长久以来，AI 生成 3D 内容的主流范式是输出离散的点云、网格或体素。这些 “哑” 模型虽然能捕捉形状，却丢失了设计意图和工程可编辑性，设计师拿到后往往需要从头重建。Spectral Labs 于 2025 年 9 月发布的 SGS-1，打破了这一僵局，成为业界首个能直接生成结构化、参数化 CAD 模型的生成式 AI。它不生产静态的 “图片”，而是输出包含精确几何关系和可调参数的 STEP 文件，让 AI 真正迈入了工程设计的核心领域。
SGS-1 的核心创新在于其输出目标。与 DeepCAD、SkexGen 等前辈模型不同，后者虽然也尝试生成 CAD 操作序列，但其本质仍是将 CAD 指令视为一种 “语言” 进行序列建模，最终产物是供程序解析的代码或命令流。而 SGS-1 则更进一步，它直接瞄准了 CAD 系统的 “内核”—— 边界表示（B-Rep）。B-Rep 是现代 CAD 软件（如 SolidWorks, Fusion 360）用于精确描述实体几何的工业标准，它由面、边、顶点及其拓扑连接关系构成，是参数化、可编辑设计的基石。SGS-1 能够根据一张图片或一个 3D 网格，直接推理并生成符合 B-Rep 标准的 STEP 文件。这意味着，设计师拿到 SGS-1 的输出后，无需任何转换或逆向工程，即可在熟悉的 CAD 环境中直接打开、测量、修改尺寸、添加特征，无缝融入现有的设计工作流。
这一能力的工程价值是颠覆性的。在官方演示中，SGS-1 被要求为一个滚轮组件设计一个安装支架。它不仅能根据上下文理解支架需要匹配的孔位和轮廓，更能生成一个包含精确参数的模型。设计师导入后，只需简单地将支架的宽度参数从 10mm 调整为 12mm，整个模型的几何关系便自动更新，完美适配新的装配要求。相比之下，即使是 GPT-5 这样的顶级多模态推理模型，在执行相同任务时，也因缺乏真正的空间智能，生成的几何体要么过于简化，要么特征错位，完全无法在装配体中使用，设计师不得不放弃 AI 输出，从零开始。
SGS-1 的实用性体现在多个场景。首先是 “草图到模型” 的自动化。设计师手绘的草图或扫描的工程图纸，可以直接输入 SGS-1，转化为精确的 3D 参数化模型，极大地加速了概念设计阶段。其次是 “逆向工程” 的智能化。面对一个仅有 STL 网格文件的老旧零件或扫描件，SGS-1 能自动将其 “理解” 并重构为包含参数的 STEP 文件，省去了工程师手动逆向建模的繁琐过程。最令人兴奋的是 “上下文感知设计”。SGS-1 可以读取一个不完整的装配体，结合文本描述（如 “在此处添加一个带加强筋的 L 型支架”），直接生成一个在几何和功能上都与现有组件匹配的新零件，这为 AI 辅助的协同设计打开了大门。
当然，SGS-1 并非万能。其当前版本明确存在三大限制：首先，它专为工程设计优化，对高度有机、曲面复杂的创意资产（如角色模型、雕塑）表现不佳。其次，模型的 3D 分辨率有限，难以生成非常精细或极薄的结构。最后，它目前无法一次性生成包含多个零件和装配关系的完整装配体，只能逐个生成零件。这些限制清晰地勾勒出了 SGS-1 的定位：它不是一个通用的 3D 内容生成器，而是一个专注于解决工业设计痛点的 “工程专家”。
从技术路线上看，SGS-1 的成功也暗示了未来 AI-CAD 融合的方向。与其让大语言模型（LLM）通过编写代码来 “描述” 几何（这本质上是间接的、易出错的），不如让模型直接学习几何本身的内在结构和约束。这需要模型具备强大的空间推理能力，能够理解点、线、面之间的拓扑关系和几何约束（如平行、垂直、相切）。SGS-1 的非 Transformer 架构（根据输入提示）可能正是为了更好地捕捉这种空间关系而设计的，这与处理序列化文本的 Transformer 有着根本的不同。
总而言之，SGS-1 的发布标志着生成式 AI 在物理世界设计领域的一个重要里程碑。它不再满足于 “像” 一个设计，而是真正 “是” 一个设计。它将 AI 从辅助工具的角色，提升为能够理解并产生物理世界 “语言” 的合作伙伴。对于工程师和设计师而言，这意味着一个新时代的开始：他们可以将更多精力投入到创造性的问题解决和系统级优化上，而将重复性的几何建模工作交给 AI。随着下一代模型在多模态支持、复杂空间上下文理解和物理仿真反馈强化学习上的突破，我们有理由期待，AI 将不仅仅是设计的助手，更可能成为工程创新的核心驱动力。