刘劲 许忠海 李偲嘉/文
这两年，， ，，，，汹涌而来的人工智能（AI）浪潮让众多制造业企业家和治理层深感焦虑与渺茫。。。 。。。。。各人普遍意识到AI的主要性：不拥抱AI，， ，，，，担心被时代扬弃，， ，，，，失去未来生长的入场券 ；；；；；； ；可认真正拥抱AI时，， ，，，，却发明除了简朴的应用或依托成熟手艺的场景外，， ，，，，企业往往不知从何入手，， ，，，，难以系统性推进，， ，，，，即便实验后，， ，，，，效果也与预期相差甚远。。。 。。。。。麻省理工学院在2025年的一项调研显示，， ，，，，在众多实验系统性使用AI的企业案例中，， ，，，，仅有约5%取得了乐成。。。 。。。。。
AI在制造业中的应用现状
在理想状态下，， ，，，，端到端的智慧工厂里，， ，，，，AI将周全取代或主导人类在制造业价值链中的角色。。。 。。。。。从研发、设计、生产、营销到售后效劳，， ，，，，所有环节均由AI驱动或高度自动化。。。 。。。。。这不但是为了提升效率，， ，，，，更是要实现无缝、展望性和自顺应生产的全智能状态。。。 。。。。。
然而，， ，，，，理想愿景虽令人神往，， ，，，，但目今制造业的AI应用还远未抵达端到端的智慧水平。。。 。。。。。大大都企业仍处于“点状智能”阶段，， ，，，，AI主要辅助特定环节，， ，，，，而非系统性主导。。。 。。。。。
在研发环节，， ，，，，AI虽能提升研发效率，， ，，，，但对焦点立异的孝顺有限。。。 。。。。。研发实质上是突破性创立，， ，，，，而现行AI，， ，，，，如基于规则的系统、机械学习或大模子等，， ，，，，善于古板数据剖析、模式识别等，， ，，，，并非原创。。。 。。。。。AI在辅助研究方面体现精彩，， ，，，，例如使用大语言模子总结学术希望。。。 。。。。。又如谷歌DeepMind的GNoME工具，， ，，，，在2023年《Nature》论文中披露，， ，，，，通过图神经网络发明了凌驾528种潜在锂离子导体，， ，，，，数目相当于此前发明总量的25倍，， ，，，，有助于提升电池性能。。。 。。。。。不过，， ，，，，这些均属于辅助领域，， ，，，，焦点立异仍依赖人类的直觉。。。 。。。。。
在设计环节，， ，，，，天生式AI潜力重大，， ，，，，但应用深度狼籍不齐。。。 。。。。。
一方面，， ，，，，AI能快速天生文字、图像、视频，， ，，，，大幅提升平面设计的速率。。。 。。。。。另一方面，， ，，，，在重大工业设计，， ，，，，如汽车整体造型时，， ，，，，AI输出多局限于看法启发，， ，，，，无法深度思量物理约束（如空气动力学、人体工程学和质料强度）及本钱因素。。。 。。。。。即即是特斯拉这样的AI引领者，， ，，，，虽在车辆妄想和优化中大宗使用AI，， ，，，，但最终设计定稿仍需工程师干预。。。 。。。。。关于高精度产品，， ，，，，如芯片或电路板，， ，，，，AI在结构优化上初显价值，， ，，，，如英伟达的AI辅助芯片设计工具，， ，，，，但整体渗透率仍然较低。。。 。。。。。
在生产制造环节，， ，，，，AI在特定节点，， ，，，，如品质检测和展望性维护上效果显著。。。 。。。。。例如，， ，，，，博世披露，， ，，，，其某条产线接纳AI品质检测，， ，，，，准确率可达99.8%，， ，，，，高于人类的95% ；；；；；； ；单件检测时间从20秒缩短至约5秒 ；；；；；； ；检测本钱下降约50%。。。 。。。。。展望性维护使用传感器数据和机械学习，， ，，，，提前识别装备故障，， ，，，，镌汰� ；；；；；； ；鹗�，， ，，，，GEAviation的系统据称每年可节约数亿美元。。。 。。。。。然而，， ，，，，在智能排产、流程优化、工艺参数动态调解和个性化制造等领域，， ，，，，AI的影响有限。。。 。。。。。2025年麦肯锡的一份报告显示，， ，，，，88%的企业使用AI，， ，，，，但仅有6%的企业报告称AI对利润（EBIT）爆发了企业级影响。。。 。。。。。
在销售效劳环节，， ，，，，由于销售效劳场景通常容错率相对较高（一次不完善的回复可通过人工纠正），， ，，，，且主要处置惩罚语言、知识类使命，， ，，，，与大模子的焦点能力高度匹配，， ，，，，现在在制造业领域取得了不错的应用希望。。。 。。。。。
在供应链治理环节，， ，，，，未来AI有很大的应用潜力，， ，，，，但现在受限于企业内部的数据孤岛、企业内外部数据欠亨畅、企业采购规则重大多变以及不确定性难以处置惩罚等问题，， ，，，，现实落地效果较为有限。。。 。。。。。
总体而言，， ，，，，AI在制造业的应用多依赖古板机械学习，， ，，，，而非前沿大模子，， ，，，，且停留在伶仃优化阶段，， ，，，，尚未实现系统集成。。。 。。。。。
现实和理想的差别
制造业AI落地滞后的泉源在于行业固有重大性、物理交互挑战和高标准要求，， ，，，，与目今AI手艺范式不完全匹配。。。 。。。。。
首先，， ，，，，制造业很重大。。。 。。。。。制造业的重大性体现在多个维度。。。 。。。。。
第一，， ，，，，生产辖档痛条长，， ，，，，涉及妄想、调理、装备、情形、流程、物流、质量控制、售后等环节。。。 。。。。。每个环节都有约束条件和目的，， ，，，，且链条之间高度耦合，， ，，，，一处变换可能波及后续所有工序和交付。。。 。。。。。
第二，， ，，，，制造业涉及的数据和知识重大，， ，，，，涵盖机械、质料、控制、热力学、化学、流体、电气、自动化等多个领域。。。 。。。。。每个领域有专属标准和工艺规范，， ，，，，且这些知识往往碎片化，， ，，，，散布在Excel、PDF等文档中，， ，，，，甚至仅存于纸质文件或员领班脑中。。。 。。。。。
第三，， ，，，，行业差别重大。。。 。。。。。半导体、钢铁和食物加工虽同属制造业，， ，，，，但知识、履历很难复用 ；；；；；； ；即便统一行业的差别企业，， ，，，，工艺蹊径、装备组合、治理模式也各不相同。。。 。。。。。这些挑战要求模子具备很强的逻辑推理、妄想和泛化能力，， ，，，，同时还需要有完整的数据支持。。。 。。。。。
其次，， ，，，，与物理天下的深度交互增添了AI落地的难度。。。 。。。。。制造业差别于广告、游戏或教育等领域，， ，，，，它需要AI与物理情形细密互动。。。 。。。。。现今大模子在语义明确和统计关联上体现精彩，， ，，，，但在具身感知、物理规则明确和空间推理等方面保存显著局限，， ，，，，需要具身智能、天下模子更深入的生长，， ，，，，才华真正知足制造业对智能的需求。。。 。。。。。
除了算法瓶颈，， ，，，，物理天下属性还带来更多障碍：制造业的数据来自物理天下的种种传感器（温度、压力、振动、视觉、声学等）、PLC（可编程逻辑控制器）、CNC（盘算机数控）机床，， ，，，，这些数据名堂、协议、频率各不相同，， ，，，，且经常陪同着物理情形中的噪声、滋扰、缺失和禁绝确（例如传感器故障、灰尘遮挡、电磁滋扰） ；；；；；； ；仿真与真实（Sim-to-real）情形差别大的问题难以解决，， ，，，，会导致在仿真中训练的战略在现实中失败。。。 。。。。。
再次，， ，，，，制造业有高标准要求。。。 。。。。。
第一，， ，，，，对实时性要求高。。。 。。。。。我们可以接受智能医疗诊断等几分钟出效果，， ，，，，或对话、搜索等几秒钟出完内容，， ，，，，但制造业涉及环环相扣的物理闭环控制，， ，，，，一旦决议慢了，， ，，，，不是“体验差一点”，， ，，，，而可能是产品报废、装备损坏，， ，，，，甚至威胁人身清静。。。 。。。。。
第二，， ，，，，容错率低，， ，，，，特殊是高端制造业对过失险些是零容忍。。。 。。。。。飞机的引擎叶片瑕疵可能引发空难，， ，，，，心脏起搏器的故障会以生命为价钱，， ，，，，核反应堆部件的品诘责题会带来不堪设想的灾难性效果。。。 。。。。。一个最近的例子是，， ，，，，理想汽车的旗舰车型MEGA使用的冷却液在防腐性能上保存缺陷，， ，，，，召回导致损失凌驾11亿元。。。 。。。。。大模子速率不敷快，， ，，，，且幻觉是其根深蒂固的特征，， ，，，，可靠性成为其深度赋能制造业的重大挑战。。。 。。。。。
怎样缩小差别
要缩短理想和现实之间的差别，， ，，，，手艺需要前进，， ，，，，企业也需要有适配的AI战略。。。 。。。。。详细来说，， ，，，，智慧工厂中的AI需要生长四种焦点能力。。。 。。。。。
一是企业需要开发真正适配制造业的工业大模子。。。 。。。。。
这不但要求模子能力突破现有大语言模子的局限，， ，，，，还要求模子匹配制造业的特征与诉求，， ，，，，在制造业中能用、好用。。。 。。。。。由于制造业的重大、专业和差别化，， ，，，，模子在掌握通用知识以外，， ，，，，还需掌握专业、领域知识，， ，，，，这可通过模子微调、RAG（检索增强天生）等方法解决，， ，，，，难点在于需要高质量的领域数据 ；；；；；； ；模子还需具备更好的可靠性，， ，，，，这可通过提升大模子性能、团结知识图谱与符号AI、优化安排工程等方法改善 ；；；；；； ；同时，， ，，，，要通过轻量化手艺使模子在速率上切合制造业场景的需求。。。 。。。。。
二是AI要具备周全感知和获取数据的能力，， ，，，，涵盖研发、制造、供应链等全链条的要害信息。。。 。。。。。
AI的焦点是数据驱动，， ，，，，没有完整、高质量的数据，， ，，，，AI就无法施展作用。。。 。。。。。因此，， ，，，，智慧工厂需构建深度数字孪生系统，， ，，，，这不但仅是装备、产线和库存的静态镜像，， ，，，，更是融入物理约束、营业逻辑的动态模拟平台，， ，，，，能够举行实时推演和优化。。。 。。。。。例如，， ，，，，西门子的工业元宇宙看法已起源体现了这一愿景，， ，，，，通过数字孪生模拟整个工厂生态，， ，，，，资助企业展望潜在故障并优化资源分派。。。 。。。。。
在现有范式下，， ，，，，制造业数据泉源重大，， ，，，，连通性和对齐度差：数据疏散在MES、ERP、WMS、QMS等差别的系统和差别厂商、差别年月、甚至差别通讯协议的装备中。。。 。。。。。要匹配工业大模子，， ，，，，需要对这些数据举行归集、洗濯、对齐（数据名堂、时间同步、多源对齐）。。。 。。。。。
别的，， ，，，，制造业还需要高质量标注数据来提升模子性能。。。 。。。。。语言模子可以用低本钱的自监视学习举行大规模预训练，， ，，，，但工业大模子的训练需要大宗高质量的标注数据，， ，，，，好比，， ，，，，重大故障需要资深工程师判断，， ，，，，企业需将工程师的剖析判断（标注）和故障数据一起输入模子，， ，，，，才华让它学会对这类故障归因。。。 。。。。。
三是，， ，，，，AI必需在重大条件下举行深度明确和高质量决议，， ，，，，这包括在物理、清静、合规和商业约束下举行多目的优化（如交期、本钱、良率和清静间的权衡），， ，，，，以及应对不确定性（如市场需求波动或供应商延误）。。。 。。。。。这要求AI具备一连在线学习、从过失中自我刷新的能力，， ，，，，甚至通过强化学习，， ，，，，自动设计实验举行知识立异。。。 。。。。。理想状态下，， ，，，，AI能像人类专家一样，， ，，，，在不确定情形中实现零缺陷生产。。。 。。。。。
最后，， ，，，，AI需要具备具身智能，， ，，，，明确并操控物理天下。。。 。。。。。
制造艺上是物理变换历程，， ，，，，缺乏对物理情形的感知和执行能力，， ，，，，AI就无法真正落地。。。 。。。。。鉴于制造链条涉及多供应商的装备和机械人，， ，，，，AI需统筹具身智能间的协同，， ，，，，确保顶层集成。。。 。。。。。
这些能力需在极高可靠性、清静性和确定性下运行，， ，，，，以确保生产一连性和零危害。。。 。。。。。
显然，， ，，，，企业要完全获得这些能力需要支付重大起劲，， ，，，，尚有很长的路要走。。。 。。。。。不但需要AI手艺实现实质上的重大奔腾，， ，，，，也需要企业从数据能力、人才设置和组织架构上做出根天性调解。。。 。。。。。
为了顺应这种转变，， ，，，，制造业企业应该制订恒久和短期的AI战略。。。 。。。。。
短期来看，， ，，，，企业可以以点带面，， ，，，，在匹配场景落地AI，， ，，，，如大模子辅助知识问答或古板机械学习的缺陷检测、展望维修等，， ，，，，积累履历。。。 。。。。。恒久来看，， ，，，，企业应专注数据资产的构建，， ，，，，谁掌握高质量数据，， ，，，，谁将在工业AI生态中领先。。。 。。。。。
虽然模子研发多由科技巨头主导，， ，，，，但制造业企业可以通过数据相助占有上游位置。。。 。。。。。掌握了数据资源后，， ，，，，随着AI手艺的日渐成熟，， ，，，，就可以逐步扩大AI的使用广度和深度，， ，，，，最终打造端到端的智能工厂。。。 。。。。。
（刘劲系大湾区人工智能应用研究院理事、特聘专家，， ，，，，长江商学院会计与金融学教授，， ，，，，许忠海系大湾区人工智能应用研究院高级研究员，， ，，，，李偲嘉系大湾区人工智能应用研究院研究员）
免责声明：本文看法仅代表作者浩联汽配商业有限公司自己，， ，，，，供参考、交流，， ，，，，不组成任何建议。。。 。。。。。