从“能画出来”到“能装进去”：AI辅助实体工程的关键跨越

一、问题背景：数字设计很快，制造验证很慢

生成式AI进入实体工程后，最直观的变化是“早期设计速度”显著提升。一个带屏幕、实体按键、语音交互能力的小型设备，过去需要结构、电子、固件、工业设计多角色反复沟通；现在，模型可以基于自然语言需求快速给出外壳概念、内部支撑结构、器件布局建议、用户界面草图和固件状态机草案。近期公开的工程实践显示，模型辅助可以在不到一周内完成原型级数字设计，并推动小批样品在不到一个月内进入试产。

但真正值得开发者关注的，不是“模型能画多快”，而是“设计能不能稳定造出来”。数字空间中的设计只要视觉合理、逻辑自洽就能成立；制造空间中的设计必须满足工艺能力、公差累积、装配顺序、测试可达性、认证合规和供应链可得性。很多问题在三维模型里看不出来，到了注塑、贴片、组装和测试环节才集中暴露：壁厚不均导致缩水，连接器位置与外壳干涉，按键行程被公差吃掉，屏幕贴合出现缝隙，线缆走向影响装配效率，测试点被结构件遮挡。AI可以生成局部合理的零件，却不一定持续理解全局制造语义。

因此，AI辅助实体工程的核心命题可以概括为：把制造知识从“事后评审”前移到“生成约束”，把模型输出从“概念图”升级为“可验证的工程候选”。

二、三层设计对象与跨域耦合

实体产品不是一张外观图，而是机械、电气、软件三层对象的耦合系统。

1. 机械设计：外壳造型与内部支撑

机械设计不仅负责外观，还要为电路板、电池、屏幕、按键、麦克风、扬声器和连接器留出空间。它需要定义固定柱、卡扣、加强筋、导热路径、装配间隙和拆装顺序。模型可以快速生成多种造型方案，但必须接受工艺规则检查：最小壁厚、拔模斜度、圆角、孔径、深宽比、材料收缩、表面处理可达性等。否则，外观越复杂，试产返工越多。

2. 电气设计：器件选型与PCB布局

电气设计要完成器件选型、原理图、PCB布局、电源完整性、信号完整性、接口保护和连接器位置定义。板框必须与外壳固定孔一致，器件高度不能与结构件干涉，按键和屏幕的柔性连接需要预留弯折空间，测试点要可探针接触。模型可以辅助生成布局候选和检查清单，但关键电气规则、安规距离和EMC要求仍需工程评审与实测验证。

3. 软件集成：固件与交互链路

固件负责把设备与云端或本地服务连接起来，实现语音输入、状态显示、按键映射、通信协议、异常恢复和升级。软硬件协同中最容易出错的是“接口契约”：引脚映射、按键消抖、屏幕刷新、电源状态、通信超时和恢复策略必须与硬件设计一致。模型可以生成状态机和接口文档，但需要以硬件抽象层、版本化接口和测试用例约束其输出。

跨域耦合意味着任何单点改动都可能产生连锁影响：外壳加厚可能挤压电池空间，电池位置变化可能影响天线性能，连接器换型可能改变板框和装配顺序。AI辅助设计必须有统一的约束模型，而不是分别生成机械、电气和软件方案后简单拼接。

三、制造阶段为什么容易暴露问题

数字设计进入试产时，常见问题集中在四类。

第一，工艺限制未被持续建模。不同工艺有不同能力边界：注塑关注壁厚、拔模和收缩，钣金关注折弯半径和回弹，CNC关注刀具可达性，贴片关注焊盘间距和器件间距。模型如果只在几何层面生成零件，就容易忽略这些制造语义。

第二，公差链缺少系统分析。单个零件尺寸合格，不代表装配后合格。屏幕、按键、外壳、支架和紧固件之间会形成尺寸链，材料公差、装配公差和形位公差累积后，可能导致缝隙、段差、按键卡滞或防水失效。

第三，装配细节考虑不足。零件能不能装进去，取决于装配顺序、工具空间、手指可达性、防呆设计和线缆走向。一个在爆炸图中看似合理的结构，实际装配时可能无法插入连接器，或需要过度弯折柔性排线。

第四，验证闭环不完整。原型不仅要“能亮”，还要经过功能测试、环境测试、跌落寿命、按键寿命、EMC和安规等验证。模型可以辅助生成测试计划和问题清单，但不能替代实测数据和工程签核。

四、落地方法：约束前置与阶段门禁

要让AI真正参与实体工程，建议把流程设计成“约束前置、候选生成、规则检查、人工签核、试产回写”的闭环。

1. 建立结构化工程约束包

在生成之前，先定义目标成本、目标尺寸、使用环境、工艺路线、材料范围、认证要求、测试标准、供应链可得性和装配节拍。约束包应是结构化数据，而不是散落在聊天记录中的自然语言。模型每次生成都应引用同一版本约束包，减少“局部合理、全局冲突”。

2. 设置阶段门禁

概念阶段关注形态与交互可行性；详细设计阶段关注干涉、板框、连接器和公差；试产阶段关注DFM/DFA、工装治具和测试可达性；量产阶段关注一致性与变更管理。每个阶段都要有通过条件和回退机制，不能因为模型生成速度快就跳过评审。

3. 数字样机与规则检查并行

数字样机应同时包含机械模型、PCB数据、BOM、接口定义和装配顺序。检查项至少包括：干涉检查、最小特征检查、公差链分析、装配顺序仿真、连接器插拔空间、测试点可达性和关键器件散热路径。模型生成的候选必须经过规则引擎和人工评审双重检查。

4. 人机分工与可追溯

模型适合做方案扩展、文档整理、检查清单生成和初步冲突发现；工程师负责关键决策、安全合规和最终签核。所有模型输入、版本、变更记录、评审意见和测试数据都应可追溯，避免“设计来源不明、问题无法复盘”。

5. 小批试产闭环回写

小批试产是最有价值的反馈来源。装配问题、测试失败和工艺偏差应被整理为规则条目、提示模板和历史案例，回写到工程知识库。下一轮模型生成时，约束包和检查规则同步更新，形成持续改进。

示意性流程如下：

constraint_pack = load_constraints(product_goal, process, compliance)
candidate = model.generate_design(constraint_pack, history_cases)
for stage in [concept, detailed, pilot, mass_production]:
    checks = run_checks(candidate, stage)
    if not checks.pass:
        candidate = revise(candidate, checks.feedback)
    candidate = human_review_and_signoff(candidate, stage)
pilot_feedback = collect_assembly_and_test_issues()
update_knowledge_base(pilot_feedback)

五、团队能力建设：比模型更关键的是工程体系

AI辅助实体工程的瓶颈往往不在模型本身，而在工程知识是否可被模型使用。团队需要建设可检索的DFM/DFA规则库、历史问题库、器件优选库、测试用例库和变更管理流程。数据与协作层面，可使用通用云能力承载设计文档、评审记录、日志与测试数据，例如对象存储、日志服务和监控告警等通用类目；但云能力只是载体，核心仍是约束管理、评审门禁和验证闭环。

同时，要明确模型能力边界：它可以加速概念探索、生成候选方案、整理工程文档、辅助代码与状态机设计，但不能替代制造经验、合规责任和最终签核。只有把AI放进可验证、可追溯、可回退的工程流程中，数字样机才能稳步走向可制造产品。