

来源:IoT Analytics
【物联网智库 深度导读】
在工业AI的落地进程中,产品设计与工程软件既是研发体系的核心工具,也是观察AI向制造业核心业务渗透深度的重要窗口。
如今,这一领域正出现两种值得同时关注的趋势。
一方面,工程研发团队普遍希望将AI引入核心软件,用来分担文档核对、需求提炼和常规配置等重复性工作;另一方面,工程设计容不得随意试错。一旦涉及生成仿真输入、验证与确认(V&V)以及承重零部件选型等关键工程决策,工程师对AI输出结果又保持着高度谨慎。尤其在航空航天等强监管行业,任何未经验证的“AI幻觉”,都可能带来严重的合规与安全风险。
IoT Analytics的分析数据直观反映了这一反差:87%的受访者希望AI作为标准功能嵌入核心CAD、PLM和ALM平台,但在所有受访工程活动中,选择“完全信任并依赖AI”的比例均未超过3%;即便是预期价值最高的仿真场景(78%看好其价值),也仅有17%的受访者信任AI生成的仿真输入数据与自动网格划分。

技术已经进入工程软件,但企业还远未准备好把关键判断交给AI。那么,制造企业究竟希望AI在设计与工程的哪些环节创造价值?为什么“高价值预期”与“低结果信任”会同时出现?从辅助工具走向更深层的流程参与,工业软件厂商和研发团队又该如何补齐信任短板?以下是物联网智库基于IoT Analytics最新研究内容所作的梳理与观察。
【IoT Analytics 最新研究】
87%期待核心软件标配AI,AI优先接管重复性工程任务
AI正成为设计与工程软件用户的一项基本预期。IoT Analytics调研显示,87%的受访者希望AI作为标准功能,直接嵌入企业使用的核心CAD、PLM和ALM平台。企业对AI的诉求,正从独立的对话式工具延伸到日常工程软件与研发工作流内部。
过去,工程师往往需要在不同软件系统之间反复核对文档、追踪需求变更、配置常规参数,再将结果整理传递到下一环节。这类事务性工作耗时费力,也是企业最希望AI率先分担的环节。调查中,86%的受访者认为AI的主要价值在于减少重复性工作所需投入的精力,**例如协调核对多版本文档、跨部门追踪需求变更,以及重复执行常规参数配置等。其中,44%的受访者表示“非常同意”,这也是本次调查关于AI作用的各项陈述中获得最强烈认同的一项;另有42%的受访者表示“同意”。制造商引入AI的首要目的,是帮工程师卸下繁琐的日常事务,把精力留给核心设计与工程判断。

工具层面的变化也在同步传导至研发组织内部。81%的受访者预计,应用AI将要求企业调整工程人员的技能结构和团队组成。在工程管理者看来,引入AI远不止采购一套新软件。随着文档生成、需求整理和常规建模配置逐步由AI辅助完成,工程师的工作重心也将从亲手执行每一步基础操作,转向提出约束条件、审查输出结果、验证技术方案以及作出关键决策。
仿真场景以78%领跑价值预期,“人在环中”是落地前提
在具体工程环节中,仿真相关工作是AI在工程领域最受看好的应用场景。IoT Analytics数据显示,78%的设计与工程领域决策者预计,未来2—3年AI将在仿真前处理与结果解读方面创造关键性或较高价值。在所有调查涉及的工程活动中,这是唯一一个被超过四分之三受访者评为具有关键性或较高价值的应用场景。
除仿真之外,其他多个工程研发场景同样展现出较高的应用潜力。
文档与需求生成(69%):69%的受访者认为,利用大语言模型(LLM)生成技术文档与需求说明将创造关键性或较高价值。
预测性设计优化(67%):67%的受访者看好利用AI开展基于历史数据与物理约束的预测性设计优化。
代码生成(67%):67%的受访者认为,面向嵌入式软件与工程脚本的AI代码生成具有关键性或较高价值。
CAD设计自动化与特征识别(64%):64%的受访者认为,AI在三维CAD建模自动化与几何特征识别方面能够创造关键性或较高价值。

一位来自大型航空航天与国防装备原始设备制造商(OEM)的高级研发工程负责人,在访谈中分享了需求提炼场景的实际效用:“利用AI整合并提炼需求,我们把这个过程称为‘拆解规格书’(shredding the spec)——把一份上百页的技术规格书,精简成机械技术人员实际需要的两页内容。这是目前AI对我们最重要的价值所在。”
观察上述受青睐的应用方向可以发现,无论是准备仿真条件、从上百页技术规范中提炼需求,还是识别潜在的设计优化空间,AI主要承担的是前置处理、信息汇总与方案初筛工作,而工程师始终掌握关键环节的审查与拍板权。这种保持“人在环中”(Human-in-the-Loop)的工作机制,既能直接缩短前期准备时间,也契合工程团队对质量把控的习惯。
78%高预期遇上17%低信任:“决策后果”划定信任边界
尽管设计与工程领域的管理者普遍预计AI将得到广泛应用,但在本次调查涉及的所有工程活动中,受访者对AI输出结果的信任度仍然较低。
研究数据显示,即使在信任度最高的应用场景中,表示高度信任的受访者比例也不足四分之一:仅有24%的受访者表示高度信任AI生成文档或技术规格说明,而这已经是风险相对较低、容错空间较大的场景。在所有受访活动中,选择“完全信任并依赖AI”的比例均未超过3%,表明现阶段工程领域几乎不存在对AI的无条件依赖。

对比受访者对不同工程场景的“预期价值”与“高信任度”,可以清晰看到当前设计与工程软件中的“AI信任鸿沟”:

仿真领域的数据对比尤为典型:78%的受访者预计AI将在“仿真前处理与结果解读”中创造关键性或较高价值,但在与之直接相关的具体任务中,只有17%的受访者信任AI生成仿真输入数据或进行自动网格划分。也就是说,制造商非常看好AI在仿真相关工作中的价值,却仍不敢轻易依赖其具体输出结果。AI应用的推进速度,明显快于工程信任建立的速度。
这种谨慎态度在强监管行业尤为突出。调查显示,航空航天制造商是所有受访行业中对AI信任度最低的群体。
”我们都听说过AI会产生‘幻觉’……必须通过验证与确认,确保数据始终符合原始设计意图。美国联邦航空管理局(FAA)会问:你凭什么有权制造这个零部件?”——某大型航空航天与国防装备原始设备制造商(OEM)高级研发工程负责人
在一般的信息处理场景中,用户往往只关注生成结果好不好用;但在涉及实体产品的工程研发中,输出结果必须经得起美国联邦航空管理局(FAA)等监管体系的核查,并能完整说明推导依据。AI要从外围辅助走向更核心的工程任务,除了模型本身的能力提升外,还必须配套相应的验证与追溯机制。
从“可解释”到“可验证”,填补信任鸿沟的四个演进方向
IoT Analytics研究指出,制造企业虽然已在较大范围内采用AI,但尚未准备好将决策交由AI作出——而这正是向智能体演进过程中顺理成章的下一步。
围绕如何提升企业对设计与工程软件中AI能力的信任度,研究团队提出了未来值得关注的四个方向:
输出结果不仅要“可解释”,还要“可验证”:AI不应只是给出答案并附上文字理由,而应以工程师能够核验的方式呈现其工作过程,例如提供不确定性范围(Range of Uncertainty),并允许借助求解器(Solver)对结果进行复核。61%的受访者表示,当AI建议同时具备透明性与可解释性时,他们的信任度将有所提升,这也有助于让工程师持续参与决策过程,保持“人在环中”。
输出结果需要能够验证设计要求:要使AI在正式工程审批与签核流程中获得信任,其操作必须能够追溯至具体的设计要求(Requirements),并提供相应的验证证据,形成可查验的记录和审计追踪链(Audit Trail)。
能够将变更回写至PLM工具链的AI智能体:AI不应只在聊天界面提供建议,还应能够在产品生命周期管理(PLM)系统中执行受控的实际变更,留下可追踪、可审计的工程变更记录,供工程师审查,并在必要时支持版本回滚(Rollback)。
经过物理测试验证的行业专用模型:相比通用型聊天机器人,工程师更愿意信任专为工程场景开发的行业大模型。这类模型应具备有记录可查的训练数据,并经过真实物理测试结果的检验,以证明其工程应用的可靠性。
美国工业软件公司PTC是积极提升AI产品可信度的供应商之一。2026年1月,该公司随Codebeamer 3.2版本推出了应用生命周期管理(ALM)平台的附加组件Codebeamer AI 1.0,上线了两款面向工程研发的AI助手:其中,需求助手(Requirements Assistant)依据国际系统工程委员会(INCOSE)和国际软件测试资格认证委员会(ISTQB)的相关指南检查工程需求,在编写阶段实时标记歧义、不一致等需求质量问题;测试用例助手(Test Case Assistant)则能够直接根据工程需求生成并优化测试用例,提升需求追溯与验证效率(PTC产品博客)。两款助手都不会自行作出最终决定,而是提供改进建议与测试草案,交由工程师审查和批准,从而在研发流程中落实“人在环中”的工作机制。
写在最后
回看这份研究,87%的标配预期与不足3%的无条件信任,反映出工业AI在进入研发设计环节时的真实状态。
高比例的采用意愿,说明工程团队已经认可AI在减少重复性劳动方面的价值;但仿真输入(17%)和零部件选型(13%)的低信任度也表明,让AI进入CAD、PLM和ALM软件界面只是第一步,能否让工程团队放心地将AI输出结果纳入正式图纸、仿真模型与BOM清单,才是决定工程软件AI落地深度的关键。
物联网智库认为,理解下一阶段设计与工程软件中的AI演进,需要把以下三层关系看清楚。
第一,文本提效与工程决策,遵循的是不同的容错逻辑。
将上百页技术规格书提炼为两页需求摘要、编写常规文档或生成基础代码,属于容错率较高、人工核对成本较低的信息处理工作,工程师在几分钟内即可完成检查与修正;但生成仿真网格、设定边界条件和选型承重零部件,直接关系到物理力学性能、结构安全与长期合规责任。对制造企业而言,推进研发AI应用不应采取同一套标准,而应优先在需求拆解、规范性检查与仿真前处理准备等易于人工复核的环节落地,再逐步向核心工程环节延伸。
第二,“人在环中”不是过渡阶段的权宜之计,而是工程软件AI长期运行的必要机制。
在工程研发与制造体系中,设计签核与合规责任始终由企业和工程师承担。无论是航空航天领域面对FAA的适航审定,还是汽车、工业装备领域的安全规范,企业都无法将设计责任交由算法独立承担。因此,像PTC Codebeamer AI这样将行业规范(如INCOSE、ISTQB指南)内嵌为校验规则、由AI输出建议并由工程师审查批准的“人在环中”机制,依然是现阶段构建工程信任最务实的路径。
第三,工程软件AI的竞争重心,正从“接入通用大模型”转向“系统级可追溯与物理级可验证”。
随着智能体概念进入工业软件领域,仅在软件侧边栏提供对话式问答已难以满足深层工程需求。未来真正具备竞争力的工程AI工具,需要在三个方向补齐能力:在流程上,能够与ALM/PLM系统中的原始设计要求关联,支持工程变更回写、审计追踪与版本回滚;在算法上,结合经过真实物理测试校验的领域专用模型与求解器,提供可量化核验的不确定性范围;在数据上,打通贯穿需求、设计、仿真与验证的数字主线。
当AI给出的每一项建议都有据可查、每一次推导都经得起求解器复核与工程审视,它才能从一项被寄予厚望的软件功能,真正沉淀为制造企业信赖的工程能力。


