AI赋能CAD：从图纸理解到设计自动化的工程实践

一、背景：为什么CAD需要AI

传统CAD工具解决的是”精确绘制”问题：几何约束、图层管理、尺寸标注、打印出图。但在真实工程流程中，工程师大量的时间并不花在画线上，而是消耗在以下几类”非绘图”工作上：

• 从多张历史图纸中查找可复用的设计意图；
• 对比两个版本的差异，确认变更是否到位；
• 把不同来源的图纸统一到企业标准图框与标题栏；
• 从图纸中提取表格、BOM、设备清单并对接下游系统。

这些工作的共同特征是：输入是非结构化或半结构化的图形与文字，输出是结构化信息或新的图形组织方式。这正是AI擅长的领域。

因此，一个合理的分工模型是：

AI提供理解与组织能力，CAD完成专业执行，工程师掌握最终判断。

这不是”AI替代设计师”，而是把设计师从重复的信息搬运中解放出来，让其专注于判断与决策。

二、能力分层：CAD+AI的技术结构

从工程实现角度看，CAD与AI的结合可以拆成四层：

┌─────────────────────────────────────┐
│  交互层：语义检索、智能翻译、内容总结  │
├─────────────────────────────────────┤
│  理解层：图纸对比、文字表格识别、相似检索 │
├─────────────────────────────────────┤
│  组织层：智能合图、数据提取、自动排版    │
├─────────────────────────────────────┤
│  执行层：智能吸附、模板替换、自动布置    │
└─────────────────────────────────────┘

每一层都对应不同的技术手段与工程约束，下面逐层展开。

三、高频场景的AI能力落地

3.1 智能吸附：块放置的上下文感知

在图纸中放置图块（如阀门、灯具、设备符号）时，传统做法依赖捕捉点与手动对齐。智能吸附在此基础上引入上下文判断：根据当前图层、邻近图元类型、连接关系，推断合理的放置位置与朝向。

工程价值在于：减少重复的对齐操作，降低因手动放置导致的连接错误。这类能力通常不需要大模型，而是规则引擎+轻量分类模型的组合，响应速度要求高，必须在本机或近端完成。

3.2 智能合图：识别图框并自动排版

多专业协同中，各专业提交的图纸图框规格不一。智能合图需要完成：

1. 识别图纸中的标准图框边界；
2. 匹配企业图框模板库；
3. 按出图规范自动排版、编号、生成目录。

这一环节的难点不在识别本身，而在模板匹配的容错：图框可能被缩放、旋转、部分遮挡。实践中通常采用模板特征点匹配+几何校验的方式，而不是纯视觉大模型，以保证确定性。

3.3 数据提取：多图纸批量统计与变更联动

从图纸中提取表格、材料清单、设备参数，并支持跨图纸批量统计。关键需求是设计变更时数据能同步更新，而不是一次性导出后就脱节。

实现上需要建立”图元—数据”的映射关系：每个被提取的字段都关联到具体的图元ID或区域，当图元变更时触发重新提取。这要求CAD平台提供稳定的对象模型与事件机制。

3.4 图纸智能对比：版本差异发现

对比两个版本的图纸，输出新增、删除、修改的图元列表。传统做法是几何Diff，但工程图纸中”位置微调”和”实质修改”需要区分。

AI的介入点在于语义级差异判定：两个图元几何上不同，但语义上等价（如标注文字从”DN50”改为”DN 50”），应归类为格式差异而非设计变更。这需要在几何Diff之上叠加一层语义归一化。

3.5 AI相似检索与文字表格识别

• 相似检索：以图搜图，找出历史图纸中结构相似的方案，用于复用。
• 文字表格识别：从扫描件或PDF中恢复可编辑的文字与表格结构，进入CAD数据流。

这两项能力是”图纸理解”的基础设施，为后续的语义检索与自动处理提供输入。

四、图纸理解：从检索到总结

在图纸理解层面，可落地的能力包括：

• 语义检索：不再依赖文件名或图层名，而是用自然语言描述需求，如”找出所有含排烟风机的机房平面图”。
• 智能翻译：多语言图纸的标注、说明翻译，保持术语一致性。
• 内容总结：对一张图纸或一套图纸生成设计说明摘要。
• 模板自动替换：标题栏、图签、版本信息的标准化替换。

这些能力的共同前提是：图纸中的文字与图形被结构化。没有结构化，语义检索无从谈起。

五、行业场景实践

5.1 标准化与自动化出图

• 工程图标题栏标准化替换；
• 建筑照明自动布置；
• 汽车线束BOM提取；
• 电梯详图生成。

这些场景的共性是：规则明确、重复度高、容错要求高。适合用”规则+AI”的混合方案，而非端到端大模型。

5.2 建筑设计领域

• 家具布置方案自动生成；
• 暖通排烟机房施工图生成，并自动校验合规性；
• 结构构造节点详图生成；
• 标准墙身节点设计。

其中”自动校验合规性”是典型的高价值点：生成图纸后，立即用规则库校验是否满足规范，把问题拦在设计阶段。

5.3 图纸智能分类与数据对接

在精测电子类场景中，需求是对历史图纸自动分类并提取关键信息，直接对接企业数据湖。

流程可抽象为：

历史图纸库
   ↓ 格式归一化
   ↓ 图纸分类（按专业/类型/阶段）
   ↓ 关键信息提取（图号、名称、材料、设备）
   ↓ 结构化输出
企业数据湖 / PDM / ERP

这一步的价值在于打通CAD数据与企业级数据平台，让图纸不再是信息孤岛。

六、工程实现的注意事项

1. 确定性优先：涉及出图、合规校验的环节，必须保证结果可复现，避免纯概率模型直接决定最终输出。
2. 人在回路：AI给出建议，工程师确认后执行。所有自动操作应可撤销、可追溯。
3. 数据安全：图纸属于企业核心资产，本地化处理与权限控制是前提。
4. 接口稳定：与下游系统对接时，结构化输出的Schema应保持稳定，便于集成。

七、小结

CAD与AI的结合，本质是把”理解与组织”交给AI，把”专业执行”留给CAD，把”最终判断”留给工程师。围绕智能吸附、智能合图、数据提取、图纸对比、语义检索等高频场景，逐步落地能力，比追求端到端全自动更务实。对于开发者而言，理解每一层能力的技术边界与工程约束，是设计可靠系统的前提。