在欧洲的奔驰车间，一批制造装备的设计方案出自一家中国 AI 公司之手，北美特斯拉的超级工厂里也运转着它设计的设备。

这家 AI 公司叫设序科技，目标是做 " 工业界的 Anthropic" —— Anthropic 教会了 AI 写代码，设序科技则要教 AI 造机器。名字可能听起来陌生，但已经完成了六轮融资，累计金额超 3 亿元，上半年刚完成 B 轮超亿元。

众所周知，Anthropic 的 Claude 根据一句需求生成软件代码，设序科技的 " 则形 AI" 则会根据需求直接生成完整的工业设计方案。过去需要花费工程师几十个小时完成的方案，" 则形 AI" 几分钟就能生成一版。

据悉，最新的 B 轮融资既有深产投、广发信德等新投资方加入，也有老股东涌铧投资的持续加码。回溯设序科技的股东名单，既有险峰长青、高榕创投、阿米巴资本等财务投资机构，也有字节跳动、联想创投、中芯聚源等产业资本——典型的 " 财务 + 产业 " 双轮驱动的组合。

但真正让投资人掏出真金白银的并非一个 AI 概念，而是实打实的业务。设序科技自 2022 年商业化以来年均营收增速一直在 80% 以上，今年合同额预计近 2 亿元，较去年基本翻番。

翻开设序科技的客户名单，既有头部的国央企如东风、中车、商飞，也有多家知名外资企业和数百家集成商和设计公司，总客户数量近 1000 家。

这些工业客户身后是一个庞大而沉默的群体——全球 900 万工业工程师。设序科技所瞄准的正是他们每年上万亿的设计产出。

AI 改造硬件工程

万亿赛道爆发

设序科技要做的并非一款 " 更聪明的 CAD 工具 "，而是一个 "AI 工业智能体 "。两者的区别就像 Anthropic 的 Claude 和一款代码编辑器——前者卖的是 " 智能 "，后者卖的是 " 工具 "。

在设序科技的产品逻辑里，与其说客户是为软件 license 买单，不如说是为 " 生成即可用 " 的结果付费。类似于主流大模型按 token 计价的模式，公司软件和服务按照生成的方案和图纸数量定价，客户直接为结果买单。

这意味着，传统工业研发设计软件 CAD、CAE 的工具市场并非设序科技的目标，这些工具背后全球约 900 万工业工程师的硬件工程产出才是，每年规模超 3.6 万亿。仅在中国工业工程师就有 200 多万人，硬件工程的产出值至少在 5000 亿以上。

硬件工程即把工业品从想法变成实物的过程，涵盖工业设计、模拟仿真、工艺规划到生产制造的全流程。如果说写代码是告诉电脑 " 怎么想、怎么做 "，那么硬件工程就是告诉工厂 " 一台机器该长什么样、该怎么造出来 "。

今天，AI 在国内硬件工程里的渗透率只有不到 1%，在工业设计环节服务的市场不到 50 亿元。一旦渗透率爬坡到 10%，市场的天花板就能达到 500 亿元——传统 CAD 市场的数倍。如果再把工艺规划、制造仿真一并打通，空间还会翻倍到千亿量级。

无疑，设序科技正站在这条渗透率曲线的起点，一场 AI 改造传统硬件工程的变革徐徐展开。

同济博士带队

要做 " 工业界 Anthropic"

设序科技背后的掌舵人是一位同济校友。

吴泳荣，同济大学博士，研究方向是先进制造——一个人工智能与机械工程交叉的硬核学科。读博最后阶段，他到美国通用的底特律全球研发中心做了两年访问学者，期间天天泡在工厂里，见识了堪称全球最先进的自动化产线。

正是在那里，他产生了一个挥之不去的疑问：车间里的生产制造已被工业机器人扛下大半，但办公室的设计工程师们还在用 CAD 工具一个点、一条线地手工建模，效率低也毫无乐趣。

直觉告诉吴泳荣，也许能用 AI 改造传统的 CAD 工具。但当时 AI 技术还不成熟，美国工业数据又稀少，念头只能停在理论阶段。

2016 年回国后，吴泳荣加入蔚来汽车，负责 AI 在工厂的应用，亲眼见识了制造工程师和设计工程师为制造环节的问题争执不下，最后只能发布一纸 " 设计变更 " 重做方案。" 如果设计一开始就考虑制造就能避免反复修改。现有工具做不到，但 AI 能。" 这个念头成了设序科技最原始的起点。

离开蔚来汽车后，吴泳荣于 2020 年创立了设序科技，将用 AI 生成工业设计的理念付诸实践，当年就拿下险峰长青、高榕资本、联想创投联合投资的数千万元天使轮。

" 起初，我们只是想用 AI 把设计工程师从手工画图里解放出来，但越往工业场景深处做，越发现工业设计是硬件工程中一切数据的源头，牵一发动全身。后来团队下定决心，从整个硬件工程的角度来搭建数据结构、模型架构，以满足工业 B 端客户的要求。"吴泳荣坦言。

最初数年，设序科技完全凭借自研的 AI 模型和产品完成了商业化落地。" 当时 AI 生成式工业设计在全球范围内还是一个全新的赛道，连研究 paper 都很少，只能摸着石头过河。" 吴泳荣总结道。

真正让团队把定位从 " 做一款工具 " 升级为 " 时代机会 " 的是一个逐渐清晰的发现——工业设计对 AI 的要求和软件工程对 AI 的要求惊人地一致。

对此吴泳荣解释道："Claude 聚焦软件工程的 B 端服务，核心要求是结果精准、安全可控、可解释，这与工业客户对硬件设计的核心诉求完全一致。" 原因很简单：图纸差 0.1 毫米就是几十万的报废，所以必须精准；方案要能直接落地，所以必须可控；出了问题要知道为什么，所以必须可解释。两者不谋而合。

Anthropic 有条 " 宪法 AI"：把价值观和安全准则像宪法一样原生嵌入模型训练底层，让输出始终被规则约束。这同样与设序科技自研多年的模型逻辑高度契合。团队做的是同一件事——把力学标准、工艺约束、装配规范，一条条写进工业模型的训练底层。

换言之，设序科技要做的正是像 Anthropic 重塑软件工程那样，用 AI 重塑硬件工程。

教 AI 造机器

比教 AI 写代码难在哪？

软件工程已经实现了代码生成，为什么硬件工程却迟迟没有迎来 "Claude 时刻 "？

要回答这一问题，吴泳荣认为首先应明白二者的差异。Claude 能够快速吃透软件代码，核心原因是代码逻辑与大模型训练的文本模态高度契合，属于离散 Token 逻辑，文本离散的 Token 生成范式完美适配代码。

而工业硬件设计完全是另一套逻辑。它不只是简单的尺寸几何建模，还需要同步完成物理性能判断、加工工艺适配等多维连续决策，天然不能把所有维度的数据全部类文本离散 Token 化。这也让工业 AI 的智能化难度远高于软件 AI。

此外，二者面对的物理环境也不相同——软件代码运行在标准化虚拟环境中，规则统一、容错率高、试错成本极低，模型容易学习、快速迭代；工业设计面对的是真实物理世界，必须严格遵循力学、公差、装配、工艺等客观工程约束，几乎没有容错空间。图纸的微小误差都会直接导致加工报废、装配干涉、工期延误甚至安全隐患。

如果简单套用通用大模型，因其本身缺乏工业底层认知，极易产生 " 工业幻觉 "，输出看似合理实则无法落地的方案。

针对通用大模型的短板，设序科技自研了实体几何物理基础模型。不同于通用模型 " 看图猜结构 "，该模型从硬件实体模态出发，提前掌握零件公差、装配边界、加工条件等底层逻辑，从源头杜绝违背物理规律的无效设计，保障输出方案可直接落地。

" 我们希望生成可以直接交付甚至加工制造的设计方案，而不是在投入大量 token 和等待时间后靠模型去猜。" 吴泳荣表示。公司的硬件实体模态具备对制造要求和物理规律的理解，因此工程师只用提出需求而无须为模型兜底。

为搭建这套工业专属模型，团队建立了覆盖产品全生命周期的工业定义体系，囊括几何参数、尺寸公差、材料属性、加工基准、装配逻辑、力学标准等核心维度，为每类零件建立完整的工程 " 身份档案 "。

所有规则与模型逻辑不依赖公开数据，全部依托真实工业项目反复校验、迭代打磨，彻底解决通用 AI 的幻觉问题，形成适配高端制造的成熟技术体系。

吴泳荣坦言：" 这个过程极度磨人，非常考验团队对工业场景的深耕认知和 AI 技术的底层 knowhow，不仅要精准拆解工业设计的各类核心维度，更要深入真实项目反复验证优化，吹尽狂沙始到金。"

经过多年全场景打磨，公司形成了成熟、可落地的模型与应用体系。模型架构搭建上，设序科技找到了高度适配的行业参照—— Anthropic 的 " 宪法 AI"。

" 我们早期自主迭代模型的核心逻辑与 Anthropic 宪法 AI 的底层理念高度契合。" 吴泳荣表示，Claude 聚焦软件工程 B 端服务，核心要求是结果精准、安全可控、可解释，这与工业客户对硬件设计的核心诉求完全一致。

基于此，设序科技打造出专属的工业版宪法 AI，将力学标准、工艺约束、装配规范等工程准则原生嵌入模型训练底层，实现低幻觉、高稳定、强可控的工业 AI 设计能力。

每天数万张图纸

一个数据飞轮成型

模型之上，设序科技已经做出了真正的产品。

其基于 " 则形 AI" 打造的 AI Agent 已经覆盖了多家车企及其装备集成商，并逐步延伸到 3C、能源、航空、轨道交通等更广泛的工业场景。据吴泳荣介绍，设序科技现有近千家 B 端用户，每天在云端生成的 3D 模型和 2D 图纸数以万计。

这些 Agent 真正的价值不止于 " 帮客户画图 "，更在于反过来喂养了模型。

正如吴泳荣介绍，工业数据是用出来的。单向的数据采集不可持续，真实性和完整性也无法验证。只有让 AI Agent 真正跑在客户的生产流程里，才会源源不断地产生带 " 真值 " 的工业数据——几何、物理、工艺信息，连同真实制造偏差、接触微变形等客观误差一起沉淀下来。" 数年积累下来，我们可能是目前拥有工业真值数据最多的企业。"

拿到数据后还需经过处理才能供模型学习和推理使用。为此，设序科技搭建了一套标准化的工业数据转化管道，将真实设计场景中产生的工业真值数据统一清洗、校验、模态对齐，进一步提高数据的使用效率。

如此形成一个数据飞轮——产品用得越多、数据越多，数据越多、模型越强，模型越强、能接的场景越通用，客户用得就越多。这是一条 " 场景使用→数据积累→模型认知升级 " 的永久正向循环。

AI 硬件工程时代

拉开序幕

这是数十年一遇的行业变革机遇。

设序科技下一阶段的商业重点，是尽快将 AI 在硬件工程里的渗透率曲线拉起来：既要提升行业渗透率，让更多企业用上 AI 设计，也要提升使用者的智能渗透率，让工程师把更多设计环节交给 AI。

" 我们核心关注的是两个北极星指标：一是 AI 在设计中的参与度，二是使用 AI 生成工业设计的数量。前者目标是三年内提升到 80% 以上，后者目标是每年翻一到两倍。"

吴泳荣的判断是，一旦 AI 的设计能力突破某个参与度的 " 奇点 "，设计这件事的成本会呈指数级下降，需求则会迎来爆发式增长——一个参照是 Claude 之于软件工程。

而这条路也正好踩在国家战略的方向上—— " 十五五 " 规划已经把工业软件列为科技自立自强的核心，工信部首次把 " 基于大模型的零部件设计软件 "、" 结构仿真智能软件 " 列入了揭榜攻关方向。政策明确提出聚焦 "AI+ 设计 "，推进 "AI+ 工业设计 " 与高端装备制造等相关产业融合创新。

长期身处 AI 和工业产业一线，吴泳荣始终认为，下一代的 AI 工业设计软件应该由中国企业来定义和搭建。" 中国有全世界最大的工业产能、最齐全的工业场景、最丰富的工业数据，但使用的传统工业软件都是西方定义和提供的。这一次，AI 技术的进步提供了一个绝佳的时代机遇。"

如果说 Claude 是 AI 软件工程的经典范式，设序科技想要交出的，就是 AI 硬件工程的中国答案。

文章来源：投资界原创 ｜ 作者：余梦莹

原文地址：https://news.pedaily.cn/202609/569177.shtml

【本文为投资界原创，网页转载须在文首注明来源投资界（微信公众号 ID：PEdaily2012）及作者。微信转载请在原文评论区联系授权，违者必究。免责声明：本文不构成任何投资建议。市场有风险，投资需谨慎。】