工业软件正在经历一轮变化。对于制造企业来说，产品越来越复杂，研发周期却在缩短，设计、仿真、验证和生产环节涉及的软件、数据也越来越多。与此同时，AI开始进入工业研发场景，过去由工程师一步步操作软件的方式，也正在出现新的可能。

9月18日，泊松软件2026产品发布会在上海举行。以“智领未来·范式跃迁”为主题，泊松软件发布了GeoShape 3D CAD、2026年度仿真产品矩阵以及新一代PLM能力，并提出“智能化硬件研发工具链新范式”。

从此次发布来看，泊松并不满足于给传统工业软件增加几个AI功能，而是希望让AI进一步参与设计、仿真和研发数据管理。

AI从“助手”进入研发流程

发布会上，IDC中国副总裁兼首席分析师武连峰提到，产品复杂度提高、研发周期缩短、物理测试成本上升、研发数据增加以及工程经验传承，正在给制造企业的研发效率带来压力。

泊松软件CEO曹一鸣则指出，研发人员除了设计本身，还要处理大量数据传递、沟通协同、会议以及工具切换。

泊松现场展示了一套硬件研发流程Demo：工程师将项目需求交给AI后，AI可以分析需求、推荐方案，并协助安排工作和资源；进入设计阶段后，AI从模型库寻找相近模型，调用CAD服务完成三维建模，再进入仿真验证。如果结果不符合要求，还可以调整参数后重新验证。

这套流程展示的并不是一个单独的AI功能，而是让AI开始参与研发任务本身。工程师依然负责审核和最终决策，但部分重复性的操作可以交给AI完成。

GeoShape 3D CAD瞄准复杂工业设计

作为此次发布的核心产品之一，GeoShape 3D CAD主要面向汽车，并覆盖消费电子、装备制造、航空等领域。

针对汽车车身、内外饰等复杂设计需求，GeoShape强化了复杂曲面建模、长序列特征建模和大规模装配能力。泊松表示，该产品支持超过2000步的长序列零件建模，以及超过10000个构件的大规模装配和数字样机分析。

AI能力也是GeoShape的重要组成部分，包括草图约束自动补全、命令推荐、多模态零件检索、自动建模和工程图生成等功能。泊松公布的信息显示，其自动投图成功率不低于90%。

现场展示的AI辅助装配功能，可以识别标准孔尺寸并推荐对应标准件，工程师确认后即可完成装配；对于企业自己的非标准安装特征，也可以利用小样本数据进行识别。

对于工业CAD而言，这些能力的价值并不只是“让建模更快”。如果AI能够理解企业设计规范和工程知识，并参与重复性的建模、装配和工程图工作，工程师就可以把更多时间放在设计方案和工程判断上。

仿真和PLM继续补齐研发链路

除了CAD，泊松还发布了2026年度仿真产品矩阵，包括Magicsim车辆动力学仿真软件、Magicsim车辆动力学实时仿真软件以及GFE显式结构仿真软件。

其中，Magicsim面向车辆动力学开发，覆盖零部件载荷提取、底盘误用工况等场景。泊松表示，部分应用通过参数化阵列建模、一体化求解和可复用子系统，可以获得最高80%的效率提升。

实时仿真产品则面向赛道仿真和轨迹规划等场景，泊松称部分开发工作可以由天级缩短至小时级。GFE则采用多GPU并行架构，针对千万级网格复杂非线性模型进行计算，泊松公布的数据显示，部分场景计算效率可提升5至10倍。

在仿真之外，IntePLM继续承担研发数据和流程管理。泊松表示，该产品目前已经服务超过1300家企业。

创维集团现场分享的案例显示，在双方合作的一站式PLM项目中，新产品BOM搭建效率提升50%，整机认证管理流程效率提升40%，PLM与CIS库集成后入库流程周期缩短30%。

从CAD、仿真到PLM，泊松此次发布的产品实际上覆盖了研发流程中的多个环节，AI则被放在这些工具能力之上，尝试将它们进一步连接起来。

热点科技观察：工业AI最终拼的是“懂工程”

从此次发布会来看，工业软件正在进入一个新的阶段。过去，软件解决的是工程师“如何完成一项工作”；AI加入之后，软件开始尝试理解“要完成什么工作”，并进一步调用背后的专业能力。

但工业AI和消费级AI有一个明显区别：生成结果只是开始，后面还必须经过工程验证。一个模型能不能满足设计规范、一套仿真结果是否可信，都不能只看AI生成得像不像。

因此，我们认为，工业AI接下来的竞争重点，可能不会只是模型本身，而是AI、工业知识、专业软件和企业数据能不能真正连起来。

泊松此次将GeoShape、Magicsim、GFE和IntePLM放进同一套研发工具链，同时通过开放接口、二次开发工具和行业模板推进生态合作，其背后的逻辑正是如此。AI要真正进入工业现场，既需要模型能力，也需要软件工具提供执行能力，更需要企业长期积累的数据和工程经验作为基础。

当然，从发布会Demo走向真实工业研发，还有不少问题需要解决。尤其到了详细设计、复杂仿真和系统验证阶段，AI能够承担多少工作，还需要更多实际项目验证。

在我们看来，工业软件下一阶段比拼的，或许不再只是“工具能不能完成任务”，而是软件能不能理解任务，并调动知识、数据和专业能力把任务真正完成。这可能才是AI进入工业研发之后，更值得关注的变化。