工业 Agent 正在从知识库问答，进入 CAD、CAE 等研发设计核心环节。AI 越深入核心业务，通用能力就越难直接复用。同样使用 CATIA 软件，航空设计与汽车设计面对的对象、流程和知识体系并不相同；同样是审图，不同企业关心的规则、风险和验收标准也很难直接复制。

这意味着，工业 AI 不能只在通用模型或单点工具上做文章。它既要深入业务，又要用平台承接场景差异；既要让智能体调用工业软件，也要把分散在企业内部的经验、标准和流程组织成机器可使用的知识。

行云创新成立于 2016 年，早期聚焦云原生平台与企业软件研发，近年来将业务延伸至工业智能设计与仿真，行云创新 CEO 马洪喜将这种业务延伸概括为：" 云是通解，但 AI 一定是特解。"

马洪喜认为，工业智能体不只是工业软件右侧的一个对话框，而会逐步站到业务流程之前，组织 CAD、CAE、PLM、ERP 等系统共同完成任务；而决定工业 AI 准确性和长期价值的关键，也不只是模型能力，而是企业能否建立持续更新、可以被智能体调用的知识体系。

本次访谈，围绕工业 AI 的切入路径、平台与场景的关系、智能体对工业软件的影响，以及知识图谱与模型的边界，爱分析与马洪喜展开了交流。

核心观点

云计算可以通过技术通解服务不同行业，工业 AI 则必须深入具体业务。

行云创新选择 CAD、CAE，是因为它们处于产品研发的核心环节，价值高、门槛也高。

工业 AI 的规模化来自平台、工具和行业 Know-how。

场景千差万别，底层能力和半成品方案可以持续复用。

工业智能体不会长期停留在单个软件的侧边栏中。

随着自然语言交互和多智能体协作成熟，用户会更多关注业务结果与流程，底层工业软件的操作界面和品牌存在感可能下降。

工业 AI 的精度由工具链和知识图谱共同决定。

专为 AI 打造的 500 多个 CAD 工具（AI Friendly Tools ) 负责执行，知识图谱提供确定的规则和任务拆解。

企业自己的知识体系将成为工业 AI 核心壁垒。

经营、生产和工程经验沉淀为私有知识，形成企业之间的能力差异。

以下为本次访谈实录，在不改变原意基础上略有修改。

01

AI 必须进入业务，CAD、CAE 是绕不开的硬骨头

爱分析：行云创新过去以云原生平台为主，为什么进入工业 AI？

马洪喜：行云创新成立至今正好十年，过去一直做云计算，服务 To B 客户，更多和企业 IT 部门打交道，帮助客户建设云原生平台。

到了大模型和智能体时代，原来的应用正在变成智能体，企业的软件研发方式也随之变化。因此，我们一条线继续推动 CloudOS 向 AI CloudOS 演进，解决 AI Coding 如何从个人工具走向数百人、上千人的企业级应用，另一条线则是思考智能体如何真正进入行业。

这两条线背后有一个很大的差别。云计算可以提供技术通解：你过去服务汽车行业，到了金融行业，多集群、多云调度、高可用等技术经验仍然能够复用。但 AI 不一样，AI 要解决的是业务问题。至少在我看来，云是通解，但 AI 一定是特解。

之所以选择工业，首先国家一直在推动人工智能与制造业深度融合，其次，我们服务过大量工业客户，对行业比较了解；再次，我本人学机械工程，团队中也有不少工科背景的人。

还有一点很重要，这件事有门槛。我们希望做一件难而有价值的事，而不是做一个很容易被复制的应用。过去十年积累的云原生、平台工程和企业服务能力，也为我们进入工业打下了基础。

爱分析：在工业众多环节中，为何选定研发设计方向？

马洪喜：我们是全球制造大国，过去生产端痛点最迫切，补齐制造产能后，进一步发展需要更多考虑什么呢？虽然研发设计软件起步晚，早期被国外软件占领市场，现在的变化：AI 会助力我国在往研发设计端加速补齐，产能上来了，研发设计软件的价值是 " 做更好的新产品 "，是更有价值的提升精益经营。

我把制造业中的 AI 应用大致分成两个维度。一个是信息流，例如连接 MES，通过对话查询库存、物料和 OEE 指标，或者辅助设备维护。这些场景很重要，我们在 2024 年就开始做了。

另一个维度，是直接进入产品研发和交付的核心过程。一个产品从设计到交付，研发投入了大量人力和时间，也直接关系到质量与风险。沿着这条线看，CAD、CAE 是非常核心的环节，后面还有 CAM 等。

我们可以用软件行业作类比，过去从国外购买大量软件到如今企业掌握自研创新的能力、开发自己的业务软件。需求管理当然重要，但写代码、测试、发布和运行是软件生产的核心，行云创新过去就是围绕这些核心环节建设平台。

进入工业业务智能化之后，我们也希望先抓住 CAD、CAE 这样的核心对象，只要能在这些环节创造价值，其他信息流类智能体就更容易获得客户信任。

AI 很卷。如果决定做，我们就想去啃一块真正难的骨头。连接系统、做问数有价值，但未必能形成足够高的壁垒。CAD、CAE 智能化非常难，我们有一定基础，也做好了长期投入的准备。

爱分析：工业企业通常怎样判断一项 AI 能力是否值得采用？

马洪喜：技术人员与业务人员的判断逻辑很不一样。我们曾经为客户做极为复杂的 3D 转 2D 工程图生成，完成了多视图投影、剖切、公差读取和自动布局等复杂能力。客户侧业务专家看完后说，最关注的机加工表格还没有画出来。

从技术视角看，团队已经完成了更复杂的几何和工程能力，因此容易认为一个表格并不是关键难题。但业务人员不会沿着技术难度推导能力，他会判断是否完成了自己最关心的对象。只有看到与自身需求一致的结果，他才会相信这项能力可以进入实际业务。

这件事让我们意识到，不能只用技术术语让业务专家理解你能力有多强。业务专家关心的是项目能不能成功、领导和同事是否支持，以及失败的代价能不能接受。他希望供应商告诉他，从哪个场景开始更稳妥、一步一步按各场景完成智能化，并一定要获得效率、质量提升的结果。

爱分析：面对不同诉求的客户，首个场景应该怎样确定？

马洪喜：大体上有两类客户。一类客户希望循序渐进，先从容易验收、风险较低的场景做起，例如规则相对清晰的审图，或部分仿真任务，再逐步走向参数化建模等更复杂的任务。

但看起来简单，不等于真的简单。比如把一批 PDF 图纸直接交给 AI 审查，往往是非标准化的，需要围绕具体业务投入大量人力。预算有限，却希望一次解决复杂 PDF 审图，项目风险会很高。

另一类客户是带着明确痛点来的。例如，有的航空客户就是要实现飞机或是火箭上的部件智能设计、拓扑寻优，他并不关心这个问题在技术分级里是容易还是困难，只关心自己的问题能否解决。这时供应商不能要求客户先做一个简单场景，而要有能力直接应对他的命题。

所以，场景选择和技术体系建设是两个维度。对企业用户，要根据风险偏好和业务痛点选择切入口；对厂商，则要提前建设覆盖不同复杂度的通用能力，不能只做简单场景，等客户提出难题后再从头开始。

02

工业场景难以照搬，平台要把非标变成可交付

爱分析：现阶段哪些工业 AI 场景更有规模化机会？

马洪喜：我个人认为，现在判断哪个具体场景能够大规模复制还比较早，最主要的原因是工业场景差异太大。

在云原生领域，汽车企业和金融机构虽然业务不同，但软件工程师讨论 Java、数据库、高可用和备份时，使用的是相近的技术语言。工业研发不是这样，造飞机和造汽车的 CAD 工程师，面对的是完全不同的业务问题，他们并不只是希望 CAD 运行得更快，还要解决各自产品上的具体问题。

即使都在汽车行业，不同企业的优先级也不一样。有的关注 3D 转 2D 工程图生成，有的关注车门或白车身的多车型设计，有的从仿真入手，关注机械强度、失效模式等问题，主机厂与内外饰等上下游企业也不一样。

目前我们接触到的项目中，很难找到两个需求点完全相同的客户

爱分析：需求差异这么大，平台怎样避免变成纯定制开发？

马洪喜：我们不是传统的工业软件二次开发厂商，而是带着工业智能体平台进入客户现场。客户的具体任务各不相同，但工业软件接入、运行环境、智能体调度、知识调用和安全隔离等底层能力，不需要每次从零开始。

客户通常只认可与自身业务一致的结果。我们可以基于平台已有能力，快速组合出面向具体对象的验证场景。这不是重新开发一套系统，而是对通用能力进行场景化编排和适配。

平台解决的是不同场景背后的共性问题，包括工业软件接入、运行环境、智能体调度、知识调用和安全隔离等。客户看到的是自己的具体场景，厂商沉淀的则是可复用的平台能力。

爱分析：在项目中，客户和平台厂商各自承担什么工作？

马洪喜：我们当然希望客户最终能使用平台自主开发场景，因为我们本质上还是一家产品公司。但国内 2B 项目通常按照立项制推进，客户要求项目达到明确的成功标准。你不能只卖给他一套智能平台，然后说不会用是客户自己的问题。

因此，我们愿意和客户一起完成首批场景的落地验证。一方面要确保项目成功，另一方面我们也能在这个过程中深入了解业务知识、为客户创造更大价值。客户大致也分成两类：一类能力较强，希望我们维护好平台，他自己开发场景；另一类希望双方一起做。这两种方式，我们都支持。

爱分析：平台上的场景能力会怎样沉淀？

马洪喜：随着项目增加，平台会沉淀一批经过验证的场景组件，例如 AI 智能建模、AI 智能仿真、工程图生成、审图能力等。它们不一定是所有客户拿来即用的标准品，但可以作为较为成熟的解决方案模板，到不同客户现场再根据业务对象、规则和流程进行调整。

因此，未来的竞争不只是平台功能的竞争，还要看谁沉淀的场景组件更多、对不同行业的理解更深。底层平台提供通用能力，行业和场景经验让交付越来越快。现在虽然开始有一些参与者，但还没有形成平台思维，这也是我们选择这个方向的原因之一。

03 

工业智能体不会只停留在软件侧边栏

爱分析：如何判断工业智能体与现有工业软件的关系？

马洪喜：现在常见的形态，是左边打开 CAD，右边放一个对话框。但如果从业务目标出发，没有人天生喜欢操作 CAD 菜单。工程师不断点击鼠标，是因为他最终需要一张图，而不是因为操作软件本身能带来快乐。

我们已经实现了这样的场景：用户通过手机描述需求，例如基于已有车型设计一组翼子板方案，同时适配更大的轮毂和不同曲面，过一段时间，手机收到十个候选结果，用户选出一个继续优化。

这首先改变的是交互方式。用户表达业务需求，智能体完成中间操作，人与 CAD 界面的直接交互比例会下降。程序员已经在经历类似变化：使用 AI Coding 以后，与传统 IDE 的交互方式正在改变。工业软件也会沿着这个方向演进，当然不是一步达到完全自动化，而是一个逐渐降低人工操作比例的过程。

更进一步看，CAD、CAE 会从需要工程师持续操作的前台工具，逐步变成由智能体在后台调用的生产能力。智能体可以持续执行建模、仿真和优化任务，工程师则更多负责定义规则、判断结果和处理异常。

爱分析：交互方式变化后，工业软件本身会发生什么变化？

马洪喜：一套成熟 CAD 软件经过几十年发展，真正的几何引擎只是其中一部分，大量代码都用于用户交互和外围功能。当 AI 逐步接管交互，原有界面的重要性就会下降。

智能体会把业务需求与底层软件进一步解耦，但这不意味着 CAD 软件、特别是几何引擎不重要。恰恰相反，工业 AI 要真正生成可靠结果，就必须深入理解几何操作和求解能力，变化的是用户入口和软件之间的关系：用户越来越面向业务，软件更多退到智能体背后。

这也会改变工业软件的竞争维度。过去，工业软件首先要对工程师友好；未来，还要对 AI 友好。几何引擎、求解器等底层专业能力仍然不可替代，但软件能否被智能体稳定调用，也会直接影响它能否进入由智能体组织的新业务流程。

爱分析：一项工业任务往往跨越多个系统，智能体如何组织这些工具？

马洪喜：制造企业很少把 CAD、仿真、PLM、ERP 等系统全部交给同一家厂商。有的 CAD 用一家，PLM 用另一家，仿真可能同时使用多套工具，ERP 还可能是自研的，然后通常依靠集成软件和大量二次开发把这些系统串起来。

我认为，多智能体会成为新的串联方式。未来工业智能体不只是每套软件右侧各有一个小栏，而是在更高一层面向完整业务流程。用户在一个入口中提出任务，多个智能体在后台调用不同软件并衔接步骤，不需要人在多个窗口之间来回切换。

这也会为底层软件替换带来新的可能。只要业务流程和上层交互保持稳定，企业未来进行国产化替代时，可以在后台更换部分软件，用户的使用习惯和业务过程不一定随之大幅改变。

爱分析：随着工业智能体发展，智能体平台厂商与工业软件原厂之间会形成怎样的关系？

马洪喜：我认为总体上会形成长期合作的生态关系。工业智能体不能脱离成熟 CAD、CAE 软件的几何引擎、求解器和工程能力；同时，单一软件厂商也很难覆盖企业完整的研发流程。

智能体平台需要建立在已有工业软件之上，根据企业的实际需求连接不同工具、组织业务流程。未来双方的产品边界可能继续变化，但合作会是长期存在的基础。

04 

工业 AI 的准确性，最终要落到知识体系

爱分析：工业设计对精度和稳定性要求很高，你们怎样降低模型的不确定性？

马洪喜：从研究和工程实践看，CAD 智能化大致有几种路线。一种是尝试把 B-rep 等几何信息放进 Transformer 架构；一种是让视觉模型识别界面并点击菜单；我们走的是脚本路线，利用大模型在 AI Coding 上的成熟能力，生成调用 CAD 的正确指令。

前两种路线都有研究价值，但从当前企业落地看，我们认为脚本路线更直接。它不是让模型在 Transformer 里直接完成几何建模，也不是模仿人去点菜单，而是让模型调用经过封装的工业软件能力，执行明确的几何操作。

爱分析：这条路线的主要难点有哪些？

马洪喜：第一，很多重型 CAD 并没有提供真正对 AI 友好的接口。厂商必须深入软件和几何能力，重新封装可供模型调用的工具。

第二，命中一个现成工具比较容易，完成复杂设计则需要把任务拆成大量步骤。模型不仅要选择工具，还要理解步骤之间的关系，处理脚本和几何报错，并根据结果继续修正。

第三，模型即使成功执行了指令，也不等于生成结果就是客户真正想要的。复杂任务的分解和判断需要业务知识支撑。做到这里，技术体系就必须继续往前走，进入工业知识图谱。

爱分析：知识图谱在工业智能体中具体承担什么作用？

马洪喜：过去很多工业知识图谱主要供人查询，专家查资料更方便，当然有价值，但价值感不一定很强。现在知识图谱不仅给人用，也给智能体使用，作用就不一样了。

例如，客户希望提高车门或翼子板的设计效率，智能体之所以知道应该怎么设计，不只是因为模型会生成代码，还因为它能够调用与客户业务相关的设计知识。知识图谱为模型提供明确的对象、关系、规则和流程，让任务分解与执行更接近客户的实际要求。

因此，我们认为工业知识图谱既是提高准确性的关键，工业知识图谱就是 " 懂你业务的大脑 " 来补齐认知的短板，这样对大模型的要求就降低了，也是 CAD、CAE 场景真正释放知识图谱价值的抓手，两者是相辅相成的。

爱分析：你如何看工业知识与模型之间的边界？

马洪喜：我认为不会全部进入模型。第一个原因是 Transformer 的工作原理决定了它并不适合承载所有严谨知识。齿轮、轴承、材料等工程知识中有大量明确关系和计算规则，不能在检索时随机丢掉几个关键节点。知识图谱能够按照关系把相关知识完整取出，再提供给模型。

第二个原因是知识持续变化。企业今天采用一个工艺参数，明天可能根据新经验进行调整。知识图谱需要长期在 " 选（数据）、建（图谱）、修（图谱）、管 ( 图谱 ) 、用（知识）" 五个步骤中迭代，但每改一个参数就重新训练模型，会带来算力、人力和质量控制上的挑战。模型一旦更换，原有知识是否仍然稳定，也需要重新测试验证。

因此，我倾向于把大量动态的主体知识放在图谱中，把相对稳定、频繁使用的静态知识训练进垂类模型。例如行业术语、企业内部常用说法，以及 CAD 接口规范和示例脚本，这些内容变化较少，训练进去可以提高效率、节省上下文。

至于物理信息神经网络等垂类模型，我们会持续研究，寻找适合的仿真场景。但从我们与客户的交流看，很多企业对 PINN 等前沿技术仍然比较谨慎，短期内更关注能否解决眼前问题。

爱分析：当智能体可以调用更多知识与工具，工业工程师的角色会怎样变化？

马洪喜：未来优秀的工业工程师不一定是最熟悉 CAD 菜单的人，但一定要能从企业整体视角考虑问题，同时理解设计、可加工性、成本、材料、供应、维护等因素，并能管理多个智能体协同工作。

过去因为系统不连通，工程师很难在设计阶段把所有因素都纳入考虑。未来智能体可以调用更多系统和知识，工程师的价值会从手工操作软件，逐步转向定义目标、判断结果和优化知识体系。

05 

企业会拥有自己的知识资产

爱分析：行云创新接下来会重点建设哪些能力？

马洪喜：一方面，我们会继续夯实平台产品。对科技产品公司来说，这是基础；另一方面，我们会进入更深的场景，围绕客户的具体业务问题持续落地。

平台已经具备交付能力，下一步更重要的是业务痛点和解决方案沉淀到知识体系中。未来真正的壁垒，不只是平台本身，而是能否帮助客户建立自己的知识体系，让工作从依赖老师傅个人经验的不确定性，转向依赖企业知识平台的确定性。

我们的方案可以私有化部署，客户的知识留在自己的机房，不能把一家企业的私有知识拿给另一家。但一些通用机械知识、材料知识和行业基础知识，可以由平台厂商持续建设，再交付给客户。

爱分析：企业会怎样建设和使用自己的知识资产？

马洪喜：我认为，企业都会希望自建 " 图书馆 "，我们的定位也是帮助客户建设专属图书馆。未来可能出现一种混合式形态：企业内部图书馆保持私有，在单向、可控的数据安全机制下，可以从平台厂商的公共知识库中下载通用知识，但企业的私有知识不能反向流出。

企业的竞争差异，本来就体现在经营知识、设计知识、生产知识和管理知识上。这些知识可以相互借鉴，但不可能完全变成行业通解。平台厂商可以帮助企业建设和维护体系，也可以提供几本通用的 " 书 "，但最终解决具体问题，仍然需要企业写好自己的那本书。

更长远看，我们也希望服务更多中小企业，让它们能够通过平台使用设计、仿真与知识能力，但这个命题比服务大型企业更难，不能着急。现阶段还是要稳扎稳打，把大型企业客户服务好，把行业场景做得更深，让更多客户见到 AI 落地到工业核心场景的成效。

爱分析：从 IT 走向工业，对团队提出了哪些新要求？

马洪喜：从云原生走向工业，我们既有优势，也必须如履薄冰。云原生让我们能够调度大量 CAD 运行环境，处理安全隔离、多智能体调度和远程交互，这些都是工业智能体平台需要的能力。但进入业务以后，技术优势不能替代行业知识。

过去我们面对的是企业 IT 专家，现在面对的是机械、汽车、航空等领域的业务专家。业务专家知道，很难找到一家厂商一开始就同时精通他的业务和 AI。如果你真正懂 AI，也愿意走进业务，他通常客户会愿意告诉你他的痛点，大家可以一起把问题解决。

我们的团队也在变化。过去软件公司主要招聘程序员，现在我们的工业智能化产品研发和服务部门招聘的都是机械、力学等领域的专家，不要求他们必须懂代码，更看重的是行业知识。只有 AI 的懂和懂业务的专家共同工作，AI 才可能进入工业深水区。

对所有希望从 AI 进入工业领域的厂商来说，都要做好面对体系化困难的准备。一个工业细分领域已经足够复杂，不可能同时铺开很多行业，所以我们会继续聚焦制造业。原有的软件研发平台，因为具有跨行业通用性，则会继续服务金融、能源等企业。

这两个板块共享云原生和 AI Coding 的基础，但进入工业业务的部分必须长期深耕，这需要战略定力和持续的投入才能形成积累和壁垒最终还是客户说好才算好，为客户带来价值，" 让企业都能高效创新 " 是我们一路而来不变的使命。

注：点击左下角" 阅读原文 "，查看更多洞察内容。

近期厂商征集

Token 工厂竞争力榜单征集

点击申报

截止时间：9 月 20 日

AI 数据服务市场研究项目征集

点击申报

截至时间：9 月 30 日

本体市场研究项目征集

点击申报

截至时间：10 月 31 日