Lesley Gao于2025年10月在写了一篇文章：为什么制造业中还没有出现ChatGPT的时刻
文章讨论了一个问题：AI已经显著改变写作、图像生成和编程，为什么设计与制造实物仍然如此困难？作者将目光投向工业软件底层，认为几何内核、数据互通和生产验证，是理解这一差异的重要线索。
1. 制造业AI的突破，要贯通从设计到生产的全过程。作者强调，应沿着完整流程寻找瓶颈。用一个支架的开发过程来理解：首先要确定它支撑什么设备、承受多大载荷；随后选择材料，设计孔位和壁厚，分析变形与应力，再确定采用铸造、切削还是钣金加工。进入生产后，还要检查尺寸、装配和使用表现。AI能够快速提出一种形状，只完成了其中一部分。如果后续仍需工程师逐项重建模型、检查强度、调整工艺，整个开发周期未必明显缩短。制造业所期待的突破，是让这些工作相互连接，让前一步的设计能够直接进入后一步的验证与制造。
2. 几何内核虽然不显眼，却决定工业软件如何表达和处理实物。几何内核可以理解为CAD软件的“几何计算引擎”。用户发出拉伸、切割、倒角等指令，内核负责生成和修改几何实体。西门子的技术说明指出，广泛商用的内核只有少数几种：NX、Solid Edge和SolidWorks使用Parasolid；CATIA使用CGM；Autodesk的ShapeManager则由ACIS衍生而来。例如，把一张圆形草图拉伸成圆柱体，在软件界面上只是一次操作。底层需要处理曲面、边界与实体关系。Autodesk的Fusion文档也将拉伸定义为从草图轮廓或平面创建实体，并支持连接、切除、相交等操作。Autodesk因此，工业设计需要一套能够精确计算、持续修改的表达方式。图像中的圆孔只需看起来像圆孔；工程模型中的圆孔，则需要具有明确直径、位置和几何关系。
3. 文件能够传过去，不意味着设计知识也能完整传过去。跨软件转换的困难，可以从“特征树”理解。它记录了一个模型如何逐步建立：先拉伸主体，再开孔，最后倒角，以及各步骤使用的参数。西门子的说明指出，这些建模记录通常保存在厂商专有格式中，转换时可能失去参数化信息。设想一家企业把支架模型交给供应商。供应商能看到完整外形，却未必能看到原设计中的参数和约束。如果客户要求把孔距增加几毫米，原系统中可能只需修改一个参数；转换后的模型却可能需要重新识别几何关系。这种损失会增加人工处理，也影响AI学习。只有外形，AI容易学到“这个零件长什么样”；保留建模过程与约束，才能进一步理解“工程师为什么这样设计、哪些尺寸可以改变”。
4. 工业软件的护城河，包含企业几十年积累的使用经验。作者将长期验证和迁移成本视为既有系统的重要优势。对于制造企业，一套CAD系统往往连接着零件库、企业标准、自动化脚本、工程师技能和供应商协作方式。更换软件，需要逐项确认旧模型能否读取、修改是否正确、加工程序是否仍然可靠。这也解释了为什么工业软件的新进入者很难仅靠功能演示获得信任。演示一个简单零件，能够证明基本能力；稳定处理大量复杂零件，才接近生产要求。尤其在高价值装备中，企业关心的是系统在罕见、复杂和边界条件下会不会出错。
5. 大量三维模型提供了学习基础，但制造知识还需要生产记录。纽约大学的 ABC数据集包含100万个CAD模型，每个模型由明确参数化的曲线和曲面构成，可用于几何特征识别、曲面分割和形状重建等研究。模型由Onshape提供，版权归各自创建者所有。
Autodesk的 Fusion 360 Gallery数据集来自用户提交的设计。其公开说明提到，从约 2万个设计中派生出不同研究子集，涵盖建模操作顺序、模型分割和装配连接关系。这些资料能帮助AI学习如何构造零件，但公开说明并不等于生产验证记录。以一个轴承座为例，模型能够表达孔径、壁厚和安装位置；实际制造还涉及材料、加工设备、夹持方式、尺寸偏差和检测结果。把这些记录与设计关联起来，AI才有机会学习某种设计为什么容易加工，另一种设计为什么反复出现质量问题。
6. 工业AI应当生成可编辑、可验证的工程对象。作者设想的系统，需要把几何、物理和制造条件结合起来。这一方向已经出现具体研究。2025年发表的一项机械零件设计研究，采用低秩适配微调方法，将所需训练样本从超过 16,600个降至约200个，报告的生成正确率约为 90%。这些结果对应论文设置的任务与评价条件，不能直接理解为通用工业设计能力。
其意义在于探索如何利用较少数据，让AI进入明确约束下的设计任务。对工程师而言，有用的输出应能够继续调整尺寸、分析性能，并进入工艺设计。尤其需要区分：外观合理、几何成立、性能达标、能够稳定制造，是不同的验证层次。
7. 底层能力可以通过收购获得起点，但仍需要人才和持续开发。中望是文章讨论的重要企业案例。2010年，中望收购美国VX公司的CAD/CAM业务及相关技术。当时的公告说明，原VX团队继续在美国佛罗里达研发，中国团队参与产品开发。
这个故事体现了工业软件能力积累的一条路径：收购带来技术资产，也带来理解这些技术的研发人员。随后还需要把算法、产品、客户需求和应用经验持续连接起来。工业软件的成长具有明显的累积性。一个客户提出的复杂曲面问题，一次加工中发现的异常，一个旧模型的兼容问题，都可能成为下一轮改进的输入。长期开发的价值，体现在这些具体问题逐步得到解决。
8. 既有软件厂商也在向更深入的AI设计能力推进。Autodesk于 2025年9月16日介绍其“神经CAD”基础模型，提出让模型直接推理CAD对象与工业系统，并支持由文字提示生成CAD几何。公司还表示，未来计划让客户利用自身专有数据和流程进行定制。这说明工业AI的发展包含两类相互交织的工作：一类是让AI操作现有工具，减少重复劳动；另一类是改变几何对象的生成和理解方式。既有厂商拥有软件基础与客户经验，也需要解决如何把新模型接入工程流程的问题。因此，判断进展不能只看能否通过一句话生成零件，还要看生成结果是否可修改、是否保留工程关系，以及能否进入真实开发任务。
9. 基础设施建设应从有限场景验证，并接受较长投入周期。作者建议从注塑和冲压模具切入，提出 5—7年、1.5亿—3亿美元的投入设想。这是其政策建议，尚非已实施项目。模具是一个适合说明这一思路的场景。设计需要处理脱模方向、分型面、加工条件等具体问题，结果也能通过实际生产检验。先围绕明确任务建立能力，能够让研发目标、评价标准和客户反馈更具体。
这篇文章最终把工业AI竞争引向一个基础问题：如何将工程对象、设计过程和制造结果连接成可计算、可验证、可持续学习的体系。其论述带有鲜明的战略判断，尤其强调几何内核的作用；它提供了一条理解制造业AI进展的线索，而非对所有瓶颈的完整解释。