1. 从一堆跑得通的Demo说起AICAD的真实落差在哪过去一年多我陆陆续续接触过十几个号称AICAD的项目有创业团队做的有高校实验室出来的也有大厂内部孵化然后流出来的原型。几乎每一个在演示环节都让人眼前一亮输入一句自然语言几秒钟后屏幕上就生成了一张看起来像模像样的图纸或者上传一张手绘草图AI自动识别出轮廓并转成DXF。台下掌声一片投资人点头媒体写稿。但真正把这些东西拿到实际工程场景里跑情况就完全不一样了。我印象最深的一次是帮一个做机械零部件的朋友评估某款AI自动出图工具。Demo里它生成的是一个简单的法兰盘尺寸规整、标注清晰。朋友随手丢了一个他们厂里真实在产的减速器箱体图纸需求进去——带拔模斜度、有加强筋、内腔结构复杂、还有几处需要和铸造工艺配合的圆角。结果AI折腾了十几分钟吐出来的东西别说加工了连基本的几何拓扑都是错的实体自交、面片翻转、圆角半径和壁厚打架。这不是个例。AICAD领域当前最大的问题不是AI不够聪明而是Demo和工程之间隔着一整套被严重低估的工程约束体系。Demo可以只展示最理想的那一条路径而工程要求的是在所有边界条件下都能稳定输出可制造、可校验、可追溯的结果。这篇文章我想聊的就是这件事为什么AICAD的Demo满天飞但真正能落地的工程路径却走不通卡点到底在哪几个环节如果你正在做相关方向或者打算把AI能力接进现有的CAD工作流哪些坑是必须提前知道的。我会结合DXF、DWG、FreeCAD这些具体的技术载体把问题拆开来讲。2. 工程约束体系Demo绕开、落地绕不过的五道坎2.1 几何有效性AI生成的看起来对和真的对是两回事先说最基础也最致命的一点几何有效性。在Demo里AI生成的图形往往只需要视觉上像。一张法兰盘的俯视图只要圆是圆的、孔是均匀分布的观众就会觉得成了。但在工程里一个CAD模型必须满足一系列严格的数学条件实体必须是封闭的流形manifold面与面之间不能有缝隙或重叠法向量方向必须一致不能有自交薄壁结构的厚度必须大于某个阈值。我见过太多AI生成的模型在FreeCAD里一打开就报错。FreeCAD的Part工作台对几何有效性检查相当严格一个从AI输出的STEP或IGES文件经常出现shell not closed或者self-intersection detected。这时候你没法直接拿去做布尔运算更别说后续的CAM加工了。问题的根源在于当前大多数AI生成CAD的思路是把问题当成图像生成或序列生成来做而不是当成约束满足来做。图像生成只关心像素像不像序列生成只关心token接得顺不顺但CAD的本质是一组几何约束和拓扑关系的集合。你让一个模型去学画得像它永远学不会画得对。实操建议如果你在评估任何AICAD工具第一件事不是看它生成得多快多漂亮而是把输出导入FreeCAD跑一遍Part菜单下的Check geometry看它报不报错。这一步能筛掉市面上八成以上的Demo级产品。2.2 参数化与特征树AI给的是死图工程要的是活模型第二个坎是参数化和特征树的问题。工程CAD和画图最大的区别在于工程模型是可编辑、可追溯、可参数驱动的。一个合格的零件模型应该有一棵清晰的特征树先拉伸一个基体再打孔再倒角每个特征都有明确的参数。改一个尺寸整个模型能正确重建。但AI生成的东西绝大多数是一坨死几何——要么是一堆离散的面片要么是一个没有特征历史的实体。你拿到手之后想改个孔径发现根本无从下手只能推倒重来。这就导致一个很尴尬的局面AI帮你省了十分钟画图的时间但你为了改这张图可能要花两个小时。在工程场景里一个不可参数化的模型价值几乎为零因为工程本身就是不断迭代修改的过程。我试过一个思路是让AI不直接生成几何而是生成FreeCAD的Python脚本。FreeCAD的建模本质上是调用Part和PartDesign这些模块的API如果你能让AI输出一段可执行的脚本那生成的就是带特征树的参数化模型。这个方向比直接生成几何靠谱得多但难点在于AI要理解FreeCAD的API语义还要保证脚本能正确执行、参数之间不冲突。实测下来简单零件能跑通稍微复杂一点就开始报错而且报错信息对AI来说很难自我修正。2.3 格式转换的暗坑DXF和DWG不是存一下那么简单第三个坎藏在文件格式里。很多人以为DXF和DWG就是CAD的图片格式存一下、读一下的事。实际上这两个格式的水深得很。DXF是Autodesk的交换格式有ASCII和二进制两种版本从R12到2018一大堆不同版本之间实体支持程度差异巨大。DWG更是闭源二进制格式解析起来极其麻烦。我踩过的一个典型坑用某个开源库读取一个DWG文件读出来的圆弧全部变成了多段线近似精度丢失严重。原因是这个库对DWG里SPLINE和ARC实体的处理不完整遇到复杂曲线就退化处理。这种问题在Demo里根本看不出来因为Demo用的都是最简单的直线和圆。还有一个更隐蔽的坑是坐标系和单位。CAD文件里可能用的是英寸、毫米、米也可能是无单位的图纸空间。AI如果不管这些直接按像素或任意单位生成导入到实际工程环境里尺寸就全乱了。热搜词里那个pr0tel导入dxf文件时怎么改图纸比例其实说的就是这类问题——格式转换时单位没对齐图纸比例全错。格式主要风险点常见表现DXF版本差异、实体支持不全圆弧变多段线、文字丢失DWG闭源、解析库不成熟读取失败、几何退化STEP精度、拓扑表达面片化、实体不封闭IGES老格式、兼容性差曲面丢失、法向错误2.4 工程语义的缺失AI不懂这个孔是干什么用的第四个坎也是最难的一个工程语义。一个孔在几何上就是一个圆柱面减去材料。但在工程上这个孔可能是螺栓孔、可能是油路孔、可能是定位销孔每种孔的加工方式、公差要求、表面粗糙度都不一样。一个倒角可能是为了去毛刺可能是为了装配导向也可能是为了应力释放。AI现在能识别这里有个圆但它不知道这个圆是干什么的。这就导致它生成的模型虽然几何上可能没错但工程上完全不合理。比如它可能在一个需要高精度配合的面上留了个粗糙的铸造圆角或者在一个受力关键部位开了个削弱截面的孔。工程语义的缺失是AICAD从能画到能用之间最大的鸿沟。要跨过这道鸿沟AI不能只学几何还得学工艺知识、材料知识、装配知识。而这些知识恰恰是最难结构化、最难标注的。2.5 可验证性工程要的是能证明对不是看起来对最后一个坎是可验证性。工程图纸和模型是要被检验的。尺寸对不对、公差合不合理、干涉有没有、强度够不够这些都需要有明确的验证手段。Demo不需要验证因为观众只看结果。但工程必须验证因为一个错误的模型可能导致一批零件报废。AI生成的东西最大的问题就是不可解释、不可验证。你问它为什么这个尺寸是50而不是48它答不上来。你让它证明这个结构满足强度要求它做不到。在工程语境下一个无法验证的结果等于没有结果。这五道坎Demo可以全部绕开因为它只需要展示最理想的那一条路径。但工程绕不过去因为工程面对的是真实世界的全部复杂性。3. 拆解一条真实的AICAD技术链路从输入到可用模型要过几关3.1 输入解析自然语言、草图、还是点云决定了后面所有难度AICAD的输入形式直接决定了整条链路的难度。自然语言输入听起来最酷但难度也最大。因为自然语言到几何的映射是极度模糊的。做一个支架这句话包含了无数种可能的几何形态。AI要么需要大量上下文要么需要反复澄清否则生成的东西大概率不是用户想要的。草图输入相对靠谱一些因为草图已经提供了几何约束的骨架。AI要做的更多是补全和规整化——把潦草的线条拉直、把近似的圆变成正圆、把不闭合的轮廓闭合。这类任务在技术上更接近图像处理和几何拟合比纯生成要可控。点云或扫描输入是另一个方向主要用于逆向工程。AI要做的是从点云重建曲面这个领域其实有比较成熟的方法比如NURBS拟合AI的增量价值在于自动识别特征和简化模型。我的判断是短期内草图输入AI规整化是最有可能落地的路径因为它把AI的能力限制在了一个相对确定的范围内不需要AI去凭空创造工程语义。3.2 几何生成为什么直接生成几何几乎必然失败前面说过直接生成几何的问题在于它绕过了约束。这里再展开讲一下为什么。CAD几何的本质是一组约束的解。一个矩形不是四条线围起来而是四条线两两平行相邻垂直端点重合。当你直接生成四条线的坐标时你只是在某一个特定解上采样而不是在表达约束。一旦用户想改尺寸这个解就失效了。正确的做法应该是生成约束系统然后求解。但约束求解本身是个NP难问题规模一大就爆炸。AI能不能帮忙加速约束求解可以但那是另一个层面的问题不是生成几何。所以我的结论是AI在几何生成环节的正确角色不是画图而是辅助约束推断。比如用户画了个大概形状AI推断出这里应该是相切这里应该对称这个尺寸应该是标准值然后把这些约束补全交给求解器去解。这样生成的模型才是参数化的、可编辑的。3.3 特征识别与重建把一坨面片变成一棵特征树如果输入已经是一坨死几何比如从STEP或网格来的那AI的另一个价值点就是特征识别与重建。这个任务的目标是从一堆面片中识别出哪些面构成了一个孔、哪些面构成了一个凸台、哪些面构成了一个倒角然后重建出特征树。这本质上是一个几何模式识别问题。传统方法靠规则和启发式比如一组同轴的圆柱面大概率是一个孔。AI可以学得更鲁棒比如处理非标准孔、复合特征、自由曲面。但难点在于特征识别没有唯一解——同一坨几何可能有多种合理的特征分解方式。哪种更好取决于后续要做什么。我实测过一些特征识别工具对规则零件效果不错但一遇到铸造件、钣金件这种特征边界模糊的就抓瞎。特征识别的准确率直接决定了AICAD能不能处理真实工程零件因为真实零件很少是规则的回转体或拉伸体。3.4 工程校验AI生成之后谁来兜底就算AI生成的东西几何上没问题、特征树也重建了还有最后一关工程校验。这一关包括尺寸链校验、公差校验、干涉检查、强度校核、可制造性检查等等。这些校验目前主要靠专业软件比如用有限元做强度、用CAM做可制造性AI能介入的空间有限。但AI可以做一件事把校验结果翻译成人能理解的语言并给出修改建议。比如有限元算出来某个部位应力超标AI可以建议这里加个加强筋或者把这个圆角半径加大。这种校验-建议-修改的闭环是AICAD真正有价值的地方因为它把AI从生成器变成了协作者。4. 工具链视角FreeCAD、DXF/DWG、OpenCASCADE各自卡在哪4.1 FreeCAD作为AICAD试验田的优势与局限FreeCAD是我最推荐的AICAD试验平台原因有三开源、Python可编程、几何内核是OpenCASCADE。开源意味着你可以随便改不用担心license。Python可编程意味着AI可以直接生成脚本来驱动建模这是最自然的AICAD接口。OpenCASCADE是工业级的几何内核能处理复杂的B-rep几何。但FreeCAD的局限也很明显。首先是稳定性复杂模型容易崩。其次是API的文档和一致性有些模块的API设计得比较随意AI学起来容易出错。还有就是性能大模型操作起来比较慢。不过对于验证AICAD的想法FreeCAD足够了。你可以让AI生成FreeCAD脚本跑出来看结果快速迭代。等想法验证得差不多了再考虑迁移到商业CAD平台。4.2 DXF/DWG读写的精度陷阱与版本地狱DXF和DWG的读写是AICAD绕不开的一环因为大量存量图纸都是这两个格式。DXF相对好处理因为是文本格式有公开的规范。但版本差异是个大坑。R12版本的DXF不支持很多新实体而2018版本的DXF又有很多老库读不了。你写一个DXF解析器得先想清楚支持哪个版本。DWG更麻烦因为是二进制闭源格式。开源库比如LibreDWG、ODA的转换工具各有各的问题。LibreDWG对复杂DWG的支持不完整ODA的转换工具虽然好用但商用要授权。我的经验是如果只是读取几何优先让用户导出DXF别碰DWG。如果必须处理DWG用ODA的转换工具先转成DXF再处理。虽然多一步但能避开很多坑。4.3 OpenCASCADE强大但陡峭的几何内核OpenCASCADEOCCT是很多CAD软件的底层几何内核FreeCAD用的就是它。它的能力很强B-rep、布尔运算、倒角、曲面都能做。但OCCT的学习曲线很陡。它的API是C的概念多、层次深一个简单的操作可能要调好几个类。而且它的错误处理不太友好出错时给的异常信息经常让人摸不着头脑。对于AICADOCCT的价值在于它提供了可靠的几何操作。AI生成的几何最终要通过OCCT来做有效性检查和修复。比如一个不封闭的shell可以用OCCT的ShapeFix来尝试修复。把AI的生成和OCCT的修复结合起来是目前比较务实的一条路。5. 那些Demo不会告诉你的实操坑我踩过的五个真实教训5.1 单位与坐标系一个被忽视的低级错误我见过一个AICAD项目Demo做得非常漂亮但一导入真实图纸就出问题。排查了半天发现是单位没对齐。AI内部用的是无量纲的归一化坐标输出时默认按毫米处理但用户的图纸是英寸制的。结果一个本该100mm的零件变成了100英寸大了25倍。这种错误在Demo里永远不会出现因为Demo的数据是精心准备的。但真实场景里单位、坐标系、图纸空间和模型空间的转换处处是坑。教训任何AICAD流程第一步就要明确单位并且在每个环节都做单位校验。宁可多写几行断言也不要让单位错误流到下游。5.2 精度损失从DWG到DXF再到AI每一步都在丢信息几何精度是个累积损失的过程。DWG里的高精度曲线转成DXF可能被近似DXF被AI读取时又可能被采样成点AI处理后输出再经历一次转换。每一步都丢一点精度最后的结果可能已经面目全非。我处理过一个案例原始DWG里的圆弧半径是12.7mm经过几轮转换后变成了12.6998mm。单看误差很小但这个圆弧是要和另一个零件配合的累积误差导致装配时干涉。精度问题在Demo里看不出来因为Demo不涉及多环节转换。真实工程里你必须对每个环节的精度损失有预期并且在关键环节做精度保护。5.3 特征丢失AI重建后模型面目全非前面提过特征识别这里说一个具体的坑。我试过用AI从一个STEP文件重建特征树。原始模型是一个带阵列孔的板AI重建后孔是识别出来了但阵列关系丢了变成了一个个独立的孔。这意味着用户想改阵列数量时得一个个改完全失去了参数化的意义。更糟的是有些AI重建会把原本简单的特征复杂化。比如一个简单的拉伸体被重建成了多个面片拼接特征树变得又长又乱。特征重建的目标不是还原几何而是还原设计意图。这两者差别很大前者容易后者极难。5.4 性能瓶颈大模型一跑就崩AI再聪明也没用CAD模型一大各种问题就来了。内存爆、计算慢、AI推理超时。我处理过一个中等复杂度的装配体几千个零件。用AI做特征识别单个零件几秒钟但几千个零件就是几个小时。而且中间只要有一个零件让AI卡住整个流程就挂了。工程场景对性能的要求和Demo完全不是一个量级。Demo处理一个零件工程要处理成百上千个。AICAD的落地性能优化和鲁棒性处理的工作量往往比AI算法本身还大。5.5 可解释性工程师不信任黑箱给出的结果最后一个坑是信任问题。工程师对CAD模型是有责任要求的。一个模型出了问题是要追责的。如果这个模型是AI生成的而且AI说不出为什么这么生成工程师就不敢用。我见过一个团队AI生成的模型其实质量不错但工程师就是不用因为他们没法验证、没法解释。最后这个项目黄了不是技术不行是信任没建立起来。AICAD要落地必须解决可解释性问题。至少要能让工程师看到AI的推理过程知道它为什么这么设计哪里可能有风险。否则再好的技术也过不了工程师这一关。6. 如果非要现在落地我会怎么设计这条链路6.1 把AI限制在辅助而非主导的位置基于上面的分析我的核心判断是当前阶段AI在CAD里应该做辅助而不是主导。具体来说不要让AI从零生成模型而是让AI在工程师已有的工作流里做增量。比如工程师画了个草图AI帮忙规整工程师做了个模型AI帮忙检查工程师要改个设计AI帮忙找相似案例。这些辅助性的任务AI做起来风险可控价值也明确。主导性的生成任务留给未来。等AI对工程语义的理解足够深了再让它主导。6.2 用约束求解替代端到端生成技术路线上我倾向于约束求解而不是端到端生成。端到端生成的问题是黑箱、不可控、难验证。而约束求解的思路是AI负责推断约束比如这两条线应该平行这个尺寸应该是标准值然后交给成熟的约束求解器去解。这样生成的模型是参数化的、可解释的、可验证的。这个思路的难点在于约束推断的准确性但至少它把AI的能力用在了对的地方而且失败模式是可控的——约束推错了求解器会报错而不是悄悄生成一个错误的模型。6.3 建立生成-校验-修复的闭环不管用什么方法生成都必须有校验和修复环节。校验包括几何有效性校验用OCCT、工程规则校验用规则引擎、以及必要时的物理校验用有限元。修复则是针对校验发现的问题自动或半自动地修正。这个闭环里AI可以参与修复建议但最终的修复动作应该是确定性的、可追溯的。一个没有校验和修复的AICAD流程是不完整的也是不可靠的。6.4 从垂直场景切入别想着做通用最后落地一定要从垂直场景切入。通用的AICAD太难了因为工程知识太分散。但如果你聚焦到一个具体场景比如钣金件展开注塑件拔模管道布置那AI要学的东西就有限得多也更容易做到可用。我见过做得比较好的AICAD项目都是聚焦在某个垂直场景的。它们不追求什么都能画而是追求在这个场景里比人快、比人稳。这种务实的定位反而更容易落地。7. 写在最后一些个人体会做AICAD这段时间我最大的体会是这个领域的难点从来不在AI而在CAD。AI技术本身在快速进步生成能力、理解能力都在提升。但CAD背后的工程体系是几十年工业实践沉淀下来的它复杂、严谨、充满隐性知识。AI要真正融入这个体系需要的不只是算法突破更是对工程本身的深刻理解。我见过太多团队AI背景很强但对CAD的理解停留在画图工具的层面结果做出来的东西Demo很炫工程用不了。也见过一些团队CAD背景很强但对AI的期待不切实际以为接个大模型就能解决所有问题。真正能走通的是那些既懂AI又懂工程愿意沉下心来做脏活累活的团队。他们要处理格式转换的坑、要处理精度损失、要处理性能瓶颈、要建立工程师的信任。这些工作不酷但恰恰是落地的关键。如果你正在做这个方向我的建议是少看Demo多跑真实数据。拿一个真实的、复杂的、有历史包袱的工程图纸从头到尾跑一遍你的流程看看会在哪里卡住。那些卡住你的地方才是真正要解决的问题。AICAD的未来一定是光明的但通往未来的路得一步一步踩实了走。