

编辑:前沿在线 编辑部
过去两年,AI 的手伸出了屏幕。
机械手在产线上分拣,人形机器人学着搬箱子,自动驾驶把车开上马路。
这些活看着不一样,对象大多有一个共同点:已经在那里。
AI 要做的,是看懂它、抓住它,把它挪到该去的地方。
造物不是这样。
对象还不存在,得先被想出来:结构怎么定,零件怎么配,公差怎么给,做不做得出来。
机器人干活,难在感知、规划、控制要一起对上;造物要过的关不一样,是结构、配合、公差先在纸上成立。

屏幕里可以推倒重来,到了车间,公差是按毫米甚至更小的单位算的。
所以进车间之前,得把配合和公差先算准。
这段活至今由工程师在专业软件里手工推。
一台发动机从方案走到能投产,周期以月甚至年计;单是围绕某一版结构反复推敲、验证、改图,也常以周计。
快不起来,也错不起。
支撑这类工作的工具,叫工业软件。过去不是没有 AI 想挤进来,结果大多停在边缘,没摸到设计的核心。
而现在,这扇门,松动了。
子虔科技(ZIXEL)成立于 2020 年,总部位于上海,是一家做 AI 原生工业研发平台的公司,产品分国内 ZIXEL 和海外 zCAD 两条线。

子虔科技完成新一轮融资,由宁德时代独家战略投资,宁德时代以自身主体直接投资。这笔钱主要投向 AI 研发能力提升、全球市场拓展和细分行业知识积累。

一家电池巨头,为什么押注一家做研发设计的公司?
公开信息里没有答案。放到产业里看,动力电池的竞争早就不只在产能,产品怎么定义、结构怎么设计、能不能造,越早定下来,成本和报价的空间越大。
研发设计阶段决定成本的大部分,这条逻辑对电池厂同样成立。至于这笔投资押的是不是还有更远的一层,把研发侧的工程数据和制造侧的要求打通,只有两家自己清楚。
它想做的事,一句话讲,是让 AI 学会真正的工程设计。
它给这件事起了个名字,叫“光速造物”,意思是让产品从想法走到能制造,这段路走得更快。

这两年,声称用 AI 做设计的公司不少。但几乎都绕不开同一个问题:
AI 生成的 3D 造型,和工厂真正能拿去生产的东西,根本不是一回事。

一张图值多少钱:工厂只认能造的那张
我们平时看到的 AI 生成 3D 内容,大多是一种叫网格(Mesh)的东西:用无数细小的面片,拼出一个立体的形状。它像一件雕塑,远看轮廓和质感都逼真。
问题出在表示方式上。这类 3D 内容用三角面片去逼近外形,面片越密越像,几何精度却是逼出来的:一个圆孔在网格里是一圈多边形,量不出一个准确的半径,改一处尺寸往往要重新处理一整片区域。

工厂要的,是一份能直接拿去排工艺、编加工程序的文件,通常是 STEP 格式的三维模型,再加一份标好尺寸和公差的工程图。网格文件很难直接进这道流程。
CAD 模型给的是精确几何:尺寸量出来就是准确值,边界由面、边、顶点定义清楚,后面的工程图、公差标注和加工程序都从它往下走。
改起来方便,靠的是另一套数据。
用参数和步骤搭出来的模型,也就是参数化建模,会把约束关系和特征历史一起存进原生文件,改一个尺寸能带动整条链路更新。
导出成 STEP,几何和装配结构都在,尺寸和公差也能带,丢的是参数、约束和特征树。工厂要的是模型加图纸,这些动手记录只留给设计端改模型。
难的地方还在下一层。
就算把目标定成 CAD 实体,让 AI 直接生成也不容易。
工业 CAD 用的是 B-rep,也就是边界表示,用面、边、顶点精确描述一个实体的边界。面接不上、曲面接不顺、出现自交,几何内核就判它不是有效实体。
内核还负责布尔运算、曲面求交这些底层构造,判断只是它的一项工作。
2025 年发表在 ACM Transactions on Graphics 上的一篇论文给过一组参考数字。研究者用几何内核的有效性检查做评测:现有方法直接生成的结果,能通过的只有一半左右;他们的新方法提到了八成多。
这还是在表面只有 30 来个面的简单零件上,换到更复杂的数据集,新方法也只剩六成左右。
这里考的是几何有效性,不是能不能造。
而单个零件生成出来,还不够。真实的机械产品,大多是多个零件组成的装配体。
一台发动机有上百个零件,各有分工:活塞和气缸之间留多少间隙,齿轮怎么咬合,曲轴转起来整套机构怎么联动,都有严格的配合关系。
哪里对不上,可能装不进去,可能转不动,也可能装上没多久就磨坏。

整机比单个零件难得多。
这么多配合关系要同时成立,靠模型一次生成就全部对上,很难。
所以 AI 进工业设计,要看的是模型能不能造、能不能装,装上以后能不能正常运转。
那么,它是怎么做的?

秘密藏在 2020 年:先让机器记住“为什么这么设计”
这家公司 2020 年刚成立时,做的第一件事,不是 AI。
它当时的项目叫 Mechanical Design Automation,机械设计自动化,要解决的是把工程师设计和验证的过程,存成机器能理解的样子。

Transformer 这个架构 2017 年就提出来了,今天的大模型基本都建在它上面。
但那几年,大模型还读不懂这类结构化信息。等到多模态和工具调用能力起来,早年埋下的底子,才真正接上了 AI。
这个先后顺序,是它和多数工具分野的起点。
今天的很多 AI 设计工具,都能读模型、也能生成模型,但它们从用户手里接到的,大多只有 STEP 这类结果文件。
STEP 是通用的交换格式,方便流转,也能装下几何形状、装配结构,甚至尺寸和公差。可设计过程中那些“为什么这么做”的信息,比如为什么加这道筋、为什么选这个尺寸,留不住。
所以 AI 拿到的,是一个没有上下文的结果。
从 2020 年起,子虔科技就用本体论的方式记录整个过程。
所谓本体论,可以理解成一套给机器用的知识结构,把零件、装配关系、设计意图、验证结果全部关联起来。
这样一来,模型能读到的不只是外形,还有这些过程记录:改过什么、为什么改、验证过什么。
在它的平台里,输入一段文字描述,或者直接给一张参考图,系统会生成按装配关系组织起来的装配体,而不是几个孤立的零件。这类输入是参考图和描述,不是工程图纸。

一个五零件的小装配体,两三分钟就能完成。
产物不是网格(Mesh),是标准的 CAD 实体:几何精确,装配体按层级组织起来。
一台 E4 2.0L 四缸 DOHC 发动机就是这样来的。
DOHC 指双顶置凸轮轴,两根凸轮轴分别管进气门和排气门,是这类发动机最常见的配气结构。
这台发动机值得看的地方,不在它画得多细。四缸、十六个气门、双顶置凸轮轴,这些结构本身早就不新鲜,难的是让它们在模型里按真实关系咬合。

E4 2.0L 四缸 DOHC 发动机装配体与运动仿真界面。图:子虔科技
左侧的结构树按装配层级展开,缸盖与配气支承、进排气凸轮轴、十六组气门挺柱,一层层挂着。
谁装在谁身上,在生成的时候就按装配关系组织好了,不用事后补。
给曲轴一个旋转驱动,给一个转速,活塞、连杆、凸轮轴、气门挺柱按设定的运动关系联动。
其实发动机设计的难处不在零件多,而在于气门什么时候开合、曲轴转到哪个角度、活塞走到哪个位置,这些都得一起对上。
这台发动机的起点,是一段文字和一张参考图。终点,是一个能测量、能改、能继续往下走的装配体。

这也意味着,AI 交出的不只是一个看起来像发动机的三维外形,更是一份能继续往下做的设计基础。
类似的还有 A4 纵置液力自动变速器,铸造壳体里装着液压阀体、锁止式液力变矩器、行星齿轮组。

而相比外部造型,这类复杂机械产品更值得关注的,是隐藏在壳体内部的零件结构与装配关系。
这才是真正的挑战。
能生成外形的工具不少,能把设计意图一起带进下一个环节的,很少。

一张图进去,20 分钟出来:“造物”的计时单位变了
只做到“能生成”,还不够。
更难的一步,是把 AI 能力和工业工具链焊到一起。
这个时机落在现在,不是偶然。
一方面,多模态模型和工具调用能力,让 AI 开始能读懂设计要求、自己规划建模步骤,再进到专业软件里操作;
另一方面,工业软件这些年攒下的几何内核、参数化模型和工程数据,开始成为 AI 能直接借力的基础。
两件事单独看都不新鲜,凑到一起,才轮到路线之争。
行业里的玩家,大致是两条路。
老牌工业软件厂商,工具链成熟、工程能力深厚,但底层是在 AI 时代之前搭起来的,要改就得动根基。各家改造成本不同,共同点是这套体系不是按 AI 的用法长的。
另一类是海外的 AI 原生创业公司,路线各不相同:有的直接训练理解三维几何的基础模型,有的自研几何内核、把建模能力和智能体一起做成可调用的服务,有的在既有 CAD 里替工程师操作,还有的先在企业零件库里找已验证的方案,找不到再生成新的。
这些公司大多从生成这一端切入。
几何、装配、工艺各解决一段,企业要把结果接进自己的研发体系,通常还得再拼一轮。
子虔科技走的是第三条:两样都要。工业级的工具链,AI 原生的底座。

这条路难走。
它要求一家公司同时具备两种完全不同的能力,而这两种能力在行业里通常分属两拨人。
跟常见做法比起来,顺序是反的:先做工程决策,解析工程条件、规划好建模顺序和参考,再生成几何和装配配合。
生成之后,模型始终可改。
改一个尺寸,装配体跟着更新,改动大了,配合仍要重新核一遍;也可以一句话下指令,比如“把高度改成 55 毫米,保留底板孔位”,底板孔位这类配合关系原样不动。
从生成到出图,往下接工艺,中间不用换软件。
模型可以导出成 STEP 交给别的 CAD,也可以留在 zCAD Online 里继续建模、出图,整套流程在浏览器里跑完,机器上不用装客户端。

传统流程里,一个模型从生成到能交付,要穿过好几个软件,每跨一次,能带过去的东西就少一些:设计历史、零件之间的关联、当初为什么这么定的上下文。
越来越多 CAD 在自己的流程里接 AI,常见的做法还是把生成结果导进来再加工;zCAD Online 从生成那一步就在流程里,中间不换软件,也不换人。
最能说明问题的是速度。
同一个模型,用 zCAD.AI,大约 20 分钟就能完成;
让大模型去操作传统设计软件来做,往往要两三个小时。
这组对比来自子虔科技,比的是两种 AI 工作流,不是人和 AI 比,也不含人工修图的时间。
差距不在模型跑得多快,在于路的走法不同:前者在一个底座里把决策、建模、装配一次走完,后者要把大模型和传统软件来回接,时间耗在衔接、转换和返工上。
放到研发节奏里,单次尝试从小时级压到分钟级,一天能走的轮次能翻好几倍;至于整条链路的提速,还要看评审、改图和试验跟不跟得上。
20 分钟这个数字,让“光速造物”第一次有了刻度。
它管的是生成这一环:一天能试的版本,从个位数变成十次上下。至于一个型号走完从方案到量产,那是另一条时间线。
现实里的研发,很少一次成型。
先设计,再验证,发现问题就回头改,如此反复。
这个循环转得越快,同样的时间里能试的方案就越多,问题发现得越早,后面返工的代价越小。
“光速造物”要压缩的,正是这段反复。
先缩短的是这一段,整条周期还得等别的环节跟上。
常见的 AI 更像助手,zCAD 的 AI 更像入口。
助手是你定好了它帮你画,入口是它先替你定怎么画,再交给你改。位置往前挪一步,人在流程里的角色就跟着变。
海外的反应,比预想来得快。
zCAD.AI 在 2026 年 10 月 24 日发布,当天就登上 Product Hunt 日榜第一。

上线两周多,用户已经覆盖八十多个国家和地区,大约两成新用户来自 ChatGPT 推荐。这些数据截至 2026 年 11 月上旬。
这不意味着 AI 要取代工程师。
它接走的是重复的、需要海量计算和验证的部分,而决策、取舍和经验,仍然牢牢握在人手里。
这条路要成立,有两件事不能做:把一个建模工具当成全部,或者做一个只服务演示的 AI。
前者要跟做了几十年的老牌厂商正面撞,后者撑不过第一次真实改型。
海外的 zCAD.AI 展示的是 AI 怎么改变机械设计的起点。
在国内,这家公司还在推一件更慢的事:把建模、研发数据管理、工艺编制和跨部门协作,装进同一套工程数据体系。
制造企业长期卡在这里:设计改了一版,工艺、项目和车间能不能及时拿到正确的模型和版本;上一次验证过的方案、改过的记录,下一次研发能不能直接调出来用。
这些过程要是能持续留下结构化数据,AI 后面能接的活就不只是生成模型,还包括设计规范检查、工程图标注、装配指导书。

ZIXEL 工程智能产品矩阵,自下而上四层。图:子虔科技

历史性跨越!工程经验,开始被 AI 继承
这一步一旦迈过去,AI 和制造业的关系就要改写。
过去几十年,工厂里最值钱的东西从来不是机器,是人。
是那个干了二十年的老师傅,是他脑子里“这道筋为什么加”的直觉,是他一句话就能避开的一次改型返工。
现在,这些正在被一条一条写成数据。
一台发动机,从一段文字到能跑能转的装配体,20 分钟。
这不是渲染图,是一次真跑出来的结果。
值得记住的是,AI 开始从设计这一端伸手了。
它要交出去的东西,有重量、有材料、会卡死、会失效。屏幕里错了随时撤销;等真去造,错一次,零件就装不上。
这家公司把这个方向叫 Dream loop。
按它的设想,未来的 AI CAD 不只是一个会生成模型的工具,而是把 AI 模型、CAD 工具、企业数据、工程规则和人工审核组织到一起的工程执行框架。
模型生成完之后往下走的每一步,都留在同一个上下文里。
如果这条路真的走通,被改写的不是某一家公司的订单,而是工程经验的传承方式:经验不再随人老去,而是随模型生长。
这套框架要实现的是底座级别的能力,只能一个行业一个行业地长。
作为 AI 原生工业研发平台,子虔科技(ZIXEL)瞄准的位置,是成为全球制造业的 AI 研发底座。汽车、通用机械、消费电子的零件体系和验证习惯各不相同,跨行业复用的难度不比建模本身低。
AI 走进物理世界的这一步才刚迈出。
生成一台发动机的装配模型,今天已经不是问题;从模型到能长期运转的产品,中间还隔着材料、公差、工艺和可靠性验证。
AI 在这里是工程经验的载体,不是工程师的替代。
这一轮的分水岭,不在谁的模型生成得更快,在谁手里握着更多可用的工程上下文。前者会越来越便宜,后者只能一年一年攒。
造物的门槛,正在被重新定义。

END –
