如果你是个工程师，大概率每天都在和 CAD 软件打交道。
画一个零件，从草图到拉伸到倒角到打孔——每一步都需要精确的参数。一个成熟的工程师，可能花了十年才熟练掌握这套语言。
而现在，一个叫 GenCAD 的项目说：给我一张图，我还你一个可以编辑、可以制造的 CAD 模型。
这不是你印象中的 AI 画图
先搞清楚一件事：GenCAD 做的事情，和 Midjourney 或 DALL-E 生成图片完全不是一个维度。
那些 AI 生成的是一张像素图——你看得到，但你没法拿它去工厂加工。
GenCAD 生成的是参数化 CAD 命令序列。通俗点说，它不只是给你一个 3D 模型的"外观"，它给了你这个模型从第一笔到最后一笔的完整设计历史。
这意味着什么？
意味着你可以在 SolidWorks、Fusion 360 这些专业 CAD 软件中打开它，修改每一个参数，调整每一个尺寸，然后直接送去 CNC 机床加工。
这才是真正的工程设计级别的 AI 生成。
技术拆解：四步走
GenCAD 的架构设计相当精巧，分四个关键步骤：
第一步，用一个自回归 Transformer 编码器学习 CAD 命令序列的潜在表示。简单说，就是让 AI 理解 CAD 命令的"语法"——拉伸、旋转、倒角这些操作在数学上意味着什么。
第二步，用对比学习模型把 CAD 命令序列和 CAD 图像的潜在空间对齐。这一步让 AI 建立起"图片"和"设计命令"之间的桥梁。
第三步，用一个潜在扩散模型，根据输入的 CAD 图片生成对应的 CAD 命令潜在表示。
第四步，解码器把这些潜在表示转换成实际的参数化 CAD 命令序列。
整个流程的核心难点，在于 CAD 数据结构（尤其是边界表示 B-rep）极其复杂。很多之前的研究退而求其次，用网格、体素或点云来替代——但这些表示方式牺牲了精度和可编辑性，无法用于真正的工程任务。
GenCAD 选择了一条更难的路，但也更正确的路。
为什么这件事值得上 HN 热榜
在 Hacker News 上，GenCAD 拿到了 320 分、79 条评论。对于一个学术论文项目来说，这是非常高的关注度。
评论区的讨论集中在几个方向：
- 对制造业的颠覆潜力。如果工程师只需要画一张草图，AI 就能生成完整的 CAD 模型，那产品设计的迭代速度可能会提高一个数量级。
- 对 3D 打印和 CNC 加工的影响。可编辑的 CAD 模型意味着可以直接进入制造流程，省去了从 3D 扫描到 CAD 建模的中间环节。
- 对 AI for Engineering 方向的示范效应。GenCAD 证明了 AI 不仅可以生成"看起来对"的东西，还可以生成"能用"的东西——这在工程领域是质的区别。
现实的局限
当然，GenCAD 离真正的产品化还有距离。
目前它主要处理的是相对简单的几何形状。对于高度复杂的装配件、包含多种材料和表面处理要求的产品，它的能力仍然有限。
但技术演进的速度往往超出预期。两年前的 AI 代码生成工具也只能写简单的函数，现在它们已经在参与复杂系统的开发了。
如果 GenCAD 沿着同样的轨迹发展，那 3 到 5 年后，CAD 设计师的工作方式可能会发生根本性的变化。
不是被取代，而是被赋能。设计师把精力放在创意和功能定义上，AI 负责把概念变成可执行的工程文件。
这大概就是 AI 最好的样子——不是替代人类，而是让人类专注于人类擅长的事情。