引言：CAD与AI的交汇点——一场计算机辅助设计的范式革命

    在工业设计与工程制造领域，计算机辅助设计（CAD）软件长期以来都是创新的基石。它将工程师的二维构思转化为精确的三维模型，驱动着从汽车、航空航天到建筑、消费电子等一切实体产品的诞生。然而，CAD软件的复杂性、操作的繁琐性以及对人类经验的高度依赖，使其成为数字化转型中亟待突破的瓶颈。随着人工智能（AI）技术的飞速发展，特别是大型语言模型（LLM）和深度学习在多模态领域的突破，CAD与AI的结合已成为几何世界最激动人心的前沿阵地。

    这场“AI+CAD”的革命，其核心在于如何让AI真正“理解”几何、拓扑和设计意图，从而实现从辅助设计（CAD）到自主设计（Generative Design）的跨越。当前，业界正处于一个技术路线图百花齐放的探索期，不同的参与者基于自身的技术积累和对几何本质的理解，选择了截然不同的路径。

一、技术路线图的四大流派：AI + CAD的多元探索

    对AI + CAD路径的探索，可以概括为四大主要流派，它们分别从用户界面、核心数据、几何表示和领域模型等不同维度切入，试图解决CAD的“AI可理解性”难题。

1. 交互层面的自动化：UI Agent/Copilot流派（以MIT VideoCAD和Adam为代表）

    这一流派的核心思想是：既然AI难以直接理解复杂的CAD底层数据，不如让AI像人类一样，通过观察和学习用户界面（UI）操作来掌握CAD软件的使用。 这种方法将CAD建模过程视为一个人机交互的序列任务，而非纯粹的几何计算。

1.1 MIT VideoCAD：从视频中学习CAD操作

    麻省理工学院（MIT）推出的 VideoCAD 项目，正是这一思路的典型代表。它通过创建包含超过41000个3D模型构建示例的VideoCAD数据集，让AI模型学习人类在CAD软件中的具体点击、鼠标拖拽及键盘操作序列。

        

    核心机制： VideoCAD训练了一个AI UI智能体，能够将高级设计命令（如“Pline”、“Extend”）转化为一系列的UI交互序列，从而直接控制CAD软件实现从2D草图到3D模型的生成。这种方法巧妙地绕开了直接处理CAD内核数据（如BRep）的难度，实现了对CAD软件的黑箱操作。

优势与挑战的深入分析：

优势：

    •快速落地与低门槛： 无需深入修改CAD底层架构，通过模拟用户行为即可实现功能，开发周期短，易于集成到现有软件。

    •通用性强： 理论上可应用于任何具有图形界面的CAD软件，跨平台和跨软件的兼容性高。

    •用户体验直观： AI Copilot能以人类熟悉的交互方式提供帮助，用户接受度高。

•挑战：

    •鲁棒性与泛化能力：鲁棒性是最大的问题。CAD软件的UI一旦发生变化，AI模型可能需要重新训练。此外，AI学习的是操作序列，而非几何原理，在面对全新的、未曾见过的设计任务时，泛化能力受限。

    •精度与可靠性： 这种间接操作方式在处理高度复杂的、需要精确几何约束的场景时，其可靠性和精度可能不如直接操作内核的方案。例如，一个微小的鼠标定位偏差可能导致几何约束失败。

1.2 Adam：从Text-to-CAD到工作流Copilot

    初创公司 Adam 的发展路径则体现了Copilot流派从简单功能到深度集成的演进。Adam从“Text-to-CAD”起步，但很快意识到“纯文本提示是一种过于粗糙的工具，无法使可靠的几何图形成为易于理解的对话”。因此，Adam将产品升级为 CAD AI Copilot，并选择以插件形式深度集成到主流CAD软件（如PTC Onshape）中。

   

    核心机制： Adam的Copilot模式旨在驻留在工作流程中，通过理解用户的自然语言描述，结合CAD软件的API和FeatureScript语言，直接编辑参数化特征树。它不仅是操作的自动化，更是对设计意图、拓扑、公差和设计约束的理解和执行。这种模式是LLM与CAD API（即MCP）结合的典型应用，将LLM的语义理解能力与CAD的精确执行能力相结合。

    流派总结： UI Agent/Copilot流派将AI定位为工程师的“副驾驶”，通过自动化UI操作和理解设计意图来提高效率。它代表了当前CAD+AI商业化最快、最容易被用户接受的路径。然而，其天花板受限于CAD软件API的开放程度和LLM对复杂几何语义的理解深度。

2. 核心数据层面的突破：硬刚BRep流派（以HOOPS AI为代表）

    边界表示（BRep）是现代CAD软件的核心几何表示方法，其精确性和复杂性是AI难以直接处理的“硬骨头”。HOOPS AI 代表了直接挑战这一核心难题的流派。

2.1 HOOPS AI：专注于几何、拓扑和多模态CAD数据

    Tech Soft 3D推出的 HOOPS AI，是一个专门为解锁CAD数据的AI和机器学习而构建的框架。Tech Soft 3D作为CAD数据访问库的领先提供商，拥有处理海量CAD数据的独特优势。

    核心机制： HOOPS AI不基于通用大型语言模型（LLM），而是专注于为3D几何、拓扑和多模态CAD数据量身定制的ML和深度学习技术 2。它的目标是为数据科学家提供一个框架，使其能够从原始CAD数据（如STEP或自有CAD格式）的几何/拓扑本源出发，进行编码、训练和推理 2。这被认为是真正的CAD大模型应该采取的路径，即从几何/拓扑的底层逻辑上实现AI的突破。

优势与挑战的深入分析：

优势：

    •数据本源与精确性： 直接从CAD数据的几何和拓扑层面入手，确保AI对模型的理解是精确且深入的。这是实现工业级自动化和高精度制造的必要条件。

    •解决核心难题： 旨在解决BRep模型生成自动化及装配过程自动化等CAD领域的核心技术难题，具有极高的技术价值。

挑战：

    •数据获取与格式封闭：数据获取与格式封闭是最大障碍。BRep数据结构复杂，且各CAD厂商格式封闭，难以统一训练。HOOPS AI虽然拥有数据访问优势，但如何将海量、异构的BRep数据转化为统一、可训练的AI模型输入，是巨大的挑战。

    •技术门槛极高： 训练一个能够理解和生成精确BRep模型的AI，其技术难度和数据量需求远超通用LLM。它需要对微分几何、拓扑学和深度学习有深刻的交叉理解。

3. 几何表示的颠覆：隐式建模流派（以GCL“Geometry as Code”为代表）

    这一流派认为，BRep本身就是AI难以理解的根源，因此需要彻底改变几何的表示方式，使其天然地对AI友好。前SpaceClaim创始人Blake Courter提出的 “Geometry as Code”（几何即代码） 理念，正是这一流派的旗帜。

3.1 GCL与“几何即代码”：将几何转化为函数

    Blake Courter认为，传统CAD（BRep）的复杂性在于其边界表示技术形成了难以学习的庞大参数空间。他倡导的隐式建模（Implicit Modeling）则提供了一种全新的视角：

    隐式模型本质上是将空间任意点映射为带符号值的函数，通过数值表征形体包容性与距离。GCL为此类函数开发生成建模库与编译器...这种架构使任何用户（包括AI）都能彻底"理解"CAD模型，从而实现更具语义的知识化编辑。

    核心机制： 在隐式建模中，几何模型不再是边界的集合，而是一个函数或一段代码。这种表示方式使得几何数据天然地具备了语义化和可编程性，极大地降低了AI理解和编辑模型的难度。几何数据由此成为“开源代码”，AI可以直接在语义层面上进行操作。

优势与挑战的深入分析：

优势：

    •AI原生友好： 几何模型是函数，易于AI进行推理、优化和编辑，特别适合生成式设计、拓扑优化和复杂晶格结构等应用。

    •语义化编辑： 实现“更具语义的知识化编辑”，AI可以基于函数逻辑进行修改，而非基于边界拓扑。

挑战：

    •精确性与兼容性：精确性与兼容性是隐式建模最大的瓶颈。隐式建模在处理传统工程中的精确尺寸、公差和复杂的装配关系时，仍面临着与主流BRep生态兼容和转换的挑战。在需要高精度工程图纸的制造领域，其应用仍需时间验证。

    •数据转换与生态构建： 如何将现有的海量BRep数据高效、无损地转化为隐式模型，以及如何构建一个围绕隐式建模的完整工程生态（如FEA、CAM等），是长期挑战。

4. 领域专用的基础模型：非LLM基础模型流派（以Autodesk Neural CAD为代表）

    通用LLM在文本领域的成功，让许多人期待“CAD大模型”的出现。然而，CAD领域面临着数据资产收集困难、3D数据格式封闭等挑战，导致基于Transformer的CAD大模型难以达到通用LLM的训练体量。Autodesk Neural CAD 的推出，标志着行业巨头开始探索领域专用、非LLM的基础模型路径。

4.1 Autodesk Neural CAD：重构CAD几何引擎

    Autodesk推出的 Neural CAD，是一种新型3D生成式AI基础模型，应用于其Fusion和Forma产品线。Autodesk明确表示，Neural CAD模型将“完全重构创建CAD几何形状的传统软件引擎”，并旨在“自动化80%到90%的设计师常规事项” 。

    核心机制： Neural CAD不基于通用LLM，而是根据专业设计数据（几何、组件、建筑模式等）进行训练，使其能够在详细的几何级别和系统/工业过程级别进行推理 4。Autodesk利用其庞大的客户数据和合成数据，训练出针对不同领域的细分模型，如“Geometry Neural CAD”（用于Fusion）和“Buildings Neural CAD”（用于Forma）。

优势与挑战的深入分析：

优势：

•实用主义与数据优势：实用主义的典范。利用行业巨头的数据优势，构建垂直领域的AI模型，避免了底层几何表示的颠覆，专注于在现有工作流中实现高价值的自动化和生成式设计功能。

•细分领域深度： 通过细分模型（Geometry/Buildings），可以针对特定行业的设计模式进行深度学习，实现高度专业化的自动化。

挑战：

•数据隐私与定制化： 模型的成功高度依赖于Autodesk的专有数据。虽然Autodesk表示未来客户可以根据其专有数据和流程调整模型，但数据隐私和模型定制的成本和复杂度仍是需要关注的问题。

•模型黑箱问题： 作为一种基础模型，其内部推理过程对于用户而言仍是黑箱，这在需要严格验证和可解释性的工程领域可能引发信任问题。

二、四大流派的技术对比与核心差异

    下表对上述四大CAD+AI技术流派进行了详细的对比分析，以清晰地展现它们在核心技术、几何理解和应用目标上的差异。

技术流派	代表产品/公司	核心技术路径	几何理解方式	优势	挑战
UI Agent/Copilot	MIT VideoCAD, Adam	学习人类UI操作序列/LLM+API	间接理解（通过操作序列）	快速落地，通用性强，提升用户体验	鲁棒性差，难以处理高精度几何约束
硬刚 BRep	HOOPS AI (Tech Soft 3D)	专用的ML/DL框架，处理几何/拓扑数据	直接理解（从数据本源）	彻底解决CAD核心难题，精确性高	数据获取难，格式封闭，技术门槛极高
隐式 建模	GCL (Geometry as Code)	隐式几何表示（函数/代码）	颠覆性理解（几何即代码）	AI原生友好，易于生成式设计和语义化编辑	兼容性差，高精度工程应用仍需验证
领域专用基础模型	Autodesk Neural CAD	3D生成式AI基础模型（非LLM）	深度理解（从专业设计模式中学习）	实用性强，高度自动化，数据优势明显	高度依赖专有数据，数据隐私与定制化成本

三、AI + CAD路径的深层思考：几何的本质与AI的边界

    AI + CAD的探索，不仅仅是技术层面的竞争，更是对“几何的本质”以及“AI在设计中的边界”的哲学思考。

3.1 几何的“可编程性”与“可理解性”

传统BRep模型虽然精确，但其数据结构是为计算机图形学和几何内核运算设计的，对于AI而言，它是一个难以逆向工程的“黑箱”。AI很难从一堆面、边、顶点的定义中，直接推导出设计者的“意图”和“特征”。

    •LLM+API/MCP路径：这是最保守的路径，它将CAD视为一个工具，AI通过文本指令调用其API（MCP），本质上是将设计意图转化为代码脚本。它依赖于CAD软件本身的参数化能力，AI只是一个高效的“脚本编写者” 。

    •VideoCAD路径：它将CAD视为一个UI，AI通过学习操作序列，本质上是将设计意图转化为UI操作序列。它解决了LLM无法直接操作软件的问题 。

    •Geometry as Code路径：这是最激进的路径，它认为几何本身就应该是“代码”或“函数”，天然具备可编程性和可理解性。这种表示方式使得AI可以直接在几何的语义层面上进行操作，而非停留在UI或API层面。

3.2 AI的边界：Copilot vs. Autonomous Agent

当前所有的探索，都指向了两种终极形态：

    1.AI Copilot（副驾驶）：以Adam和VideoCAD为代表，AI作为工程师的辅助工具，自动化繁琐任务，提供设计建议，但最终决策权仍在于人类。这是目前最快实现商业价值的路径 。

    2.Autonomous Agent（自主智能体）：以HOOPS AI和Neural CAD为代表，目标是实现80%到90%的设计师常规事项自动化，甚至完全自主地生成符合工程要求、可制造性（DFM）和设计意图的几何模型。这需要AI对几何、拓扑、物理约束和设计模式有深层次的理解。

    Autodesk的Neural CAD试图通过领域专用基础模型，在Copilot和Agent之间找到一个平衡点，即通过自动化高比例的常规工作，将工程师的精力解放出来，专注于更具创造性的工作 。

3.3 数据与模型的挑战：CAD大模型的困境

    通用LLM的成功建立在海量的、相对标准化的文本数据之上。CAD大模型面临的挑战是：

    •数据稀疏性与封闭性： 高质量的3D设计数据是企业的核心资产，难以大规模获取。同时，各型3D数据格式封闭，难以统一训练。

    •几何的精确性要求： 文本生成允许模糊和错误，但CAD模型必须是精确的，任何微小的几何错误都可能导致制造失败。这使得基于LLM的生成路径（如Text-to-CAD）在生成可靠几何图形时显得“过于粗糙”。

    HOOPS AI和Neural CAD正是为了应对这些挑战而诞生的。它们放弃了通用LLM的路径，转而专注于领域专用的ML/DL技术，利用专业数据进行训练，以确保几何的精确性和工程的可靠性 24。

四、未来展望：多路径融合与几何的“AI原生”时代

    AI + CAD的未来，很可能不是某一条路径的独大，而是多条路径的融合与互补。

4.1 路径融合：从UI到内核的协同作战

未来的CAD+AI生态将是一个多层级的智能系统：

    •顶层：

    用户意图捕获与交互（Copilot层）：LLM和UI Agent（如Adam Copilot和VideoCAD的UI智能体）将作为用户意图的翻译官和操作的执行器。它们负责将人类的自然语言、草图或手势转化为精确的几何指令，极大地降低用户与CAD软件的交互门槛。

    •中层：

    领域知识与设计模式（基础模型层）：Autodesk Neural CAD等领域专用基础模型将利用其对海量设计数据的学习，提供高效的生成式设计、布局优化和模式识别能力。它们将是实现“80%自动化”的关键。

    •底层：

    几何内核与精确计算（Agent层）：HOOPS AI和GCL的隐式建模内核将作为几何智能体的底层支撑。它们负责处理最复杂的几何拓扑运算、确保模型的精确性，并实现对BRep或隐式几何的深度理解和编辑。

4.2 行业影响：AEC与制造领域的差异化渗透

    AI + CAD的渗透并非齐头并进，不同行业将展现出差异化的路径：

    •建筑、工程与施工（AEC）领域： 以Autodesk Forma和Buildings Neural CAD为代表，AI将首先在概念设计、布局优化和系统集成等宏观层面发挥巨大作用 4。由于建筑设计对绝对几何精度的要求相对低于机械制造，且设计模式化程度高，领域专用基础模型将快速普及，实现从概念到初步设计的快速迭代。

    •机械制造（Manufacturing）领域： 对几何精确性、公差和可制造性有极高要求。因此，硬刚BRep的HOOPS AI和专注于参数化特征编辑的Adam Copilot将成为主流。隐式建模（GCL）则可能在增材制造（3D打印）和拓扑优化等对几何自由度要求高的细分领域率先实现突破。

4.3 几何的“AI原生”时代

    最终，CAD软件将不再是AI的“工具”，而是AI的“环境”。未来的CAD系统将具备以下特征：

    1.语义化特征树： AI能够理解特征树中的每一个操作背后的设计意图，实现真正的“知识化编辑” 。

    2.多模态输入： 用户可以通过文本、语音、草图甚至手势来与CAD Copilot交互，AI将自动完成从意图理解到几何生成的全过程。

    3.内建的工程智能： AI将内置DFM（面向制造的设计）、公差分析、物理仿真等工程知识，确保生成的设计是可制造、可装配、高性能的。

    这场AI + CAD的革命，正在重塑设计师的工作方式，将他们从繁琐的几何操作中解放出来，专注于更高层次的创造性问题解决。无论是硬刚BRep的HOOPS AI，颠覆几何表示的GCL，还是务实落地的Autodesk Neural CAD和Adam Copilot，它们共同推动着计算机辅助设计迈向一个全新的“AI原生”时代。

本文版权归腿腿教学网及原创作者所有，未经授权，谢绝转载。

上一篇：第二届东风汽车创意设计大赛圆满落幕，AI智绘未来出行新篇章

下一篇：智能建造，重塑建筑产业生态（二）