么。

两者之间是否形成正向反馈，是工业软件集团长期成长的关键研究问题。

这对中国企业具有非常现实的意义。

我们不能期待一家长期只经营单一产品的企业，在突然拥有资金后就能立即完成大型国际并购。资本支付能力并不自动等于技术尽调能力，更不等于长期整合能力。

中国工业软件企业未来如果希望通过并购获得先进技术、进入国际市场、扩展产品组合，就需要更加重视早期战略投资、小型技术交易、联合开发、少数股权合作、并购后整合机制和国际化管理人才的积累。

这些能力应当在企业成长过程中逐渐形成，而不是等到发生大型交易时再临时建设。

七、中国的真正问题：为什么强大的制造能力，没有自动形成同等强大的工业软件产业？

如果把全球产业史与中国的现实放在一起，一个值得长期追问的问题就会出现。

中国拥有庞大的制造业体系，覆盖汽车、电子、机械装备、能源、船舶、航空航天、通信设备和大量复杂工业领域。这意味着中国拥有规模巨大的工业软件应用场景，也拥有大量理解真实工程问题的技术人员。

然而，制造业规模与工业软件产业竞争力之间，并不存在自动转换关系。

制造企业可能大量使用软件，但其软件采购预算未必流向本土供应商；企业可能拥有很强的产品设计和工程执行能力，却未必将内部算法、工具和工程经验转化为能够面向外部客户销售的软件产品。

更重要的是，一家制造企业拥有复杂工程需求，并不意味着它能够独立培育一家成熟工业软件公司。

工业软件商业化需要经过一系列不同性质的转换：工业需求转化为可重复解决的技术问题，技术问题转化为可靠的软件产品，软件产品获得持续付费客户，客户收入支持长期研发，企业再通过组织扩张和资本配置进入更大的市场。

任何一个环节的断裂，都可能使早期技术成果长期停留在研究样机、定制项目或特定客户内部工具阶段。

从今天中国上市工业软件企业的披露也能看到这种结构差异。

中望软件、浩辰软件等企业在CAD领域积累了持续研发和商业化能力，索辰科技面向不同的CAE仿真应用，概伦电子、华大九天等则服务于EDA相关市场。这些企业的研发对象、客户需求、技术门槛和商业模式具有明显差异，不应当简单用同一个利润率或收入规模排序来判断技术水平。

同样，中望软件2025年年报披露的主营业务结构显示，二维CAD仍构成重要收入来源，三维CAD业务正在持续发展，而CAE收入规模相对较小。

这一结构提醒我们，一个企业的技术布局可以覆盖多个产品方向，但技术布局的广度、产品商业化成熟度和实际收入贡献是三个不同的问题。

中国工业软件企业面对的困难，并不简单等于缺乏研发投入。

研发投入能否有效转化为产品能力、产品能力能否通过工程验证、通过验证的产品能否进入持续采购、持续采购能否产生足够的现金流支持下一轮研发，这些转换环节共同决定了一家企业最终能否成长。

在国际竞争中，成熟企业还拥有长期客户关系、全球渠道、技术认证、工程数据和产品兼容性等历史积累。

因此，中国企业既要补齐底层技术，也要解决商业化效率、客户信任、产品维护、国际渠道和资本配置能力等更广泛的问题。

中国工业软件产业的核心任务，不是简单增加软件企业的数量，而是提高从工程需求到技术成果、从技术成果到商业产品、从商业产品到持续经营企业的转化效率。

八、真正的国家产业竞争力，来自能够持续产生企业的环境

如果继续追问，为什么美国、德国、法国等国家能够在不同历史阶段产生重要的工业软件企业，就不能只研究企业本身。

企业的形成往往受到更长期的制度和产业环境影响。

美国在计算机科学、数值计算、航空航天、国防、半导体和工程软件领域的发展，与大学研究、政府科研计划、工业客户、创业资本、证券市场和国际技术人才之间的联系密切相关。

其值得研究的不只是某项政府资助政策，而是基础研究、早期需求、创业企业和资本退出如何相互连接。

德国则提供了另一类经验。

Fraunhofer体系长期致力于应用研究与产业技术转移，连接科研成果和企业实际需求。根据其2025年度报告，Fraunhofer当年产业收入达到9.66亿欧元，全年形成29家Spin-off企业。

这些数字的重要性不仅在于研究机构规模，而在于它们可以用来观察一个社会如何持续推动技术从科研阶段走向产业使用，并逐步形成市场化能力。

日本的历史则提醒我们，国家组织大规模技术攻关，与形成具有国际竞争力的商业软件产业，仍然是两个不同的问题。

科研项目可能实现技术目标，却未必形成能够长期经营的软件企业；项目也可能产生重要的人才、技术和知识外溢，但需要更长时间才能体现产业价值。

欧盟跨国联合研发和标准体系同样值得研究，其优势在于联合创新与市场协调，同时也需要处理跨国商业化、企业资本和市场组织之间的复杂关系。

对中国而言，这些历史不能简单复制为某一种政策模板。

我们需要思考的是，怎样让大学和科研机构长期研究关键基础技术，让技术团队有机会创业，让制造业龙头成为真实的早期客户，让组件企业通过商业授权获得持续收入，让资本能够支持企业跨越较长的研发周期，让成熟企业逐渐形成并购能力，并最终帮助优秀产品进入全球市场。

这些环节不能彼此孤立。

如果政府大量资助技术研发，但缺乏商业化机制，研究成果可能无法形成企业。如果建设了大量产业园区，但没有真实客户和产业分工，园区规模就不一定能够代表产业竞争力。如果要求企业快速实现国产替代，却缺少持续工程验证和维护预算，短期采购数字可能无法转化为长期的产品成熟度。

因此，国家产业政策不能只统计投入，还需要观察投入经过多年后转化成了什么。

我们应该研究每一批支持项目五年、十年乃至十五年后的结果：出现多少能够持续经营的企业？产生多少拥有真实付费客户的产品？有多少技术组件进入其他软件公司？有多少企业实现国际销售？多少科研团队形成了持续研发组织？多少产业投资最终创造了正向回报？

这并不是要以短期利润衡量所有公共科研活动，而是要区分基础研究的知识价值、工程技术的转移成果、企业商业化能力和长期产业竞争力。

国家能够直接投入资金，但产业竞争力必须经过技术验证、市场交易、组织成长和长期积累才能形成。

国家最有价值的角色之一，是建设单个企业难以独立完成、但整个产业长期需要的公共基础条件。

九、2026年的AI，究竟开始改变工业软件产业的什么？

站在2026年，AI已经不再只是工业软件公司产品发布中的概念。

Cadence在2026年第三季度披露，其AI Super Agents已经拥有超过100项活跃客户接触，并持续推进AI在芯片与系统设计流程中的应用。全球其他工业软件企业也在不同程度上推进Copilot、自动化设计、仿真辅助、工程知识检索和模型驱动的工作流。

这些变化具有重要意义，但必须区分四种不同层次。

第一层是使用AI提高软件开发效率。大模型和编程智能体能够辅助代码阅读、测试生成、调试、重构和开发文档生产，使部分软件工程工作更高效。

第二层是将AI作为现有工业软件的功能增强。例如，通过自然语言寻找命令、自动生成脚本、辅助模型设置、解释仿真结果，以及改进工程知识检索。

第三层是改变工程工作流。工程师不再需要逐一调用每项软件功能，而可以描述目标、限制条件与验证标准，由智能体协调多个工具执行部分任务。

第四层则是改变工业软件本身的产品形态和价值分配方式。某些过去需要独立软件界面完成的工作，可能逐渐被新的智能工作流吸收；原本分散在CAD、CAE、CAM和PLM之间的操作，也可能通过统一任务入口发生重新组合。

这四种变化的成熟程度、技术风险和商业影响并不相同。

今天已经能够通过AI生成部分几何模型或者自动化脚本，并不意味着复杂工程设计可以在没有专业验证的条件下完全自动完成。

一个真实的汽车零部件设计任务，除了生成几何形状，还必须满足材料、工艺、成本、制造、公差、疲劳、试验、供应链和法规要求。一个航空航天结构件的设计，更涉及高度严格的安全性和验证流程。

工程任务的完成，不仅要求产生一个看起来合理的答案，还要求证明这个答案在给定条件下足够可靠，并能够追踪设计假设、验证过程及责任归属。

因此，AI Native Engineering真正困难的部分，未必是生成模型，而是构建从任务描述、工程计算、验证、修正到最终责任确认的完整闭环。

这也解释了为什么工业软件的未来不会简单演化为所有传统软件都被一个大模型替代。

AI可能改变大量应用交互和自动化逻辑，但几何精度、物理求解、工程数据一致性、约束满足与可靠性验证等基础能力，仍然具有重要价值。

甚至在某些场景下，AI生成的工程方案越多，对自动验证、几何内核、仿真求解器和工程证据管理的需求反而可能越大。

十、AI时代可能出现一次新的产业分工

从工业软件产业的发展史看，重大技术平台变化经常带来新的创业机会。

个人计算机的发展降低了部分CAD软件的部署与使用门槛。互联网和云计算推动了软件交付、协同和商业模式的变化。GPU、高性能计算与专业数值算法不断扩展了仿真和计算工程的能力边界。

AI可能成为下一次具有类似意义的变化，但它带来的结果未必是单一方向的。

未来几年，至少可能同时发生三种产业演化。

第一种是大型工业软件集团继续强化。

它们拥有长期积累的技术资产、成熟客户和国际渠道，如果能够把AI深度融入原有工程流程，就可能进一步提高产品价值、自动化程度和客户依赖。

第二种是专业软件和底层组件企业获得新的成长机会。

AI可能降低上层应用开发难度，却同时提高对几何计算、仿真、数据互操作、验证系统和特定工程能力的调用需求。原本相对隐蔽的专业组件，有可能通过新的技术生态获得更广泛的商业市场。

第三种是AI Native工程软件企业从新的应用入口切入。

这些企业可能不再复制传统工业软件的完整界面和功能，而是围绕一个具体工程任务构建从输入、设计、计算到验证的自动化系统。它们可以利用已有的商业组件、开源技术、GPU计算和智能体，缩短部分产品的研发周期，并采用新的交付方式。

但三种路径都有自己的边界。

大型集团可能受到产品历史架构、组织复杂性和既有商业模式的约束。组件供应商可能受到市场集中度、授权条件和技术替代的影响。AI创业公司则必须跨越工程可靠性、真实客户验证、行业合规与长期维护等门槛。

因此，未来五年的竞争可能不是简单的传统厂商与AI创业公司之争，而是不同技术层次、不同产品架构和不同资本结构之间重新分配价值的过程。

真正值得观察的，不是谁最先在产品名称中加入AI，而是谁能够借助AI降低完成复杂工程任务的总成本，同时保持或提高结果的可靠性。

这才是工业客户最终愿意持续支付预算的基础。

十一、中国的定位，不应该只是追赶已经形成的全球产品版图

讨论中国未来的工业软件产业战略时，我们必须同时考虑两个现实。

一方面，全球成熟工业软件企业已经拥有几十年的技术积累、复杂产品组合、全球客户、产业渠道和资本市场经验。这些能力不能因为AI的发展就被简单视为过时资产。

另一方面，新的软件开发、计算和交互技术，确实正在改变部分产品的研发条件和竞争方式。中国拥有大量复杂工业应用场景、丰富的工程技术人员和持续增长的软件技术能力，这些资源有可能在新的产业分工中产生更大价值。

因此，中国工业软件产业不能只有一种发展路径。

对于已经形成稳定客户基础的国产软件企业，应当继续提高核心产品可靠性、兼容性、复杂工程适用性和国际竞争力，同时发展持续研发、渠道和资本配置能力。

对于新的专业技术企业，则应该鼓励围绕几何内核、约束求解、数据互操作、网格、优化、仿真、制造计算等领域建立长期技术积累和独立商业模式。

对于AI Native工程软件创业企业，更有价值的不是重复制作一套传统软件的全部功能，而是识别那些过去由于开发成本、技术复杂性或商业模式限制而没有得到充分满足的工程需求。

例如，针对特定制造工艺的自动化设计、面向中小企业的专业工程验证、复杂零部件的参数化生成与仿真联动、工程变更自动检查，以及特定行业的工程知识与计算工具协同，都可能成为新的商业切口。

但是这些机会必须通过真实客户验证，而不能因为技术演示成功就判断商业化已经成立。

对于产业资本而言，应当逐渐从单纯投资软件企业，扩展到研究整个工业软件技术供应链中的资产价值。

有些投资机会可能存在于终端品牌，有些可能存在于底层组件，有些存在于行业技术团队，还有些可能存在于拥有国际客户和专业销售渠道的企业。

对于国家与区域产业政策而言，应当更加重视公共技术平台、跨企业工程验证条件、基础算法研究、软件质量与互操作标准、国际技术合作，以及能够支持长期商业化的资本环境。

特别需要建设一种更加成熟的产业分工观念：不是每一家企业都必须拥有完整的软件平台，也不是每一项核心技术都必须依附于大型终端软件公司。

一个国家可以拥有强大的CAD企业，也可以拥有向全球CAD企业销售几何内核的独立供应商；可以拥有成熟的CAE产品，也可以拥有为全球求解软件提供专业网格、后处理和优化技术的组件企业。

这些不同类型的企业共同构成产业竞争力。

中国未来的重要机会，既包括形成自己的大型工业软件平台，也包括培育一批能够进入全球工业软件供应链的专业技术企业。

如果只把前者视为成功，可能会低估后者的长期产业价值。

十二、从2026走向2031，我们应该怎样判断真正的产业变化？

未来五年，工业软件产业会面临更多技术与资本变化，但不应将所有变化都解释为同一种趋势。

首先，AI对软件生产效率的提升可能继续推动产品开发成本结构变化。部分界面、通用业务逻辑、数据处理、脚本开发和工具集成的成本可能下降，使创业团队更容易推出早期可用产品。

其次，复杂工程能力仍然需要长期积累。高端几何建模、数值求解、EDA优化、工业控制和安全验证等领域，可能继续依赖专业算法、工程数据和大量真实场景测试。

再次，大型工业软件企业可能继续通过并购扩展能力，但资本市场条件、融资成本、交易估值和组织整合效率将决定不同企业的资本配置结果。

一些企业可能通过收购进入新市场，另一些企业则可能为了提高经营效率而出售不再符合战略方向的业务。

与此同时，软件产品的商业入口可能逐渐改变。

过去，工程师通常需要学习某一款软件的界面和操作方法，再由自己组织不同软件完成任务。未来，一部分工程任务可能由智能体根据用户目标协调多个专业工具。

这将引出一个非常重要的竞争问题：如果用户首先接触的是一个工程智能体，而不是某个特定CAD或CAE界面，那么客户关系、工程数据和软件价值将由谁控制？

应用入口可能发生变化，但负责几何计算、物理仿真、工程验证和数据一致性的技术供应商，未必因此失去价值。相反，某些能力可能被更多应用间接调用。

这意味着未来工业软件产业的价值分配，可能同时受到三种力量影响：AI改变用户入口，专业技术组件维持或扩大计算与验证价值，大型软件平台通过产品组合和客户体系维持长期竞争优势。

至于这些力量最终怎样影响市场份额、利润率和资本回报，仍然需要持续观察。

我们不应提前宣布某一类企业必然成为赢家。

对于2031年的产业判断，至少需要持续跟踪企业真实收入和现金流、研发效率、产品商业化周期、AI工程任务成功率、客户部署深度、组件授权生态、并购后资本回报，以及各国长期产业政策的真实效果。

只有这些可验证的变化逐渐积累，未来判断才能从技术想象进入产业研究。

十三、重新理解工业软件：我们真正要建设的是什么？

回到整篇文章最开始的问题，工业软件究竟是什么？

如果只从软件产品层面理解，它是CAD、CAM、CAE、PLM、EDA、MES以及各种工业应用。

如果从技术层面理解，它是数学模型、物理规律、工程算法、软件架构、数据结构、几何计算和自动化执行能力的集合。

如果从企业经营层面理解，它是长期研发投入、产品商业化、客户积累、技术资产管理和资本配置的结果。

如果从国家产业层面理解，它则是一套能够持续将科学知识、工程经验、工业需求、人才、资本和组织能力转化为商业产品的产业体系。

这些理解都成立，但它们分别描述了工业软件的不同层次。

真正值得关注的是这些层次之间的转换机制。

一项技术怎样从研究实验室走向工程应用？一个工程问题怎样形成第一款产品？一款产品怎样获得持续付费客户？一家企业怎样积累研发资金和组织能力？企业又怎样通过自主研发、合作与并购扩展技术资产？一个国家怎样通过大量这样的企业逐渐形成产业分工和国际竞争力？

沿着这些问题向历史深处追溯，我们会发现全球工业软件巨头的形成，并不是某一种简单商业模式的成功，而是长期技术积累、产业需求、组织学习与资本配置共同作用的结果。

这也解释了为什么工业软件产业既有强大的大型集团，又能容纳许多高度专业化、规模有限却拥有重要技术价值的独立企业。

而当人工智能开始改变软件开发和工程执行方式时，真正需要重新判断的，是这些历史积累中哪些仍然稀缺，哪些正在变得容易获得，以及哪些新的能力正在形成。

对于中国而言，未来不应只是以现有全球工业软件巨头的产品目录作为终点，逐项补齐所有功能。

我们当然需要突破重要技术、建立成熟产品、提高自主可控能力，但更重要的，是形成一种能够持续诞生、培育、壮大工业软件企业的制度与产业环境。

在这个环境中，大学和研究机构能够长期探索，工程师能够将技术成果发展为产品，企业能够获得早期真实客户，组件供应商能够通过专业分工生存，产业资本能够支持长期研发和理性并购，成熟企业能够逐渐形成国际化经营和技术资产整合能力。

这样的产业体系，才可能在技术路线发生变化时不断产生新的公司、新的产品和新的竞争优势，而不是永远追逐上一代产业巨头已经形成的产品版图。

结语：工业软件的未来，不只是让人类更快地开发软件

回望过去六十多年，工业软件最重要的贡献，并不是让计算机能够绘制更加复杂的图形，也不只是提高了一部分工程师的工作效率。

它使大量原本依赖个人经验、难以重复执行的工程活动，逐渐成为可以计算、验证、共享、积累和持续优化的技术体系。

这种能力让人类得以设计更加复杂的飞机、汽车、芯片、能源系统和工业设备，也让跨越不同企业、不同国家甚至不同年代的工程协作成为可能。

人工智能正在为这一进程增加新的变量。

它可能让工程知识更容易被调用，让软件开发成本进一步下降，让复杂工作流实现更高程度的自动化，也可能改变软件产品的组织方式和商业价值分配。

但是，工程问题不会因为计算机能够生成流畅的语言而失去复杂性，物理规律也不会因为智能体可以自动操作软件而降低要求。

未来真正具有长期价值的工业软件能力，仍然必须能够帮助人类更可靠、更高效地认识和改变物理世界。

因此，我认为2026年至2031年最值得关注的变化，并不是哪家公司最先发布一个AI工程师，而是哪些企业能够将人工智能、专业工程计算、可靠性验证、工业数据和真实客户流程结合起来，形成可持续商业化的新能力。

同样，中国工业软件产业最值得追求的目标，也不只是增加多少家软件企业、形成多少项技术成果或者完成多少个国产替代项目。

而是经过未来十年乃至更长时期的建设，能否形成一种持续自我增强的产业机制：技术进步能够创造新产品，新产品能够获得真实客户，真实客户能够支持持续研发，持续经营的企业能够吸引人才和资本，成熟企业能够通过合作与并购扩大产业分工，而这些积累又能够不断孕育下一代技术和创业公司。

当这一机制真正运转起来，我们所讨论的将不再只是如何追赶今天的全球工业软件巨头，而是中国能否拥有持续产生世界级工业软件企业和基础技术供应商的能力。

从这个意义上说，工业软件产业真正的竞争，不只是今天谁拥有更好的软件，而是谁能够更持续地把人类对复杂工程世界的认识，转化为经过验证、能够创造价值并不断积累的产业能力。

这才是理解过去、判断今天并走向2031年时，我们最应该把握的长期主线。

资料与研究口径

本文以《2026全球工业软件产业战略演讲V11》为主要研究底稿，结合企业正式财务披露、官方交易公告和国家创新体系资料整理。主要参考包括：

• • PTC，2026年11月4日，FY2026第四季度及全年财务结果。
• • Nemetschek，2026年11月5日，第三季度财务结果。
• • Cadence，2026年10月26日，第三季度财务结果。
• • Siemens，2007年UGS收购公告及2025年Altair交易完成公告。
• • Synopsys，2025年7月17日，完成Ansys收购的正式公告。
• • Fraunhofer-Gesellschaft，2025年度报告及2026年6月公布的年度研究成果。
• • 中望软件，2025年年度报告。
• • 企业历史资料、产品发布档案、技术组件官方文档及相关公开研究资料。

文中涉及2027—2031年的技术、产业及竞争格局判断属于研究推演，不应与企业已经实现的经营结果或正式披露的财务数据混为一谈。