添翼思维 | 两次技术热浪和工业软件

核心技术“卡脖子”：长期依赖进口，自主能力薄弱。

A. 研发设计类软件被垄断：高端工业软件市场（如CAD/CAE/EDA等）被达索、ANSYS、Synopsys等欧美企业占据90%以上份额。国内企业多集中于中低端工具开发，难以突破核心算法（如CAE的物理场求解器、EDA的工艺模型）。

B.底层技术受制于人：工业软件依赖的数学建模工具（如MATLAB）、图形引擎（如OpenGL）等基础软件长期被国外控制。例如，2020年哈工大等高校被禁用MATLAB，暴露了产业链关键环节的脆弱性。

工业知识与软件脱节：缺乏“Know-How”沉淀。

A.工业知识未转化为软件逻辑：工业软件本质是工业流程与知识的软件化，但中国制造业的国情是长期重“硬”轻“软”，企业对工艺参数、生产数据的积累和沉淀不足，导致国产软件模型精度低、适用性差。

B.行业细分需求难以满足：不同领域的工业软件需要定制化开发，但国内厂商缺乏对各个垂直行业工艺的深刻理解，通用化产品难以满足高端需求。

C.案例：国产CAE软件在汽车碰撞仿真中误差率高达15%，而ANSYS误差控制在5%以内，因为后者融入了数十年车企实测数据。

市场生态畸形：用户端与供给端的恶性循环。

A.用户惯性依赖国外产品：大型企业为保障生产稳定性，宁愿支付高昂授权费也不愿承担国产软件试错风险，导致国内厂商缺乏应用反馈迭代的机会。而工业软件在实践中基于反馈的不断迭代对其性能的提升至关重要。

B. 盗版软件挤压国产软件的生存空间：中小企业普遍使用盗版软件，国产正版厂商难以通过市场收益反哺研发，陷入又穷又弱的困境。

C.案例：某国产CAD厂商年营收仅5000万元，而Autodesk中国区年收入超30亿元，差距背后是盗版泛滥与用户付费意愿的悬殊。

人才断层：复合型人才极度稀缺。

A. 学科壁垒未被打破：工业软件需要“工程+数学+计算机科学”的复合背景，但高校培养体系仍以单一学科为主，跨领域人才培养机制缺失。

B. 产业人才流失严重：过去很多年，工业软件高端开发人员被互联网、金融等高薪行业虹吸，工业软件企业薪资水平仅为互联网行业的1/3，难以留住顶尖技术人才。

C. 案例：某国产CAE企业核心算法团队被自动驾驶公司以3倍薪资挖走，项目研发停滞两年。

05

—

政策与资本错配：各地政府重“短期补贴”而轻“长期扶持”。

A. 补贴导向扭曲创新：地方政府对“国产替代”项目采取“撒胡椒面”式的补贴，企业为拿补贴申报华而不实的功能模块，而非专注核心技术的研发。

B. 资本追逐“快钱”项目：VC更倾向投资工业互联网平台等短期可规模化项目，而工业软件研发周期长风险高，长期资本支持不足。

06

—

标准与生态孤立：缺乏技术协同和创新体系。

A. 数据协议不互通：工业软件与设备、控制系统之间接口标准不统一，国产软件难以融入现有生产线（如西门子PLC与国产MES系统兼容性差）。

B. 开源生态未成形：国外已形成工业软件开源社区，而国内企业各自为战，重复开发基础功能。

C. 案例：某工厂引入国产PLM软件后，因无法读取Pro/E设计文件，被迫保留两套系统并行，效率不升下降。

中国工业软件行业一直在艰难中努力前行并寻找突破口。

中国工业互联网的高潮阶段主要集中在2020–2023年期间，政策开始从顶层设计转向落地实施，技术从单点突破转向系统集成，应用从试点示范转向规模化推广。大家认为这是振兴中国工业软件的机会，在国家政策支持、技术进步以及资本市场的共振下，纷纷以工业互联网为突破口投入到工业软件生态的建设之中。

那个时候，可能没有多少决策者对两者的区别有清醒的认识。工业软件的核心是算法、制造和工程知识积累以及行业经验（如CAE的求解器、EDA的物理仿真），而工业互联网更侧重设备连接与数据采集。但是，整个行业在实际操作中更关注平台搭建、数据上云和物联网连接，而忽视了工业软件底层的数学算法、物理模型和行业知识库积累。大量项目停留在“数据可视化”或“设备联网”层面，还有许多项目为蹭热点，将传统软件简单云化，未能触及工业软件的核心。工业软件需要与工艺、材料等工业场景深度耦合，但国内缺乏像西门子、达索等企业的长期行业渗透，导致“联网易、攻坚难”。

总体而言，大家只抚摸到工业互联网之表而未能深入工业软件之根，资源过度分散导致基础研发投入不足，工业软件行业的问题并没有得到根本性解决，形成了行业泡沫。

工业互联网的本质是工业数字化的操作系统，工业软件则是这个操作系统的顶级应用。前者只为后者赋能，而非替代， 二者的深度融合才能推动制造业从“经验驱动”迈向“数据+知识双轮驱动”，但这一进程需要摒弃浮躁的“速胜论”，回归对工业本质的敬畏与深耕。

自2023年ChatGPT技术突破以来，人工智能热浪滚滚，尤其是DeepSeek横空出世更是推波助浪。工业软件行业对AI改变现状是有所期待的。这一次我们要吸取工业互联网的教训，对AI之于工业软件的赋能一定要有清醒的认识，避免再次泡沫化。

毋庸置疑，ChatGPT和DeepSeek等大模型展现了强大的自然语言交互和代码生成能力。业界希望AI能加速工业软件的智能化（如自动建模、优化设计），AI被视为“弯道超车”的新机遇，尤其在自动化代码生成（如GitHub Copilot）、数据驱动仿真（替代部分物理模型）等场景。但是，AI是有其局限性的，首先是数学与物理模型的不可替代性，CAE/EDA等软件依赖偏微分方程求解、半导体物理等底层原理，AI仅能作为加速器（如降阶模型）而无法替代高精度数值计算。例如，ANSYS的求解器需数十年迭代，AI尚无能力重构这一体系；其次是工业知识的沉淀壁垒，CAD/CAPP等工具的核心是行业标准（如ISO公差标准）和工艺经验，AI缺乏对隐性先验知识的理解，例如，汽车钣金件设计规则需结合生产线参数，AI难以从零学习；再者是长尾问题：工业软件需覆盖极端工况（如芯片制造的纳米级缺陷），AI的泛化性在边缘场景中可能失效。

我个人认为AI对工业软件行业的赋能是实实在在存在的，但千万不可夸大。AI不是速成药， 需要行业慢慢消化。AI对不同的软件类别之赋能场景肯定是不一样的，需要我们具体分析和利用：

· 在CAD（计算机辅助设计）领域，目前AI可以赋能的功能是自动生成式设计。基于GAN（生成对抗网络）、强化学习的自动拓扑优化，输入性能参数即可生成多种结构方案（如Autodesk Fusion 360的生成设计模块），然后可人工修改。

· 在CAE（计算机辅助工程）领域，有些场景可以建立代理模型（Surrogate Model），用神经网络替代有限元计算，即通过数据驱动或物理简化，近似替代高成本仿真，核心目标为加速计算与降维优化，将仿真时间从小时级缩短至秒级（如ANSYS Discovery AIM）， 但这并不是通用模型，只能说是特殊场景下的尝试，典型案例是特斯拉电池热管理仿真，AI代理模型提速300倍。另外，AI还可以应用于异常检测，通过仿真数据训练AI模型，实时预警潜在失效模式。

· 在CAPP（计算机辅助工艺规划）领域AI的应用会多一些，可以多举几个例子。首先，AI可以应用于工艺路线自动生成，基于知识图谱（从历史工艺数据构建的工艺知识库），AI推荐最优加工顺序与设备；其次可应用于动态工艺调整和实时优化， 结合MES的产线状态数据，AI动态调整工艺参数，譬如刀具路径、切削速度；再者就是应用于可制造性分析， AI自动检测设计是否符合加工约束，譬如最小壁厚、公差匹配。

· 在MES（制造执行系统）领域AI的应用会更多一些。首先是智能排产，基于强化学习的排产调度，考虑设备状态、订单优先级、物料供应等多目标的优化；其次是基于视觉质检+过程调控的质量控制，即AI视觉识别缺陷后，反向调节生产参数；再者就是数字孪生预测，让AI模拟不同生产节奏下的能耗曲线，动态调整设备启停策略。

· AI在别的工业软件上的应用场景就不一一列举了。总之， AI可以作为补充或技术改进工具赋能各类别工业软件的某些功能以提高生场效率和改善产品质量。

总结一下，工业软件的本质是“工业”而非“软件”，两次技术热潮的差异在于：工业互联网试图用“连接”绕过核心，而AI至少提供了部分技术改进甚至创新的可能性。但无论是工业互联网还是AI，都无法替代行业的Know-How与其深度的数学物理根基。技术热潮终会退去，唯有敬畏工业本质者方能穿越周期。让我们这个战略性行业能够回归工业常识、深耕底层算法、重构知识生态、培育耐心资本。

（文章）