AI+CAD的Agent路线定了，剩下的都是硬骨头

AI+CAD这件事，2026年9月16日在广州中望软件全球生态大会上，有了一个很清晰的切面。

大会刚开场，两场演讲拼出了这个领域的完整图景。中望软件总经理刘玉峰分享了工业界在做什么，复旦大学周向东教授讲了学术界做到了什么、还差什么。

没有工业级的CAD，就没有工业级的AI+CAD。这是中望的底层逻辑。AI在简单零件和演示场景上跑得不错，但面对1000多步历史特征、装配关系、工程图、真实制造约束，差距还大。所以中望把大力气花在让客户「把原来困难的工作做得更好、更快、更可靠」上，不追炫技。

现场放了一段中望悟空版本的演示：一个减速机缸盖，1000多步历史特征，改底部参数后模型重生，一分钟左右完成，零报错零卡顿。刘玉峰的原话是「完全达到了主流产品的水平」。

这件事对接下来的AI布局至关重要，基本思考是：底层内核撑不住复杂模型的重生，Agent在上面跑得再花哨也没用。地基不稳，上层建筑全是空的。

中望同时在推CX智能体平台。把中望2D、中望3D和CAE仿真开放出来，让工程师把自己的经验做成Agent。平台管工具和执行，数据全归客户。工业数据分散在各家企业、各个系统，涉及产品机密，数据由谁掌控、怎么用、部署在哪——三条全归客户说了算。

AI的角色定义也直接：放大设计师。AI承担理解、生成、重复执行；工程师负责定义目标、选择约束、权衡方案、对结果负责。工业设计很少有唯一正确答案，同样的性能目标可以对应完全不同的成本、重量、制造难度和交付周期。怎么取舍，靠人的经验和判断力，AI替不了。

周向东教授在现场给AI+CAD研究画了一张地图。

学术界把起点定在2021年——数据集和基准论文发布。2024年「文生CAD」概念提出；2025年复旦课题组在LLaMA上微调出能生成复杂几何的大模型；2025下半年至今，热点是强化学习。技术路线分了四条：命令序列与代码生成、几何拓扑直接生成、几何基础模型、智能Agent。

但研究跟真实工业需求之间，鸿沟不小。

学术界关心的是代码可执行性、几何有效性和准确性——模型跑通了没有？形状对不对？工业界要的是长特征历史的稳定生成、多零件装配体、小样本泛化、建模参数可追溯且传播稳定，还要把设计规范和工程师偏好嵌进去。后面这类数据，学术界基本拿不到，研究几乎空白。

周向东教授提到：「学术研究的成果，尚未具备完整的工业应用能力」。

他不是只抛出问题。2026年ICML上发了一篇FutureCAD论文，方案是大语言模型和几何基础模型融合，做跨表示工业CAD模型——建模历史、参数、几何、装配、仿真数据不再分离处理，统一到一个框架里。这个方向跟中望CX平台的思路有天然对接口：研究端做模型融合，工程端做工具开放。

两场演讲并在一起，几个信息值得记。

Agent是公认方向。中望CX和学术圈从2025年以来的CAD Agent研究，路线高度重合。工业数据壁垒不是秘密，解法不同：中望是数据归客户、平台管执行；学术界是跟工业界合作建下一代数据集——包含完整设计规格、建模历史、参数传播范围甚至仿真结果。

过去几年AI在其他领域跑得飞快，CAD因为工业级精度要求和高昂的错误成本，一直是块难啃的骨头。这次大会能看到的是——方向收敛了，路径清楚了，工业界和学术界开始对同一张地图说话了。剩下的就是一步一步走。

以下是两位的分享实录，经编辑。

中望软件刘玉峰 ：AI+CAD，从工业级地基开始

各位来宾，各位合作伙伴，各位同事，各位老朋友，大家上午好。欢迎大家来到ZWORLD。

过去一段时间，人工智能的发展速度，超出了很多人的预期。它已经改变了我们获取知识、编写代码和处理信息的方式，也正在进入工程设计领域。很多客户、伙伴，包括我们自己，都在思考同一个问题：AI会怎样改变CAD？

中望做了28年的CAD，今天我想结合中望正在做的工作，分享我们对AI+CAD的一些判断、探索和行动。

我想先从三个问题开始。

第一个问题：AI生成的模型，谁来保证准确、可修改、可验证？在工程设计中，一个模型看起来像，并不等于它真的正确。它还要能够继续修改，能够生成工程图，能够进入制造，也要经得起工程验证。

第二个问题：工业知识转化为软件能力的门槛，是否正在大幅降低？过去，企业要把一位资深工程师的经验变成软件功能，往往需要软件公司做专门的二次开发。今天，有了AI和Agent，客户自己的工程师，有没有可能更容易地把经验和规则变成可重复使用的软件能力？

第三个问题：AI会替代设计师，还是放大设计师的经验、判断和创造力？这不仅是技术问题，也关系到每一位工程师、每一家企业和整个产业的未来。

这三个问题，也是我今天演讲的主线。

今天，AI+CAD大致有两条路径。

第一条，是在已有CAD产品中加入AI能力。它的优势是建立在成熟产品、真实数据和现有工程流程之上，可以一步一步改善客户体验。第二条，是围绕AI重新开发新的设计工具，探索全新的生成方式和交互方式。它更有想象力，也值得长期探索。

中望现阶段的选择，是从工业级的CAD出发。原因很简单：在简单的零件和演示场景上，AI已经取得了不少进展，但面对复杂模型、频繁修改、装配关系、工程图、真实制造的需求，挑战依然很大。

首先要帮助客户创造真正的价值。真正有价值的创新，不是为了展示AI能做什么，而是要帮客户把原来困难的工作做得更好、更快、更可靠。AI+CAD也为传统CAD公司提供了创新路径。

能不能继续编辑？Agent的工作能不能可靠？设计结果能不能真正进入工程流程？因此，坚持一个判断：没有工业级的CAD，就没有工业级的AI+CAD。

中望服务的客户非常广泛，有使用中望CAD进行二维设计的客户，有使用中望3D进行制造业三维设计的用户，也有关注中望二维三维协同和AEC流程的客户。AI的价值必须真实进入不同客户的真实工作流。

在中望CAD中，探索图纸理解、绘图辅助、检查以及面向具体行业的Agent。

在中望3D中，关注建模修改、工程图以及检查结果和仿真验证。

这里特别想提一下CAD和CAE的结合。中望已经在中望3D中开发了结构和流体两类CAE仿真插件。目标不是把设计师变成专业的仿真工程师，而是让设计师在自己熟悉的工作环境中，用简单的方式尽早验证方案，及时发现问题，再回到设计中进行修改。也包括一些简单场景出仿真报告和解读。这是很实际的事情——越早发现问题，修改成本通常越低。

今天，中望3D悟空版本重点提升了模型修改的稳定性、模型更新的效率、API和应用的开放性。这些能力既是改善客户体验的重要进展，也是未来AI和Agent能够可靠使用3D的基础。底层技术最终不是停留在技术指标上，必须转化为客户看得见、用得到的价值。

举一个实际例子。XX公司的一个减速机缸盖，设计特征有1000多步历史特征。工程师做改型需要在最基础的部分做修改，比如倾斜角和圆角的大小。1000多步历史特征的父子关系需要重新生成。中望3D悟空版做这1000步的重新生成——拉伸、切除、倒角，每一步依赖前一步的操作结果——一分钟左右完成，没有报错，没有卡顿，完全达到了主流产品的水平。

接下来把视角放到真实工程流程中。设计师先定义目标：产品要实现什么功能，有哪些空间、成本、材料、安全约束。然后AI理解需求、查找知识、提出建议。中望3D完成建模和修改。结构和流体仿真对方案进行验证。最后工程师根据结果权衡和确认。

工程师的作用依然重要，因为设计往往没有唯一的正确答案。同样的性能目标可以有不同的成本、重量、制造难度和交付周期。AI和仿真报告可以提供建议和结果，但怎样取舍、哪些风险可以承受、最终选择什么方案，仍然靠人的经验、责任和创造力。AI减少重复工作，而不是削弱人的作用，把工程师的经验和判断放大，让更多人能够完成过去只有少数专家才能完成的工作。

基于这些判断，中望的第一步是打造基于中望CX的智能体平台，让Agent可靠地使用中望CAD、中望3D和CAE，让工程师可以自己开发Agent。

未来客户和伙伴不用每次都依赖软件公司进行复杂定制，能以更低的成本把自己的经验和规则转化出来。每一位工程师也有机会把个人经验沉淀下来，帮助自己和团队更高效地工作。在这个过程中，还会从经过授权的真实任务和反馈中不断学习，逐步发展面向CAD的专业模型能力。

这不是可以一夜之间完成的目标，而是需要长期积累。

AI+CAD不可能由任何一家公司单独完成。工业领域的数据分散在不同企业、不同系统和工程师手中，很多涉及产品机密和核心知识。

因此，数据必须由客户掌控——客户决定哪些数据可以使用、怎样使用、部署在哪里。中望提供专业的软件工具和工程平台，客户和行业伙伴提供真实任务和行业知识，高校和研究机构推进几何计算、AI方法和数据技术，基础模型和技术伙伴提供模型、安全部署和计算资源。

对合作伙伴来讲，AI有机会降低行业应用开发的门槛，让更多伙伴服务更多客户、更多细分场景。中望的基因就是CAD，在这里表个态：愿意以开放和长期合作的态度，与大家从一个一个真实任务开始，共同创造新的客户价值。

回到开场提出的三个问题。

第一个问题：AI生成的模型，谁来保证准确、可修改、可验证？答案是——由工业级的CAD、CAE、工程规则和工程师共同保证。CAD保证模型能够准确表达和继续修改，CAE和规则负责验证，工程师做最后确认。

第二个问题：工业知识转化为软件能力的门槛是否正在大幅降低？是的，AI和Agent正在降低这个门槛。中望希望提供可靠的CAD、CAE和Agent平台，让客户和伙伴更容易把自己的经验和规则转化为软件能力。

第三个问题：AI是替代设计师还是放大设计师？在复杂工程设计中，AI的重要价值是放大设计师。AI会承担更多理解、生成、重复执行的工作，但工程师仍然负责定义目标、选择约束、权衡方案，并对结果负责。

这三个回答，代表着中望现阶段对AI+CAD的判断。

中望的愿景是加速数字世界和物理世界的融合共生。CAD连接设计和数字世界，CAE帮我们理解设计在物理世界中的表现，AI则为这种连接带来了新的可能。

中望在AI+CAD方面还处在起步阶段，真正成熟的、能够规模化创造客户价值的应用还不够多，但方向是确定的，也愿意长期投入。坚持从真实工程和客户价值出发，与全球客户、合作伙伴、高校和研究机构一起，把AI带进真实的设计、验证和制造过程，让更多工程师发挥经验、判断和创造力，让更多创新成为现实。

AI+CAD，刚刚开始。

复旦大学 周向东教授：AI+CAD，从几何生成到工业应用——进展、落差与未来

各位尊敬的与会代表，大家早上好。非常高兴有机会在中望全球生态大会上，分享AI+CAD领域的研究进展和心得。感谢中望的邀请。

AI+CAD的研究有几十年的历史，但学术界一般认为，自2021年相关论文和数据集发表后，AI+CAD、尤其是生成式CAD，进入了一个快速繁荣的通道。随着大语言模型、强化学习、Agent等技术的涌现，进一步加速了势头。

当前研究的主要技术路线可分为四类：CAD命令序列和专用代码生成；几何拓扑的直接生成；几何基础模型；以及最新的基于智能Agent的研究。

在CAD参数化命令和代码生成方面，最重要的工作是文生CAD。2024年，德国人工智能研究中心和复旦大学课题组分别提出了文生CAD的概念，引发了后续大量研究。2025年，我们课题组在开源大语言模型LLaMA的基础上通过微调，第一次向学术界展示了大语言模型在生成复杂几何方面的能力，引起了学术界和工业界的广泛关注。

仅靠文本描述设计意图，语义是不完善的。多模态输入生成CAD的研究始终是重要课题，包括基于草图、图像、三维点云和其他三维结构，甚至多媒体融合进行生成，产生了大量有代表性的研究工作。

2025年下半年至今，AI+CAD研究的一个焦点是如何使用强化学习来改进大语言模型生成CAD的性能。在其中一项工作中，我们通过微调视觉语言模型加上强化学习，重点解决参数化生成和参数精准控制，并且展示了强化学习有非常好的分布外生成能力，进一步推动了这方面研究。

与建模序列和代码生成不同，还有一个独立的研究赛道：B-rep的直接生成，也就是几何拓扑的直接生成以及几何基础模型。大量学者从事相关研究，层次化扩散模型、拓扑几何分解生成、自回归和流匹配等先进技术，都应用到了这个领域。

这两年，智能Agent技术在各领域得到广泛研究，CAD领域也不例外。从早期基于反馈迭代式的生成，到今年基于技能、记忆以及工具应用的Agent研究，非常活跃，代表了当前的重要方向。

除了学术界的大量研究，海外头部CAD企业也都制定了完善的AI战略并快速行动。有的企业聚焦几何基础模型研究，把成果应用到成熟产品中；有的采用大语言模型微调加上工业知识来提升智能设计水平；还有一些产品线丰富的企业，制定了完备的AI战略，希望把AI能力应用到各个产品中去。

学术界的研究取得了显著进展，但需要承认，研究跟工业真实需求之间还有相当差距。工业需求关注的是长特征历史的生成、多零件装配体的生成、模型泛化性、小样本训练以及ODD等问题。学术研究往往更关心代码的可执行性、几何的有效性和准确性；而工业应用更关注需求与设计的一致性、装配体的生成、建模参数是否可追溯、是否稳定传播。另外，工业知识、设计规范以及设计师偏好这些因素在真实设计中扮演重要角色，但学术界不便获取相关数据，这方面的研究还存在很多空白，是亟待弥补的短板。

为了应对复杂工业需求，AI+CAD研究还需要考虑更加体系化的评价指标。除了常见的几何正确性、拓扑功能正确性之外，还需要关注模型的可编辑性、工程可靠性，甚至Token预算、数据安全、是否本地化部署等——这些指标在工程应用中非常重要。

关于未来研究，首先要确定下一代工业CAD数据集。新的数据集与传统的不同，需要有完整的设计规格说明、建模历史、几何对象及其引用的准确性、参数确定、参数的修改和传播范围，甚至要包含仿真数据结果，为下一代CAD/CAE仿真一体化研究打基础。

未来研究应该考虑跨表示的工业CAD模型。现在建模历史、参数与几何表示是分离的，需要真正融合，甚至还要融入装配信息、几何仿真信息。这是未来研究的目标。

研究目标还需要从几何正确性，升级为设计逻辑正确性。2026年，我们在国际机器学习大会（ICML）上发表了一篇论文，展示了一种使用大语言模型和几何基础模型配合，实现面向工业应用的高保真CAD生成的方法。我们把这个工作命名为FutureCAD，它代表我们对未来研究的愿景。

大语言模型和几何基础模型的融合，是推动下一步AI+CAD研究的重要方向。在这个框架上，我们和合作伙伴开展了多项研究。在几何基础模型与B-rep繁衍参数化CAD的研究中，提出的面识别加属性图网络在多个数据集上获得了还原度高达99%的结果。使用大语言模型微调和强化学习来解决草图生成和草图约束生成的问题，与传统方法相比，性能有大幅提升。为了进一步筑牢大语言模型和几何基础模型之间的桥梁，又提出了新的基于可提示的ReID指代模型。

总结一下。学术界的研究已经取得了相当大的进展，并且正在努力贴近工业应用需求。但要承认，学术研究成果尚未具备完整的工业应用能力。下一步研究的焦点可以集中在复杂几何与长序列的生成、设计意图的理解与评价、装配体的生成，以及制造验证的闭环。

复杂的工业问题，很难靠单一AI模型来解决。未来需要把大语言模型、几何基础模型、几何内核、参数求解以及工业知识相融合。学术界和工业界相互配合、共同开展研究，AI+CAD的明天才会更加美好。

（完）