中國 3D CAD 的突圍之路：當 AI 開始挑戰幾何內核，這件事該怎麼看

2026 年 10 月 16 日，掘金平臺上一位署名 mlightcad、自述在 CAD 產業工作二十年的作者，發表了一篇長文，談中國 3D CAD 軟體為什麼長期難以在核心技術上突破，以及最近兩件事讓他重新思考這個局面。這篇文章沒有炒短線消息，而是把幾十年的產業脈絡攤開來講，值得慢慢讀。

先說這篇文章的核心判斷：國產 3D CAD 在應用層有不少成績，但在最核心的幾何建模內核與約束求解器上，與國外頂尖產品差距仍然明顯。而最近兩件事，NVIDIA 開源 Omniverse 使用的 USD BRep 幾何建模庫，以及 AI 協助開發者從零打造新的 3D CAD 內核（包括一些以 Rust 語言撰寫的專案），可能正在改變這場競爭的成本結構。作者也說得很保守：可能性不等於勝利。

先弄懂：什麼是幾何內核，為什麼它這麼難

如果你把一套機械 3D CAD 軟體想成一座大樓，選單、建模指令、工程圖功能是看得到的部分；真正決定這棟樓能蓋多高的，是埋在地底的基礎。作者點名兩項最關鍵的基礎設施：幾何建模內核，以及約束求解器。

幾何內核要處理的問題，聽起來簡單，做起來極難。兩個實體做布林運算（聯集、差集之類的組合操作），能不能得到正確結果？複雜零件邊緣倒圓角，能不能穩定完成？模型經過幾十次特徵操作後，拓撲關係（面、邊、頂點之間的連接結構）是否仍然正確？用戶改了一個早期尺寸，後面幾百個特徵能不能正確更新？

難的地方在於，簡單模型上這些都不是問題；一旦曲面退化、幾何關係逼近奇異狀態、用戶連續大量編輯，情況就完全不同。一個布林運算失敗在示範案例裡只是小瑕疵，發生在複雜模具或大型裝配中，就可能卡住整條設計流程。

約束求解器的處境類似。草圖裡兩條線加上平行、垂直、相切與尺寸約束，看起來不難；但約束數量一多，出現冗餘、衝突、欠約束甚至多解時，求解器就需要很強的數學能力與工程穩定性。

作者有句話講得很準：真正的壁壘，不是能不能做出一個圓角，而是當用戶把一個複雜模型折騰了十年、累積幾千個特徵之後，你還能不能讓它可靠地工作。而這種可靠性，需要大量邊界情況處理、容差管理、拓撲修復和長期回歸測試，很難靠幾個漂亮展示案例證明。

國產廠商走過的三條路

文章整理了過去中國廠商嘗試過的路線。

第一條是收購技術再持續研發。中望在 2010 年收購美國 VX Corporation，在此基礎上發展 ZW3D，其 Overdrive 內核源自收購來的技術與團隊。好處是不必從零開始；但收購只能縮短起跑距離，買不到幾十年的持續迭代成果，後續仍需大量投入才能擴充演算法覆蓋、提升複雜模型穩定性。

第二條是購買成熟產品的源碼，在既有產品上繼續開發，例如新迪等廠商。作者提醒，這類交易到底包含什麼必須具體分析：應用層源碼、幾何內核、約束求解器、底層依賴與長期維護權，並不是一回事。如果核心內核仍依賴外部供應商，自主可控程度就有限。不過他也承認，基於外部內核做出穩定、有差異化的產品，本身是合理的商業策略，只是若目標是突破最核心的技術依賴，只掌握上層應用還不夠。

第三條是利用歷史代碼與技術積累。文中提到諾源相關技術常被認為與 Siemens I-deas 的歷史代碼有關。這類路線的價值在於，即使技術年代較早，歷史代碼裡仍可能沉澱大量幾何演算法經驗。（來源內文在此處截斷，後續細節無法確認。）

為什麼 AI 可能改變成本結構

文章真正的轉折點在於：過去這種差距可能需要很長時間才能彌補，但 AI 正在改變「補課」的成本。

傳統路徑下，內核的成熟靠的是幾十年、成千上萬真實用戶操作中暴露問題、修復問題的積累。這種積累很難花錢加速。但作者觀察到，AI 已經在協助開發者從頭建構新的 3D CAD 內核與應用，一些基於 Rust 的專案已展示出不錯進展；加上 NVIDIA 開源 USD BRep 幾何建模庫，讓原本封閉的基礎元件變成可以研究、複用、貢獻的公共資源。

換句話說，突圍未必需要完全沿著過去國外大廠走過的路重走一遍。AI 降低了撰寫與驗證幾何演算法的人力門檻，開源降低了接觸成熟實作的門檻，兩者疊加，可能讓新進者用不同於以往的節奏累積核心能力。

讀這篇文章時，值得保持的幾分保留

作者的資歷（自述二十年產業經驗）讓這篇文章的產業判斷有參考價值，但它畢竟是一篇個人觀點長文，不是研究報告。幾個地方建議你自己留個心眼：

「不錯的進展」的衡量標準，文中沒有給出。前面才說過，內核的成敗在於數千特徵、十年編輯之後的可靠性，而新專案恰恰最缺的就是這種時間檢驗。AI 能加速寫代碼，但回歸測試要涵蓋的複雜模型多樣性，仍然需要真實世界的使用回饋。

開源不等於追平。USD BRep 開源降低了入場券價格，但國外商業內核在穩定性與生態上的領先，不會因為開源而出現等量移轉。

路線圖不等於時程表。作者自己也說「可能性不等於勝利」，這句話值得當成整篇文章的定錨，而不是只記住前面比較樂觀的部分。

這篇長文值得一讀的地方，在於它把「為什麼難」講得比「什麼時候會成」誠實得多。對關注軟體產業或 AI 實際落地的你來說，這是一個觀察 AI 改變工程成本結構的具體案例，只是這場突圍究竟會走到哪裡，現在還沒有人能給出答案。