5.2 人工智能在 CAD 中
5.2 人工智能在 CAD 中
本节摘要：SOURCE 6.1：AI 用于草图识别、语义搜索、生成式布局；难点是领域上下文与设计师控制权平衡。
先泼一盆冷水
AI 在图像识别、自然语言上突飞猛进，但在 CAD 里落地远没那么快。原因在于：设计是"上下文密集型"任务。同一个圆孔，可能是减重孔、过线孔、定位孔——几何相同，语义完全不同。算法要给出有用建议，必须先理解"这个孔为什么存在"。本节用四个真实场景，拆解 AI 在 CAD 中"能做到什么"与"卡在哪里"。
AI 应用场景
| 场景 | 输入/输出 | 现状 |
|---|---|---|
| 草图→3D | 手绘截图→模型 | 研究/部分商用 |
| 相似检索 | 向量搜历史件 | 企业 PLM 插件 |
| 自动标注 | 识别特征→PMI | 规则+ML 混合 |
| 对话建模 | NL→特征操作 | 早期产品 |
场景一：草图→3D
用手机拍一张手绘草图，AI 识别线框并生成三维模型——演示很酷，但落地的拦路虎是比例与约束：手绘的线不平行、圆不圆、尺寸比例随意。AI 需要先做"形状推断"（把噪声线整理成意图线），再做"约束推断"（猜哪些线应该平行、哪些点应该重合），最后才是"拉伸/旋转"生成实体。研究进展集中在从像素到语义的桥梁：用深度学习把草图离散化、符号化，再用参数化模板对齐。
场景二：语义检索
企业有几十万历史零件，"找一个类似的轴"用传统方式（属性查询）几乎不可能。向量检索把模型编码成嵌入向量，按相似度召回：
# 语义检索的最小闭环：模型 → 向量 → 最近邻 import numpy as np def encode(model): # 真实系统中由 3D 编码网络生成，这里用特征向量示意 feats = np.array([model.diameter, model.length, model.feature_count, model.mass]) # 示例特征 return feats / np.linalg.norm(feats) def search(query_vec, library, k=5): sims = [(cos_sim(query_vec, encode(m)), m.name) for m in library] return sorted(sims, reverse=True)[:k] # 返回最相似的 k 个
相似检索的商业价值直接且确定：减少重复设计，提高复用率。它不需要 AI 理解设计意图，只需要"形状/属性像不像"——这是 AI 在 CAD 里最成熟的应用。
场景三：自动标注
自动标注从"识别特征"到"生成 PMI"，采用规则 + 机器学习混合：
- 规则部分：识别孔/槽等标准特征后，按企业规范套用标注模板（中心线、直径符号、精度）；
- ML 部分：判断哪些面是配合面、哪些尺寸是关键尺寸，需要参考历史图纸学习。
价值在于把工程师从枯燥重复中解放，让人只做复核。这也是"智能 = 自动化重复"的典型案例。
场景四：对话建模
"把孔径改成 14""加一圈 M6 孔阵"——用自然语言驱动 CAD 操作。这条路的难点不是理解命令，而是歧义消解与回滚安全：
- "这个孔"指哪个孔？需要几何指代消解；
- "一圈"是 6 个还是 8 个？需要约束推断；
- 操作错了能否一键撤销？需要参数化可逆。
SOURCE 追问：如何让 AI 理解设计意图而非仅识别形状？人机共思要求可解释、可撤销的 AI 建议。
AI 在 CAD 中的"可落地度"排序
| 应用 | 落地难度 | 关键依赖 |
|---|---|---|
| 相似检索 | 低 | 编码模型 + 库数据 |
| 自动标注 | 中 | 企业标注规范 + 数据 |
| 草图→3D | 中高 | 约束推断 + 参数化 |
| 对话建模 | 高 | 指代消解 + 可撤销操作 |
落地难度与"需要理解设计意图的程度"成正比。这给从业者的启示是：AI 应用应从"低上下文依赖"场景切入，先解决检索与标注，再图谋对话建模。
设计师主权：可解释、可撤销
无论 AI 能力多强，CAD 场景必须保住两条底线：
- 可解释：AI 建议必须给出理由（"推荐 M8 是因为配合轴径为 8mm"），不能是黑盒输出；
- 可撤销：任何 AI 生成的修改都要能回滚，且不破坏参数化历史。
AI 落地的前提：数据从哪来
任何 AI 应用都逃不开"数据"二字。CAD 场景的数据有其特殊之处：
| 数据类型 | 来源 | 特点 |
|---|---|---|
| 图纸/草图 | 历史工程图 | 量大但标注噪声多 |
| 3D 模型 | 设计库/PLM | 量大但语义标签缺失 |
| 命令日志 | CAD 操作记录 | 蕴含"设计过程"但很少留存 |
| 标注规则 | 企业规范/老师傅经验 | 高质量但量少 |
AI 落地的瓶颈往往不是算法，而是数据的可得性与质量。这正是"企业内建模型库"战略价值所在：几十万标注过的历史零件，就是最珍贵的 AI 训练资产。
3D 模型怎么"编码"成向量
相似检索依赖"模型 → 向量"的编码器。工业实践中编码器的输入特征分三类：
- 几何描述子：体积、表面积、包围盒比例、主曲率分布；
- 拓扑描述子：特征数量、孔的数量与分布、装配接口；
- 语义属性：材料、重量、类型、功能关键词。
# 一个可运行的检索示例（示意实现） def feature_vector(model): return { "aspect_ratio": model.bbox.ratio(), "hole_count": len(model.find_features("HOLE")), "mass": model.mass, "volume_ratio": model.volume() / model.bbox.volume(), } def similarity(a, b): keys = set(a) & set(b) diff = sum((a[k] - b[k]) ** 2 for k in keys) return 1 / (1 + diff ** 0.5) # 距离越小越相似
现代系统进一步用3D 深度网络（如 PointNet、Graph CNN）直接从点云/网格学习嵌入，效果优于手工特征，但对训练数据量与标注质量要求更高。
大模型与 CAD：能做什么、不能做什么
大语言模型进入 CAD 后，能力边界需要冷静界定：
| 能做 | 不能做（当前） |
|---|---|
| 解析命令意图、生成参数化脚本 | 直接输出高精度几何 |
| 检索设计文档与历史方案 | 理解物理与工艺的深层约束 |
| 生成工程文字说明 | 保证生成结果的几何合法性 |
| 组合已知特征操作 | 无中生有的全新结构 |
"能组合"与"能创造"之间隔着工程语义的鸿沟。大模型擅长把已有知识重新组织，但不擅长"没见过的物理约束推理"。设计者必须对 AI 输出做验证 + 修正，这正是"人机共思"的含义。
AI 幻觉在 CAD 中的危害
大模型的"幻觉"在 CAD 场景格外危险——它输出的尺寸、配合、材料若未经验证，直接进入制造会导致报废。防护措施三条：
- 约束求解验证：AI 建议的参数必须通过求解器验证（不违反现有约束）；
- 几何合法性检查：输出模型必须通过流形性、最小尺寸等体检；
- 人工强制确认：关键参数（安全件）必须人工签核，AI 无权直接发布。
落地路线图：渐进式引入
| 阶段 | 引入能力 | 收益 |
|---|---|---|
| 第一步 | 相似检索 + 自动标注 | 复用率提升、重复劳动减少 |
| 第二步 | 规则引擎 + 特征识别 | 设计质量前置、错误减少 |
| 第三步 | 对话建模（受限场景） | 高频操作提速 |
| 第四步 | 生成式建议（实验） | 探索创新方案 |
每一步都以"设计师可验证、可撤销"为前提。成熟企业的共同经验是：AI 不是一步到位的革命，而是渐进式的能力叠加。
⚠️ 常见坑：盲目信任 AI 生成的配合尺寸——须约束求解验证。
💡 关键直觉：AI 是协作者，不是黑盒替代者。
一节小结
- AI 价值在检索与重复劳动
- 上下文理解是落地瓶颈
- 可撤销性保障设计师主权
- 从低上下文依赖场景切入，渐进落地
- 设计与 AI 的未来：人机共思、各司其职