摘要：这两年，AI + CAD 的演示视频看了不少。输入一句自然语言，几分钟后，一个三维零件模型就出来了。看起来像是未来已经到来，仿佛机械设计、结构设计，甚至复杂工业产品开发，都快被大模型“一键生成”了。 但只要把场景从“看起来像个零件”切换到“这玩意真的要下厂生产”，问题立刻就变了。 因为制造业里的 CAD，从来不是一个“把形状画出来”的问题，而是一个“把约束、容差、工艺、性能、可靠性一起锁住”的问题。一个渲染得很漂亮的模型，不等于一个能加工、能装配、能通过测试、能稳定服役的零件。真正用于精密制造的部件，要求的不只是几何相似，而是尺寸公差、特征位置、参数关联、受力响应、热变形、疲劳寿命这些东西，都要进入设计闭环。 最近一篇题为 “AI + CAD Tooling is Abysmal” 的观点帖，真正指出的也不是“LLM 不会画 CAD”，而是“仅靠 LLM 读写 CAD 文件，再看渲染图做判断，远远不够支撑制造级设计”。我认为，这个判断整体上是对的，而且它切中了今天 AI 工程设计工具最核心的技术瓶颈：缺少高质量、强约束、可迭代的反馈回路。
这两年，AI + CAD 的演示视频看了不少。输入一句自然语言，几分钟后，一个三维零件模型就出来了。看起来像是未来已经到来，仿佛机械设计、结构设计，甚至复杂工业产品开发，都快被大模型“一键生成”了。
但只要把场景从“看起来像个零件”切换到“这玩意真的要下厂生产”，问题立刻就变了。
因为制造业里的 CAD，从来不是一个“把形状画出来”的问题，而是一个“把约束、容差、工艺、性能、可靠性一起锁住”的问题。一个渲染得很漂亮的模型，不等于一个能加工、能装配、能通过测试、能稳定服役的零件。真正用于精密制造的部件，要求的不只是几何相似，而是尺寸公差、特征位置、参数关联、受力响应、热变形、疲劳寿命这些东西，都要进入设计闭环。
最近一篇题为 “AI + CAD Tooling is Abysmal” 的观点帖，真正指出的也不是“LLM 不会画 CAD”，而是“仅靠 LLM 读写 CAD 文件，再看渲染图做判断，远远不够支撑制造级设计”。我认为，这个判断整体上是对的，而且它切中了今天 AI 工程设计工具最核心的技术瓶颈：缺少高质量、强约束、可迭代的反馈回路。
一、今天的 AI + CAD，为什么看起来很强，落地却常常不行
先说结论，大模型已经足够擅长“生成一个像样的 CAD 初稿”，但远没有强到“生成一个可制造的工程解”。
原因并不复杂。现在很多 AI + CAD 系统，本质上仍然是三段式流程。第一步，LLM 把文本需求转成 CAD 操作、脚本或者参数。第二步，系统生成几何模型。第三步，再把渲染图、截图或者导出的中间结果回喂给模型，让它继续修改。
这个流程对于概念验证、外形草模、早期创意设计很有效，但一旦进入精密零件和工业产品开发阶段，就会迅速暴露短板。
因为渲染图能告诉模型“长得像不像”，却很难告诉它“做出来会不会坏”。它看不出接触应力是否超标，看不出热膨胀后配合间隙是否失效，看不出结构在某个工况下会不会共振，也看不出这个孔位在叠加公差后是否仍然满足装配要求。换句话说，视觉反馈只能约束表观几何，却约束不了物理正确性。
而制造级 CAD 的难点，恰恰都在后者。
这也是为什么工程领域长期形成了 CAD、CAE、CAM 分工。CAD 负责几何与参数表达，CAE 负责性能验证，CAM 负责工艺落地。它们不是三个松散工具，而是三种不同层级的“正确性判定机制”。如果只有生成，没有验证，AI 最终输出的就更像“会画图的实习生”，而不是“能签图的工程师”。
二、真正缺的不是更聪明的模型，而是更严格的反馈
很多人会自然地以为，那就等模型再强一点，不就好了。
这其实是一个典型误判。
因为在工程设计里，问题往往不是“模型有没有想到”，而是“模型有没有被可靠地告知自己错了”。在代码领域，AI 之所以进步快，一个重要原因是有编译器、测试框架、静态分析器、CI 流水线。模型做错之后，会立刻收到结构化反馈。它不是在猜自己对不对，而是在一个高度程序化的验证环境里不断逼近正确答案。
而 CAD 设计目前最大的问题，正是这种反馈环境还远远不够成熟。
一个火箭喷管的方案是否合理，需要 CFD、热分析、材料模型和边界条件共同判断。一个芯片封装设计是否可靠，需要电磁、热机械耦合和封装应力分析共同验证。一个机械臂的连杆设计是否可用，需要刚体动力学、接触模型、疲劳寿命和控制耦合一起参与。不同产品需要的求解方式完全不同，评价指标也完全不同。
所以，下一代 AI + CAD 的关键路径，不是简单的：
LLM → CAD
而是：
LLM → CAD → 仿真/分析 → 结构化误差信号 → LLM/优化器 → 更好的 CAD
这里面最关键的，不是第一步生成，而是中间那段“仿真、评估、回传”的闭环。只有当系统能持续告诉模型，哪里不满足应力要求，哪里热漂移过大，哪里工艺不可达，哪里公差堆叠导致装配风险上升，模型才有可能从“会画”走向“会设计”。
三、为什么仿真能力会成为护城河
这也是原帖最有洞见的一点，真正的壁垒，也许不在 LLM，而在仿真能力。
因为通用大模型越来越像公共基础设施。今天 GPT、Claude、Gemini 都能处理文本、代码、图像，未来也大概率都能更好地处理 CAD 描述、参数脚本和工程文档。单靠“我也接了一个大模型来生成 CAD”，很难形成长期差异化。
真正难的是，你有没有一套针对自己产品、材料、工艺和测试流程构建出来的专用反馈系统。
这套能力往往不是现成买来的。它可能是内部积累多年的仿真脚本、边界条件模板、实验数据、失效案例库、设计规则库，外加一堆把 CAD、网格、求解、后处理和优化串起来的工程软件胶水。它甚至不只是一套仿真流程，而是一个把企业经验编码为机器反馈的知识系统。
一旦这套系统开始与 AI 联动，就会出现明显的复利效应。更好的 CAD 设计会生成更难的测试样本，更难的样本会暴露仿真与规则库中的缺口，这些缺口再被工程师和 AI 一起补上，于是反馈系统变得更强，更强的仿真能力又反过来让下一轮设计更可靠。这个循环一旦建立，后来的竞争者即使拿到同样的基础模型，也很难快速复制。
从这个意义上说，AI 在硬科技领域真正改变的，不是“让 CAD 软件更像聊天机器人”，而是“让企业开始把自己的设计、验证、制造知识重新软件化”。
四、谁最有机会吃到这波红利
如果沿着这个逻辑往下看，未来最可能胜出的，不是单纯做一个通用 AI + CAD 前端的 SaaS 公司，而是那些本来就掌握产品机理、测试环境和制造流程的硬科技企业。
火箭公司、半导体公司、机器人公司、先进制造企业、生物工程公司，都会越来越倾向于把 AI 工具链内建化。原因很现实，它们的核心能力本来就不只是画图，而是把复杂物理世界压缩成可操作的工程流程。谁最懂自己的失效模式，谁最懂自己的仿真边界条件，谁就最有资格把 AI 接进设计主链路。
这并不意味着通用软件公司没有机会。相反，平台层仍然很重要。未来依然会需要更好的 CAD API，更强的参数化表达，更顺滑的仿真编排，更标准化的数据交换格式，以及连接数字孪生、实时仿真和 AI 代理的工程基础设施。
但平台层能不能构成全部价值，是另一回事。对于真正的制造级设计，最后决定成败的，往往仍然是企业内部那套“别人拿不到”的验证知识。
五、AI + CAD 的下一阶段，不是更像设计师，而是更像工程系统
所以，怎么看待今天这波 AI + CAD。
我的判断是，它并没有被高估到完全无用，但确实被误读成了“离工业落地只差更强模型”。事实正好相反。离真正制造级落地差得最远的，未必是模型能力，而是反馈基础设施、仿真自动化、规则约束表达，以及企业内部工程知识的机器化。
这件事一旦想清楚，很多行业判断都会变得清晰。
为什么演示视频很多，量产案例很少。因为 demo 只需要看起来对，量产必须真正对。
为什么 AI 在代码里比在 CAD 里跑得快。因为代码世界有天然的可执行反馈，工程设计世界还在建设同等级的反馈网络。
为什么未来硬科技公司会越来越重视内部 AI tooling。因为在这些行业里，AI 不再是“办公软件增强器”，而是直接嵌进产品竞争力里的基础设施。
真正值得期待的，不是某个模型会不会一句话画出一个零件，而是未来几年里，会不会出现这样一种系统。它既能理解需求，也能生成参数化 CAD。既能自动调用多学科仿真，又能把误差变成机器可学习的反馈。既能在虚拟环境中快速探索设计空间，又能与真实制造、测试和失效数据持续对齐。
到了那一天，AI 才不只是一个“会画 CAD 的助手”，而会成为工程体系的一部分。
而那，才是 AI + CAD 真正开始改变制造业的时候。
参考资料：
- AI + CAD Tooling is Abysmal，观点帖，围绕 LLM 与 CAD 设计反馈闭环不足的讨论。
- Siemens, Dassault Systèmes, Cadence 等工业软件厂商近两年围绕生成式设计、仿真集成和工业数字孪生的公开产品路线。
- 近年 AI coding 工具的工程实践，对比显示“结构化反馈回路”比单纯生成能力更决定落地效果。