在 CAD 行业摸爬滚打了 20 年，过去几年，我对中国 3D CAD 的发展其实一直有些失望。
这不是说国产 CAD 没有进步。恰恰相反，国产软件在 2D CAD、三维设计、行业应用等领域都取得了不少成绩。但如果把目光放到机械 3D CAD 最核心的技术上，尤其是几何建模内核和约束求解器，我们不得不承认，与国外顶尖产品相比，差距依然明显。
过去，我甚至觉得，这个差距可能还需要相当长的时间才能弥补。但最近发生的两件事，让我开始重新思考这个问题。
- 一件事是 NVIDIA 开源了 Omniverse 使用的 USD BRep 几何建模库；
- 另一件事是，AI 正在帮助开发者从头构建新的 3D CAD 内核和应用，一些基于 Rust 的项目已经展示出不错的进展。
这两件事让我看到了一种新的可能性：
中国 3D CAD 的突围，未必需要完全沿着过去的路线走。AI 可能正在改变这场竞争的成本结构。
当然，可能性不等于胜利。要理解这件事，我们得先看看过去几十年，中国 3D CAD 究竟被什么卡住了。
一、国产 3D CAD，为什么一直难以真正突破？
如果把一款机械 3D CAD 软件比作一座大厦，那么界面、菜单、建模命令和工程图功能，是用户最容易看到的部分；真正决定这座大厦能盖多高、能否长期稳定使用的，却是埋在下面的技术基础设施。
其中最关键的两项，就是几何建模内核和约束求解器。
几何建模内核负责回答一系列看似简单、实际上极其复杂的问题：
- 两个实体做布尔运算，能不能得到正确的结果？
- 给一个复杂零件的边缘倒圆角，是否能够稳定完成？
- 两个曲面相交后，如何精确计算交线？
- 一个复杂实体经过几十次特征操作之后，拓扑关系是否仍然正确？
- 用户修改了一个早期尺寸，后续数百个特征能否正确更新？
这些问题，在简单模型上可能很容易解决。但当模型变得复杂，曲面出现退化，几何关系接近奇异状态，或者用户连续执行大量编辑操作时，问题就完全不同了。
一个布尔运算失败，可能只是一个小 Bug；如果这种失败发生在复杂零件、模具或者大型装配中，就可能影响整条设计流程。
更麻烦的是，CAD 内核不是把几何算法写出来就算完成了。
它需要大量的边界情况处理、数值稳定性设计、容差管理、拓扑修复和长期回归测试。很多问题并不是通过几个漂亮的演示案例就能发现的，而是在成千上万种复杂模型和真实用户操作中逐渐暴露出来的。
约束求解器也一样。
在一个草图里画两条直线，再加上平行、垂直、相切和尺寸约束，看起来并不困难。但当约束数量不断增加，出现冗余约束、冲突约束、欠约束，甚至多个可能解时，求解器就必须具备相当强的数学能力和工程鲁棒性。
这也是为什么，3D CAD 的门槛远高于一般的图形软件。
真正的壁垒，不是你能不能做出一个圆角，而是当用户把一个复杂模型折腾了十年、积累了几千个特征之后，你还能不能让它可靠地工作。
国产厂商走过的几条路
过去，中国厂商尝试过多种方式来突破这些技术瓶颈。
第一条路：收购技术，再持续研发。
中望 在 2010 年收购了美国 VX Corporation，并在此基础上发展 ZW3D。其 Overdrive 内核源于所收购的技术和研发团队。
这条路的好处非常明显：可以获得已有的技术积累、代码基础和工程经验，不必从零开始。
但收购并不意味着技术差距会自动消失。
即便获得了代码和团队，后续仍然需要大量持续投入，才能不断扩充算法覆盖范围、提高复杂模型的稳定性，并建立足够成熟的产品生态。
收购可以缩短起跑距离，却不能直接购买几十年的持续迭代成果。
第二条路：购买成熟 CAD 产品的源码，在现有产品上继续开发。
例如，新迪 等厂商采用过围绕既有国外 CAD 技术基础进行产品开发的路线。
这种方式有助于快速获得成熟的产品框架和既有功能，但必须具体分析交易到底包含什么：应用层源码、几何内核、约束求解器、底层依赖和长期维护权，并不是一回事。
如果核心内核仍然依赖外部供应商，那么产品的自主可控程度就会受到限制。
当然，这并不意味着基于外部内核的产品就没有竞争力。对许多企业而言，稳定地满足客户需求、形成差异化产品，本身就是合理的商业策略。
但如果目标是突破最核心的技术依赖，那么仅仅掌握上层应用显然还不够。
第三条路：利用已有的历史代码和技术积累。
行业里也存在从较早期成熟 CAD 系统继承技术的路线。诺源 相关技术常被提及与 Siemens I-deas 的历史代码有关。
这类路线的价值在于：即使技术年代较早，历史代码中仍然可能沉淀着大量几何算法、数据结构和工程经验。
但老代码也有自己的问题。软件架构、编程语言、数值算法和硬件环境都可能与今天的需求存在差异。即便拿到了源码，后续如何理解、重构、维护并持续扩展，仍然是一项艰巨的工作。
第四条路：坚持自研内核。
国内也有厂商公开宣称拥有自主研发的几何建模和约束求解技术。
对于外界无法核实的具体实现，我们没有必要轻易下结论。真正值得关注的，是产品在复杂模型上的实际表现、内核的独立性、功能覆盖范围，以及遇到疑难问题时是否能够自主定位和修复。
说到底，评价一个内核是否成熟，不应该只看它的名字，也不能只看宣传材料。
要看它在真实工业场景中能做什么、不能做什么，以及出了问题之后，厂商有没有能力解决。
回头看，这几条路线都有各自的价值，也都有自己的限制。
而过去最让人感到无奈的地方在于：无论采用哪条路线，想要把几何内核打磨到国际一流水平，都需要长期投入大量顶尖工程师，积累海量测试数据，并承受漫长的研发周期。
这几乎是一场需要几十年耐心的比赛。
直到 AI 开始改变软件研发的方式。
二、AI 会不会成为 CAD 内核研发的加速器？
最近几年，AI 编程工具的进步非常明显。
过去，一个开发者要实现复杂的数据结构、几何算法和大量接口，可能需要花费相当多的时间阅读资料、编写代码、调试和重构。
现在，AI 已经能够帮助开发者理解陌生代码、生成算法实现、编写测试、定位部分 Bug，并在已有代码的基础上持续迭代。
对于一般的业务软件，这种变化已经相当明显。那么，对于 CAD 内核这样的高技术门槛软件呢？我认为，它可能带来更深远的影响。
1. 从头开发一个内核，不再像过去那么遥不可及
过去，如果一家创业公司想从零开发一个几何建模内核，首先面对的就是人才问题。
你需要懂计算几何的人，懂数值分析的人，懂拓扑结构的人，还需要拥有丰富 CAD 工程经验的开发者。
更现实的问题是，这些人本来就稀缺。即便组建了团队，大家还需要经过很长时间的磨合，才能建立起一致的代码架构、算法体系和测试规范。
AI 有机会降低这套系统的研发成本。例如，开发者可以让 AI 协助实现 NURBS 曲线与曲面算法、构建 B-rep 拓扑结构、编写曲面求交程序，再利用自动生成的测试用例检查基本性质。
对于 Rust 这样的现代语言，AI 也可以协助开发者利用类型系统、内存安全机制和模块化设计，构建更加清晰的代码基础。
但这里有一个重要区别：
AI 能够加速编写代码，不等于它已经解决了几何内核最难的数学问题。
一段代码能够编译通过，不代表几何结果一定正确；一个测试案例通过，也不代表算法在所有退化情况下都可靠。
CAD 内核尤其容易出现一种危险：演示模型看起来完美，真正遇到复杂工业数据时却频繁失败。
因此，我更愿意把 AI 看作研发效率的放大器，而不是自动生成成熟内核的魔法机器。
如果团队原本就具备深厚的几何算法知识，AI 的帮助可能非常大；如果团队本身并不理解算法的边界条件，AI 也可能更快地产生大量难以维护的代码。
2. NVIDIA 开源内核，提供了一个新的技术支点
另一个值得关注的变化，是 NVIDIA 开源的 USD BRep。
它提供了基于 NURBS 和边界表示的几何建模能力，并围绕 OpenUSD 提供相应的集成接口。对于希望开展几何建模研发的团队来说，这是一份值得认真研究的技术资产。
它的意义不只是让开发者多了一个可以使用的库。
更重要的是，它让更多团队有机会直接研究一个实际工程化的 B-rep 内核，理解几何数据结构、建模算法和相关接口如何组织，而不必完全依赖论文和零散的算法实现。
对于 AI 辅助开发而言，这种可研究、可运行、可测试的代码基础尤其有价值。
开发者可以让 AI 协助分析模块、编写调用代码、构建测试用例，并在已有实现的基础上探索新的功能。
当然，必须说明，USD BRep 并不等于完整的机械 CAD 平台。即便它能够完成一系列实体建模操作，也不能据此推断它已经具备所有成熟商业内核所拥有的复杂曲面处理、全面的特征历史、装配设计和工业级稳定性。
但它依然可以成为研发的起点、参考对象或某些场景下的技术基础。
开源的最大价值，不一定是让所有人直接拿来就用，而是让更多人能够站在真实工程成果的肩膀上继续往前走。
3. AI 原生 CAD 项目，正在证明另一种研发模式值得探索
近年来，一些开发者开始尝试使用 AI 辅助从头构建 3D CAD 软件，包括采用 Rust 编写几何内核和应用的项目。
这里需要区分两件事：一个项目使用 AI 开发，并不意味着它的全部代码都是 AI 独立生成的；一个 CAD 应用已经可以完成基本建模，也不意味着它已经达到成熟工业软件的水平。
但这类项目仍然非常值得关注。
它们至少说明，过去只有少数专业团队才敢尝试的事情，现在有机会被更小的团队启动。
当一个小团队可以在 AI 的帮助下，逐步实现曲线、曲面、实体拓扑、布尔运算、特征历史和参数化草图时，软件内核研发的组织方式就可能发生变化。
未来，竞争的关键也许不再只是有多少名资深工程师，而是谁能更好地组织算法知识、代码生成、自动测试、真实模型验证和持续迭代。
这对中国 CAD 行业尤其重要。因为我们过去缺少的，不仅仅是资金，还有长期积累的技术资产、成熟的研发方法和足够丰富的工程反馈。AI 未必能够直接补齐所有这些短板，但它有机会让后来者以更低的成本开始积累。
三、真正值得关注的，是研发效率能否发生数量级变化
如果 AI 只是让开发者每天多写一些代码，那么它对 CAD 行业的影响可能有限。
真正重要的问题是：它能否让整个内核研发过程提速？
例如，一支团队原本需要花费数周时间实现一个算法，现在可能只需要几天完成初步实现；原本需要人工编写的测试，可以由 AI 协助批量生成；原本依赖专家逐一排查的某些问题，可以通过自动化测试和失败案例缩减来加快定位。
当这些改进同时发生时，研发效率就可能产生明显变化。
行业里有人乐观地估计，AI 可以让部分软件研发工作获得数倍的效率提升。对于 CAD 内核，我认为这种可能性值得认真研究，但不能把它当成已经被普遍证实的事实。
因为不同任务的难度差别很大。
编写接口、重构代码、补充测试，可能很容易提速；设计稳定的曲面求交算法、处理复杂拓扑退化、保证长期兼容性，则未必能获得同样的收益。
更重要的是，研发速度提升五倍，并不意味着成熟度也能提升五倍。
如果开发者可以更快地写出代码，却没有足够的测试体系来发现错误，那么最终交付给用户的，可能只是一个更快产生 Bug 的系统。
因此，AI 时代的 CAD 内核研发，应该形成一套新的工程方法：
- 让 AI 负责大量重复性编码、测试生成、代码分析和辅助调试。
- 让资深几何算法工程师把握数学正确性、架构设计和关键算法边界。
- 用差分测试、属性测试、模糊测试和真实工业模型持续检验结果。
- 建立可重复的性能测试和稳定性测试，记录每次改动带来的进步与退步。
- 把所有失败案例沉淀下来，形成不断扩大的回归测试集。
如果能把这套体系真正建立起来，那么 AI 才可能成为几何内核研发的长期生产力，而不仅仅是一个代码补全工具。
四、未来 3～5 年，中国 3D CAD 有机会追上来吗？
这是一个很难回答的问题。
如果说中国 CAD 软件能在三到五年内全面达到国外顶级产品的水平，我认为现在下结论还太早。
但如果把目标拆开，情况可能乐观得多。
例如，在某些特定行业、某些类型的零件、某些核心建模操作上，国产内核完全有机会在未来几年内实现显著突破。
在某些场景中，它甚至可能不必完全复刻国外产品的所有功能，而是通过针对性的技术路线和工程优化，提供更适合本土用户的解决方案。
我认为，未来可能出现三种不同的竞争路径。
第一种：从特定行业切入。
不要一开始就试图覆盖所有机械 CAD 场景。
可以选择某类机械零件、模具设计、钣金设计，或者具有明确几何特征的细分行业，围绕真实需求构建算法和测试体系。
在这些场景中先做到可靠、好用，再逐步扩大功能范围。
第二种：从核心操作切入。
先把曲面求交、布尔运算、倒圆角、壳体、草图约束等关键能力中的一部分做到稳定可靠，再逐渐完善整个内核。
这比一开始就追求一套功能全面、覆盖所有边界情况的通用内核，更容易形成可以验证的阶段性成果。
第三种：从新的软件架构切入。
既然 AI 已经能够帮助开发者更快地构建代码，那么是否可以从一开始就采用更加模块化、容易测试、方便自动分析的架构？
是否可以让几何内核、参数化特征系统、约束求解器和数据交换模块之间拥有更加清晰的接口？
是否可以让 AI 深度参与开发、测试、故障分析和文档维护？
这些问题，可能比简单地把旧有 CAD 系统换一种语言重写，更值得探索。
当然，这些路线并不互斥。真正有实力的团队，可以在统一架构下同时推进多个方向。
但有一点很重要：不要把 AI 写出了多少代码，当成国产 CAD 内核取得了多少进步。应该看它在真实工业模型上解决了多少过去解决不了的问题。
五、即使几何内核突破了，还有一道大山：历史数据迁移
假设有一天，中国团队真的研发出一个几何建模内核，在稳定性、性能和功能覆盖上都取得了重大突破。
这是否意味着国产 3D CAD 就能迅速替代国外产品？
恐怕还不够。
因为 CAD 软件的价值，不仅在于它能够创建新模型，还在于过去几十年积累下来的设计数据、工程知识和工作流程。
对于一家制造企业而言，一个复杂产品可能包含大量零件、装配关系、参数化特征、工程图、材料属性、技术要求和关联文件。
这些数据不是普通的三维模型那么简单。
它们可能记录了设计人员为什么选择某个尺寸、某个特征如何依赖前面的操作，以及修改一个参数之后，整个产品应该如何更新。
如果把一个原生参数化模型导入另一个 CAD 系统，只得到一个没有特征历史的实体，那么几何形状可能保留下来了，但模型背后的设计意图却丢失了。
对于只需要查看、测量或简单加工的场景，这也许可以接受。
但对于需要长期维护、反复修改和持续迭代的产品设计而言，差别就非常大了。
历史数据迁移，至少有三个层次
第一层：几何数据迁移。
能够把原有模型转换成目标系统可以识别的几何实体，并尽可能保留形状、拓扑、精度和装配结构。
STEP 等中性格式可以帮助实现一部分几何交换，但实际转换仍然可能涉及容差变化、曲面修复和拓扑对应关系丢失等问题。
第二层：设计结构迁移。
不仅要迁移最终的实体，还要尽可能保留零件层级、装配约束、属性、工程图关联以及其他工程信息。
不同 CAD 系统的数据模型差异很大，这通常比单纯导出几何复杂得多。
第三层：设计意图与参数化历史迁移。
这是最困难的一层。
不同 CAD 系统使用的特征类型、依赖关系、约束求解方式和建模语义并不完全一致。即使两个系统都有拉伸、倒圆角和孔特征，它们的参数定义和执行规则也可能不同。
因此，不能指望所有模型都能通过简单的格式转换，完整恢复原有的参数化历史。
真正可行的方案，可能需要结合原生数据读取、特征树解析、几何识别、依赖关系重建，以及必要时的人工校验。
AI 在这里同样可能发挥作用。
它可以帮助识别模型结构、推断部分特征语义、分析参数之间的关系，并辅助生成重建方案。
但几何一致性和工程约束不能仅靠 AI 的推测来保证，仍然需要通过确定性的算法和工程验证来确认。
数据迁移，可能反过来成为国产 CAD 的新机会
这里有一个值得思考的地方。
过去，历史数据兼容性是后来者非常难以跨越的门槛。企业已经在某个 CAD 平台上积累了大量模型、设计流程和员工经验，迁移的风险与成本都很高。
但如果 AI 能够降低模型解析、特征识别、数据映射和转换验证的成本，那么迁移工作就有机会从高度依赖人工的项目，逐步转变为可以规模化实施的工程流程。
这并不意味着数据迁移会变得简单，而是说它可能比过去更容易被拆解、自动化和持续改进。
谁能率先建立高质量的 CAD 数据转换体系，谁就有机会降低企业采用国产软件的实际门槛。
而且，这项能力不一定只服务于国产 CAD。它还可能成为独立的数据转换产品，为多种 CAD 系统提供迁移、验证和长期数据管理服务。
六、国产 CAD 不应该只盯着内核，还要建立完整的技术体系
几何内核很重要，但它并不是整个 CAD 软件的全部。
一套真正能够服务制造业的 3D CAD 系统，还需要参数化特征管理、约束求解、装配设计、工程图、数据交换、API、插件生态、版本兼容、性能优化和大量行业功能。
对于机械 CAD 来说，很多功能之间还存在复杂的依赖关系。
例如，改变一个早期特征之后，系统不仅需要重新计算几何形状，还必须正确处理后续特征的引用关系、拓扑命名、工程图更新和装配关联。
因此，即使一个新内核已经能够完成基本布尔运算，也不意味着它距离成熟机械 CAD 只差一个用户界面。
AI 可以帮助加速这些模块的开发，但仍然需要有经验的团队来设计整体架构、确定接口规范，并通过真实产品持续验证。
我认为，未来值得关注的国产 CAD 团队，至少应该具备三个特征：
- 核心技术路线清晰。 明确哪些能力自主研发，哪些依赖外部技术，以及未来如何逐步降低关键依赖。
- 研发流程真正面向 AI。 不是简单地给程序员配一个 AI 编程助手，而是建立代码生成、自动测试、问题分析和知识积累的完整闭环。
- 从一开始就面向真实工业需求。 让客户模型、失败案例、性能指标和实际工作流程参与研发，而不是等软件写完之后再寻找应用场景。
尤其值得注意的是，国产 CAD 不必一开始就把所有技术都封闭起来。
在合适的许可证和商业模式下，开源内核、公开算法、行业数据集和社区协作，都可能帮助整个行业降低重复投入。
当然，涉及商业秘密、第三方知识产权和许可限制时，仍然必须遵守相应的法律与许可要求。所谓自主研发，不应建立在未经授权地复制他人实现的基础上。
真正有竞争力的自主技术，应该能够被持续维护、独立演进，并在关键问题上拥有自己的解决能力。
七、不要再把国产 CAD 的竞争，理解成一场简单的国产替代
如果只把目标定义为“做出一款和国外软件差不多的产品”，那么国产 CAD 很容易陷入长期追赶的状态。
因为成熟的国外产品拥有几十年的技术积累、大量用户反馈和完善的生态。后来者试图在所有功能上一次性追平，成本非常高。
AI 时代也许提供了另一种思路。
中国 CAD 团队可以在特定行业中构建更深入的设计能力，在数据迁移方面提供更低的转换成本，在自动化设计和智能建模方面采用新的软件架构。
例如，未来的 CAD 系统可以不仅仅是一个等待用户点击菜单的建模工具，还可以通过 AI Agent 理解设计意图、调用建模 API、执行几何操作，并在约束条件下自动完成部分设计任务。
但这里同样不能本末倒置。
AI 可以帮助用户生成模型，却不能替代底层几何系统对模型正确性的保证。一个看起来合理的三维形状，如果不能稳定地进行布尔运算、尺寸修改、工程图更新和数据交换，就很难真正进入复杂的工业生产流程。
所以，AI 原生 CAD 的核心竞争力，应该是智能交互与可靠几何计算的结合，而不是只做一个能够生成漂亮三维模型的演示工具。
如果国产团队能够把自主内核、AI 辅助研发、智能建模和行业知识结合起来，那么它们未必只能走国外产品已经走过的那条路。
八、我对未来的判断：值得乐观，但不应该盲目乐观
回顾过去几十年，中国 3D CAD 的发展受到多重因素制约：底层算法积累不足，顶尖人才稀缺，研发周期漫长，历史数据迁移困难，成熟产品的生态壁垒又很高。
这些问题不会因为 AI 的出现而一夜之间消失。
但 AI 的确可能改变其中一个关键变量：研发成本。
当一个小团队能够借助 AI 更快地实现算法、构建测试、分析问题并迭代代码时，过去只有少数大型团队才能启动的项目，就可能变得更有可行性。
当 NVIDIA 等公司公开更多可研究的几何建模技术时，后来者也拥有了更多可以利用的技术基础。
当新的开发语言和工程工具让软件架构更容易维护、测试和自动化时，内核研发也有机会形成新的方法论。
这些变化叠加在一起，确实值得我们重新评估中国 3D CAD 的发展前景。
未来三到五年，我认为国产 3D CAD 在部分核心技术和细分应用领域取得明显突破，是值得期待的方向。但要在整个机械 CAD 产品体系、复杂模型稳定性、生态成熟度和历史数据兼容性上全面追平国际顶尖产品，仍然需要持续投入和长期验证。
真正决定结果的，不是 AI 能生成多少行代码，也不是某个团队宣布自己拥有了一个全新的内核。
而是能不能把这些技术进展变成稳定、可验证、能够服务真实制造业的产品能力。
过去，我们经常感叹：几何内核这样的核心技术，别人已经积累了几十年，我们从头开始究竟要追赶到什么时候？
现在，也许可以换一个问题：
如果 AI 能够显著缩短技术研发的周期，我们是否有机会用新的研发方法，重新打一次这场仗？
我觉得，这个问题值得中国 CAD 行业认真尝试。
因为对于一个真正想实现核心技术自主可控的行业来说，最重要的不是宣称自己已经追上，而是终于有机会相信，追上这件事可能变得更现实了。
而一旦几何内核这个最难的技术瓶颈开始松动，历史数据迁移、工业生态和智能设计等后续问题，也就有了更值得投入的基础。
中国 3D CAD 的突围之路，可能还很长。
但至少现在，我重新看到了希望。
