AI+工业软件开发-AiDD研发数字峰会2026-深圳站

论坛主席：李伟

西门子数字化工业软件（Siemens Digital Industries Software）资深解决方案专家，长期专注于工业软件、研发数字化转型与人工智能技术融合创新。
在新能源汽车、动力电池、能源装备、高端制造等行业拥有丰富实践经验，深度参与企业研发数字化体系规划与建设，研究领域覆盖PLM、ALM、MBSE、数字主线（Digital Thread）以及数字孪生（Digital Twin）等核心技术。
近年来重点推动生成式AI、工业知识工程与智能体（Agent）技术在工业软件领域的落地实践，探索如何将企业工程知识、研发流程与AI能力深度融合，构建面向需求、设计、开发、测试和验证全流程的新一代AI原生研发体系。致力于通过AI驱动工业软件从“管理工具”向“工程智能平台”演进，加速企业研发创新与工程效率提升。

西门子数字化工业软件资深解决方案专家

AI+工业软件开发

本论坛面向工业软件开发场景复杂、约束强、系统耦合高、验收标准严的现实问题，探讨AI Agent如何嵌入高门槛研发流程并发挥作用。论坛将聚焦需求理解、规则约束、工具联动、单测生成、系统验证、异常处理等主题，分析大模型在工业软件中的可用边界、实施路径和落地难点。听众将了解如何在复杂工程环境中提升开发效率与交付可靠性。

CircuitSage 打通原理图到 Gerber 全流程，工业级PCB 设计
全自动化

杨沫

深根宁极 Sagenic Tech 联合创始人兼CEO

内容简介：

CircuitSage 是深根宁极 Sagenic Tech推出的 PCB 设计全自动化 AI 智能体，打通从原理图到 Gerber 的工业级全流程。它以 MLLM 多模态大模型 + RL 强化学习双引擎为核心：输入原理图网表、板框约束与 DRC/DFM 规则，完成跨领域多模态编码；由 MLLM 学习行业范式生成高质量初始解，RL 进行分层决策与闭环迭代优化；再通过实时 DRC、SI/PI、EMC、热仿真等校验反馈，最终输出最优元器件布局、100% 连通自动布线和可直接用于生产的 Gerber 文件。平台覆盖原理图设计、PCB 文件解析、自动布局、自动布线、ERC/DRC/DFM 审查与设计知识问答，是全球首个实现 8 层及以上 PCB 设计自动化的 AI 模型/智能体。目前在20+龙头企业客户做应用落地验证，并完成工信部备案，参与全球首个 AI 辅助 PCB 设计标准共建，真正让工业级 PCB 设计从人工试错走向人机协同、全流程自动化。

演讲提纲：

1.开场——为什么是现在？为什么是 PCB 设计自动化？
2.技术路线——MLLM + RL 双引擎，打通原理图到 Gerber 全流程
3.竞对与壁垒——全流程 + 制造适配 + 龙头落地 + 标准备案
4.落地与商业化——从龙头验证到数据飞轮
5.团队与愿景——顶尖产学研 + 产业落地，2028实现全球领跑

听众收益：

1.看懂趋势：通用大模型不是 PCB 设计的终局
理解为什么 GPT、Claude、Gemini 在原理图→网表、布局、布线、DRC/DFM 上远低于人类，以及“垂类模型 + Agent + 工具链 + 制造数据闭环”为何是 AI 硬件设计的价值高地。
2.抓住窗口：高端 PCB 设计自动化的结构性机会
获得清晰的投资地图：AI 服务器 PCB 2027 年 465 亿美元、CAGR 140%，高端缺口 15%-25% 持续至 2028 年，国产 EDA 与高端 PCB 国产化率进入黄金窗口。
3.连接稀缺资源：已验证的团队、客户与标准
对接 20+ 龙头企业落地验证、工信部备案、信通院标准共建、10+ 专利布局；参与 2026 MVP、2027 商业闭环到 2028 全球领跑的增长红利。

中山大学硕士、CMU 强化学习课题组访学一年，获清华大学 2026 年博士入学 offer 后选择全职创业；
第十八届挑战杯全国特等奖与最具人气奖，中国电信量子算法编译双赛道一等奖、二等奖；
多篇AI顶会论文发表于ICCV、ACL、WWW、ECCV、ICML等，一篇Nature Machine Intelligence 论文在审；获批多项强化学习发明专利为中国气象局、广东气象局及多家上市公司交付多个垂类大模型，具备模型研发到行业落地的完整经验；
主导公司 CircuitSage 算法与模型路线，聚焦强化学习与 PCB 设计垂类模型，推动AI驱动硬件设计以及AI与芯片协同发展。

大模型赋能工业 CAD/CAE 实践经验分享及关键技术解析

马洪喜

行云创新总经理

内容简介：

工业领域从业者普遍关注：大模型能否赋能 CAD/CAE，复刻 AI‑Coding 对软件研发的变革，将三维数模设计、仿真求解的效率提升十倍乃至百倍？这究竟是远期愿景还是不切实际的设想？分享嘉宾结合大量制造业智能化落地实践给出判断：既不是五年之后，也不是短短数月，而是当下即可开展落地。
在 CAD/CAE 这类工业核心研发场景中，航空、汽车等大型制造企业最关心哪些具备强落地价值、能够快速见效的智能化切入点？背后又依赖哪些关键技术？本次分享以实战案例为牵引，结合深度技术拆解，逐层剖析并给出解决方案。

演讲提纲：
1.为什么通用大模型落地工业核心研发场景这么难？
AI 深入工业核心业务时，通用大模型能力难以直接复用。以 CAX 场景为例：同样使用 CATIA，航空与汽车设计的对象、业务流程、专业知识体系差异巨大；即便是审图这类通用动作，不同企业的校验规则、风险关注点、验收标准也无法直接复制迁移。
2.航空、汽车等领域 CAD/CAE 智能化实践经验分享：
覆盖零部件单一体系设计（发动机壳体、轴系、飞机尾翼、火箭一级栅格舵等）与整机总体设计闭环（风洞天平设计 - 仿真闭环、精密铸造浇注系统设计 - 仿真闭环），拆解场景的复杂性、数据连通难点、系统整体性要求，并展示项目落地带来的实际业务收益。
3.如何解决挑战的关键技术点展开细说:
3.1云原生智算调度与 CAD/CAE 执行负载管理技术
3.2通用 AI-CAX框架，对接主流 CAD，CAE执行器
3.3领域语料治理、模型训练及知识图谱技术
3.4工业智能体通用开发平台及人机交互技术
4.AI+工业发展趋势企业能在1年内能规模化落地：
4.1AI 定位是工程师的数字协同伙伴，不是替代工程师。AI嵌入 CAD、CAE 软件，自动查图纸、做仿真前处理、审图、写仿真报告，解决工程师最耗时间的重复工作，快速看到效率收益。
4.2工业 AI 的重心从比拼大模型基础能力，转向企业自有工业知识资产建设。通用大模型易出现工程幻觉；知识图谱沉淀行业标准、仿真规则与专家经验，作为可信业务大脑；由大模型理解业务意图，知识图谱保障输出合规可信，二者协同是 CAX 场景落地的关键。
4.3工程智能体将成为主流形态：它听得懂工程师自然语言指令，自动调用 CAD 建模、调度算力、提交 CAE 仿真、汇总结果，打通设计到仿真的闭环。而且可以在平台上低成本扩展，快速搭建多智能体。
4.4支撑 CAD/CAE 迭代闭环的弹性智算调度将成为基础设施。针对物理仿真任务算力波动大的特点，云原生智算实现资源按需调度，有效降低企业硬件投入成本。

听众收益：
1.案例收益：了解企业已落地、可快速见效的智能化切入点，直观掌握 AI 在设计‑仿真链路带来的真实业务收益。理解如何借助 AI 助手把工程意图转化为可制造设计，解放工程师精力，使其聚焦产品创新决策；了解如何利用 AI 实现 CAD/CAE 全流程闭环，构建企业可迭代的工程数据资产。
2.技术收益：深度认知工业研发场景落地难点，厘清通用大模型在 CAD/CAE 场景的现实瓶颈；系统理解云原生智算、AI‑CAX 框架、工业知识图谱、工业智能体完整技术体系，掌握工程幻觉消除、工业软件打通、仿真算力调度等核心痛点的解决思路。
3.落地收益：把握未来1年内可规模化落地的工业 AI 方向，明确优先试点场景与需要沉淀的企业知识资产，找准企业研发数字化转型切入点。

26年软件产品研发和管理经验，曾在Oracle, Citrix公司担任架构师、技术总监。为上汽、一汽、海尔、格力、蜂巢锂电、中石油、南方电网等众多制造、能源类企业提供数字化、智能化咨询服务，以云与 AI 融合技术为核心支撑，聚焦 AI 技术自主研发、AI 赋能工业升级两大业务方向，助力企业依托 AI 大模型完成业务智能化升级，加速推进产业数字化、智能化转型。
信通院云计算领域专家成员，参与云原生成熟度模型、开发上云等相关标准定义
连续11年微软最有价值专家MVP称号，MVP区域总监。

FDE 驱动的工业软件 AI 原生研发：从代码生成到质量闭环

李明宇

AI 大模型落地实战专家/企业智能化转型首席顾问

内容简介：

工业软件研发对领域规则、存量兼容和软硬件协同有着严格要求。AI 加快代码生成之后，如何准确落实需求、控制变更影响，并提供可信的验证依据，成为工程交付必须解决的问题。
本分享结合工业软件研发实践，以 FDE 连接公共 AI 能力与项目现场为主线，介绍如何将需求和项目约束转化为可执行、可验证的任务，建立代码审查、自动化测试与人工确认相衔接的质量保障机制。围绕实际问题的定位与修正，进一步讨论如何改进 Spec、项目知识、Skill 和公共工具，并通过回归与复用验证检验改进效果，让经验证的工程方法成为团队可维护、可复用的研发能力。

演讲提纲：
1. 工业软件的 AI 原生研发：从关注生成速度到检验交付质量
2. FDE 的工程定位：连接平台能力、项目约束与质量责任
3. 把质量要求前移：需求澄清、Spec 与研发基线
4. 建立分层验证：代码审查、自动化测试、人工确认与回归
5. 从项目修正到组织积累：规则沉淀、公共能力回流与复用验证

听众收益：
1. 掌握场景筛选方法：判断哪些工业研发任务适合优先引入智能体，明确实施条件和人机分工。
2. 理解工程知识的组织方式：将分散的文档、规范与项目经验转化为智能体可使用、可追溯的任务上下文。
3. 获得工作流构建思路：理解工具接入、Skill封装和智能体协同的关键设计，能够规划一个最小可行的研发样板。
4. 建立结果验证意识与方法：识别“操作成功但结果错误”等常见问题，设计自动检查、人工评审及失败反馈机制。
5. 明确团队推广的关键条件：理解FDE协同、资产维护与效果度量如何支撑持续应用，评估试点是否具备扩展价值。

历任中科院计算所副教授、国家级重点实验室课题组长，具有创业公司 CTO、上市公司事业群技术总监及首席技术专家等跨科研、产品与产业实践经历，曾获中国软件行业协会“优秀 CTO”等荣誉。
长期聚焦大模型、智能体、AI Coding、软件工程及企业 AI 转型，拥有从技术研发、产品建设到组织级落地的完整实践经验。近年来深入制造业、汽车电子、金融及科技研发型企业一线，围绕真实研发项目开展 AI Coding、Agentic Engineering、研发流程重塑、种子团队培养和组织效能提升实践，致力于推动 AI 从个人效率工具升级为企业可度量、可治理、可规模化的研发能力。

AiDD峰会

K+峰会

联系我们