AI 在 CAD 和机械设计领域的最新突破（2025年10月）

引言

CAD 和机械设计领域的 AI 正在从面向物理的基础模型和生成式流水线方向转变。在过去几个月里，研究团队和主要 CAD 厂商不断突破自动化的边界，转向具备物理感知的模型、生成式 CAD 流水线以及与仿真集成的设计。这些进展重新定义了工程师创建、测试和优化零件的方式。

1. Autodesk 的物理感知基础模型

在 2025 年 9 月中旬，Autodesk 发布了其最新基础模型，将物理推理嵌入设计之中。
这些模型不再仅把 CAD 数据当作几何体来处理，而是会推理力、材料和运动。（Axios）

亮点

• 这些模型能够动态调整设计，例如如果平面图中的一面墙移动，系统会在遵守约束条件的同时自动调整相邻元素。

• Autodesk 的Neural CAD 概念将几何建模、自然语言输入和物理可行性融合在一起。（AEC Magazine）

• 目标是实现“AI 优先的 CAD”，其中意图、约束和物理规律被共同表示。

意义：
这是首次主流尝试将大规模 AI 与内嵌的物理理解相结合，远超仅基于文本或几何的模型。

2. 实时仿真：AI 代理模型（TAG U-NET）

在 2025 年 7 月，卡内基梅隆大学研究人员推出了 TAG U-NET，这是一种 transformer–graph U-Net 混合模型，可直接根据 CAD 几何预测应力和变形场。
（CMU Engineering News）

要点

• 它在早期迭代中以近乎实时的预测替代了昂贵的有限元仿真。

• 该网络学习不同形状之间的空间与拓扑相关性。

• 其精度已足以满足初步设计需求，将周转时间从数小时缩短到数秒。

影响：
这类代理模型可实现交互式反馈循环，设计师可以调整几何形状，并立即看到估算的机械行为。

3. 生成式 CAD：自修复模型与命令级 AI

arXiv 上的近期论文显示，生成式 AI 正开始理解参数化 CAD 命令，而不仅仅是网格。

• GenCAD-Self-Repairing 增加了一个纠错层，可修复生成模型输出中的无效或非流形结果，自动使设计具备可制造性。
  （arXiv:2505.23287）

• TCADGen / CADLLM 将自然语言描述转换为有效的 CAD 命令序列，本质上实现了“从提示到特征树”。
  （arXiv:2505.19490）

• Seek-CAD 引入了一个结合视觉比较和推理的多模态反馈循环，以迭代优化生成的几何形状。
  （arXiv:2505.17702）

• 语义直接建模（SDM） 更进一步：用户不再编写底层草图，而是表达意图（“添加加强筋来强化这根梁”），模型再将其映射为参数化编辑。
  （arXiv:2504.13893）

结论：
生成式设计正从基于网格的优化演进为命令级推理，这与人类 CAD 操作员使用的逻辑相同。

4. 走向集成化设计–仿真工作流

设计与分析的融合仍在加速：

• 研究人员正在训练多物理场网络，使其能够在 CAD 工具内部执行可微分仿真。

• 结合 TAG U-NET 这类快速代理模型，这些方法有望实现“实时仿真”，当几何形状变化时，应力反馈可同步更新。

• 主要软件厂商正在探索“仿真感知草图”，通过 AI 引导约束求解器，在编辑过程中保持物理可行性。

这意味着传统的“先设计，再分析”流程，可能很快会融合为一个连续的过程。

5. 新兴趋势与展望

• Neural CAD 走向多模态：文本、草图和几何输入被融合，以实现直观控制。

• 物理信息学习：基础模型现在直接嵌入守恒定律和材料行为。

• 自纠错流水线：无效或不可制造的输出会被自动修复。

• 人工监督仍然关键：工程师仍需通过仿真和标准合规性来验证结果。

结论

从 Autodesk 的物理感知模型到最新的自修复 CAD 研究，机械设计中的 AI 正在快速发展。
下一代工具不会只是自动化任务，它们还会理解物理意图、推理可制造性，并直接集成到实时设计–仿真循环中。

2026 年的 CAD 可能不再像一个静态建模工具，而更像一个协作伙伴，与工程师一起推理、仿真并持续改进。