读而思
当前，需牢牢把握工业软件智能化发展机遇，通过政策引导、技术攻坚、产业协同、生态培育四维联动，加快构建工业软件融合创新体系，为新型工业化注入强劲动能。
王柯懿 宋重阳 盛坤 中国软件评测中心工业互联网研究测评事业部
在全球制造业数字化转型浪潮中，工业软件作为“制造业皇冠上的明珠”，正成为推动新型工业化的核心引擎。近年来，国内工业软件市场规模持续扩大，预计到2030年将突破6575亿元，但与国际先进水平相比，仍存在技术瓶颈、生态薄弱等挑战。随着人工智能（AI）与大模型的深度赋能，中国工业软件全球竞争力将有望实现快速提升，工业软件智能化成为推动工业经济高质量发展的必由之路。当前，工业软件智能化呈现技术融合深化、云端化与一体化、国产软件加速突破、生态协同创新、场景化定制等趋势，同时面临数据复杂性及治理、行业适配性与标准、人才复合性与培育等多重挑战。
国内工业软件智能化呈现出五大趋势
在数字化转型浪潮下，我国工业软件领域正经历智能化重构的深刻变革。随着工业软件产业与人工智能的深度融合，将加速工业软件从工具属性向智慧中枢跃迁，为制造业高质量发展注入新动能。
技术融合深化：AI与大模型驱动工业软件升级
当前，人工智能（AI）、大模型技术与工业软件的深度融合成为主流趋势，通过数据驱动、智能决策和自动化闭环，有效解决传统工业场景中的复杂问题，加速重塑工业领域研发、生产和管理模式，推动工业智能化迈向新阶段。例如，瑞风协同发布的aiEF平台通过“机器学习+智能体”双引擎技术重构工业软件的智能化范式，降低应用门槛（无代码开发、开箱即用）并推动自主进化（数据闭环、智能体协同）。生成式AI（如DeepSeek、GitHub Copilot等）通过代码生成能力，将自然语言需求直接转化为可执行代码，同时结合工业领域的专业知识库，实现从“需求描述”到“功能实现”的端到端智能化开发。云庐科技推出的全球首款CAE领域大模型CAEGPT，通过深度融合生成式AI技术与工业仿真知识库，实现仿真代码的智能生成与快速开发，显著降低CAE软件的使用门槛并提升开发效率。
云端化与一体化：从孤岛化到全链条协同
云端化不仅能够有效降低企业IT成本，还能够通过数据互联促进跨区域协作。目前，工业软件的部署模式正经历从本地化向云端迁移的深刻变革，并逐步打破传统环节间的壁垒，向设计、生产、运维全生命周期的一体化方向演进，不仅改变工业软件的使用方式，还加速重构制造业的数字化体系，形成“云上协同、端到端贯通”的新型工业生态。例如，中望软件基于AI打造了CAD+CAE+CAM综合解决方案，通过自主内核技术、行业定制化服务与生态协同能力，进一步强化CAE能力，支持从设计到加工的全流程协同，并在船舶、汽车、机械、能源等多个行业实现深度应用。数码大方通过AI深度赋能、全链数据贯通、生态开放协同，自主研发了CAD/CAPP/CAM/PLM一体化平台，打通设计、工艺、制造全流程数据链路，实现从“单点工具应用”到“全链条智能协同”的跨越，构建了覆盖产品全生命周期的协同体系，提升全链条协同效率。
国产软件加速破局：本土企业冲击 高端市场
在政策强力支持与制造业数字化转型需求的双重驱动下，中国本土工业软件企业正以AI为杠杆，撬动CAD、CAE、PLC等核心领域的“破壁”进程，推动工业知识表达与传递方式从依赖人工经验转向数据与算法驱动，逐步构建安全可信的工业软件生态体系，提升国产工业软件的市场竞争力。例如，和利时推出的AI编程平台，将自然语言指令（如“当温度>100℃时启动冷却泵”）转化为IEC 61131-3标准代码，实现开发效率提升80%。概伦电子在EDA领域结合AI技术，推出支持先进制程的仿真工具，通过机器学习优化电路设计参数，帮助芯片企业有效缩短设计周期并降低试错成本。达摩院自主研发了全能力国产求解器，将生产排班、路径规划等复杂工业问题转化为数学模型，通过AI技术将解算时间从分钟级缩短至毫秒级，大幅提升求解性能。
生态协同创新：开源与产业链闭环建设
在人工智能技术的驱动下，工业软件开源生态与区域产业集群正成为推动技术突破和产业升级的双引擎，两者已形成“技术普惠-场景验证-产业升级”的正向循环。开源模式降低开发门槛、加速技术共享，区域集群提供落地土壤，两者协同将加速中国从“工业软件使用者”向“规则制定者”转型。例如，上海智元新创推出的全栈开源机器人灵犀X1，通过开源硬件和软件生态，推动机器人价格降至10万元以内，实现智能装备的普及推广。中望软件基于开源社区反馈优化CAD内核，同时依托深圳产业集群的供应链资源，实现国产三维建模软件市场份额突破15%。深度求索（DeepSeek）推出的R1开源模型，通过开放训练数据集和代码，吸引了全球大量开发者参与优化，推动中国AI大模型生态快速成长，性能媲美国际主流产品。
场景化定制：垂直行业解决方案崛起
人工智能正推动工业软件从“一刀切”的通用工具，加速向“千行千面”的行业智能体演进，有效提升场景适应性与价值密度，形成“场景定义功能、数据驱动迭代、生态共建共生”的新范式，重构制造业数字化底座。例如，商飞联合索辰科技面向航空航天领域的复杂系统仿真场景，开发出专用CAE模块，可实现翼型气动仿真时间从72小时压缩至8小时，精度达国际主流软件的98%。汇川技术开发的PLC内置轻量化AI模型，通过AI模型实现边缘智能，可实现实时调整注塑机参数，良品率有效提升12%。深南电路面向PCB生产领域开发的AI-CAM系统，通过深度融合人工智能技术与传统计算机辅助制造（CAM）流程，实现钻孔代码的智能生成与优化，将材料损耗从15%有效降至3%。
工业软件智能化面临三重挑战
当前，工业软件智能化转型正处于攻坚阶段，面临数据治理、行业适配、人才培育三重结构性矛盾，既制约着工业软件全生命周期管理能力的提升，又阻碍了“端-边-云”协同智能生态的构建。
数据复杂性及治理挑战
工业软件的智能化进程高度依赖高质量数据的采集、标注与分析，但工业现场环境的复杂性给数据全生命周期管理带来多重挑战。
一方面，数据采集环节面临多源异构难题。生产线上同时存在传感器时序数据、PLC控制信号、SCADA系统日志、设备维护记录等数十种数据源，既有结构化数据库存储的工艺参数，也有非结构化的图像视频数据，数据格式涵盖JSON、CSV、OPC UA等十余种协议标准。
另一方面，制造业企业普遍存在数据治理基础薄弱的问题，数据清洗环节涉及敏感工艺参数的脱敏处理，这些核心工艺数据约占工业数据总量的38%，其加密保护和权限管理显著增加了数据预处理成本，导致企业数据利用率不足25%，数据转化和融合操作复杂，进一步制约AI模型的训练与优化。
行业适配性与标准挑战
工业场景的高度专业化特征导致智能化转型面临双重壁垒。一方面，不同垂直领域的生产流程、设备体系与数据逻辑存在显著差异，要求解决方案必须构建与行业Know-How深度融合的定制化能力。另一方面，制造企业普遍存在工艺参数动态调整频繁、多代设备并存、系统架构复杂交织等现实困境。
长期以来，企业依赖的单体式工业软件形成数据“烟囱效应”，不同的系统采用不同数据标准，设计变更需适配不同数据库，严重影响研发效率。现有工业软件架构多为紧耦合设计，在面对小批量多品种的柔性生产需求时，往往需要长时间的系统重构周期，难以匹配市场快速变化节奏。尽管云原生PLM等新技术可通过模块化设计进行改善，但其开发仍面临行业知识沉淀不足和标准化模板缺失的挑战。
人才复合性与培育挑战
随着我国制造业数字化转型加速推进，工业软件作为智能制造的核心载体，其人才供需矛盾日益凸显。据《关键软件人才需求预测报告》预测，到2025年，我国工业软件领域将面临12万名人才缺口，其中既精通软件开发又深谙工业机理的复合型人才尤为紧缺。
工业软件涉及芯片设计、流体力学等高端技术，需要长期技术沉淀，现有从业者中具备10年以上经验的核心技术骨干占比不足8%。目前，我国工业软件人才培养周期长、成本高，高校课程体系与产业需求存在代际差，企业实训资源投入不足。同时，行业薪酬水平较互联网、金融等领域缺乏竞争力，近5年核心岗位薪资溢价率不足同类IT岗位的60%，40%的从业者在5年内转行至人工智能或大数据领域，导致人才外流严重。
这种人才结构失衡已形成“基础人才供给不足—关键技术攻关受阻—产业竞争力下降—人才吸引力减弱”的恶性循环，成为制约工业软件创新突破的关键瓶颈。
政策、技术、产业、生态四维发力
当前，新一轮科技革命与产业变革纵深演进，需以系统性思维统筹推进工业软件智能化发展，建议从政策引导、技术攻坚、产业协同、生态培育四个维度协同发力，形成“战略规划—技术突破—场景落地—环境支撑”的完整闭环，通过四维联动，打造形成技术突破有支撑、产业升级有动能、可持续发展有保障的良性循环格局。
政策层面：强化顶层设计与精准支持
一是强化政策顶层设计。加强战略统筹，研究制定智能化软件开发政策，明确发展目标、技术路线图及重点领域，将智能化软件开发纳入新一代人工智能发展规划。聚焦AI辅助需求分析、智能代码生成、自动化测试验证、自主运维优化等核心领域，探索设立国家研发专项，建设智能开发算法开源社区和测试验证平台，有效提升智能化工业软件开发工具渗透率。
二是加大财税激励力度。扩大工业软件产业基金规模，重点支持三维几何引擎、物理仿真等技术研发，以及智能工厂、数字孪生等场景验证。对首版次软件、行业专用解决方案给予税收减免，降低企业采购成本，通过双向激励降低企业采购成本，构建“研发-应用-迭代”的正向循环生态。
三是完善知识产权保护。加强知识产权保护与数据治理，探索智能化生成代码的版权归属规则，建立AI辅助开发的知识产权快速确权机制。出台工业软件知识产权保护与数据共享法规，在航空航天、汽车电子等重点行业试点数据共享专利池，对恶意代码抄袭、模型参数窃取等行为建立行业黑名单并实施联合惩戒，有效保障企业创新收益和开发者权益。
技术层面：突破核心技术与融合应用
一是攻关工业软件“根技术”。通过“揭榜挂帅”等机制，鼓励“企业+高校+科研院所”联合团队，开展AI代码生成、智能调试、自动化运维等技术研发，构建安全可信的工业软件技术体系，筑牢产业链安全底座。
二是推动AI与工业软件深度融合。构建“大模型+行业知识图谱”的智能工程底座，通过云原生架构集成工业多模态数据与领域知识库，开发低代码/无代码可视化工具链，支持用户快速构建垂直场景智能体与专业模型，覆盖工业设计、仿真优化、试验验证及运维保障等核心场景，降低AI应用门槛并提升协作效率。
三是加强数据治理与安全防护。开发工业级数据加密及动态脱敏技术，结合“边缘计算预处理+云端智能分析”的混合架构，在数据传输、存储和计算环节实施多层级防护，同步完善访问控制、入侵检测和容灾备份机制，实现数据全生命周期流转和模型运行安全。
产业层面：构建协同创新与场景驱动机制
一是打造区域产业集群。依托苏州、重庆等软件名城试点示范区，搭建“产学研用”协同创新平台，聚焦工业仿真、智能控制等关键技术研发，贯通“基础软件-场景应用-云化服务”全链条，培育龙头企业牵引、中小企业配套的产业生态，形成“关键技术+产品+服务”的产业链闭环。
二是开放行业应用场景。鼓励重点行业龙头企业提供典型应用场景和试验环境，建设工业软件中试验证平台，与产业链上下游企业共同制定中试技术规则和标准，推动计算机辅助制造（CAM）、全生命周期管理（PLM）、结构仿真、流体仿真、行业专用软件等初步成熟的工业软件加快完成中试验证；鼓励工业企业优先选取非关键工序、非重要零部件场景开展更新换代，并逐步在关键工序和零部件场景中扩大应用范围。
生态层面：培育开源社区与人才体系
一是建设开源生态与标准体系。支持工业软件开源社区建设，鼓励企业、高校共建共享算法模型库和开发平台，减少重复投入。加快制定智能化软件开发工具、数据接口、安全评估等标准，推动技术兼容性与开放性，加快建立行业标准与生态体系。
二是深化产学研合作。依托国家特色化示范性软件学院平台，联合行业龙头共建校企联合实验室与实训基地，开发智能化软件开发案例库及模块化教材，引入企业导师打造“双师型”师资体系，定向培养兼具算法开发与工业场景经验的复合型人才，推动“AI+软件工程”跨学科培养，加速科研成果向产业应用转化，全面支撑制造业智能化技术攻坚与人才储备需求。
三是优化人才激励机制。设立工业软件人才发展基金和股权激励计划，重点支持核心算法、系统架构等领域研发人员，激发创新活力，加速关键技术突破与成果转化，吸引全球高端人才集聚，提升产业核心竞争力，为制造业数字化转型提供长效人才保障。
