AI 到底要走到哪一步，才算是真正作用于工业企业？这个问题，或许很快就能在工程与系统层面看到一个相对清晰的答案。

“如果我们只是把 AI 用来做总结、生成图片，那其实是低估了它。AI 不是一个噱头，而是创新的源泉。真正决定它价值的，是你们如何使用它去解决现实世界中的复杂问题。”2026 年新年伊始，在 3DEXPERIENCE World 2026 上，Pascal DALOZ，达索系统首席执行官的发言将本次大会的主题聚焦在AI的议题上。

活动现场的达索系统首席执行官 Pascal DALOZ（左）与NVIDIA 创始人兼首席执行官黄仁勋

在此次大会上，达索系统不仅系统性展示了涵盖辅助式、预测式与生成式 AI 的整体战略图景，还宣布与 NVIDIA 达成长期战略合作伙伴关系。更具象征意义的是，NVIDIA 创始人兼首席执行官黄仁勋亲自到场，这使达索系统的 AI 战略首次以更完整的形态进入更广泛的行业视野。

过去，我们更习惯沿着功能与软件品牌的横轴，去描摹工业软件公司的能力版图：CATIA、SOLIDWORKS、SIMULIA、DELMIA、BIOVIA ……各自覆盖不同的专业领域，又通过平台彼此联通。但当生成式 AI 成为新的产业变量时，这套“横向地图”开始显得不够用了。企业用户真正关心的，已经不再是某个模块有没有加上 AI，而是工业软件厂商能否把 AI 变成一种可被信任、可被治理，并且能够进入关键业务流程的生产力——单点式地为软件叠加 AI 功能，已经明显落后于工业企业对 AI 应用的真实预期。

正是在这一背景下，达索系统给出的 AI 战略路径显得格外不同。达索系统并未把注意力停留在企业业务流程中某个单点的 AI 能力，而是为自身的能力地图补上了一条此前缺失的纵向能力轴——AI 的纵向能力轴，使其在整体层面具备一种“基于 AI 运行”的系统能力。应该说，在当前的工业AI探索路径中，达索系统给出的战略规划，属于完成度最高、结构也最为完整的方案之一。其真正价值在于：它把工业软件领域的竞争重心，从“谁的模块更聪明”，转向“谁能把 AI 变成系统级生产力”。

从模型能力到系统能力

要理解达索系统的这条AI纵轴，必须回到它的起点。

达索系统 AI 战略的技术起点，甚至可以追溯到 2012 年 3DEXPERIENCE 平台的提出。当然，这并非是一次以AI为目标的设计，而是达索系统从“多品牌软件集合”走向“统一平台架构”的关键一步。通过统一对象模型、统一权限与审计机制，以及统一的流程与协作框架，设计、仿真、制造与协同不再是彼此割裂的工具链，而是被纳入一套可治理、可追溯的系统之中。正是这种平台能力，在生成式 AI 出现之后，意外地成为其最合适的承载土壤——也是AI能够真正渗透进工业企业核心流程的前提条件。

真正的AI布局始于2017 年：达索系统收购 OUTSCALE 多数股权，强化其主权云布局。到 2022 年，OUTSCALE 被重新定义为达索系统旗下的独立品牌，其角色也不再局限于基础设施云，而是更接近于面向不同合规空间的“可信业务体验运营者”。这一定位在当时或许显得有些抽象，但从今天回看，却是工业 AI 能够走向核心系统的关键一步。因为工业世界的运行逻辑，往往是需要先明确边界，再谈智能。只有当数据、模型、知识与协作被放入一个可控、可治理的运行环境中，AI 才有资格进入关键系统。

2023 年，OUTSCALE 获得法国 ANSSI 的 SecNumCloud 3.2 资格认证，将“可信”从技术叙事正式进入制度框架。对于法国及欧盟高度受监管的工业与公共部门客户而言，这一步表面上并不显性，却直接决定了生成式 AI 能否进入研发、制造与生命科学等高敏感场景。模型可以更换，但治理底座一旦缺位，AI 就只能停留在边缘试验：看得见，却用不深。

在治理边界被确立之后，大模型正式登场。2024 年 7 月 1 日，达索系统宣布与 Mistral AI 合作，所强调的并不是“更强的模型”，而是一种更工程化的组合方式：在 OUTSCALE 的主权基础设施之上提供 LLMaaS，把大模型能力纳入高安全、强合规的运行环境；同时，通过生成式体验，让沉淀在企业内部的工业数据与知识资产，变成可对话、可调用、可行动的生产力。

“很多互联网公司建设的AI，开发不了新的合金，也做不了新型的飞机或者航天设备，因为他们的关注主要是语言模型，而达索系统AI做的工作都是与工业相关的。所以达索系统布局的工业AI和一般通用AI的最大区别在于：我们是以工业专业能力为核心根基，且本身具备成熟的工业专业功能支撑。我们所构建的大型模型，将聚焦工业领域的专业知识——比如流体力学，各类物理相关原理等，均会深度融入模型之中。在应用层面，我们会通过语言模型来理解客户的一些需求，再通过语言模型来驱动后台的工业专业模型，来帮助客户解决实际工业场景中的问题，这是我们跟通用AI核心差异所在。”Gian Paolo Bassi，达索系统专业客户事业部全球高级副总裁如是说。

达索系统专业客户事业部全球高级副总裁 Gian Paolo Bassi

这里真正的关键，并不在于达索系统“选了哪一家 LLM”，而在于达索系统对生成式 AI 的处理方式发生了根本性变化——模型能力被当作一种可运营、可计量、可审计的服务层，而不再是某个产品里的黑盒功能。

随后，达索系统为自己新的AI体系赋予了新的平台范式。2025 年 2 月 4 日，其正式提出 3D UNIV+RSES战略，试图将“虚拟世界、现实证据与生成式 AI”制度化地整合在同一工业环境中。换句话说，如果 3DEXPERIENCE 平台解决的是“如何把企业的工程与业务系统化并治理起来”，那么建立在其对象与流程之上的 3D UNIV+RSES，则试图回答另一个更难的问题：AI 在工业系统中学得对不对、推得准不准，以及结果能否被验证。在这里，虚拟孪生提供结构与约束，真实世界提供反馈与校验，生成式 AI 则在科学与物理边界之间，参与学习与推演，其核心价值不在生成内容，而在形成可验证、可迭代的工业智能闭环。

在这一基础之上，达索系统与 Mistral AI 的合作于 2025 年 11 月进一步深化。Le Chat Enterprise 与 AI Studio 上架 OUTSCALE 主权云，使受监管行业与公共部门可以直接采用从助手到构建平台、从模型到推理与安全控制的完整 AI 工程栈。至此，达索系统的企业级 AI 能力不再只是“把模型放进云里”，而是具备了稳定、可交付的产品形态。

真正让这条 AI 纵轴从“理论完整”走向“工程可扩展”，是达索系统与 NVIDIA 的合作。根据此次公布的合作细节：双方计划将达索系统的虚拟孪生技术与 NVIDIA 的 AI 基础设施、开放模型及加速软件库相结合，探索并构建经科学验证的“行业世界模型（Industry World Models）”，并在 3DEXPERIENCE 智能体平台上，通过“技能型虚拟助手（Skilled Virtual Companions）”带来的全新工作方式，赋能专业人士掌握新的专业技能。

“达索系统多年来构建了高度真实的虚拟孪生模型，而与 NVIDIA 的合作，使这些模型能够在大规模、高精度和接近实时的条件下运行，并被 AI 直接使用，从而让虚拟孪生从工程工具升级为可持续运行的系统级能力。”Gian Paolo Bassi强调，所谓“行业世界模型”—— 让 AI 先学会工业世界的物理规律、工程约束和真实反馈，再在这些边界内做判断和推演，而不是脱离现实地“生成答案”。 “要从语言模型变成世界模型，我们需要训练AI模型懂得物理、化学、科学……最终，通过这些训练，可以让它去模拟世界，这是我们希望做到的世界模型，包括人的生命、人体。”Gian Paolo Bassi 说。

这里更值得被重点关注的一点在于：当工业软件厂商普遍希望将 AI 作为单点能力推荐给用户时，达索系统的规划选择把 AI 基础设施与行业知识体系更深地绑定，将竞争核心从“单点模块更强”转向“谁能更快形成数据闭环，并将其沉淀为平台能力”，从而把 AI 从“工具”升级为“系统能力”。

在这样一套规划体系中，达索系统推出的三个虚拟助手——Aura、Leo、Marie——更像是连接用户与 AI 的桥梁：它们既不是底座，也不是独立的 AI 应用，而更像是工业 AI 平台为用户提供的一种交付界面——把 3DEXPERIENCE平台 的对象与流程、3D UNIV+RSES 的可学习环境，以及 OUTSCALE 的主权与合规边界，压缩成一个用户可以直接对话、由任务驱动并能把事情做完的接口。需要强调的是，这些虚拟助手并不是通用智能体，而是被严格约束在平台对象、权限与流程空间内的工业智能接口。它们的价值不在“会不会聊天”，而在于能否把“意图”翻译成“动作”，把“建议”固化为“结果”，并让结果以可追溯、可归责的形态保留在企业系统之中——从而与通用 AI 拉开差异。

至此，我们可以更完整地复盘达索系统的整条 AI 纵轴：底座是可控的算力与云，中段是可用且可管的大模型能力，上层则是嵌入工业流程的智能体与行业世界模型。因此达索系统正在做的，并非让软件“聪明一点”，而是让 AI 真正进入工业系统体系之中，使其成为一种可落地、可长期运行的生产资料。

AI 能否成为工业生产资料

把技术演进路线讲清楚并不难，难的是如何让它在工厂里“长期跑起来”。AI 的企业级应用阻力往往不来自技术推演，而来自一线日常：一张图纸能不能上传、一份 BOM 能不能被调用、一次变更到底谁来背锅、一个系统崩了谁来兜底……工业 AI 一旦离开技术光环的照耀，真正要面对的，是来自企业的现实需求与应用门槛：数据与权限是否可控，输出是否可审计，责任边界是否清晰。换句话说，企业要的不是更会说的 AI，而是能在安全边界内稳定运行、能进入关键流程的 AI。只要其中任何一环薄弱，AI 都会从“快车道”退回“试验场”。

也正是因为有这样的门槛存在，达索系统的AI战略提出了一套更接近工业企业需求、也能够长期运行的工程解法：先把合规与边界做扎实，再把大模型变成可运营的服务，最后用平台与虚拟孪生把 AI 推进到可执行、可验证的系统能力。

首先，企业最怕的从来不是模型不够聪明，而是数据出域、权限穿透、审计缺位，最后 AI 变成一个不可解释、不可追责的黑箱。达索系统从 OUTSCALE 起步，把“在哪里跑、谁能用、怎么合规”先规范起来，再引入 Mistral AI 这类基础模型能力，以 LLMaaS 的方式服务化交付。其核心价值不是换来一段更漂亮的文本，而是把模型能力纳入可计量、可追溯、可治理的体系之中。对受监管行业、跨国制造集团，以及任何对知识产权敏感的企业而言，这样的顺序非常关键：先把边界工程做完，智能才有资格进入生产系统。

于此同时，接受采访的SOLIDWORKS首席执行官兼研发副总裁Manish KUMAR还强调，AI的应用并非是为了取代人的价值，相反，“人一定必须要在工程流程当中，因为人在这个过程中发挥的作用至关重要、无法替代：最终设计一定要通过人来审核认证。”

SOLIDWORKS首席执行官兼研发副总裁 Manish KUMAR

其次，企业真正愿意为 AI 付费的地方，往往不是“回答得更像人”，而是“能减少人手、缩短周期、提升一次成功率”。这要求 AI 能跨系统执行任务，而不是停留在建议层面。达索系统的优势在于，3DEXPERIENCE 平台天然是系统记录（system of record）：产品结构、需求、变更、BOM、仿真结果、制造工艺与协作流程，都在平台里有权限、有版本、有追溯。于是，Aura、Leo、Marie 这类虚拟助手就不只是聊天入口，而有机会成为“规划—编排—执行”的工作流入口：把用户意图拆成步骤，调用平台能力完成建模、分析、审批、报告、变更推进，并把结果写回可追溯系统。对于正在把 AI 从试点推向规模化的企业来说，这种“能把事做完”的路径，比单纯引入一个企业聊天机器人更接近 ROI 的计算方式。

在回答笔者提问时，Manish KUMAR说：“我们今天看到这些AI技术，不仅仅应用于SOLIDWORKS这一个品牌，而是被用于CATIA等达索系统旗下的所有品牌——也就是说，这些AI技术会全面覆盖整个达索系统的所有品牌矩阵。这带来的一大优势是，就是可以把整个达索系统里面不同的品牌联合起来，大家可以用同样的底层技术来开发适合他们客户的工具。“

最后，是工业企业更高阶、也更难的一条：可验证的行业AI。工业现场真正的硬价值往往来自预测维护、质量优化、工艺窗口控制、仿真加速与制造协同，但它们对数据、验证体系与物理约束的要求极高。达索系统提出 3D UNIV+RSES战略，试图把“虚拟孪生 + 真实证据 + 生成式 AI”放进同一套受控环境里，让系统不仅能管理与执行，还能学习、推演与验证；再叠加与英伟达合作的“工业 AI 架构”叙事，把加速计算、开放模型与行业世界模型连接起来，指向一种更接近工业现实的目标：AI 不只是生成内容，而是在科学与物理约束下输出的可执行、可验证的结果。

当然，达索系统的AI也有自己的边界：达索系统的强项集中在工程、制造、生命科学等它覆盖的主流程里；对纯互联网业务、泛营销与通用职能的 AI 需求，它未必是企业的主平台。更关键的是，这条路线的前提，是企业愿意把关键对象与流程真正纳入平台治理：如果主数据混乱、流程不标准、权限体系形同虚设，再强的 AI 架构也只能停留在“看起来很聪明”的演示。

综合来看，达索系统的AI能力构建，事实上在解决企业最关心的那三个问题：能不能合规地跑、能不能落到流程里做事、能不能在工业约束下规模化应用。达索系统的AI战略给出的是一条非常工程师逻辑的路径：先构建系统，再让AI在其中生长。

写在最后

这些年，我们反复问着同样一个问题：工业 AI 到底什么时候才能真正“落地”？但说实话，这个问题本身就有点偏了。真正值得追问的不是 AI 能不能展示出多聪明，而是它有没有资格、有没有能力，被放进工业系统里长期运行。因为我们都有一个越来越清晰的认识，工业AI的难点从来不在模型，而在系统；不在算力，而在责任；不在演示，而在是否经得起真实生产环境的反复调用与追责。也正是在这个意义上，达索系统的AI规划体现出了一种少见的责任感——它不是在追逐热闹，而是在搭建一条真正能让 AI 走进工厂、走进流程、走进责任体系的路。这样的选择，也许不够炫目，但更接近工业世界真正需要的那种确定性。