我国的工业软件在世界上是个什么水平？

转载。

一、现状:中国工业软件市场的"二八"错觉

工业软件按"难易度"分 4 层:

中国工业软件公司最扎堆的是 L1——ERP/MES/WMS。原因很直接:门槛低、客户多、能快速做收入。

但 L1 是工业软件里"最不难"的部分——核心是流程管理,数据库 + 表单 + 报表就能跑起来。它本质是 IT 软件,不是工业软件。

真正"卡脖子"的是 L4——求解器(CAE 的核心计算引擎)、电子设计自动化(EDA)、光刻机操作系统(OPC)。这一层,全国能做的不超过 10 家公司。

表面看 27% 的国产 CAD 替代率"还不错",但真正赚钱的不是设计软件,而是仿真软件——而 CAE 国产化率 16%,求解器 <5%。

这就是"二八错觉"——80% 的公司在 L1 卷,2% 的公司在 L4 啃骨头。结果:市场看着热闹,关键环节还是受制于人。

二、求解器之殇:CAE 的"心脏",30 年没人做透

CAE(计算机辅助仿真)是工业软件的"皇冠"——做产品前先仿真能不能用,几乎决定了一个产品研发的成败。

CAE 三大模块:前处理(建模/网格)→ 求解器(物理算法)→ 后处理(可视化)。

其中求解器是 CAE 的"心脏"——把工程问题(结构受力、流体流动、热传导)转化成数学方程,用有限元法、有限体积法等数值算法求解。

求解器为什么难?

1. 数学门槛极高
求解器本质是"数值偏微分方程求解"——非稳态 N-S 方程、麦克斯韦方程、纳维-斯托克斯方程……每一个方程都是几百年数学积累的产物。

Ansys Fluent 的湍流求解器,代码行数超过 200 万行——比 Windows XP 还多。这背后是 30+ 年的工程数学积累,不是砸钱能堆出来的。

2. 行业 Know-how 太深
求解器不只是"算法",更是"工程经验"——一个真实工程问题,可能涉及几十种物理场的耦合,需要在算法、数值稳定性、计算效率之间做大量工程取舍。这种经验是 Ansys 30 年的客户反馈喂出来的,新进入者没有这个生态。

3. 人才瓶颈(被忽视的最致命问题)

求解器的研发是"博士级密集型"——需要数值分析、计算流体力学、有限元理论 三个领域的深度积累。

一个反直觉的数据:ANSYS 一家公司全球有超过 2000 名研发工程师,而中国每年毕业的力学/计算数学博士中,从事 CAE 求解器研发的不足 50 人。

50:2000——这是 40 倍的人才差距,比"代码行数差距"更致命。

没有人才蓄水池,任何"专项"都难以持续——国家砸 100 亿,没人能接住,这才是最深的"求解器之殇"。

4. 求解器是"话语权"问题,不只是工具问题

即使全球化不彻底断裂,中国制造业可以"永远用 ANSYS"——但代价是永远被锁定在"应用层"。

航空发动机、高端芯片、核反应堆的设计参数和仿真模型,是 ANSYS/Dassault/Hexagon 这些国外软件30 年喂养出来的。用别人的软件做设计,你设计出来的产品天然"适配"别人的软件生态——形成**"数据-软件-标准"的闭环锁定**。

求解器不只是工具——是工业标准的话语权。这是中国工业软件最难、但最不能不做的原因。

5. 商业模型死亡螺旋

求解器这种"底层"软件,商业模式特别糟糕。求解器难度的另一面,是开源生态对商业化的"分流"。

开源求解器的两面性:

· 正面:全球有 OpenFOAM(开源流体)、Code_Aster(开源结构,由法国 EDF 电力公司开源)、SU2(开源气动)、CalculiX(开源多物理场)等成熟的开源求解器。理论上国产 CAE 可以基于这些开源内核"快速启动"。

· 负面:但"基于开源套壳"是**"虚假自主"**——内核算法不是你的,关键问题出现时你无法修改,客户问题无法解决。国内 60% 的所谓"国产 CAE"实际上是 OpenFOAM 套壳——这是 2025 年工业软件行业的"皇帝新衣"。

更关键的是,开源内核的工程化能力(易用性、文档、客户支持)远不如 ANSYS/达索——开源适合"科研",不适合"工业大规模生产"。

"求解器国产替代"不能走"开源套壳"捷径——必须真做底层算法,否则永远是"伪国产"。

求解器这种"底层"软件,商业模式特别糟糕:

结果:国产求解器活得很惨。

某国产 CAE 公司 2024 年营收不到 5000 万元,研发投入超过 1 亿——卖一年还不够亏的。这不是个别现象,是整个国产求解器行业的常态。

国产求解器没人做的根因是"商业模型不成立"——不是没人想做,是想做的人活不下来。

三、盗版 + 老板不买单:商业模型的死亡螺旋

工业软件老板不愿买单这件事,要分两层看:

第一层:主动盗版

BSA(商业软件联盟)数据显示,中国 PC 软件盗版率从 2013 年的 74% 降到 2017 年的 66%——4 年只降了 8 个百分点。

工业软件因为单价高,盗版率比 PC 软件更高——一个 50 万的 ANSYS license,中小厂直接装个盗版就用,根本不会去买正版。

第二层:被动不认

更深的问题是中国制造业老板的心智模式——"硬件是投资,软件是开销"。

· 一台五轴加工中心 300 万,老板眼睛不眨

· 一套 ANSYS 80 万,老板"太贵了,有没有便宜点的"

为什么会这样?因为软件的价值是隐性的,硬件的价值是显性的。

买机床,车间里能看得到;买软件,工程师的电脑上能跑出什么,老板不知道。

更深的原因:老板没法判断"软件到底有没有用"——因为软件的价值是"减少未来可能发生的损失",而不是"产生今天的产出"。

结果:中国制造业老板的"软件支付意愿"全球倒数——他们愿意花几百万买机床,不愿意花几十万买正版软件。

这两个恶性循环互相加强:

· 老板不愿买单 → 软件公司收入低 → 没资金投入研发 → 产品差距大 → 老板更不愿买单

· 老板用盗版 → 软件公司没收入 → 没客户反馈 → 产品迭代慢 → 老板更不想买正版

这就是中国工业软件 30 年最大的"商业模型死结"——技术差距背后,是商业模型的失败。

四、Know-how 之困:工业软件的本质是"知识",不是"代码"

工业软件有一个根本特征,被绝大多数人低估:

工业软件不是 IT 软件,工业软件是"工业知识 + 软件载体"——软件只是冰山露出水面的部分,冰山下面的"工业知识"才是真正的资产。

为什么这么说?

IT 软件的本质是数据处理——把数据从一个地方搬到另一个地方,处理一下格式。功能边界清晰,谁都能复用。

工业软件的本质是"工艺参数"+"设计规范"+"故障模式"+"工艺路线"——这些是几十年工业实践的积累。

举几个例子:

· 一条铸造工艺参数曲线,可能是某老师傅 30 年试错试出来的

· 一个有限元网格划分策略,可能是某博士 + 工程师 5 年优化的结果

· 一个 PLC 控制逻辑,可能是工厂 20 年故障排查的精华

这些"知识"没法用钱买,只能"长"出来——而且没法快速长,因为工业知识的迭代周期是"年",不是"周"。

中国制造业的 Know-how,分散在 100 万家工厂、几十万老师傅、几百万工程师脑子里——没有沉淀,没有共享,没有数字化。

对比一下德国西门子、SAP——它们做工业软件做了 50 年,背后是德国制造业 100 年的 Know-how 沉淀。这种"知识差"是中国工业软件最难追的部分。

但"对标德国 100 年"的说法过于笼统,需要区分:

· 西门子(自动化):背后的知识是德国装备制造业 100 年的沉淀(汽车、机械、化工)

· SAP(ERP):背后的知识更多是管理方法论的标准化(德国/瑞士商学院贡献),而非"工业技术知识"沉淀

· ANSYS / Dassault:背后的知识是美国航空航天 40 年的 FEA 工程经验(ANSYS 起源 NASA)+ 法国达索航空 60 年的协同设计经验(Dassault 起源幻影战斗机)

更准确的对标应该是:ANSYS 的背后是美国航空航天 40 年的 FEA 工程经验;Dassault 的背后是法国达索航空的协同设计经验。

中国工业软件的真正对标,不是"对标德国 100 年",而是"对标美国航空 40 年 / 法国航空 60 年"——时间差缩短了至少一半。

如果"中国制造 2035"战略如期推进,中国航空、航天、核电、高铁等高端装备的快速发展,会成为国产 CAE/CAD 的"知识喂养源"——未来 15-20 年,中国有可能补齐这段知识差距。

不是技术问题,是组织问题——和我在前几篇工业本体系列里讲的"老师傅的知识护城河"是同一个问题:知识在公司间、师徒间、行业间不流动,导致整个行业进步慢。

这就是为什么"模数共振"(物理信息神经网络 / PINN)是换道超车的可能——

PINN 不是传统的纯数据驱动(精度有限、物理约束弱)也不是纯物理驱动(计算慢、对工程师要求高),而是**"数据 + 物理"双驱动**。

· 它能从仿真数据里"学"出快速求解器

· 仿真速度比传统求解器快 1000 倍以上

· 精度保持工业可用(相对误差 <1%)

这恰好绕开了"工业知识沉淀慢"的根本问题——不需要几十年积累,直接从数据"学"出快速代理模型。

但要诚实说一句:PINN 目前更多是"代理模型"而非"通用求解器"——它擅长特定工况下的快速预测(比如风电塔筒的固定载荷场景),但不擅长处理任意边界条件的新问题(比如工程师临时改变工况,需要重新训练)。

所以 PINN 不是"完全替代求解器",而是"求解器的加速器"——把 90% 的常规仿真做快,留给求解器做剩下的 10% 新问题。

2026 年 5 月,国内已经出现了基于 PINN 的"iAISIM"产品,在风电塔筒、汽车排气管等场景验证成功,仿真速度提升 1000 倍——这是国产 PINN 工业化的早期信号。

五、Agent 之光:AI 正在降低工业软件的使用门槛

工业软件难,不只是"做出来"难,更是"用起来"难。

一个典型的 CAD 软件有 1000+ 个命令,CAE 软件有 500+ 个操作按钮——工程师光学会就要半年。

AI Agent + LLM 正在改变这一现状——自然语言直接驱动 CAD/CAE。

2025 年,学术界已经出现了一批代表性工作:

· CAD-Assistant(ICCV 2025):用多模态 LLM + FreeCAD,实现"画草图→自动生成 3D 模型"

· ArtisanCAD(2026):蒸馏专家操作日志到 LLM,实现"自然语言→CATIA 原生 B-Rep 模型"

· FreeCAD + GPT-4:自然语言 → 自动生成 FreeCAD Python 脚本 → 执行

这不是 PPT 概念,是已经在 Git论文 上跑通的 demo。

对中国工业软件的 2 个深远影响:

影响 1:打破"老板不愿买单"的困局

老板不愿买单,是因为"看不见价值"。如果未来 Agent 让普通工程师(不需要博士背景)就能用 CAD/CAE,老板会看到"投入产出比"——一个 5 万的 Agent license 替代 30 万的工程师培训成本,老板会买单。

影响 2:打破"国产软件学习成本高"的恶性循环

国产工业软件的一个硬伤是"用户基数小 → 用户教程少 → 学习成本高 → 用户更少"。Agent 接入后,自然语言交互替代复杂菜单,学习成本断崖式下降——新软件和老软件站在同一起跑线。

这是国产工业软件的"窗口期",不是"必然超越"——能不能抓住,看接下来 3 年的产品迭代速度。

但 Agent 工业级落地面临"工程地狱"——比"出错率"更致命的是"归因困难":

假如 Agent 生成的操作导致仿真发散,工程师很难判断:

· 是几何模型本身有问题?

· 是边界条件设置错误?

· 是网格划分有缺陷?

· 是 Agent 的操作序列中某一步出错?

· 还是求解器本身的精度不够?

这个"归因困难"会让工程师陷入"调试黑洞"——传统的 CAD/CAE 错误是"程序性错误"(你按错了哪个按钮一清二楚),Agent 时代的错误是"语义性错误"(自然语言驱动产生了 N 个隐式步骤,没人知道哪一步错了)。

Agent 工业级落地的下一步,不是"提升准确率",而是"可解释性"——

· Agent 每一步操作要有"撤销"语义(可回滚到任意中间状态)

· 操作链要有"理由"(为什么做这一步,而非那一步)

· 结果要有"诊断"(如果仿真发散,Agent 给出"最可能的原因 + 建议排查方向")

这是**"可解释性 Agent" (Explainable Agent)** 的研究方向——下一阶段必须补上的课题。

否则,Agent 把工业软件从"难用"变成"出了错没人会调"——这种 Agent 工业用户不敢用。

但要注意:达索、SolidWorks 等国外软件也在 Agent 化——2025 年达索已经发布"3D UNIV+RSES"AI 助手。

所以这不是"国产软件弯道超车",而是整个工业软件赛道被 Agent 重构——国产软件在"易用性"上第一次有机会与国外软件站在同一起跑线。

Agent 化的"悖论":知识库质量才是终局

如果 Agent 让 CAD/CAE 变得极其易用("画个草图说句话就出模型"),工业软件的核心价值将从"操作能力"转向"知识库质量"——谁家 Agent 背后的工业知识库更全、更准,谁就赢。

AI 不能凭空产生"某条铸造曲线的最佳参数"——这条曲线依然来自老师傅的经验。

所以 Agent 不是"绕过"知识沉淀,而是把知识沉淀的"价值兑现"提前了——Agent 让今天的工业知识立刻变现,而不需要等下一代工程师成长。

这对工业本体(我前几篇写过的"数据本体")是大利好——本体的知识沉淀,会直接成为 Agent 的训练数据。

六、给企业的 5 条建议 + 给政策制定者的 6 条建议

给制造业企业的 5 条建议

1. 把"正版化"当成长期投资,而不是"省钱"
短期看,买正版软件贵;长期看,正版软件带来的"数据规范、知识沉淀、Agent 训练"是未来 10 年的护城河。

2. 把"工业软件"纳入"数字化转型 KPI"
不要让 IT 部门"省钱",让工业软件采购占数字化预算的 30%+——这是制造业升级的"基础设施投入"。

但要注意一个副作用:如果企业只为了达标而盲目采购非适配的国产软件,反而会造成资源浪费。正确做法是"先仿真验证,后批量采购"——选 1-2 台关键设备做 PoC,验证软件真的能解决你的工艺问题,再扩展到全厂。KPI 是手段,不是目的——目的是"工业软件真的产生价值"。

3. 选择有"Agent 接入路径"的国产软件
2025-2026 是 Agent 大爆发期,选软件要看"3 年内能不能接入自然语言"——这个判断比"看品牌、看案例"更重要。

4. 把"老师傅的知识"主动数字化
老师傅的"听声辨故障"等隐性知识,现在是国产工业软件的"最大资产"——主动建本体、主动录访谈,主动把知识变成公司的资产,而不是老师的私产。

5. 长期主义:5 年内的回报看得到,10 年后的回报才是核心
工业软件不是"一次性项目",是"持续运营的资产"——投入需要 5-10 年才有回报。

给政策制定者的 6 条建议

1. 设立"工业软件专项",支持求解器 / EDA 等"无人区"
求解器这种"商业模型不成立、但战略意义重大"的领域,不能靠市场,必须靠国家——设立 10 年专项,每年 50-100 亿投入,定向支持 3-5 家公司做透。

2. 严打盗版 + 政府采购优先正版
"严打盗版"是治标,"政府采购优先国产"是治本——政府、国企采购优先国产工业软件,既给国产软件收入,又逼国外厂商降价。

3. 把"工业知识沉淀"纳入产业政策
德国工业 4.0 的成功,核心不是技术,是"几十年沉淀的工业知识"。中国需要"工业知识数字化"的产业政策——把分散在几百万家工厂的 Know-how 沉淀成可复用的工业资产。

4. 推动"工业软件 Agent 化"的国家标准
LLM + 工业软件是国产换道超车的关键窗口。国家应该制定"工业软件 Agent 化"的国家标准,把"自然语言接口"作为国产软件的"必备能力",强制倒逼国产软件升级。

5. 设立"求解器专项"——但要"独立运营 + 里程碑付款"

方向对,但"怎么花"才是关键。历史上"核高基"重大专项投入数百亿,但工业软件领域收效甚微——因为钱大多给了高校和研究院所,论文发了不少,工业可用产品没出来。

正确做法是:

· 设立独立运营的攻关实体(不能是高校的事业部)

· 按里程碑付款(产品可用性 + 客户验证,而非论文数)

· 股权激励(让核心研发拿到股份,而不是体制内工资)

· 3-5 年周期,不过就换团队(避免"核高基化")

人才蓄水池是关键——专项的钱要有一部分用于"基础人才补贴":给做求解器的博士 30-50 万年薪补贴,吸引他们留在工业软件行业,而非转去做量化交易或互联网大厂。

没有 50 个顶尖博士,任何专项都不会成功——人才永远是第一要素,钱只是第二要素。

6. 设立"老工程师知识产权激励制度"——解决知识沉淀的归属问题

上文 §四 讲了"工业软件本质是知识",但老师傅不愿把知识沉淀进本体的根本原因,就是"利益归属"。

如果老师傅贡献的经验被数字化进了公司系统:

· 新人 2 周就能学会老师傅 30 年的本事

· 老师傅的"不可替代性"消失

· 老师傅的谈判筹码、工资溢价、退休返聘机会都受影响

没有"知识产权激励制度",老师傅只会"应付式配合"——把表面的、大家都知道的、写进操作手册的东西给你,真正的"听声辨故障"等隐性知识,藏着。

正确做法是:知识产权激励 + 分成机制:

1. 贡献认定:老师傅贡献的每条经验,在本体里标注"XX 师傅贡献"

2. 长期分成:经验被系统调用 1 次,师傅拿 0.5-2 元分成(参考前文数据要素确权与调用分成机制)

3. 退休后持续:经验在本体里长期有效,师傅退休后继续拿分成

4. 师徒带教奖励:师傅带徒弟贡献经验,带教奖励 +50%

这才是"知识沉淀"的根本激励——让老师傅从"被萃取者"变成"终身股东",他才会愿意把真本事交出来。

七、写在最后:中国工业软件的"求解器突围"

30 年来,中国工业软件的"求解器"问题没人真正解决。

不是因为没人做——是因为做求解器不赚钱、没生态、没人用。

但 2025-2026 这个时间点,有 3 个变化同时发生:

1. Agent + LLM让工业软件"易用性"被重写,国产软件获得弯道超车机会

2. PINN 等物理 AI让求解器的"快速代理模型"成为可能,绕开几十年的代码积累

3. 国产化政策+ 合规化要求,工业软件正版化和国产替代成为"必选项"

这 3 个变化叠加,是中国工业软件 30 年来最大的"求解器突围"窗口。

中国做不出自己的 SOLIDWORKS?——也许是的。但中国能不能做出一套"AI 驱动的、工业知识沉淀的、Agent 化的国产工业软件"?

答案是:有戏。但需要 5 年、10 年的长期投入,需要政策、资本、用户三方合力,需要"求解器之殇"的代际解决。

别再让下一代老师傅退休时,带走的不仅是经验,还有中国工业软件的下一个 10 年。