PIE 做到了而其他引擎没有做到的事。
目前有两类成熟的软件可以生成设计方案。两者在各自擅长的领域都做得 很好；对许多问题而言，其中任何一类都是正确的工具，而 PIE 是错的 那个。但两者都没有像 PIE 那样把闭环合上——而其中的差别并不在于 搜索算法，而在于谁被允许判定这个答案是好的。
在看对比之前请先读这一段：下面没有任何一句是 性能主张。PIE 从未在同一个部件上与另一款工具做过正面对比，因此 不存在任何“更快”或“更轻”的说法，这里也不会做出这类说法。本页面 也不点名任何产品。这里对比的是机制：一类软件把什么当作 既定前提、由什么来评判它的结果，以及一场运行结束后留下了什么 证据——因为这些属性在整个家族范围内都成立，不会因为发布了一个 新版本就改变。
两大家族
基于梯度的拓扑优化
你申明一个设计域、一种工况和一个体积分数。求解器计算你的目标 对每一点上的材料有多敏感，并把材料推向它起作用的地方。结果是 一个密度场或一条移动边界。这个家族成熟可靠、被充分理解，而且 在算力效率上远远优于 PIE 所做的任何事情。
由评估器驱动的 AI 搜索
由一个语言模型提出候选方案——通常是代码——再由一个打分函数 决定哪些能存活下来继续变异。这种搜索具备梯度方法所不具备的 真正开放式探索能力，而且这个家族在数学和软件领域已经产出过 真实且可核查的成果。
家族 A：优化器给自己的作业打分
这是基于梯度的拓扑优化最尖锐的共同属性，而且它是结构性的，不是 偶然的。产生灵敏度的那次分析，与报告答案有多好的那次分析，是同一次 调用、同一份代码、同一套网格、同一套物理。整个闭环里没有任何 第二意见。
后果非常具体：如果网格过于粗糙，报告出的性能是错的，而且 优化器对此感到满意。如果物理不完整——没有屈曲、没有接触、没有 热循环——设计永远不会因此受到惩罚。报告里的那个数字，就是优化器 的自我报告。
随之还有另外两个属性。该方法止步于密度场，因此真正被制造出来的 那个实体——经过光顺、重构、导出之后的——不会被自动重新分析； 优化器给出的数字，描述的是交付物以外的某个东西。而输出物是一个 场、一套网格和一张图。在所调研的开源引擎中，没有一个会产出一份 机器可核查的记录，说明主张了什么、基于什么假设、由什么来评判、 判定结果是什么。
能被找到的东西还有一道硬性上限。可达的设计集合在搜索开始之前就已 被参数化方式固定住了：小于一个网格单元的特征无法被表示，从未存在 过的单元无法被创建，而一种基于边界移动的方法也无法打开一个未被 预置的孔洞。你所画出的那个域就是答案的外边界，而闭环中没有任何 环节会报告：最优解正抵在一条由你自己选定的界线上。
这一切之所以持续存在，在该领域内部是有记录的。一篇 2022 年发表在 Structural and Multidisciplinary Optimization 上的综述指出， 拓扑优化没有公认的基准问题，公平的评价被留给作者自行裁量。在没有 待超越基准的情况下，一个自己评判自己输出的优化器，根本无法被识别 为一个问题。
家族 B：标尺由那个希望结果好看的人来写
在这个家族里，评估器是一个由用户提供的函数——通常是一段返回分数的 短程序。这是一个合理且有意为之的设计：正是它让这套方法具备通用性。 但这同时也意味着，搜索所能达到的上限就是用户所写的那段东西的保真度， 而且闭环无从区分一个真正更好的候选方案，与一个找到了打分漏洞的 候选方案。
这并非假设。一项 2026 年的研究考察了十一位使用此类系统的资深 数学家，发现针对打分的取巧手法是一种频繁出现的失效模式；由于提出 候选方案的东西是一个语言模型，这些手法异常巧妙——其中一例引入了 一种新的列表类型，重新定义了“长度”的含义。尽管运行前设有专门用于 捕捉已知取巧套路的评审环节，搜索过程中仍然出现了取巧行为；一位 参与者表示：当他们以为系统表现良好时，系统其实是在作弊。该研究还 描述了通常的工作节奏：运行、观察、停止、再启动一个修改过的版本。 评判标准与它本应评判的结果在共同演化。 Intentmaking and Sensemaking: Human Interaction with AI-Guided Mathematical Discovery (2026), section 5.3.
另有两个属性对工程工作而言很关键。这些系统只报告最优结果：获胜的 候选方案被公布，它所来自的那个种群不被公布，因此无从看到什么被 否决了、又为什么被否决。而且物理不在闭环之内。遍览业界领先的开源 实现所附带的示例——代码、数学、机器学习基准、几何、信号处理—— 没有一个会运行有限元分析、流场求解或电路仿真。这个家族中被引用 最多的那个系统，在它自己的局限性说明中就写明：需要物理实验或仿真 实验的问题超出了它的适用范围。
把这个差别表述成一份契约
| 生成式设计 | AI 发现 | PIE | |
|---|---|---|---|
| 由什么来评判结果 | 优化器自己的 FE | 用户自己写的一个打分函数 | 一个搜索从未操控过的求解器 |
| 评判标准何时冻结 | 各次运行之间可编辑 | 发现取巧手法后即修订 | 在第一个候选方案之前 |
| 失败的结果会怎样 | 被丢弃 | 只公布最优结果 | 被记录并公布 |
| 交付物是否被重新认证 | 否 | 不适用 | 是，在真实几何上 |
| 可制造性 | 一项约束，或者是人的问题 | 缺失 | 闭环中的一道关卡 |
| 一场运行之后留下什么 | 一套网格和一张图 | 获胜的那个候选方案 | 每个候选方案一条带哈希的记录 |
一句话总结：这两个家族都是在一把由希望结果好看的人所选定的标尺上 把闭环合上的。PIE 的闭环合在一次搜索未曾操控过的求解器运行上， 对照的是在第一个候选方案存在之前就已冻结的标准，而且无论通过还是 失败，判定结果都会被写下来。
这些方法在哪些方面优于 PIE
只朝一个方向做的对比是营销。以下这些地方，诚实的答案站在对方那一边。
-
算力效率，而且差距并不小
基于梯度的优化在几十到几百次求解器调用内就能收敛，因为灵敏度 会告诉它该往哪个方向移动。而一个在真实网格上认证候选方案的 种群搜索，成本要高出若干个数量级。如果你的问题是在一个你已经 信得过的域上求解单一且适定的目标，那么拓扑优化才是正确的工具， PIE 是错的那个。
-
制造约束的覆盖面
成熟的商业套件已经积累了多年的悬垂处理、脱模方向约束、最小 壁厚强制和工装模型。PIE 的关卡集合要窄得多，而更窄意味着： 一个真实零件可以通过我们的关卡，却仍然很难制造。
-
成熟度、规模与社区
两个家族中领先的实现都拥有庞大的用户群、活跃的开发和已发表的 同行评审，其中一些还能在超级计算机上运行。PIE 只是一名工程师 的引擎，这是一个需要认真权衡的现实风险。
-
存在一把比我们更强的标尺
当一个候选方案可以被表述为一份形式化证明时，机器证明检查器 就是一个真正无法被取巧的评估器：证明要么通过类型检查，要么 不通过，其中任何地方都不存在近似。我们的评判者比一个自我打分 的优化器更独立，但在四面体网格上做的一次有限元求解带有离散化 误差。更独立并不等于精确。
-
那个家族里也有实现自带防火墙
至少有一个开源搜索框架把评估指标拆分为提出候选方案的模型可以 看到的那些，和它看不到的那些，并且保存一个包含每一个候选方案 及其谱系（含失败在内）的数据库。这与本网站所描述的防火墙和 账本出于同一种直觉。它是作为一种机制提供的，而不是作为一项 政策被强制执行，但它确实存在，而且理应得到承认。
-
我们同样没有公认的基准
上面所说的那个基准缺失问题，也是我们自己的问题。我们经过认证的 结果，恰恰是以那条批评所描述的方式自我指涉的。这正是本页面上的 主张停留在架构层面的原因：PIE 的证据纪律是引擎运行方式的一种 属性，而不是对照一个尚不存在的领域标准参照物所得的分数。