首页 > 资讯 > 宁德时代押注的「光速造物」,在解决工业研发最难的哪一步?

宁德时代押注的「光速造物」,在解决工业研发最难的哪一步?

36氪文章 2026-11-17 17:46 15 阅读 查看原文

过去一个多世纪,制造业一直在解决“如何更快、更便宜、更稳定地生产”。从福特流水线到自动化工厂,这个问题已被回答得足够好。但另一个问题很少被摆上台面:产品走上产线之前,它究竟应该被设计成什么样?

如果说制造,是把确定方案生产出来,那么创造,就是从无数种可能里找到可行设计。制造有产线、节拍、良率等一系列参数可以衡量,创造却要同时面对零件尺寸、装配关系、加工工艺的相互约束。一处改动,就可能让原本可行的方案重新来过。研发阶段的选择,往往已经锁定后续的制造成本、供应链风险和产品性能。

尤其是在工业领域,过去几十年间,工业软件主要解决“把设计表达清楚、把验证做快”。从“甩图板”到2D转3D,工具越来越强,但工具链依旧处于彼此分割的状态,设计这件事仍高度依赖人的经验。

如今,AI应用的边界,从文字、图像和代码,正在向三维空间与工程研发延伸。问题也随之而来:当AI进入研发端,究竟是让画图更快,还是让“从可能到可行”的筛选过程本身发生变化?

变化已经在这个节点发生。近日,AI工业研发平台“子虔科技”完成C轮融资,由宁德时代以自有主体独家战略投资。本轮融资将主要用于AI研发能力提升及全球市场拓展。

宁德时代为什么在这个时间点押注研发端?子虔提出的“光速造物”,又切中了哪一步?要回答这些问题,得先回看产品诞生最前端的那段路。

制造与创造之间,隔着一段“时间黑洞”

子虔科技创始人龚敏彦设想过一个更远的场景:如果飞往火星的飞船坏了一个零件,难道还要从地球送来替换件?他设想,宇航员或许只需拍下损坏的零件,就能借助AI完成设计,在飞船上直接制造。 

这个场景听起来遥远,但它指向一个现实问题:制造能力再强,如果“创造”环节跟不上,从想法到实物之间仍然隔着一段很长的时间。

龚敏彦把这两件事分开看:制造是把确定方案生产出来,创造是从无数种可能里找到可行设计。他用乐高积木作比喻——6片2×4的8颗粒小积木,能拼出的不同构型就有9亿多种。真实工程远比乐高复杂:设计师不仅要拼得出来,还要保证可制造、可装配、成本可控。

这种复杂性在大型装备上会被成倍放大。一艘300多米的游轮,船上铺设的电缆超过4700公里、管路超过370公里。设计时改一个参数,哪些管路要跟着动、哪些电缆走向要重新校核,靠人工一条条排查几乎无法做到。

工业里把这叫参数化设计:一个参数变了,关联参数要按物理规律同时变化。传统模式下,这些关联关系要靠人逐个建立,但如果AI可以参与进来,才有机会把变更的连锁反应自动处理掉。 

问题在于,传统工业软件更多是在“记录设计”,而不是“参与创造”。设计师在CAD里画图,在CAE里验证,再在PLM里管理变更,工具链彼此分割,经验留在人脑和文档里。AI要进入研发端,不能只做画图加速,而要进入“从可能到可行”的筛选过程。

这也就是“光速造物”要回答的第一个问题:AI能不能把产品诞生最前端的那段路,压缩掉一部分?

真正的门槛,不在模型,在工程Know-how

子虔团队内部做过一次验证:用zCAD. AI生成一台减速器的概念装配体,包含壳体、输入轴、行星架、三组行星轮和固定内齿圈等零件,多级装配分层清楚,零件之间带配合关系,还能直接做运动仿真。

整个过程经过了4轮对话和修改,耗时30分钟。作为对比,专业机械设计师在没有图纸的情况下手工建模,大约需要3小时。不懂机械结构的人,也能通过几轮对话做出一套能动、能改、能交付制造的工程装配体。 

更复杂的一次验证,是一台纵置四挡液力自动变速器。它是汽车动力系统中结构最复杂的部件之一,包含液力变矩器、多组行星齿轮和液压阀体等子系统。整套模型由AI直接调用平台底层建模引擎生成,不经过软件界面。生成的是分层清楚、带配合关系的工程装配体,可以剖视、爆炸展示,也能做运动仿真。团队还用zCAD. AI完成了四缸发动机等内部验证。  

这些验证的关键,不只是“生成得快”,而是“生成的是什么”。目前一些AI 3D工具生成的是网格模型,看起来像,但所有零件没有参数,不可编辑,零件之间没有装配约束关系,零件物理不正确容易出现穿模,也无法直接用于制造。工程模型不一样,它是一串有先后顺序的建模步骤,加上尺寸和约束,更像一段程序。这两年大模型写代码的能力上来了,让AI按步骤”搭"出一个模型才有了可能。但工程要的是确定的结果,所以AI负责给出建模步骤,几何计算交给确定性的工程软件内核,生成之后再按约束做检查。 

而子虔生成的是可编辑、带配合关系的参数化模型:改一个孔的大小,相连零件会按约束跟着调整;曲面连续性可以达到G3;变更还能自动关联到受影响的文档和版本。导出STEP后可以在其他CAD软件里继续设计,导出STL/3MF可以直接3D打印。

但生成出来只是第一步。AI进入研发端,真正的门槛在工程Know-how。而这些Know-how大多不在最终图纸上。比如一个支架的壁厚定在3毫米,图纸上就只有这个数字;当初为什么没用2毫米、哪一版试过出了问题,往往只有经手的工程师清楚,顶多在某封邮件或某次评审记录里留下一句,人一离职就跟着带走了。大模型能从公开数据里学到通用的设计规律,一家企业几十年攒下的这些经验却学不到。要让AI用得上,设计、仿真、评审就得在同一个平台上做,过程才留得下来。

子虔服务过的一家航空设计研究院,以前管路设计依赖本地CAD客户端,管路走向链接容易丢,图纸标注全靠手工,设计和仿真用两套软件,中间要先导出格式、花大量时间做前处理。子虔为其定制云原生管路设计仿真工具后,导管直接生成、自动适配弯曲半径和壁厚,AI识别管路属性并自动标注,设计过程中实时检查最小直线段、壁厚、材料匹配等规范,模型直接进入仿真、自动前处理。结果是标注效率提升80%,合规差错率降到1%以下,仿真周期缩短50%。

另一家数字手写设备企业面对的是另一类问题:CAD数据和BOM各自独立,人员一离职知识就流失。子虔把设计数据和BOM打通、评审流程关联交付物后,90%的个人知识沉淀为企业资产,返工减少30%。

两个案例指向同一个事实:门槛至少有两层——第一层是行业规范与工程知识,模型可以学通用规律,但很难直接学会一家企业几十年积累的修改经验;第二层是跨团队、跨工具链的协作,设计、仿真、工艺、供应链要在同一个数据闭环里工作,AI才有机会真正参与。所以,AI工业软件的门槛不是“有没有大模型”,而是能不能把工程Know-how变成可计算、可复用、可验证的资产。

子虔的位置,与工业软件的下一场竞争

子虔科技成立于2020年,从工业软件研发起步,底层基于本体论(ontology)构建,先后推出了AI原生工业研发平台ZIXEL和海外AI产品zCAD. AI。它的切入点,是帮助制造类企业找真正可以AI提效的地方,不仅仅是替代传统CAD/CAE,更是把AI放进“从可能到可行”的筛选和验证环节。 

国内市场上,子虔面向设备制造、汽车供应链、航空制造客户的管路与电气设计等B端场景,提供完整的工业软件工具链,AI提效看板,AI工具包,并用FDE(前置部署工程师)的方式结合行业落地;海外市场则把能力简化,先面向maker群体,用一句话或一张图生成可编辑模型,再通过可制造性检查和3D打印做出实物。

zCAD. AI于2026年10月24日在Product Hunt全球发布,当天拿到日榜第一,目前全平台总注册用户已达十万人,来自80多个国家和地区,用户最多的是美国和中国;已生成超2万个模型,单次生成中位时长约4分钟;6000多位用户导出了8000多次模型,其中STL/3MF 5000多次用于3D打印,STEP有将近3000次用于在其他CAD里继续设计。

从产业逻辑看,宁德时代押注研发端并不难理解。龚敏彦在和产业方交流中感受到一个明显变化:“AI的热度越高,产业资本反而越关注AI最终能落到哪里。投资连接物理世界的AI,是更稳健的选择,因为它面对的是真实的研发投入、真实的产线和真实的产品,创造的价值看得见、算得清。而在制造业里,产品的成本、供应链和风险,大部分在研发设计阶段就已经定下来了。”

工程界流传着一个说法:产品成本的七到八成,在研发设计阶段就已经定下来了,在这个阶段优化企业效率是投入产出比最高的。具体比例各行业不一样,学界也有争议,但"越往后改越贵"这一点没人反对。产线上能省的成本有限,大头在图纸上。 

这背后也是工业软件竞争维度的变化。过去比的是功能覆盖、模块完整、客户规模;如果AI真的进入研发端,竞争会更集中在三件事上:一是工程资产能不能复用,可穿戴设备企业的案例是一个侧面,设计变更周期缩短43%、量产返工成本降低27%,靠的不是画图更快,而是变更能自动关联受影响的文档和版本;二是数据能不能形成闭环,设计、仿真、工艺、协作如果仍在不同系统里割裂,AI的价值就会被工具链吃掉;三是行业Know-how能不能沉淀,精度和迭代速度是大模型目前的两道坎,制造场景里公差错一点就可能全废,创造阶段又需要快速试错、一次出多版方案,真正难的是把行业规范、工艺约束和协作习惯变成系统能力。

对子虔来说,“光速造物”不是一个速度口号,而是一个关于研发范式的判断:当AI能参与创造,工业软件的价值重心会从“画得更快”转向“想得更准、留得更住”。

这个判断是否成立,要看它能否在航空、汽车、设备制造等场景里形成可复用的工程资产,也要看宁德时代这类产业资本能否带来真实的研发场景和协同。换言之,宁德时代押注的,不是一个融资故事,而是AI进入产品诞生源头的一种可能。