通用AI大模型几乎能“看懂”当今世界主流的信息传播媒介：照片、文字、视频、语音。。。但是一旦换成 CAD 3D 模型，AI 几乎瞬间“傻”掉，搞不懂了。

不是因为它不够聪明，而是——
CAD 模型不是给 AI 准备的。

它不是像图片一样是连续像素，也不是像语言一样是离散符号。CAD模型是一种纯工程语言。

它包含几何形状、拓扑关系、特征语义、参数依赖、装配关系……
所有这些彼此交织在一起，没有统一的形式，也没有统一的接口，更没有统一的抽象。

要让 AI 理解 CAD 3D 模型，必须先把它转成“图结构（Graph）”。

1. 为什么 AI 不能直接理解 CAD？

我们先看 AI 擅长什么学习：

• 图像：二维像素矩阵；

• 视频：像素序列；

• 文本：Token 序列；

• 音频：时间序列。

它们都有共同点：

• 格式统一；

• 信息结构连续；

• 可以被排列、分块、建索引；

• 深度学习能直接做卷积/注意力。

但 CAD 完全不同，一个最简单的 CAD 模型，内部可能包含：

• 数十种几何类型：圆弧、NURBS、扫掠、放样。。。；

• 上千条拓扑结构：edge、face、loop、shell；

• 特征树：凸台、倒角、筋、扫掠、切除；

• 参数依赖：尺寸 → 草图 → 特征 → 体；

• 制造意图：加强、过渡、配合、定位；

• 装配关系：配合、约束、接口面。

这些信息不是线性的，也不是连续的，而是“网状互相关联的”。

AI 若直接吃 CAD 模型，会遇到两个致命问题：

1）信息太复杂，无法统一成张量

深度学习所有输入都必须是 Tensor，但 CAD 是：

• 几何是浮点数集；

• 拓扑是邻接关系；

• 特征是树结构；

• 参数是约束系统；

• 装配是图结构。

这根本没办法直接塞进神经网络。

2）信息之间充满“语义依赖”

比如一个简单倒角：

• 倒角依赖边；

• 边依赖面；

• 面依赖相邻面；

• 相邻面决定模型特征；

• 特征决定制造方法。

这些都不是孤立的，而是联动的。

AI 必须同时看到结构与关系，这就是图结构的意义。

2. 为什么是“图结构”？

因为图结构是唯一能同时表达几何 + 拓扑 + 特征的方式。

图结构不是指绘图，而是指：

• 节点（Node）：代表模型的基本元素；

• 边（Edge）：代表元素之间的关系；

• 属性（Attributes）：描述节点和边的各种信息。

把 CAD 转成 Graph，本质是把工程师眼里“复杂的 3D 模型”拆成：

由很多节点组成、节点之间有明确关系、结构清晰、可遍历、可学习的网络。

可以把图结构简单理解为把 CAD 模型拆成能“越看越懂”的工程地图。

1）节点 = 工程对象

• 点、边、面；

• 特征（孔、筋、倒角、腔体）；

• 子装配、接口面；

• 甚至“功能语义”（加强、定位、导向）。

AI 可以像阅读“零件字典”一样理解节点。

2）边 = 工程关系

• 面与面相邻；

• 边属于哪个面；

• 特征依赖哪条边；

• 倒角影响哪些面；

• 扫掠轨迹关联哪些几何；

• 装配面配合关系。

AI 通过边能理解结构逻辑，而不是死记形状。

3）属性 = 几何与参数

• 面的类型（平面/曲面/NURBS）；

• 半径、角度、曲率；

• 特征的尺寸参数；

• 材料、容差、制造语义；

• 装配方向、基准约束。

这让 AI 不只看结构，还能理解“细节与目的”。

3. 图结构的价值

AI 能通过“关系”理解模型，而不是靠表面形状猜。

工程师看 CAD 部件，不是先看形状，而是看关系和意图：

• 这两个面为什么平行？

• 这个孔为什么放在这里？

• 这个筋为什么这么布置？

• 为什么这个倒角是 R2而不是R5？

• 为什么用加强？为什么留工艺槽？

AI 想学会“工程师的眼光”，必须能看到这些关系，而这些“关系”天然就是图结构。

所以图结构之于 CAD AI，就像骨骼之于人体：

几何是皮肤，拓扑是骨架，特征是肌肉，参数是神经，而图结构是整个系统的连接方式。

没有图结构，AI 就永远只是在“看形状”，永远无法理解工程逻辑，更不可能做“工程设计智能化”。

4. 为什么只有图结构才行？

有人会问：
“既然 3D 机器视觉那么强，为什么不用 mesh 或点云让 AI 学？”

原因很简单：

数据类型	AI 能不能看懂	能不能表达工程语义
点云	是	没有拓扑
三角网格	是	没有特征、没有制造意图
体素	是	粗糙、丢失几何细节
三角网格细分	是	丢失参数、约束、特征语义
图结构	是	唯一能表达几何+拓扑+特征+参数

mesh 和点云只有“长得像”，但没有“为什么这样设计”。

AI 想自动做以下任务：

• 自动识别孔/槽/筋/倒角；

• 自动分类零件类型；

• 自动提取标准件；

• 自动找结构相似度；

• 自动推断设计意图；

• 自动生成替代设计方案；

• 。。。

没有图结构都是做不到的。

因为这些都不是形状识别问题，而是结构与语义问题。

5. 图结构让 AI 的推理方式变得“像工程师”

当 AI 输入的是 Graph，它能做的推理就变成：

• “这个面与那个面相邻，因此这个倒角可能是工艺过渡。”

• “这两个孔在同一基准上，因此可能是对称排布。”

• “这个筋连接两个薄壁，因此用于加强。”

• “这是一组典型加强肋图案，属于冲压件特征。”

• “这个圆柱体连接方式类似标准件，可以复用。”

这不是“看几何”，而是“看逻辑”，也就是工程师真正关心的东西。

6. Graph 让 AI 能学习的东西远超出几何本身

一旦 CAD 被转成图结构，AI 就能学习：

1）几何模式

        圆角为什么放这里？
        筋为什么这样布置？
        孔为什么这样对齐？

2）拓扑规律

        哪些面永远成对出现？
        哪些结构是成套的？
        哪些关系意味着“设计意图”？

3）特征语义

        这是加强？
        是对齐？
        是导向？
        是过渡？

4） 参数依赖

        修改尺寸时哪些会跟着变？
        哪些维度绝对不能动？

5）功能语义

        这是支撑？
        承力？
        定位？
        隔热？
        密封？

这些是所有真正想做 CAD AI 的工程师最想解决的问题，而所有这些能力，都建立在图结构之上。

CAD ≠ 形状。CAD = 结构 + 关系 + 特征 + 意图。

图结构，是唯一能把这些全部抽象出来的数学形式。

你让 AI 看几何，它只能“猜”。
你让 AI 看拓扑，它只能“分析”。
你让 AI 看图结构，它才能“理解”。

未来所有对 CAD 进行 AI 推理的系统，不管是否愿意，都必须走向图结构，这是工程数据本身的规律决定的。

当 CAD 被转换成图结构之后，AI 才真正具备了理解 3D 工程世界的基础——
不是记住形状，而是理解逻辑；
不是识别几何，而是抓住意图；
不是看见零件，而是看懂设计。