一张 1080p 图片，就是 1920×1080 的像素点，每个点的颜色可以用四个数字（ARGB）进行表示。AI 看图，就是在分析这些点的模式。它不仅能写代码、分析数据，还能对复杂问题进行推理，甚至被许多工程师用来辅助科研、写脚本、调算法。一些团队正在用更贴近工程语义的方式，让 AI 不再只是“看图”，而是真正“理解结构”。CAD 是“结构是什么、关系是什么、尺寸是什么、约束是什么”。工程领域的数

CAD 3D模型只能被“人”看懂：人能看出这是一个支架；人能看出两个零件长得很像；人能判断这个孔是不是加工过头；人能说出：这个地方以前也见过，可能是某供应商的标准件。——但计算机做不到。即便我们已经在图像、文本上让 AI 走得那么远了，可一旦换成 3D 模型，AI 几乎“瞎”了。

一个最简单的支架模型文件，你把它丢给大模型，让它判断支架的孔是不是加工过、边是不是倒角——AI 完全看不懂。但几何深度学习又远比 NLP/图像复杂得多，需要跨学科知识（几何、大地测量、拓扑、数学分析）。AI 擅长找像素模式，所以能识别猫、识别车、识别人脸。这些东西组合起来，形成一个 CAD 中看似简单的“孔”或“倒角”。但在文件层，可能是几十行几何描述 + 多条拓扑引用。图像是二维矩阵，像素之间是

这几年，大模型逐渐把文字、图像、视频都“读懂”了，但唯独在 CAD 3D 模型面前吃了瘪。原因其实很简单：图像是像素，文字是字符，而 3D 模型是的混合物。它不是自然生成的，而是人类设计出来的结果。所以，AI 想理解 CAD 3D 模型，光盯着形状是远远不够的，它需要给模型。这篇文章我就想聊聊：AI 如何从纯“几何形状”抽象出“工程含义”。我们给 AI 一个三维模型的图片，它可以看见：这是一个面；

3D 模型的几何只是表面，拓扑关系才是“骨架”，如果 AI 无法理解拓扑，它永远无法理解真实的工程世界。工程师知道，加一个倒角会“拆分面”，换一个圆角半径会“重建邻接关系”，这不是几何微调，是拓扑变化。几何只是 “点在哪、面是什么形状”，拓扑才是 “谁和谁连在一起、谁依赖谁、谁约束谁”。对于 AI 来说，从像素到拓扑，是一次从“二维视觉”到“工程世界”的跨越。几何描述“形状”，拓扑描述“结构”，而

一句话：从几何形状中自动恢复出 CAD 的设计特征。

未来所有对 CAD 进行 AI 推理的系统，不管是否愿意，都必须走向图结构，这是工程数据本身的规律决定的。没有图结构，AI 就永远只是在“看形状”，永远无法理解工程逻辑，更不可能做“工程设计智能化”。这些是所有真正想做 CAD AI 的工程师最想解决的问题，而所有这些能力，都建立在图结构之上。AI 想学会“工程师的眼光”，必须能看到这些关系，而这些“关系”天然就是图结构。所有这些彼此交织在一起，没

BREP（Boundary Representation），中文通常翻译为，是当前所有主流 CAD 系统（CATIA、NX、SolidWorks、Creo、Inventor、Fusion360、Onshape…）的核心几何表示方式。BREP 的地位就像是文本的 Unicode；图像的像素矩阵；几何的 NURBS 曲线曲面。是 CAD 模型的最底层构建基础。

并且，这些反馈会成为我们“专有模型配置”的一部分，在我们定义了 Project、偏好、任务模式之后，会被持久化，用来校正模型的推理路径。别人没有你的驱动程序，也没有你的数据，所以他们看不到你看到的那个“专业 GPT”。因为别人没有构建我们的推理路径，也没有基于我们的习惯强化模型。通过不断修正语义，让模型更靠近你的认知结构；我们的真实工作场景，是最有价值的训练数据。通过反馈按钮，让模型强化你偏好的推

在 CAD 世界里，真正决定一个零件意义的，是设计背后的“意图”。如果 AI 只看到几何形状，而不懂设计意图，它就像拿到一堆“长得像”的零件，却完全不知道它们“为什么要这样设计、这样加工、这样装配”。