当AI走进CAD内核：一场悄然发生的工程认知革命

很多行业的技术变革，总是以一种喧闹的方式出现。但 CAD 的变化往往不是这样。它更慢，更深，也更难被外界察觉。过去几十年，从二维到三维，从文件管理到产品生命周期管理，每一次转变都重塑了工程师的工作方式。而今天，人工智能进入 CAD 内核，这种变化再次出现，只不过它不像界面升级那样直观，而是在改变工程系统如何思考。

PTC CAD 部门总经理 Brian Thompson 在给笔者的答复中，对这场变化的定义非常直接：“AI 正在通过建议、辅助并自动化关键工程任务来重塑 CAD，从而提升生产力。它为经验较少的工程师提供引导，消除繁琐的手工工作，并加速设计探索、迭代与改进。AI 还会利用最佳实践——无论是行业已知的，还是基于企业知识产权的——将其扩展到更广泛的工程组织，从而放大竞争优势。比如，一家公司可能拥有特别强的模具（molding）技能，这些技能可以更容易地在组织内共享。随着公司从 PDM 转向 PLM，设计变得越来越以 3D 为中心，从而形成更丰富、以零件（part）为中心的数据基础。3D 模型中的这种语义清晰性，使 AI 能更好理解工程与制造意图，从而解锁新的效率，并促成更智能、更高质量的设计流程。”

PTC CAD 部门总经理 Brian Thompson

Brian Thompson的话几乎概括了 AI 对 CAD 的核心影响：它不是生成几何，而是理解意图。过去，三维模型解决的是“看见设计”；现在，它正在成为“表达设计”。语义完整的数据，使 AI 能够参与工程流程，而不是停留在界面层。

那么，为什么是现在？为什么 AI 会在这个时间点真正进入 CAD，而不是更早？

在Brian Thompson看来，“现在是 AI 深度融入 CAD 的合适时机，因为多股力量已经汇合：LLM（大语言模型）的兴起、更强的云能力、以及数字化工程工作流的广泛采用（包括从 2D 到 3D 建模的转变）。行业对更高生产力的压力，正在加速对 AI 赋能工具的兴趣，这些工具帮助工程师更快交付更好的结果。劳动力短缺使 AI 对补充工程知识变得必不可少。许多 CAD 工具仍然蕴含尚未释放的生产力潜力，而 AI 可以迅速提升工程师，使其充分发挥现代系统的价值。对云端价值交付的信任不断增强，也进一步支持AI 采用，同时不牺牲知识产权（IP）。”

Brian Thompson的这段话里其实有一个非常现实的变量：工程人才结构。AI 在 CAD 中的价值，不只是效率工具，而是知识扩展机制。当企业经验无法规模化复制时，AI 成为唯一可行的放大方式。

但与此同时，行业也正在产生误解。“许多客户假设 AI 应该像在编码、语言以及图像或视频生成中那样，在 3D 设计上带来同等戏剧性的收益。尽管生成式 AI 能显著改善设计过程，但当今模型无法复现工程师做出的成千上万次设计与建模决策，也无法在训练数据有限的情况下，从一个巨大且变化多端的解空间中推导出准确结果。这导致一种误区：认为 AI 能从规格（spec）完全设计出方案，而真正有意义的 CAD 推理与真实工程意图仍超出当前 AI 能力。因此，许多人忽视了 Creo 现有智能自动化所能提供的显著价值——例如 GD&T Advisor、BMX 以及 Creo AI Assistant 这类工具，它们能够精简工作流、提供上下文引导、提升生产力，并在当下提供务实且可靠的收益。”Brian Thompson如是说。

这几乎是一种行业纠偏。AI 可以增强工程，但它仍然无法替代工程推理。CAD 的复杂性来自物理约束、制造规则与经验判断，而不是文本生成能力。

而真正正在发生的变化，反而是那些不那么引人注意的部分。Brian 给出了一个具体区间：“AI 通过自动化重复性任务来减少工程中的非创造性工作，例如参数与关系的创建，消除记忆语法或进行复杂转换的需要。它精简工作、移除障碍，并通过在上下文中分析设计、给出有效解决方案建议来增强故障排查能力，而无需主管式帮助。AI 也通过提供被动与主动的引导来加速培训，帮助新工程师在多样工作流中快速取得结果。总体而言，这些能力可将手工投入减少 30–50%，降低错误、加速上手（onboarding）、降低运营成本并提升吞吐量——让工程师把更多精力放在创新与复杂问题求解上，而不是日常例行工作。”

30–50% 的效率提升，不是一个营销数字，而是角色变化的信号。工程师正在从执行层，慢慢向决策层移动。这种变化也反映在技能结构上。

Brian Thompson强调：“AI 将把工程师从重复性建模工作中转移出来，转向更高价值的任务，例如设计策略、数据解读与跨领域协作。常规工作——参数录入、特征识别、文档编制——将越来越多被自动化，从而减少错误并提升生产力。随着工程复杂度提高，仿真、问题求解与 AI 辅助决策等核心技能将变得更重要。AI 也帮助工程师更高效应用更广泛的知识，使那些能力分布不均的人也能交付高质量设计，并减少对专家的依赖。随着时间推移，工程师可能更多扮演审阅者（reviewer）的角色，聚焦于决策，而由AI Agents 执行细节性的操作。”

当工程师成为审阅者，CAD 的意义就发生了变化。它不再只是建模工具，而是决策环境。但这一切仍然建立在一个前提之上——数据。Brian Thompson强调了工程 AI 的基本原则：“数据是工程 AI 有效运行的基础。AI 在工程中的有效性，依赖于我们共同从高质量且语义完整的数据中捕获设计意图的能力。通过共同优先推进基于模型的定义（MBD）与基于模型的工程（MBE），我们确保带有标注、结构化的模型成为几何、公差以及设计与制造意图的统一事实来源（single source of truth）。这会精简流程，并为 AI 训练提供其所需的可靠、一致信息。通过 MBD/MBE 建立坚实基础，我们能够帮助 AI 理解什么使一个设计“好”，以及它如何在更广泛系统中发挥作用。这样，我们就能让 AI 有能力创建有意义的 CAD 几何与设计、更可靠地检测模式、自动化工程流程，并提供有用的预测性洞察。如果我们忽视完整且高质量数据的重要性，AI 驱动的工作流可能暴露于错误，并在下游价值上受到限制。通过协同并保持严格标准，我们最大化工程 AI 的潜力。”

如果说过去企业的核心资产是模型，那么未来的核心资产将是语义。当话题转向更长期，视角也随之拉远。

Brian Thompson的判断是：“未来 5–10 年，AI 将从提升个人生产力扩展到编排整个数字线程（digital thread）上的自动化。短期收益会为单个用户带来 30–50% 的提升；更长期则会看到由协调的 AI agents 驱动端到端工作流——把需求变化（requirement changes）连接到自动化设计迭代、仿真、可制造性评估（manufacturability assessments）、工艺规划更新（process planning updates）以及最终文档发布（final documentation release）。随着代理式系统（agentic systems）成熟，它们将协调日益复杂的跨领域任务，使团队——而不仅是个人——从持续的智能自动化中受益。这种转变将从根本上把 CAD 从一个工具，重塑为一个集成的、AI 驱动的工程生态系统。”