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赛康基因工程有限公司自己，，，，，，供参考、交流，，，，，，不组成任何建议。 。。。。