AI驅動、零人工干預，軍用級無人機10000種設計篩選的全代碼工作流

AM易道分享

一架軍用級飛翼無人機。

10000種構型方案。

翼展、弦長、錐度比、前后緣后掠角、材料成本……

全部參數化自動生成，自動跑完氣動分析、結構分析、穩定性校核。

完成這一切的，是一個人加一臺電腦。

沒有人打開過CAD軟件手動畫圖。沒有人手動復制粘貼過數據。沒有一次因為改參數而導致模型崩潰。

這是2026年2月26日，一場叫"Code-First Digital Engineering & Physical AI"的網絡研討會上展示的內容。

三家公司聯合出場：

nTop（CEO Brad Rothenberg）負責參數化幾何建模，SysGit（CEO Steve Massey）負責需求的版本控制，Istari Digital（CTO Chris Benson）負責自動化驗證。

三方各管一段，拼出了一條從需求到設計到驗證的全代碼驅動流水線。

AM易道認為，這場演示真正值得關注的不是10000這個數字本身，而是它背后的一個根本性轉變。

設計的邏輯方向反過來了：

不再是先畫形狀，再看性能夠不夠，而是先定義目標，讓代碼自動生成滿足目標的形狀。

從Shape→Objectives，變成了Objectives→Shape。

這個轉向，對3D打印行業甚至所有硬件工程的每一個參與者都有影響。

整條鏈都在變，除了畫圖這一步
先拆解一下這條工程鏈到底在發生什么。
如果你做過復雜產品開發，下面這個流程一定不陌生：
寫需求→搭系統架構→畫CAD模型→跑各種仿真分析→寫報告。
每一步之間，都有人工核對環節。
系統架構是否滿足需求？CAD模型是否符合架構？仿真結果是否達標？報告跟模型對得上嗎？
傳統流程里，這些核對全靠人。
剪貼板、Excel表、會議室白板，來回校驗，效率低、容易出錯，而且每改一版設計就要重新跑一遍全流程。
演示中展示的一張圖說，現代航空航天系統跨多家公司設計、每個零件跨多種工程工具、每個模型隨時間不斷變化，復雜度是三維爆炸的。

按現有模式走下去，軍用飛機的研發周期越來越長（F-35從立項到形成戰斗力超過20年），成本指數級增長，PPT里甚至開始討論"第一個萬億美元飛機項目"會什么時候出現。

過去幾年，這條鏈的前后兩端都在悄悄代碼化。

在需求端，SysGit展示的是基于SysML 2.0標準的需求管理。

核心是讓工程需求可以像寫代碼一樣用文本描述，用Git做版本控制，誰改了什么、什么時候改的、改之前是什么樣，一目了然。

搞軟件的人對這套東西再熟悉不過了，但對做硬件的工程師來說，這是頭一回。

在驗證端，Istari Digital展示的本質上就是把需求驗證變成自動化的單元測試。

每次設計改動，系統自動跑一遍檢查，看看是否還滿足需求集。不用人工一條條對照Excel。

仿真層就更不用說了。

流體力學模擬、結構強度分析這些求解器，早就可以用腳本批量調用，優化循環整夜跑完不需要人盯著。

需求是代碼。驗證是代碼。仿真是代碼。

然后到了三維建模—整條鏈卡住了。

CAD的三種脆弱病

為什么偏偏卡在建模？演示中有一頁幻燈片把問題拆得很清楚，傳統CAD有三種系統性的脆弱：

幾何脆弱，兩根管子相切的交線經常計算失敗，交叉的加強筋布爾運算出錯。

缺一條邊，整個模型就廢了。

拓撲脆弱，做大幅度的設計改動時，模型很難自動構建新的拓撲結構。

你要加一個圓角，圓角之間互相重疊，CAD直接報錯彈窗。

引用脆弱，你的特征樹里一個圓角引用了某條邊，但改了其他參數以后那條邊消失了或者變了，引用斷裂，整個特征樹報黃。

一個零件上有1條邊需要倒角和有8條邊需要倒角，對CAD來說是完全不同難度的問題。

這三種脆弱性不是某個CAD軟件的bug，而是底層技術架構，B-rep邊界表示的固有局限。

這套技術從上世紀80年代定型，設計初衷就是給人在屏幕上交互式畫圖用的。

人坐在電腦前碰到這些問題可以手動繞過去，但程序繞不了，它只會停。

所以，當你想讓電腦自動跑1000個設計變體時，哪怕只有5%的概率出現建模失敗，整條自動化流水線就廢了。

Rothenberg在帖子里說：

你的求解器再快沒用，你的優化框架再好沒用，你的AI再強也沒用。

如果幾何模型不能參數化自動更新，整套系統就跑不起來。

nTop的分享：把幾何變成函數盒

nTop的解法叫隱式建模，3D打印行業的讀者都比較熟悉，思路跟傳統CAD完全不同。

打個比方。

傳統CAD像是用紙殼糊零件的外殼，你要精確定義每一片紙殼的形狀和拼接方式，稍有沖突就糊不上去。

隱式建模則像用一個數學公式定義空間中每個點離零件表面有多遠，零件的形狀是公式的自然結果，不需要手動拼接，也不會因為兩片紙殼對不上而崩潰。

演示里有一頁圖非常直觀地展示了這種思路的實際運作方式：

左邊是一組輸入參數（翼展、弦長、錐度……），中間是一個函數盒。

參數進去以后，先自動生成參數化幾何，再自動跑多學科分析（氣動、結構、穩定性），右邊直接輸出性能指標（重量、阻力、成本……）。

不同的輸入參數組合產生不同的飛翼構型，就像調函數的參數一樣。

這就是為什么10000種構型能全自動跑完：

幾何模型本身就是一段可執行的程序。

你改參數，它重新算，不會特征樹報警示。

布爾運算、圓角這些操作在數學上保證不出錯，天然適合GPU加速，文件極小。

nTop還把這個能力跟文檔系統結合了，他們叫Notebook，代碼和說明文本寫在一起，工程知識可以被沉淀和復用，而不是存在某個老工程師的腦子里。

這個理念的名字是：幾何即代碼。

飛翼無人機的數據結果

說到這可能還有人覺得是概念。

那看看實際跑出來的結果。這次演示同步公開了一個可交互的在線數據集（Grp3 Flying Wing UAS 10K v4 Study），10000種構型的全部數據任何人都能查看。

基礎設定是巡航速度150節、海平面飛行、鋁材成本15美元/磅、復合材料85美元/磅。

系統在這組條件下自動搜索，跑出了最大航程4906海里、最長續航32.7小時、最佳升阻比33.8等極值結果，并從10000種方案中自動篩出13個帕累托最優解。

也就是在航程、重量和成本三者之間不存在更好折中的方案。

每種構型都可以點擊查看翼型俯視圖和詳細性能參數，甚至可以直接下載源文件做進一步驗證。

這是一個真實跑完、數據完全公開、任何人都可以在線翻閱復查的完整工程案例。

項目鏈接我們放評論區了。

3D打印的人為什么必須關注這件事

有人可能會說，軍用無人機的事，跟我們搞的3D打印服務、做的消費品、管的工廠有什么關系？

關系很大。

先說痛點。

3D打印的核心賣點之一是設計自由度，你可以打印傳統工藝做不出來的復雜結構。

但很多人實際操作中發現，設計自由度是有了，數據傳輸環節卡脖子。

辛辛苦苦設計了一個晶格填充或拓撲優化的輕量化零件，導出STL的時候，要么文件大到好幾個G打印軟件讀不進去，要么干脆網格生成失敗導出不了。

所以文章分享的工作流未來能夠解決這個問題。

更值得關注的是一個更深的變化。

當設計邏輯從先構型再追求性能到先定義性能再自動構型，這種效率改變將是一個完全不同的量級。

傳統流程里一個項目能比較三五種方案已經不錯了，因為每種都要手動建模、手動跑仿真、手動整理結果。

而演示里展示的場景是，一個人加AI，產出的設計探索量相當于一大群工程師。

這對產業鏈上不同角色意味著不同的事。

3D打印服務商，未來客戶交給你的可能不再是一個定型的STL文件，而是一套參數化的設計邏輯加一組約束條件：

"重量不超過X克，剛度不低于Y，用某種材料"。

服務商的價值不再只是按圖加工，而是要能參與設計空間的篩選和可制造性評估。

對于設備商或材料商，工藝參數和材料性能數據需要能被外部程序調用。

一臺打印機如果不能被代碼驅動，就像一臺不聯網的服務器，功能還在，但在自動化流程里會被繞過。

對于DfAM（面向增材的設計）的各路達人而言，你的設計流程如果還停留在手動建模、導出STL、手動修網格，你這個肉身的人就是整條自動化鏈里那個讓系統卡住的手動環節。

不過OpenClaw這類的工具顯然可以逐步去掉人這個環節。

一個正在成型的新生態

這場演示還透露了一個值得注意的信號。

一個AI原生硬件工程的生態正在快速成型。

演示中展示的西方軟件生態圖譜里，AI for CAD領域有ZOO、nTop、jitX；

AI for CFD/FEA有Intact Solutions、Luminary、Physics X；

AI for Manufacturing有Divergent、Hadrian；

AI for MBSE有SysGit、Syside；

AI for Simulation有Neural Concept、FlexCompute……

底層基礎設施則是Istari Digital、NVIDIA、Google Cloud、AWS、Azure。

這是一整條新的AI工具鏈在浮出水面。

它們共同指向的方向是一致的：

把硬件工程的每一個環節都變成可以被代碼調用、被AI加速的模塊化服務。

當工具鏈足夠程序化、足夠輕量化，設計能力的門檻會被大幅拉低。

更多人和更小的團隊能做出以前只有大廠才能干的活。

但硬幣另一面是，會操作工具不再稀缺，能定義好問題、設好約束、做出正確取舍，是新壁壘。

幾瓢冷水

我們得指出類似nTop的隱式建模并不能替代傳統CAD。

比如方方正正的普通零件，SolidWorks就挺好。

隱式建模的優勢要到復雜曲面、晶格結構、大規模自動化這些場景下才能體現。

很多制造業零件不需要這些。兩種工具共存是常態。

AI化、代碼化對工程師的技能要求會變。

不是每個搞機械的人都愿意或能夠寫代碼。

不過樂觀的是VibeCoding會助力機械背景的工程師參與其中。

10000種構型背后的選擇題

回到開頭那架無人機。

一個人，一臺電腦，10000種構型，零次CAD崩潰。這組數字本身不是重點。

重點是它背后變化：

工具變了是顯而易見的。

更深的，是設計思維的方向和工作流變了。

先定義好目標和約束，讓機器去搜索滿足條件的所有可能形狀。范式轉換。

AM易道的看法是，3D打印行業過去十年花了大量精力討論材料和設備，更多材料種類、更快打印速度、更大成型尺寸。

但對設計端的底層變化關注太少了。

而設計端恰恰是決定增材制造能不能從特種工藝變成主流制造方式的關鍵變量。

一個完整的AI原生硬件工程生態正在成型。留給大家的問題只有一個：

在這條新鏈上，我們能否做其中一環，還是等著成為被繞過的那個手動環節？

AM易道期待與您在幾周后的上海TCT現場討論AI與3D打印的一切。

屆時AM易道還將主持TCT的出海論壇以及創客的GeniusHub活動，并且分享部分優秀企業的新品發布，敬請關注。

通過小程序免費預約TCT門票

歡迎留言討論您的看法，更多內容也請訪問amyd.cn