AI Coding 之后，下一个被 AI 重构的领域，会是工业研发吗？
2026-11-02
当 AI 开始深度参与软件开发，另一个专业领域也正在发生变化：工业制造的研发设计。
与代码不同，工业研发设计面对的是具有几何结构、装配关系、尺寸约束和制造要求的工程对象。设计方案不仅要满足需求，还必须符合工程规范，能够进入后续制造与交付流程。
过去，这些工作主要依靠工程师的专业知识、设计经验与工业软件完成。随着大模型推理能力不断提升，AI 开始具备理解复杂需求、规划任务和调用工具的能力，但如何将这些能力转化为可靠的工程执行，是硬件工程 AI 需要解决的核心问题。
AI Coding 之后，硬件工程 AI 的新机遇
当前，硬件工程 AI 的潜在市场规模（TAM）达万亿级别，全球硬件设计工程师约 900 万人，而方案级 AI 产品的渗透率仍低于 1%。
这意味着，硬件工程 AI 拥有庞大的专业用户基础，但产品应用仍处于早期阶段，市场拓展空间广阔。
今年4月，谷歌 CEO 桑达尔·皮查伊在 Google Cloud Next 2026 上透露，谷歌内部75%的新增代码已由 AI 生成，并经工程师审核。与此同时，谷歌的研发模式正转向智能体工作流，工程师通过调度多个 AI Agent，完成代码开发、复杂迁移等任务。这意味着，AI 在软件研发中的角色，正从辅助编程延伸到复杂任务的规划、协同与执行。
这一趋势为硬件工程 AI 提供了参照，但两者的演进路径并不相同。硬件研发涉及几何结构、拓扑关系、尺寸约束、物理规律和制造工艺，设计对象高度关联，局部调整也可能影响整体结构及后续制造装配。因此，硬件工程 AI 不仅要理解设计需求，还要能在复杂工程约束下执行任务，并对结果进行专业验证。
设序科技认为，硬件工程 AI 的核心机会，在于从辅助设计工具走向能够承担完整工程任务的专业智能体。
模型 × Harness，构建硬件工程AI的专业执行体系
设序科技的核心技术思路，可以概括为：模型 × 硬件工程 Harness，共同构建面向专业工程任务的 Agent。
其中，大模型负责需求理解、推理与任务规划；Harness 则整合工程知识、专业工具、结构化数据及执行环境，让模型能够围绕真实工程对象开展工作。
为什么不能直接复用软件工程路径？
两者的底层对象存在本质差异。软件工程以文本文件为核心载体，通过版本管理、编译和单元测试完成开发与验证；硬件工程则涉及几何对象、物理场和工艺条件，设计变更相互关联，质量校验也依赖多学科工程评估。
因此，硬件工程 AI 需要一套面向真实工程对象的专业执行体系。围绕这一目标，设序科技重点构建了三个相互协同的技术组成部分：
第一，将工程最佳实践封装为 Skills。
将工程知识、设计规范和流程经验封装为可调用的 Skills，让 AI 能够根据任务调用相应的专业能力，减少对零散提示词和人工指导的依赖。
第二，通过内置小模型的专业 Tools 执行工程操作。
在专业 Tools 中引入小模型，承担具体的工程处理任务。大模型负责理解、推理和规划，专业工具负责执行与处理，形成协同工作流。
第三，构建 AI 原生结构画布。
工业工程的核心是具有几何结构、参数及关联关系的工程数据。AI 原生结构画布让 AI 能够直接理解和操作这些对象，而不必依赖截图识别界面状态。
同时，工程师可以通过参数化交互随时接管和调整设计，系统将操作及反馈沉淀为任务上下文，为后续能力迭代和强化学习提供基础。
通过三者协同，设序科技将工程知识、执行能力与人机交互整合为统一体系，推动 AI 从理解需求走向专业任务执行。
从三维设计到二维出图，AI 落地真实工程场景
技术能力最终需要在具体工程任务中体现价值，围绕工业研发中的重复性工作与效率瓶颈，设序科技旗下的则形 3D Agent 与则形 2D Agent，通过 Multi-Agent（多智能体）协同，将 AI 融入三维设计与二维出图等关键环节：
则形 3D Agent
则形 3D Agent 覆盖需求理解、方案规划、标准零部件选型、非标零部件生成到智能装配的完整设计链路，实现三维设计全流程的 AI 化提效。
则形 2D Agent
则形 2D Agent 聚焦工艺理解、视图生成、尺寸标注、公差标注与图模联动等核心环节，打通从三维模型到二维工程图纸的自动化交付路径。
在真实工程场景中，则形 3D Agent 可将建模设计效率提升 100%，则形 2D Agent 可将图纸生成效率提升 700%。与此同时，产品将工程精度与结果可用性作为重要标准，确保生成结果满足实际工程要求，减少重复性人工操作与低级错误。
“生成即可用”，是设序科技对工业级 AI 的核心要求。
从 Agent 到 RaaS，拓展工程 AI 的交付模式
工业客户的组织方式与业务流程存在差异，对 AI 能力的使用和采购方式也各有不同。
中小型集成商、设计公司通常希望通过软件直接完成具体设计任务，更关注的是工具能否融入现有工作流程、提升设计效率。链主企业及中大型集成商的业务链条则更长，涉及多个环节的协同与衔接，往往更关注最终工程成果能否按要求交付。
为此，设序科技形成了 Agent 与 RaaS（Result as a Service，结果即服务）相结合的商业模式，分别对应专业工具交付与工程结果交付两类需求。
Agent 模式
Agent 模式以标准化产品提供专业 AI 能力。通过订阅等方式服务用户，适用于目标明确、流程相对固定、具备复用价值的设计任务。使用产品完成具体工作，并将 AI 能力融入自身的设计流程。
RaaS（Result-as-a-Service，结果即服务）模式
RaaS（Result-as-a-Service，结果即服务）模式将交付重点从单项设计任务延伸至最终工程成果。设序科技通过 Agent 承接多环节设计流程，以约定的工程结果作为交付目标。这一模式尤其适用于由外部设计公司或系统集成商承担设计工作的业务场景，需求方更关注最终成果的交付效率、项目成本与质量。
两种模式面向不同客户需求的互补路径：Agent 通过标准化产品推动专业 AI 能力的规模化应用，RaaS 则进一步将这些能力组织为更完整的工程交付服务。
真实工程数据，推动模型与产品持续进化
产品进入真实业务后，工程任务本身也成为技术迭代的重要基础。
工业设计中的需求、几何结构、装配关系和最终结果，为判断任务执行质量提供了依据。这些经过真实场景验证的数据，可以帮助模型改进对设计意图和工程约束的理解，也能推动 Harness 优化任务拆解、工具调用与执行流程。
目前，每天通过则形 AI 生成的方案超过数十万个，相关产品已在 100 余家大型工业企业的真实场景中得到应用，并持续积累工程验证数据。
设序科技以此形成持续运转的技术飞轮：真实业务带来工程任务，任务执行沉淀数据，数据反哺模型与 Harness，专业能力提升又推动产品覆盖更多任务，进而带来新的业务增长。
这一过程也决定了设序科技持续关注的两项关键指标：AI 在完整任务中的参与度，以及使用 AI 生成硬件设计的数量。前者反映 AI 承担工程工作的深度，后者体现在真实研发活动中的应用规模。设序科技希望通过模型与 Harness 的协同提升，将完整任务中的 AI 参与度从约 50% 提高至 80%。
AI 参与度提升，如何打开更大的市场空间？
AI 在完整工程任务中的参与程度，决定了它能够承担多少实际工作，也影响着潜在市场价值的释放。
当前，中国约有 230 万名硬件工程师，对应的年潜在结果市场规模约为 684.88 亿美元，约占全球市场的 12.5%。
但这一市场与传统工业研发设计软件市场有着很大的不同。全球传统工业研发设计软件市场（不含 EDA）约为每年 420 亿美元，主要反映设计研发工具本身的市场规模。硬件工程潜在结果市场则着眼于工程师借助传统工具完成的研发设计工作所创造的价值。
随着 AI 逐步承担更多完整工程任务，商业价值有机会从提供设计工具，进一步延伸至更广泛的工程研发工作。设序科技预测，当 AI 渗透率超过 8%，覆盖的结果市场规模便有望超过现有传统设计研发工具业务的总和。
当 AI 从辅助工具逐步承担完整工程任务，市场价值也将从设计软件本身，延伸至更广泛的工程研发工作。
从工程 Agent 到几何物理基础模型
要让 AI 承担更完整的工程任务，需要提升其对几何结构、物理规律和制造工艺的理解。围绕这一目标，设序科技构建了核心的几何物理基础模型——定维（Divo）。
几何层面
在几何层面，模型关注形状、拓扑关系、参数化结构与尺寸约束；
物理层面
在物理层面，关注物理场预测，以及控制方程、边界条件和多物理场之间的关联；
工艺层面
在工艺层面，关注制造语义与工艺约束，支持可制造性评估及成本与周期预测。
定维通过多模态工业数据编码，将这三类信息纳入统一的工业表征空间，为综合理解与推理提供基础。其目标是让 AI 在设计过程中兼顾结构要求、物理性能与制造可行性，为工程 Agent 执行复杂任务提供底层支撑。
从则形 3D Agent、则形 2D Agent进入真实工程流程，到 Harness 承接专业任务，再到工程数据反哺模型与基础技术，设序科技希望逐步建立应用、数据与底层能力相互促进的发展路径。
工业制造的研发任务复杂而广泛，AI 能否真正创造长期价值，最终取决于它能否稳定完成专业工程任务，在提升研发效率的同时，持续积累理解工业、服务工业的专业能力。
当 AI 开始深度参与软件开发，另一个专业领域也正在发生变化：工业制造的研发设计。
与代码不同，工业研发设计面对的是具有几何结构、装配关系、尺寸约束和制造要求的工程对象。设计方案不仅要满足需求，还必须符合工程规范，能够进入后续制造与交付流程。
过去，这些工作主要依靠工程师的专业知识、设计经验与工业软件完成。随着大模型推理能力不断提升，AI 开始具备理解复杂需求、规划任务和调用工具的能力，但如何将这些能力转化为可靠的工程执行，是硬件工程 AI 需要解决的核心问题。
AI Coding 之后，硬件工程 AI 的新机遇
当前，硬件工程 AI 的潜在市场规模（TAM）达万亿级别，全球硬件设计工程师约 900 万人，而方案级 AI 产品的渗透率仍低于 1%。
这意味着，硬件工程 AI 拥有庞大的专业用户基础，但产品应用仍处于早期阶段，市场拓展空间广阔。
今年4月，谷歌 CEO 桑达尔·皮查伊在 Google Cloud Next 2026 上透露，谷歌内部75%的新增代码已由 AI 生成，并经工程师审核。与此同时，谷歌的研发模式正转向智能体工作流，工程师通过调度多个 AI Agent，完成代码开发、复杂迁移等任务。这意味着，AI 在软件研发中的角色，正从辅助编程延伸到复杂任务的规划、协同与执行。
这一趋势为硬件工程 AI 提供了参照，但两者的演进路径并不相同。硬件研发涉及几何结构、拓扑关系、尺寸约束、物理规律和制造工艺，设计对象高度关联，局部调整也可能影响整体结构及后续制造装配。因此，硬件工程 AI 不仅要理解设计需求，还要能在复杂工程约束下执行任务，并对结果进行专业验证。
设序科技认为，硬件工程 AI 的核心机会，在于从辅助设计工具走向能够承担完整工程任务的专业智能体。
模型 × Harness，构建硬件工程AI的专业执行体系
设序科技的核心技术思路，可以概括为：模型 × 硬件工程 Harness，共同构建面向专业工程任务的 Agent。
其中，大模型负责需求理解、推理与任务规划；Harness 则整合工程知识、专业工具、结构化数据及执行环境，让模型能够围绕真实工程对象开展工作。
为什么不能直接复用软件工程路径？
两者的底层对象存在本质差异。软件工程以文本文件为核心载体，通过版本管理、编译和单元测试完成开发与验证；硬件工程则涉及几何对象、物理场和工艺条件，设计变更相互关联，质量校验也依赖多学科工程评估。
因此，硬件工程 AI 需要一套面向真实工程对象的专业执行体系。围绕这一目标，设序科技重点构建了三个相互协同的技术组成部分：
第一，将工程最佳实践封装为 Skills。
将工程知识、设计规范和流程经验封装为可调用的 Skills，让 AI 能够根据任务调用相应的专业能力，减少对零散提示词和人工指导的依赖。
第二，通过内置小模型的专业 Tools 执行工程操作。
在专业 Tools 中引入小模型，承担具体的工程处理任务。大模型负责理解、推理和规划，专业工具负责执行与处理，形成协同工作流。
第三，构建 AI 原生结构画布。
工业工程的核心是具有几何结构、参数及关联关系的工程数据。AI 原生结构画布让 AI 能够直接理解和操作这些对象，而不必依赖截图识别界面状态。
同时，工程师可以通过参数化交互随时接管和调整设计，系统将操作及反馈沉淀为任务上下文，为后续能力迭代和强化学习提供基础。
通过三者协同，设序科技将工程知识、执行能力与人机交互整合为统一体系，推动 AI 从理解需求走向专业任务执行。
从三维设计到二维出图，AI 落地真实工程场景
技术能力最终需要在具体工程任务中体现价值，围绕工业研发中的重复性工作与效率瓶颈，设序科技旗下的则形 3D Agent 与则形 2D Agent，通过 Multi-Agent（多智能体）协同，将 AI 融入三维设计与二维出图等关键环节：
则形 3D Agent
则形 3D Agent 覆盖需求理解、方案规划、标准零部件选型、非标零部件生成到智能装配的完整设计链路，实现三维设计全流程的 AI 化提效。
则形 2D Agent
则形 2D Agent 聚焦工艺理解、视图生成、尺寸标注、公差标注与图模联动等核心环节，打通从三维模型到二维工程图纸的自动化交付路径。
在真实工程场景中，则形 3D Agent 可将建模设计效率提升 100%，则形 2D Agent 可将图纸生成效率提升 700%。与此同时，产品将工程精度与结果可用性作为重要标准，确保生成结果满足实际工程要求，减少重复性人工操作与低级错误。
“生成即可用”，是设序科技对工业级 AI 的核心要求。
从 Agent 到 RaaS，拓展工程 AI 的交付模式
工业客户的组织方式与业务流程存在差异，对 AI 能力的使用和采购方式也各有不同。
中小型集成商、设计公司通常希望通过软件直接完成具体设计任务，更关注的是工具能否融入现有工作流程、提升设计效率。链主企业及中大型集成商的业务链条则更长，涉及多个环节的协同与衔接，往往更关注最终工程成果能否按要求交付。
为此，设序科技形成了 Agent 与 RaaS（Result as a Service，结果即服务）相结合的商业模式，分别对应专业工具交付与工程结果交付两类需求。
Agent 模式
Agent 模式以标准化产品提供专业 AI 能力。通过订阅等方式服务用户，适用于目标明确、流程相对固定、具备复用价值的设计任务。使用产品完成具体工作，并将 AI 能力融入自身的设计流程。
RaaS（Result-as-a-Service，结果即服务）模式
RaaS（Result-as-a-Service，结果即服务）模式将交付重点从单项设计任务延伸至最终工程成果。设序科技通过 Agent 承接多环节设计流程，以约定的工程结果作为交付目标。这一模式尤其适用于由外部设计公司或系统集成商承担设计工作的业务场景，需求方更关注最终成果的交付效率、项目成本与质量。
两种模式面向不同客户需求的互补路径：Agent 通过标准化产品推动专业 AI 能力的规模化应用，RaaS 则进一步将这些能力组织为更完整的工程交付服务。
真实工程数据，推动模型与产品持续进化
产品进入真实业务后，工程任务本身也成为技术迭代的重要基础。
工业设计中的需求、几何结构、装配关系和最终结果，为判断任务执行质量提供了依据。这些经过真实场景验证的数据，可以帮助模型改进对设计意图和工程约束的理解，也能推动 Harness 优化任务拆解、工具调用与执行流程。
目前，每天通过则形 AI 生成的方案超过数十万个，相关产品已在 100 余家大型工业企业的真实场景中得到应用，并持续积累工程验证数据。
设序科技以此形成持续运转的技术飞轮：真实业务带来工程任务，任务执行沉淀数据，数据反哺模型与 Harness，专业能力提升又推动产品覆盖更多任务，进而带来新的业务增长。
这一过程也决定了设序科技持续关注的两项关键指标：AI 在完整任务中的参与度，以及使用 AI 生成硬件设计的数量。前者反映 AI 承担工程工作的深度，后者体现在真实研发活动中的应用规模。设序科技希望通过模型与 Harness 的协同提升，将完整任务中的 AI 参与度从约 50% 提高至 80%。
AI 参与度提升，如何打开更大的市场空间？
AI 在完整工程任务中的参与程度，决定了它能够承担多少实际工作，也影响着潜在市场价值的释放。
当前，中国约有 230 万名硬件工程师，对应的年潜在结果市场规模约为 684.88 亿美元，约占全球市场的 12.5%。
但这一市场与传统工业研发设计软件市场有着很大的不同。全球传统工业研发设计软件市场（不含 EDA）约为每年 420 亿美元，主要反映设计研发工具本身的市场规模。硬件工程潜在结果市场则着眼于工程师借助传统工具完成的研发设计工作所创造的价值。
随着 AI 逐步承担更多完整工程任务，商业价值有机会从提供设计工具，进一步延伸至更广泛的工程研发工作。设序科技预测，当 AI 渗透率超过 8%，覆盖的结果市场规模便有望超过现有传统设计研发工具业务的总和。
当 AI 从辅助工具逐步承担完整工程任务，市场价值也将从设计软件本身，延伸至更广泛的工程研发工作。
从工程 Agent 到几何物理基础模型
要让 AI 承担更完整的工程任务，需要提升其对几何结构、物理规律和制造工艺的理解。围绕这一目标，设序科技构建了核心的几何物理基础模型——定维（Divo）。
几何层面
在几何层面，模型关注形状、拓扑关系、参数化结构与尺寸约束；
物理层面
在物理层面，关注物理场预测，以及控制方程、边界条件和多物理场之间的关联；
工艺层面
在工艺层面，关注制造语义与工艺约束，支持可制造性评估及成本与周期预测。
定维通过多模态工业数据编码，将这三类信息纳入统一的工业表征空间，为综合理解与推理提供基础。其目标是让 AI 在设计过程中兼顾结构要求、物理性能与制造可行性，为工程 Agent 执行复杂任务提供底层支撑。
从则形 3D Agent、则形 2D Agent进入真实工程流程，到 Harness 承接专业任务，再到工程数据反哺模型与基础技术，设序科技希望逐步建立应用、数据与底层能力相互促进的发展路径。
工业制造的研发任务复杂而广泛，AI 能否真正创造长期价值，最终取决于它能否稳定完成专业工程任务，在提升研发效率的同时，持续积累理解工业、服务工业的专业能力。