宁德时代押注子虔科技:AI进研发端,要解决的是“从可能到可行”
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。 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....
AI想真正走进研发环节,光把画图这一步提速远远不够。
它得插手“从可能到可行”的那道筛选。
一个多世纪以来,制造业琢磨的都是同一件事:怎么把东西造得更快、更便宜、更稳。福特流水线也好,自动化工厂也罢,这个题目已经被答得相当漂亮。可还有另一个问题很少被摆到桌面上——产品上产线之前,到底该被设计成什么样子?
制造是把定下来的方案生产出来,创造则是从一大堆可能里挑出能落地的那一个。制造这边有产线、节拍、良率等一串参数可量;创造那边,零件尺寸、装配关系、加工工艺互相牵扯。改一处,原本能走的方案可能就得推倒重来。研发阶段做的选择,往往已经把后面的制造成本、供应链风险和产品性能锁死了。
工业领域尤其如此。过去几十年,工业软件主要在处理“把设计表达清楚、把验证做快”这件事。从“
现在,AI的应用边界正从文字、图像、代码往三维空间和工程研发上延伸。问题也跟着来了:AI进入研发端,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“
宁德时代为什么挑这个时间点押注研发端?子虔提出的“
制造与创造之间
隔着一段“时间黑洞”
子虔科技
这个场景听着遥远,指向的却是个现实问题:制造能力再强,只要“创造”这一环跟不上,从想法到实物之间照样横着很长一段时间。
龚敏彦把两件事拆开看: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。他拿乐高积木打比方——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。真实工程比乐高复杂得多:设计师不光要拼得出来,还得保证可制造、可装配、成本可控。
大型装备上,这种复杂性会成倍放大。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做不到。
工业里把这叫
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
这也就是“
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
整个流程走了4轮对话与修改,前后花掉30分钟。换成专业机械设计师,手上没有图纸、纯靠手工建模,差不多要3小时。就算不懂机械结构,几轮对话下来也能做出一套工程装配体——能动、能改,还能直接交付制造。
更复杂的一次验证,是一台
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
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
不过,生成只是开头。AI要真正进入研发环节,绕不开的是工程Know-how这道坎。麻烦在于,这些经验大多不会留在最终图纸上。举例来说,某个支架壁厚定为3毫米,图纸上只写这个数;至于当初为何不选2毫米、哪一版试过栽了跟头,通常只有经手的工程师心里有数,运气好能在某封邮件或某次评审记录里找到一句话,人一走,这些也就散了。公开数据能让大模型学会通用的设计规律,可一家企业几十年攒下来的东西,它学不到。想让AI用得上,设计、仿真、评审得放在同一个平台上跑,过程才留得下来。
子虔接触过一家航空设计研究院,过去做管路设计得靠本地CAD客户端,管路走向的链接动不动就丢,图纸标注全是手工活,设计和仿真各用一套软件,中间先导出格式、再做大量前处理。子虔给它定制了云原生管路设计仿真工具,情况变了:导管直接生成,弯曲半径和壁厚自动适配,AI识别管路属性后自动标注,设计时实时检查最小直线段、壁厚、材料匹配等规范,模型直接进仿真、自动完成前处理。效果是标注效率提升80%,合规差错率降到1%以下,仿真周期缩短50%。
还有一类问题落在数字手写设备企业身上:CAD数据和下游环节对不上,图纸画完还得靠人一条条核对。
两个案例其实指向同一件事:门槛摆了两层。头一层是行业规范和工程知识,通用规律模型能学,可一家企业攒了几十年的改动经验,模型很难直接接手;另一层是跨团队、跨工具链的配合,设计、仿真、工艺、供应链得在同一个数据闭环里转,AI才谈得上真正插手。说到底,AI工业软件的门槛不在“有没有大模型”,而在工程Know-how能不能变成可计算、可复用、可验证的资产。
子虔的位置
工业软件较量的下一程
子虔科技2020年成立,起步做的就是工业软件研发,底层基于
在国内,子虔盯的是设备制造、汽车供应链、航空制造客户的管路与电气设计等B端场景,给的是一整套工业软件工具链、AI提效看板、AI工具包,并用
zCAD. AI于2026年10月24日在Product Hunt全球发布,当天拿下日榜第一;眼下全平台注册用户已有十万人,覆盖80多个国家和地区,用户最多的两个市场是美国和中国;生成的模型超过2万个,单次生成中位时长在4分钟左右;6000多位用户导出模型8000多次,其中
从产业逻辑看,宁德时代把筹码押在研发端并不意外。龚敏彦跟产业方打交道时注意到一个明显变化:他转述道,“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。”
工程界有个说法流传已久:产品成本的七到八成,在研发设计阶段就定死了,这时候去优化企业效率,投入产出比最高。各行业的具体比例并不一样,学界也还在争,但“越往后改越贵”没人否认。产线上能抠出来的成本有限,大头藏在图纸里。
工业软件的竞争维度也在跟着变。以前拼的是功能覆盖、模块完整、客户规模;AI真要进了研发端,较量会收拢到三件事。一是工程资产能不能复用——可穿戴设备企业那个案例算个侧面,设计变更周期缩短43%、量产返工成本降低27%,靠的不是画图快,而是变更能自动关联到受影响的文档和版本。二是数据能不能闭环,设计、仿真、工艺、协作要是还散在不同系统里,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眼下的两道坎:制造场景里差一点公差就可能全废,创造阶段又得快速试错、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做成系统能力。
对子虔而言,“光速造物”不是喊速度的口号,而是对研发范式的一个判断:AI一旦能参与创造,工业软件的价值重心就会从“画得更快”挪到“想得更准、留得更住”。
这个判断站不站得住,得看它在航空、汽车、设备制造等场景里能不能攒出可复用的工程资产,也得看宁德时代这类产业资本能不能带来真实的研发场景和协同。换句话说,宁德时代押的不是一个融资故事,而是AI走进产品诞生源头的一种可能。