过去几年，AI 在写代码、做图片、生成文案等数字领域进展飞快，但一旦要落到真实世界里的一把椅子、一个外壳、一块电路板，链条就断了。工程师往往得把 AI 生成的形状手动重画成能开模、能受力、能量产的图纸。Suzanne 想做的，正是补齐这一段「最后一步」。

从一句话到可量产的设计

Suzanne 的使用方式更接近聊天，而不是传统建模软件。用户可以用文字描述需求，也可以上传草图、照片或多视角参考图，系统据此生成可编辑的三维设计。生成之后，不必推倒重来，直接用自然语言就能调整外形、功能和结构——例如要求「在保持强度的前提下把外壳做轻」，或「为这个零件准备量产几何并导出」。

官方给出的工作流分为四步：生成（Generate），从想法、草图或参考图得到可制造的初版三维模型；精修（Refine），通过对话迭代形态与功能；验证（Validate），在生成阶段就考虑物理约束，提前发现量产前的结构问题；构建（Build），导出干净的 CAD 文件，接入既有的工程流程。

它支持导出的格式包括 STEP、STL、GLB、OBJ、OpenSCAD、3MF、3DM 与 USDZ 等，并宣称可提供打印与原型寄送服务。开发者侧还提供了与 Claude Code 等编程智能体的集成接口，让代码智能体也能提交文本生成三维或照片重建三维的任务。

不是只画形状，而是考虑能不能造

市面上的许多三维生成工具止步于「把几何形状画出来」，但真实产品要能承受受力、适应制造工艺和日常使用。Suzanne 的差异化在于，它在生成时就嵌入了物理（质量、载荷）与制造（可制造性、拔模角）两类约束，让每一版设计从一开始就更接近量产状态。

团队表示，传统流程逼着设计师在评估之前花数小时把每个概念都建好模，而 Suzanne 让团队在投入实物原型的时间与预算之前，能探索更多可能性、更快筛选出更优方案。其底层被描述为「物理 AI 内核」，把参数化实体、物理仿真与制造知识组合起来。

已能对话调用，仍属早期阶段

从公开信息看，Suzanne 目前仍处于早期 beta 阶段，由 Samantha Brown 主导，借助 Canopy 孵化器孵化。团队自述的数据显示，产品在入驻 Canopy 的第一周吸引了一百二十名用户，随后累计达到两百五十名用户，并已签下首批付费客户、完成一轮天使融资。

不过需要冷静看待的是，这部分数据由团队自行披露，尚无第三方独立验证。多家媒体在评测中指出，Suzanne 尚未公布独立的输出基准、具体的制造合作伙伴，以及「生成模型真正走完量产流程」的案例。与它相邻的还有 MakePhysical、EaselAI、ThingSpin 等产品，各自侧重几何检查、报价与供应商匹配、参数化可制造性等不同环节。

对工业设计而言，AI 真正理解「物理世界约束」而非只生成好看的造型，仍是尚未被完全验证的命题。Suzanne 给出的是一条值得关注的路径，但它究竟能在多大程度上替代资深工程师的判断，还需要更多公开证据。

来源：Hacker News / suzanne3d.com

用大模型做原型、写内部工具、搭仪表盘，如今在工程师群体里已是常规操作，“用它学点新东西”同样是高频用法。但软件工程师 Laurentiu Raducu 在个人博客里坦言，他一直不太适应大模型讲解知识的方式：太简化，信息密度低，再配上一堆表情符号，读起来反而更费劲。

促使他换一种学法的，是一次具体的知识缺口。当时他正在分析可能拖慢数据中心建设的新瓶颈，发现自己对芯片生产的许多环节并不了解。他冒出一个念头：如果有一款游戏能带人完整走一遍晶圆厂造芯片的流程，是不是就记得住了？毕竟在游戏里，抽象概念可以和具体物件一一对应。

四步流程：先建知识库，再让它自查

Raducu 没有直接让模型“讲解”某个主题，而是固定跑一套四步流程。

第一步，在规划模式下（他用的是 Claude Code 或 OpenCode），让模型为目标主题搭建一套基础知识体系。第二步，让模型回过头去核查上一步产出的知识库准确性。第三步，要求模型把这套知识做成一个低多边形风格、类似《过山车大亨》观感的动画模拟，同时附带明确的交互要求：页面要在大屏和小屏上都能正常显示，流程要能随时暂停。第四步，把成品推到一个新仓库，开启 GitHub Pages 托管。

跑完这四步，得到的是一个可以在浏览器里直接打开的动画演示，而不是一份要点罗列。Raducu 认为这种方式比在搜索引擎里翻无穷无尽的资料、或者消化一串由语言模型吐出来的项目符号列表更有效。

需要留意的是，他所说的“完全准确、没有幻觉”属于个人使用体验的判断——由同一个模型自查自纠的知识库，严格来说并不构成独立的事实核验，涉及关键结论时仍需另找权威资料对照。

ChipTycoon：跟着一辆小车从沙子走到芯片

他公开的第一个成品叫 ChipTycoon，主题正是芯片制造。玩家跟随一辆小车，从采集石英砂开始，一路走到成品芯片被交付进数据中心为止。

视觉上的巧思在于，小车运载的东西会随着流程推进而变化。低多边形风格必然丢失细节，但它足以清楚地传达一件事：原材料在经过多道工序之后，形态究竟发生了什么改变。这种把工艺步骤具象化的处理，恰恰是纯文字讲解最难做到的部分。

除芯片制造外，他还用同样的流程做了几个页面：火箭发动机如何制造、大模型如何工作、F1 引擎如何组装、极紫外光刻机如何造出来。

想进一步提升：换真实模型，再加题目

Raducu 也给出了两个继续打磨的方向。

一是提升视觉精度。低多边形画面有时需要靠想象补足细节——比如石英砂堆离开熔炉之后到底变成了什么样。他的建议是借助把图片转换成三维物体的工具链，生成更接近实物的模型，再映射回模拟场景中。

二是加入互动考核。在流程中穿插关于前序步骤的提问，强迫回忆本身就是提升记忆留存率的有效手段；设计一些直觉型的小谜题，同样能让知识记得更牢。

这套做法的门槛并不高，本质上是把“读材料”换成“造一个能自己走一遍的流程”。对于工序链条长、环节之间因果关系复杂的主题，它提供了一个值得一试的替代方案。

来源：Laurentiu Raducu 个人博客

AI操作系统成为增长核心引擎

分业务来看，与AI应用直接相关的“DeepexiOS AI级企业操作系统平台解决方案”是这轮增长的主发动机。该业务上半年收入达到2.26亿元，同比大增209.2%，占总营收的比重从上年同期的55.3%一举提升至79.6%。相比之下，主打数据智能的“FastData企业级数据智能解决方案”收入为5803.8万元，同比基本持平。这意味着公司的收入结构正明显向企业级AI应用倾斜。

利润端的改善同样值得关注。公司披露，2026年第二季度实现净利润约0.30亿元；上半年净亏损收窄至0.32亿元，降幅达89.6%；经调整净亏损则由0.52亿元收窄48.5%至0.27亿元。

规模效应开始释放

盈利能力的改善主要来自两方面。其一是收入扩张与业务结构优化共同推高毛利。上半年公司整体毛利率为56.5%，同比提升1.5个百分点，其中DeepexiOS方案的毛利率达到57.2%，同比提升2个百分点；毛利润因此达到1.60亿元，同比增长120.5%。对To B的AI公司而言，毛利率站上50%以上，通常被视作已具备稳定的产品化能力。

其二是规模效应的显现。上半年公司销售及营销开支、研发开支分别同比增长33.2%和23.8%，明显低于收入增速，销售费用率由约37.3%降至23.1%。由于第二季度收入环比增长超过三倍，相关费用得到更充分的摊薄，经营杠杆加速释放。公司方面表示，若下半年订单交付与收入增长延续、毛利率及费用率保持稳定，2026年全年扭亏的可能性将明显提升。

从资本热捧到业务落地

滴普科技成立于2018年，2025年10月28日在港交所主板挂牌上市，股票代码01384。上市当日股价大涨150.56%，公开发售获超7569倍认购，一度被市场称为“企业级AI第一股”和“中国版Palantir”。根据弗若斯特沙利文的数据，该公司稳居中国企业级大模型AI应用解决方案市场第一。

支撑这份热度的是持续的商业落地。招股书显示，截至上市前公司已服务近400家大中型头部客户，覆盖制造、消费零售、医疗、交通等多个行业；2022年至2024年营收从1.00亿元增长至2.43亿元，三年复合增长率达55.5%。此番半年报中的单季转盈，则进一步验证了企业端“降本增效、数字化转型”需求正从可选项转为必选项。

来源：36氪