一架军用级飞翼无人机。

10000种构型方案。

翼展、弦长、锥度比、前后缘后掠角、材料成本……

全部参数化自动生成，自动跑完气动分析、结构分析、稳定性校核。

完成这一切的，是一个人加一台电脑。

没有人打开过CAD软件手动画图。没有人手动复制粘贴过数据。没有一次因为改参数而导致模型崩溃。

这是2026年2月26日，一场叫"Code-First Digital Engineering & Physical AI"的网络研讨会上展示的内容。

三家公司联合出场：

nTop（CEO Brad Rothenberg）负责参数化几何建模，SysGit（CEO Steve Massey）负责需求的版本控制，Istari Digital（CTO Chris Benson）负责自动化验证。

三方各管一段，拼出了一条从需求到设计到验证的全代码驱动流水线。

AM易道认为，这场演示真正值得关注的不是10000这个数字本身，而是它背后的一个根本性转变。

设计的逻辑方向反过来了：

不再是先画形状，再看性能够不够，而是先定义目标，让代码自动生成满足目标的形状。

从Shape→Objectives，变成了Objectives→Shape。

这个转向，对3D打印行业甚至所有硬件工程的每一个参与者都有影响。

整条链都在变，除了画图这一步

先拆解一下这条工程链到底在发生什么。

如果你做过复杂产品开发，下面这个流程一定不陌生：

写需求→搭系统架构→画CAD模型→跑各种仿真分析→写报告。

每一步之间，都有人工核对环节。

系统架构是否满足需求？CAD模型是否符合架构？仿真结果是否达标？报告跟模型对得上吗？

传统流程里，这些核对全靠人。

剪贴板、Excel表、会议室白板，来回校验，效率低、容易出错，而且每改一版设计就要重新跑一遍全流程。

演示中展示的一张图说，现代航空航天系统跨多家公司设计、每个零件跨多种工程工具、每个模型随时间不断变化，复杂度是三维爆炸的。

按现有模式走下去，军用飞机的研发周期越来越长（F-35从立项到形成战斗力超过20年），成本指数级增长，PPT里甚至开始讨论"第一个万亿美元飞机项目"会什么时候出现。

过去几年，这条链的前后两端都在悄悄代码化。

在需求端，SysGit展示的是基于SysML 2.0标准的需求管理。

核心是让工程需求可以像写代码一样用文本描述，用Git做版本控制，谁改了什么、什么时候改的、改之前是什么样，一目了然。

搞软件的人对这套东西再熟悉不过了，但对做硬件的工程师来说，这是头一回。

在验证端，Istari Digital展示的本质上就是把需求验证变成自动化的单元测试。

每次设计改动，系统自动跑一遍检查，看看是否还满足需求集。不用人工一条条对照Excel。

仿真层就更不用说了。

流体力学模拟、结构强度分析这些求解器，早就可以用脚本批量调用，优化循环整夜跑完不需要人盯着。

需求是代码。验证是代码。仿真是代码。

然后到了三维建模—整条链卡住了。

CAD的三种脆弱病

为什么偏偏卡在建模？演示中有一页幻灯片把问题拆得很清楚，传统CAD有三种系统性的脆弱：

几何脆弱，两根管子相切的交线经常计算失败，交叉的加强筋布尔运算出错。

缺一条边，整个模型就废了。

拓扑脆弱，做大幅度的设计改动时，模型很难自动构建新的拓扑结构。

你要加一个圆角，圆角之间互相重叠，CAD直接报错弹窗。

引用脆弱，你的特征树里一个圆角引用了某条边，但改了其他参数以后那条边消失了或者变了，引用断裂，整个特征树报黄。

一个零件上有1条边需要倒角和有8条边需要倒角，对CAD来说是完全不同难度的问题。

这三种脆弱性不是某个CAD软件的bug，而是底层技术架构，B-rep边界表示的固有局限。

这套技术从上世纪80年代定型，设计初衷就是给人在屏幕上交互式画图用的。

人坐在电脑前碰到这些问题可以手动绕过去，但程序绕不了，它只会停。

所以，当你想让电脑自动跑1000个设计变体时，哪怕只有5%的概率出现建模失败，整条自动化流水线就废了。

Rothenberg在帖子里说：

你的求解器再快没用，你的优化框架再好没用，你的AI再强也没用。

如果几何模型不能参数化自动更新，整套系统就跑不起来。

nTop的分享：把几何变成函数盒

nTop的解法叫隐式建模，3D打印行业的读者都比较熟悉，思路跟传统CAD完全不同。

打个比方。

传统CAD像是用纸壳糊零件的外壳，你要精确定义每一片纸壳的形状和拼接方式，稍有冲突就糊不上去。

隐式建模则像用一个数学公式定义空间中每个点离零件表面有多远，零件的形状是公式的自然结果，不需要手动拼接，也不会因为两片纸壳对不上而崩溃。

演示里有一页图非常直观地展示了这种思路的实际运作方式：

左边是一组输入参数（翼展、弦长、锥度……），中间是一个函数盒。

参数进去以后，先自动生成参数化几何，再自动跑多学科分析（气动、结构、稳定性），右边直接输出性能指标（重量、阻力、成本……）。

不同的输入参数组合产生不同的飞翼构型，就像调函数的参数一样。

这就是为什么10000种构型能全自动跑完：

几何模型本身就是一段可执行的程序。

你改参数，它重新算，不会特征树报警示。

布尔运算、圆角这些操作在数学上保证不出错，天然适合GPU加速，文件极小。

nTop还把这个能力跟文档系统结合了，他们叫Notebook，代码和说明文本写在一起，工程知识可以被沉淀和复用，而不是存在某个老工程师的脑子里。

这个理念的名字是：几何即代码。

飞翼无人机的数据结果

说到这可能还有人觉得是概念。

那看看实际跑出来的结果。这次演示同步公开了一个可交互的在线数据集（Grp3 Flying Wing UAS 10K v4 Study），10000种构型的全部数据任何人都能查看。

基础设定是巡航速度150节、海平面飞行、铝材成本15美元/磅、复合材料85美元/磅。

系统在这组条件下自动搜索，跑出了最大航程4906海里、最长续航32.7小时、最佳升阻比33.8等极值结果，并从10000种方案中自动筛出13个帕累托最优解。

也就是在航程、重量和成本三者之间不存在更好折中的方案。

每种构型都可以点击查看翼型俯视图和详细性能参数，甚至可以直接下载源文件做进一步验证。

这是一个真实跑完、数据完全公开、任何人都可以在线翻阅复查的完整工程案例。

项目链接我们放评论区了。

3D打印的人为什么必须关注这件事

有人可能会说，军用无人机的事，跟我们搞的3D打印服务、做的消费品、管的工厂有什么关系？

关系很大。

先说痛点。

3D打印的核心卖点之一是设计自由度，你可以打印传统工艺做不出来的复杂结构。

但很多人实际操作中发现，设计自由度是有了，数据传输环节卡脖子。

辛辛苦苦设计了一个晶格填充或拓扑优化的轻量化零件，导出STL的时候，要么文件大到好几个G打印软件读不进去，要么干脆网格生成失败导出不了。

所以文章分享的工作流未来能够解决这个问题。

更值得关注的是一个更深的变化。

当设计逻辑从先构型再追求性能到先定义性能再自动构型，这种效率改变将是一个完全不同的量级。

传统流程里一个项目能比较三五种方案已经不错了，因为每种都要手动建模、手动跑仿真、手动整理结果。

而演示里展示的场景是，一个人加AI，产出的设计探索量相当于一大群工程师。

这对产业链上不同角色意味着不同的事。

3D打印服务商，未来客户交给你的可能不再是一个定型的STL文件，而是一套参数化的设计逻辑加一组约束条件：

"重量不超过X克，刚度不低于Y，用某种材料"。

服务商的价值不再只是按图加工，而是要能参与设计空间的筛选和可制造性评估。

对于设备商或材料商，工艺参数和材料性能数据需要能被外部程序调用。

一台打印机如果不能被代码驱动，就像一台不联网的服务器，功能还在，但在自动化流程里会被绕过。

对于DfAM（面向增材的设计）的各路达人而言，你的设计流程如果还停留在手动建模、导出STL、手动修网格，你这个肉身的人就是整条自动化链里那个让系统卡住的手动环节。

不过OpenClaw这类的工具显然可以逐步去掉人这个环节。

我们用OpenClaw在飞书上接管了3D打印机，你也可以

OpenClaw玩转3D打印续：读PDF论文到Voronoi设计

一个正在成型的新生态

这场演示还透露了一个值得注意的信号。

一个AI原生硬件工程的生态正在快速成型。

演示中展示的西方软件生态图谱里，AI for CAD领域有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……

底层基础设施则是Istari Digital、NVIDIA、Google Cloud、AWS、Azure。

这是一整条新的AI工具链在浮出水面。

它们共同指向的方向是一致的：

把硬件工程的每一个环节都变成可以被代码调用、被AI加速的模块化服务。

当工具链足够程序化、足够轻量化，设计能力的门槛会被大幅拉低。

更多人和更小的团队能做出以前只有大厂才能干的活。

但硬币另一面是，会操作工具不再稀缺，能定义好问题、设好约束、做出正确取舍，是新壁垒。

几瓢冷水

我们得指出类似nTop的隐式建模并不能替代传统CAD。

比如方方正正的普通零件，SolidWorks就挺好。

隐式建模的优势要到复杂曲面、晶格结构、大规模自动化这些场景下才能体现。

很多制造业零件不需要这些。两种工具共存是常态。

AI化、代码化对工程师的技能要求会变。

不是每个搞机械的人都愿意或能够写代码。

不过乐观的是VibeCoding会助力机械背景的工程师参与其中。

10000种构型背后的选择题

回到开头那架无人机。

一个人，一台电脑，10000种构型，零次CAD崩溃。这组数字本身不是重点。

重点是它背后变化：

工具变了是显而易见的。

更深的，是设计思维的方向和工作流变了。

先定义好目标和约束，让机器去搜索满足条件的所有可能形状。范式转换。

AM易道的看法是，3D打印行业过去十年花了大量精力讨论材料和设备，更多材料种类、更快打印速度、更大成型尺寸。

但对设计端的底层变化关注太少了。

而设计端恰恰是决定增材制造能不能从特种工艺变成主流制造方式的关键变量。

一个完整的AI原生硬件工程生态正在成型。留给大家的问题只有一个：

在这条新链上，我们能否做其中一环，还是等着成为被绕过的那个手动环节？

AM易道期待与您在几周后的上海TCT现场讨论AI与3D打印的一切。

届时AM易道还将主持TCT的出海论坛以及创客的GeniusHub活动，并且分享部分优秀企业的新品发布，敬请关注。

通过微信小程序搜索TCT，免费预约TCT门票

欢迎留言讨论您的看法，更多内容也请访问amyd.cn