李霆：AI与工业软件的共生进化，重塑制造业未来

我国工业软件的发展程度与全球顶尖水平相比，差距甚至超过了芯片领域，已成为制约发展的关键“卡脖子”难题。

工业软件集成了工业技术、经验与智慧，其基础建立在多学科理论与海量工业实践之上。因此，发展工业软件是一项需要耐心的长期工程，追赶绝非一蹴而就。

反观AI技术，其进步速度令人咋舌。如今AI编写代码的能力已超越人类，整个软件行业或将因人工智能的介入而发生颠覆性变革。

从智能质检到自动编程，AI在制造业中的应用愈发广泛，引发了一个核心疑问：

借助先进AI技术，能否显著压缩工业软件的研发周期？又或者，未来拥有强大的工业AI，是否就意味着不再需要高端工业软件了？

本文将立足于工业软件的本质，探讨AI与工业软件的内在联系，并尝试解答这一问题。答案或许并非简单的肯定或否定，而是指向一种更深层次的协同共生关系。

工业软件，通俗来讲，就是专用于工业领域的软件系统，用于对飞机、建筑、芯片等产品进行设计、制造及运维管理。

其本质是工业知识的代码化表达，堪称“工业制造的智慧中枢与神经脉络”。

从产品全生命周期维度来看，工业软件主要划分为以下四大类：

▌1.研发设计类

主要承担产品的设计与仿真任务。

例如PLM（产品生命周期管理）、CAD（计算机辅助设计）和BIM（建筑信息模型）。

其核心作用在于构建“数字孪生”，在虚拟世界中完成设计、分析与验证，从而降低实物试错的成本。

▌2.生产制造类

用于指挥车间内的机床、机器人等设备，解决“如何制造”的问题。

核心作用在于实现生产过程的自动化与精益化管理。

代表软件包括MES（制造执行系统）、APS（高级计划排程）、SCADA（数据采集与监视控制）等。

▌3.经营管理类

用于统筹企业的“人、财、物”等资源，核心在于优化资源配置、降低运营成本。

代表软件主要是ERP（企业资源计划），如SAP、Oracle、用友等。

▌4. 运维服务类

用于监控和管理产品交付后的运行状况，核心作用是保障产品稳定运行，并基于数据提供增值服务。

代表软件包括EAM（企业资产管理）、MRO（维护、维修与大修）以及IoT平台/PHM（预测与健康管理）。

以建筑业为例:

要实现“以现代工业理念改造传统建筑业”，其技术底座正是工业软件。

要实现“一模到底”“数字孪生”及“生产线并行生产”，若没有CAD/PLM定义产品、没有MES指挥工厂、没有IoT平台连接工地，一切设想都将成为空中楼阁。

因此，工业软件不仅是工具，更是新质生产力的核心载体，是建筑业从“建造”迈向“制造”这场革命中不可或缺的“数字神经系统”。

工业软件的根基可归纳为三大基石：知识、数学与硬件。这三者相辅相成，缺一不可。

▌1. 工业知识（Know-How）

工业知识是工业软件的灵魂所在。

工业软件本质上是将特定的工业流程、标准规范及老师傅的经验等隐性知识进行系统化封装。

若缺乏对制造业的深刻理解，即便代码写得再完美，也造不出可用的CAE软件；同理，若缺乏对设计、施工、运维全过程的洞察，也开发不出推动建筑业转型的BIM/PLM平台。

▌2. 数学（算法与模型）

数学（算法与模型）是工业软件的核心内核。

工业软件将物理规律与工业原理通过算法和数学模型进行表达。

无论是CAD中的几何引擎，还是CAE中的有限元分析，其核心都是复杂的数学运算。

而几何引擎（定义形状）和约束求解器（确定部件相对位置），更是研发设计类软件的“根技术”，直接决定了软件的性能上限。

▌3. 硬件（算力与交互）

硬件（算力与交互）是工业软件的物理载体。

工业软件依赖硬件进行运行与交互。

早期的CAD无法处理复杂3D模型，正是因为算力不足。如今，高性能计算让大规模仿真成为可能；云计算支持全球团队实时协同；物联网让“数字孪生”成为现实；AR/VR则改变着人机交互方式，使设计更直观。

这三大基石共同支撑起CAD、CAE、PLM等各类工业软件。

工业软件的发展史，是一部工业需求与信息技术深度融合、协同演进的历史。

▌1. 第一阶段：起源与工具期（20世纪50—70年代）

这一时期的核心特征是“内生需求驱动技术创新”。

工业软件并非凭空产生，而是由航空、航天、汽车等尖端工业巨头为解决自身复杂产品的设计制造难题而催生的。

1957年，被誉为“CAD/CAM之父”的Patrick J. Hanratty博士开发了世界上首个数控程序编制软件PRONTO。

1963年，MIT的Ivan Sutherland展示了首个交互式图形系统Sketchpad，为CAD奠定了基础。

1969年，美国宇航局（NASA）推出了工程仿真软件NASTRAN。

这些软件最初多依附于大型机，由企业内部开发使用，后来才逐步走向商业化。

▌2. 第二阶段：扩张与平台期（20世纪80年代—2000年代）

随着个人计算机的普及，工业软件步入繁荣期。

CATIA、UG、Pro/ENGINEER等三维CAD巨头奠定了行业地位。

SAP、Oracle等ERP系统成为企业管理软件的核心。

MES、SCADA等生产管理软件开始让生产过程变得透明。

90年代末至21世纪初，市场进入整合阶段，达索、西门子、PTC等行业巨头通过大规模收购兼并，将CAD、CAE、CAM、PDM/PLM等整合成统一平台，试图覆盖产品从设计到报废的全生命周期。

▌3. 第三阶段：互联与智能期（2010年代至今）

工业软件开始从本地部署的“工具”转向云端订阅的“服务”（SaaS）。

PTC收购云原生CAD公司OnShape，并推出SaaS平台Atlas即是典型代表。

同时，工业互联网平台（如GE的Predix、西门子的MindSphere）兴起，数字孪生与AI开始融入软件，助力实现智能识别、预测与优化。

▌4. 两个核心逻辑

纵观六十多年的发展，工业软件的演进始终遵循两个核心逻辑：

一是工业需求始终是牵引力，每一个关键软件的诞生都是为了解决当时最棘手的工程难题。

二是知识积累是其灵魂，它将顶尖工程师的经验、复杂的物理公式和高效的工艺流程不断代码化、最终封装成易于使用的工具。

当前全球工业软件市场呈现寡头垄断格局，尤其在研发设计类和生产管理类等核心领域，少数跨国巨头凭借数十年的技术积累和并购扩张构筑了极高的竞争壁垒。

▌1. 研发设计类

达索系统（CATIA、SOLIDWORKS、ENOVIA等）。

西门子数字化工业软件（NX、Teamcenter等）。

PTC（Creo、Windchill等）。

欧特克（AutoCAD、Revit、Fusion 360等）。

新思科技与楷登电子（EDA）、ANSYS（工程仿真）。

▌2. 生产制造类

西门子（SIMATIC IT、Opcenter）。

罗克韦尔自动化（FactoryTalk）。

施耐德电气（EcoStruxure、AVEVA）。

▌3. 经营管理类

SAP（S/4HANA）。

甲骨文（Oracle ERP）。

这些巨头通过并购形成了从设计、仿真到制造管理的全流程闭环生态。

中国工业软件与国际先进水平的差距是系统性、全方位的，不仅体现在技术层面，更根植于产业生态、商业成熟度和市场认知之中。

这种差距可以概括为“大而不强、魂体分离”——中国拥有全球近30%的工业增加值，但工业软件市场规模仅占全球7.6%，存在明显错位。

▌1. 市场与份额

中国工业软件的全球占有率偏低，且高端市场被外资垄断。

国内研发设计类软件的国产化率仅约10%，在航空航天、汽车等高端制造领域更低。

这种“低端内卷、高端失守”的格局导致国内厂商难以在主流市场与国际巨头正面竞争。

▌2. 核心技术

存在“根技术”缺失的硬伤。

几何建模内核、约束求解器、物理场求解器等底层数学和物理模型是工业软件的“心脏”，需要数十年如一日的理论突破和代码积累。

中国起步晚、底子薄，多数产品是在国外成熟内核上进行二次开发，难以形成自主可控且性能卓越的底层平台，在功能完整性、计算精度、系统稳定性上存在明显“代差”。

▌3. 产业生态

国内企业呈现“小散弱”状态。

国内头部厂商的年营收仅为国际巨头的零头。

例如中X软件约8亿元，而欧特克高达354亿元。

这种体量差距意味着研发投入的悬殊，尚未形成巨头引领、生态协同的健康格局。

▌4. 商业成熟度

商业模式落后且社会“重硬轻软”。

国际巨头已全面转向云订阅模式（欧特克订阅收入占比高达93%），而国内厂商仍在从卖永久授权向订阅制艰难转型。

同时，社会对软件价值认知不足，盗版横行，导致国内软件企业收入微薄，难以投入大规模长期研发。

▌5. 人才与投入

高端人才供需矛盾突出。

工业软件研发需要懂算法、懂工艺、懂代码的复合型人才，国内高校培养体系与产业需求脱节。

同时，研发一款成熟的CAM软件需要5亿—10亿元、投入4—5年，长周期研发与资本的逐利性冲突，融资困难加剧了发展瓶颈。

▌6. 深层次原因

深层次原因可归结为：

工业底蕴不足，需求牵引缺位；

复合型人才供给严重不足；

生态体系孱弱，用户锁定效应明显；

资本与产业的“慢逻辑”冲突。

▌1. CAD领域：几何内核的“根技术”缺失

三维CAD的几何建模内核（如达索CGM、西门子Parasolid）涉及样条理论、曲面重构等高深数学知识，我国长期依赖外购，自主研发的内核在精度、效率、稳定性上存在代差。

几何约束求解引擎也基本被国外垄断。

国产CAD目前以二维产品为主，高端三维CAD市场超90%被国外巨头占据。

不过，近年来国产CAD在特定场景化应用中开始探索差异化突破。

▌2. PLM领域：千万级数据墙与架构短视

PLM是打通产品全生命周期数据的管理中枢。

国产PLM常出现“小数据表现优异、大数据崩溃”的现象，即难以逾越的“千万级数据墙”。

技术底层原因包括数据库设计缺陷、架构短视（伪云化）、计算性能瓶颈等。

生态层面，PLM领域被达索3DE、西门子Teamcenter、PTC Windchill垄断，但国内已有IntePLM在华为全面替代美国PTC Windchill的案例，证明突破可能。

▌3. BIM领域：非云原生架构与文件级协同造成的数据割裂

传统BIM软件采用文件级协同而非云原生架构，这种基于文件的架构（如RVT、DGN文件）本质上是“一个专家，一台工作站，一个模型文件”，协作通过文件交换进行，难以直接改造为分布式的云原生应用。

这种以文件为中心的协作模式：

协作的本质是“文件同步”，而非“数据同步”，导致著名的“模型冲突”、“版本管理”噩梦，数据割裂与协同低效成为行业痛点。

数据割裂的具体表现:

传统文件级协同导致几何与属性信息更新不同步，跨平台协作中的数据丢失，全生命周期数据流通障碍。

解决方向：对标主流工业软件。

从文件级协同到云原生架构，向数模关联模式的演进。这将实现从“文件同步”到“数据同步”的转变，天然避免版本管理问题。基于单一数据源，共享同一结构化数据库，高效协同。

这个问题是一个极具前瞻性和战略深度的问题。

核心判断是：AI不是工业软件的终结者，而是重塑者；它无法一蹴而就“跨越”数十年的工业积淀，但正在从根本上改变工业软件的研发范式和应用形态，为中国提供了一次宝贵的“换道超车”历史机遇。

▌1. AI能否大大缩短工业软件的研发周期？

——能，但主要是在“工程化”层面

AI正在从多个维度显著加速工业软件的研发和应用过程：

代码生成与辅助开发：

AI代码助手正在改变软件工程模式。IDC预测，到2030年，80%的开发者将与自主AI智能体协作开发。

编写大量基础代码的工作将被AI接管，开发者可以更专注于架构设计和核心算法的优化，从而缩短工业软件的开发周期。

设计-仿真闭环自动化：

AI正在打通CAD/CAE之间的壁垒。

国内某创业公司通过“知识图谱+AI智能体”自动联动设计和仿真，据称可使核心手工密集型任务的人力成本节省最多90%以上，研发周期缩短超60%。

工艺规划智能化：

传统的计算机辅助工艺规划（CAPP）软件依赖人工交互，而工艺规划大模型可以学习企业历史工艺文件，自动生成工艺规划文档，将复杂工艺的规划周期从“天”缩短至“小时”。

从这些案例可以看出，AI作为“超级助手”，正在将工程师从繁重、重复的机械性工作中解放出来，让他们能专注于更具创造性的顶层设计，这无疑会极大加速工业软件的开发和迭代效率。

▌2. AI的边界：数据智能无法替代工业机理的深度

工业软件的核心价值，在于其基于物理机理和行业知识的深度积累。

例如，PLC（可编程逻辑控制器）工程师的核心工作不仅是编写代码，更需对复杂生产工艺、设备运行逻辑及现场经验有深刻理解。

AI虽能通过数据分析优化流程、诊断故障，但在处理个性化需求、突发状况及创造性解决方案时，仍依赖于人类的经验与判断。

一位资深PLC工程师的经验积累和现场应变能力，是AI难以在短期内复制的。

因此，AI更多扮演的是“助手”角色，而非“替代者”。

▌3. 工业软件不可替代的三大基石

（1）行业知识的沉淀

工业软件是数十年工业实践与科学理论的结晶，其逻辑建立在严谨的物理模型与工程算法之上。

例如，三维CAD软件中的设计规则、仿真分析工具中的力学模型，均需要深厚的专业背景支撑。

AI虽能通过学习数据提升效率，但无法凭空创造这些底层知识。

工业场景对系统的稳定性与安全性要求极高。任何微小的程序漏洞或决策失误，都可能导致生产事故与经济损失。

传统工业软件经过严格的验证与测试流程，其可靠性已得到长期实践的检验。

相比之下，AI的决策过程往往存在“黑箱”问题，难以满足关键场景的透明度与可解释性要求。

（3）流程与规范的固化

工业软件不仅是工具，更是生产流程与质量管理体系的数字化载体。

例如，MES通过标准化流程确保生产可控，ERP系统整合资源优化配置。

这些固化在软件中的流程规范，是工业体系高效运转的基石，AI难以独立重构。

▌4. AI能否彻底“替代”工业软件？

——不能，核心机理是难以跨越的壁垒

尽管AI在加速研发方面潜力巨大，但它无法完全替代传统工业软件。

这是因为工业软件的“灵魂”——工业机理与核心求解器——构成了难以被简单颠覆的“护城河”。

（1）核心求解器不可替代

达索系统副总裁明确指出：“没有工程级的精度，就无法获得完美的设计。”

工业软件（如CAD、CAE、CAM）的底层是经过数十年验证的复杂数学模型与物理算法。

例如，CAD的核心是参数化几何建模与约束求解器，CAE涉及基于有限元法的多物理场求解。

这些核心逻辑追求的是确定性和高精度，而目前主流生成式AI基于概率和模糊性，难以直接胜任这类精确计算。

（2）数据与安全的根基

工业AI的高效运行离不开高质量数据的支撑，而这些数据恰恰沉淀于工业软件之中。

企业的BOM表、生产报工数据、工艺图纸等都是通过PLM、MES等软件产生和管理的。

AI智能体需要调用这些数据，而非脱离它们凭空产生价值。

Mistral AI的CEO也承认，专注于记录系统的软件“不会发生改变”，它们将与AI协同工作。

（3） “幻觉”问题是工业应用的死穴

在工业场景中，错误是不可接受的。

生成式AI固有的“幻觉”问题，使其无法直接应用于对准确性要求严苛的生产核心环节。

CAM的核心诉求是“确定性和高精度”，因此他们的策略是用AI解决“如何加工最好”的工艺决策问题，而把“如何加工最准”的问题留给确定性的数学算法。

▌5. 未来展望：AI Native与“新物种”的诞生

未来的工业软件不会消失，但形态将发生剧变。

我们正在进入一个“AI Native”的工业软件时代，AI与工业软件正走向深度融合，而非相互取代。

（1）交互方式彻底改变

未来的工业软件可能不再依赖复杂的菜单和按钮，而是通过自然语言与工程师交互。

达索系统已经在SolidWorks中集成了AI助手，工程师可以通过聊天窗口下达指令，让AI辅助完成草图修复、自动装配等任务。

（2）从“工具”到“智能体”

工业软件将从被动的“辅助工具”进化为主动的“智能助手”或“智能体”。

它们不仅能执行命令，还能理解设计意图、推荐最优方案、甚至跨系统调度资源。

例如，西门子Teamcenter的AI助手能将设计验证周期从14天压缩至6天。

（3）催生“新物种”

在AI的驱动下，可能会诞生全新的软件形态。

例如，“计算机辅助规范（CAS）”软件可以辅助工程师自动完成符合数千项标准的精度设计和工程图纸生成，解决当前行业的痛点。瑞士一家创业公司正在开发能自动编程和测试工业自动化系统的AI智能体，有望将编程速度提升90%。

（4）AI赋能工业软件效率提升，工业软件为AI提供落地场景

AI通过数据分析、模式识别等技术优化工业软件功能。

而工业场景的复杂性与数据积累，则为AI提供了丰富的训练素材与验证环境。

缺乏工业软件的“数据土壤”，AI的工业应用将成无源之水。

（5）人机协作的新范式

未来工业领域将形成“工业软件为骨，AI为魂”的协作模式。

工程师利用工业软件构建基础架构与核心逻辑，AI则负责处理海量数据、优化参数及执行重复性任务。

例如，PLC工程师可借助AI生成基础代码，再将精力投入复杂逻辑的设计与调试。

▌6. 结论

AI无法让中国工业软件“一夜跨过”几十年积累，因为核心的工业机理和数学算法需要时间来沉淀和验证。

工业软件以深厚的行业知识、稳定性与安全性构筑工业体系的根基，这些都不是靠概率和模糊推理能够生成的。

但AI为“换道超车”提供了前所未有的机遇。

它正在改变游戏规则，从拼“代码量”转向拼“数据与智能融合的能力”。

谁能在AI与工业机理的深度融合上走得更快，谁能率先构建数据闭环和智能应用生态，谁就有可能在新一轮的竞争中占据主动。

中国拥有全球最完整的工业体系和最丰富的应用场景，这是训练和迭代工业AI的宝贵“土壤”。

关键在于，我们能否抓住AI重构工业软件底层逻辑的窗口期，将场景优势转化为技术优势，在“AI Native”的浪潮中，培育出属于中国的世界级工业软件“新物种”。

这场变革的核心，不是“AI替代软件”，而是 “懂AI的工程师 + AI增强的软件”共同替代“传统工程师 + 传统软件”。

回到最初的问题：AI能代替工业软件吗？

答案已经清晰——不能，但工业软件形态将彻底改变。 二者并非替代关系，而是走向更深层次的协同共生。

工业软件不会消失，因为它承载着人类数十年积累的工业知识、数学算法和工程经验。

那些经过无数试验验证的核心求解器、那些凝结着顶尖工程师智慧的工艺参数、那些保障产品安全可靠的质量标准，都不是靠概率和模糊推理能够生成的。

AI可以加速研发、优化流程、革新交互，但它无法凭空创造出一套经过时间检验的工业机理。

正如没有地基就无法建造高楼，没有工业软件这个承载工业知识的“容器”，AI在工业领域也将成为无源之水、无本之木。

但AI正在深刻重塑工业软件的形态。

未来的工业软件将不再是冰冷的工具，而是懂业务的智能伙伴。工程师将用自然语言与软件对话，AI将理解设计意图、推荐最优方案、自动完成繁琐操作；软件将从被动执行指令的“工具”进化为主动思考的“智能体”，跨系统调度资源、预判潜在风险、持续优化全生命周期价值。

更令人期待的是，AI将催生我们此刻无法想象的全新软件物种，就像三十年前没人能预测互联网会催生电商和社交媒体一样。

对于正在奋力追赶的中国工业软件而言，AI带来的不是威胁，而是千载难逢的历史机遇。

过去，我们被卡在“根技术”的壁垒前——几何内核需要数十年积累，求解器需要无数试验验证，这些慢功夫无法一蹴而就。

但AI正在改写游戏规则。竞争的重心正从“代码量”转向“数据与智能融合的能力”，从“单点突破”转向“生态协同”。

中国拥有全球最完整的工业体系和最丰富的应用场景，这是我们训练工业AI最宝贵的“土壤”。当国外巨头还在为其存量软件生态的兼容性所困扰时，我们或许可以轻装上阵，在“AI Native”的赛道上实现换道超车。

但这需要远见，更需要定力。

我们不能指望AI一夜之间跨越数十年的工业积淀，也不能用互联网的“快逻辑”套用工业软件的“慢行业”。

真正的突破，来自对工业机理的敬畏、对基础研究的投入、对复合型人才的培养，以及将场景优势转化为技术优势的系统能力。

AI不会让工业软件变得不重要，恰恰相反，它让工业软件变得更加重要——只是以不同的方式重要。

未来的工业竞争力，将越来越取决于“懂AI的工程师”与“AI增强的软件”协同创造的价值。

谁能在AI与工业机理的深度融合上走得更快，谁能率先构建数据闭环和智能应用生态，谁就能在新一轮全球工业竞争中占据制高点。

变革的窗口已经打开。对于中国工业软件而言，这不仅是一次追赶的机会，更是一次定义未来的机会。

抓住它，我们或许能在不远的将来，亲历一个历史性时刻——中国自己的世界级工业软件，矗立于全球产业之巅。

而那时，我们将真正理解：AI与工业软件的协同共生，正在定义工业的未来。

本文来自中南建筑设计院工程数字技术中心公众号，作者李霆，文章所列内容仅代表作者观点，不代表攀成德立场。

您还想看什么类型的文章，欢迎在文章下方留言，或者私信我们！