企业AI应用（十二）：AI能画图能做动画，为什么还做不了机械CAD？

前一阵有客户提了一个需求：能不能用AI根据二维CAD图纸直接生成三维模型？听起来合理——AI现在画图、做动画、生成视频都很成熟了，从二维到三维应该不在话下。 找了一个做AI设计的朋友来研究，他拿走图纸看了几天，回了一句话："做不了。" 不是他能力不行，是这件事在当前AI的能力边界之外。这里要先划一条线：市面上确实有工具能把图纸转成三维，但产出的是外观面片网格——只能用于展示或3D打印样件，无法编辑、不带完整约束、不能直接投产。客户要的是可编辑、带参数化约束的实体模型，能直接送进加工中心的那种。这两件事差距很大。 画猫和造发动机是两种完全不同的事 让AI画一只猫，只要看起来有耳朵、有胡子、毛茸茸的，大家就会说"像真的一样"。猫腿画多了半厘米、尾巴稍微歪了一点，没人拿尺子去量。评判标准是人眼觉得像就行。 让AI设计一个活塞和气缸，直径差0.1毫米，发动机直接报废——要么卡死要么漏气。每一个尺寸都必须精确到小数点后好几位。评判标准是机器能正常运转才算对。 这个比方用来建立直觉够用了，但不能把分界线简单画成"视觉的东西宽松、机械的东西严格"。真正决定严格程度的不是物体本身，是下游工艺的公差规范和安全等级——装饰塑料件的外观建模允许较大误差，航空蒙皮曲面的外观公差严苛到微米级，土建BIM构件公差相对宽松，精密医疗器械又回到极端精密。同样是"三维生成"，严格程度跨越好几个数量级，取决于这个模型最终要被谁用、怎么用。 AI生成图像或三维动画——NeRF、3D Gaussian Splatting这类视觉生成技术——原生输出隐式场或离散点云，网格需要事后重建。当下技术确实可以基于这些输出重建水密网格和面片邻接拓扑，不是说视觉三维就完全没有拓扑关系。但这种拓扑是事后拟合的表面面片关系，没有尺寸约束、没有特征建模树、没有装配关联。机械CAD的拓扑是建模过程内生的，绑定代数约束、可参数驱动的实体结构——修改一个孔径，关联的螺栓选型、轴承座尺寸、传动轴轴径会沿着特征树自动联动重构。这两种拓扑的性质完全不一样。 AI最擅长的和CAD最需要的，正好反着 AI学习的方式是慢慢靠近正确。学画圆：第一版像土豆，第二版像鸡蛋，第十版像一个圆了。误差从大到小平滑下降，AI知道自己在进步、知道该往哪个方向调。像投篮：从三不沾到砸篮板到碰篮筐到空心入网——在连续地接近目标。这在数学上叫连续可微，是AI最擅长处理的空间。 有人会说，CAD的校验也可以构造连续的损失函数——用缝隙面积、自相交体积、面片畸变度来打分，给出平滑的梯度信号，并不是天然拿不到反馈。这个说法在数学上没错，但它绕不过一个更根本的困难：微小的参数扰动会触发拓扑结构的跳变。 一个孔径从10毫米改到10.01毫米，可能只是数值微调；但改到9.99毫米的时候，可能触发了一个约束阈值，导致整个特征树的拓扑结构突变——某个倒角消失了、某两个面合并了、某条边的邻接关系完全重组。这种跳变让损失曲面布满悬崖和局部最优，模型极难收敛到同时满足拓扑闭合、尺寸约束、装配关联的可行域。不是"打不了分"的问题，是可行解空间极窄、而通往可行解的路径上布满了不连续的断层——这是离散拓扑跳变带来的非光滑优化难题，和神经网络反向传播里说的梯度消失不是同一类问题。 用驾照考试来类比：侧方停车轮胎压线哪怕1毫米直接不合格，没有"压得少扣分少"这回事。CAD的几何校验在水密检查这类场景里就是这个逻辑——存在缝隙即无效，0.1毫米的缝和0.0001毫米的缝等价。但要补一句：在公差仿真和有限元分析这类场景里，系统会量化缝隙大小、根据工程公差阈值区分合格与不合格，不是所有环节都是二元判定。 几何内核不接受概率——但要锁定场景 机械CAD的每一个尺寸修改，都需要调用底层的几何内核——Parasolid或ACIS这类引擎——进行重构计算。修改底座上一个定位孔的直径，会像多米诺骨牌一样向上触发螺栓选型改变、向旁触发轴承座尺寸重构、向下触发传动轴轴径校核。每一步都必须满足几何内核的硬性代数校验。 AI说"这个尺寸大概是47.3毫米"，几何内核不认"大概"——要么是精确值并且满足所有约束，要么重构失败。 但这个结论要锁定场景：说的是从二维图纸直接逆向生成完整参数化特征实体这件事。如果是在已有的CAD实体上做尺寸微调、局部外形优化，AI辅助预测尺寸再交给几何内核校验，是成熟的落地方案，通过率并不低。问题不在于AI不能参与CAD，在于"从零生成完整参数化模型"这个任务，概率预测通过几何内核全套拓扑检查的成功率，目前基本为零。 训练数据的困境 即使解决了上面这些数学和几何内核的问题，AI还面对训练数据的障碍。 互联网上有几十亿张图片可以训练视觉AI，标注成本低，数据结构统一。机械CAD的数据锁在企业内部，是核心商业资产，企业不愿开放。 拿到了历史CAD文件也不等于拿到了可用的训练数据。每个工程师建同一个零件的特征顺序完全不同，命名习惯混乱，建模风格各异。CAD文件本身不是废矿——学术界已经有大量研究在做CAD数据的标准化、特征序列化、用图神经网络处理拓扑结构——但把企业私有数据统一标注、对齐、清洗到AI能学习的程度，成本极高，目前没有规模化的解决方案。 还有一层更深的困难。老工程师脑子里有大量可制造性设计经验——"这个位置加强筋要往这边偏，因为铸造时那边容易缩松""这个圆角不能太小，不然数控加工时刀具进不去"。这些隐性know-how不在图纸上、不在教科书里、不在任何数据库里。而且这些经验不是简单的if-then规则，是多重耦合约束的权衡——加强筋的位置同时关联铸造工艺、应力分布、加工路径和成本，不存在唯一标准答案，属于多目标优化问题。AI既缺数据来源来学习这些，这些问题本身也不是几何重建能覆盖的。 签字问题 机械CAD一旦定稿，输出的STEP文件送进五轴加工中心、激光切割机或精密铸造厂。批量精密模具、航空件完成图纸审签后，三维模型可直接导入CAM做加工仿真，仅做自动化几何校验，无需人工重建模型；但大量中小制造企业会人工复核尺寸、干涉、公差后再上机。不管哪种情况，机器都是忠实地执行文件里的每一个尺寸——包括错误的尺寸。 出错的代价：模具整体报废、大批量成品召回，航空汽车领域甚至涉及安全事故。 在这条链路里，每一个尺寸都必须有明确的设计依据、可追溯的计算过程、可归责的工程师签名。AI的黑箱概率输出目前提供不了这些——它无法回答"这个尺寸为什么是47.3而不是47.5"，也无法通过工程签署流程。这不是说AI永远不可能达到签字放行的资格——如果未来AI的推理过程能做到全链路形式化溯源、每一步尺寸生成路径可审计、误差边界可量化证明，理论上可以满足追责要求。但在当前以及可预见的未来几年里，这个条件不具备。 AI在机械设计里的真实定位 AI在机械设计领域的定位，不会是独立的创作者，而是被包裹在几何内核求解器和人类工程师经验之间的一层加速工具——帮工程师更快地搜索方案、检查干涉、优化拓扑，但从二维图纸直接生成完整参数化三维模型这件事，短期内做不到。不是AI不够聪明，是机械制造对确定性的要求，跟AI的概率性本质之间存在根本性的冲突。