文 | 大湾区人工智能应用研究院

这两年汹涌而来的 AI 浪潮，让很多制造业企业家和管理层非常焦虑和迷茫。大家普遍意识到 AI 的重要性，不拥抱 AI，怕被时代抛弃，失去未来的入场券；拥抱 AI，却发现除了简单的应用或依托成熟技术的场景，企业往往不知从何下手，难以系统性推进，或者在尝试后发现与预期相去甚远。麻省理工学院在 25 年的一个调研中发现，在众多的企业尝试系统性利用 AI 的案例中，只有 5% 左右是成功的。

AI 在在制造业中的应用现状

在理想状态下，在端到端的智慧工厂中，人工智能（AI）将全面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、营销到售后服务，所有环节均由 AI 驱动或高度自动化。这不仅仅是效率提升，更是要实现无缝的、预测性的和自适应生产的全智能状态。

尽管理想愿景令人向往，但当前制造业的 AI 应用仍远未达到端到端的智慧水平。大多数企业仍处于 " 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 虽能提升效率，但对核心创新贡献有限。研发本质上是突破性创造，现行 AI（如基于规则的系统、机器学习或大模型）擅长传统数据分析、模式识别等而非原创。AI 在辅助研究上表现出色，例如利用大语言模型总结学术进展，或如 Google DeepMind 的 GNoME 工具，在 2023 年《Nature》论文中披露，通过图神经网络发现了超过 528 种潜在锂离子导体，相当于此前发现总量的 25 倍，有助于提升电池性能。然而，这些均为辅助，核心创新仍依赖人类直觉。

设计环节中，生成式 AI 潜力巨大，但应用深度不均。一方面，AI 可以快速生成文字、图像、视频，可以大幅提升平面设计的速度。另一方面，在复杂工业设计如汽车整体造型时，AI 输出多限于概念启发，无法深度考虑物理约束（如空气动力学、人体工程学和材料强度）及成本因素。即使是 Tesla 这样的 AI 引领者，虽然在车辆规划和优化中大量使用 AI，但最终设计定稿仍需工程师干预。对于高精度产品如芯片或电路板，AI 在布局优化上初显价值（如 NVIDIA 的 AI 辅助芯片设计工具），但整体渗透率仍然较低。

生产制造环节，AI 在特定节点如品质检测和预测性维护上成效显著。例如，根据博世的披露，其某条产线的 AI 品质检测可以做到准确率 99.8%，高于人类 95% 的水平；单件检测时间从 20 秒缩短到约 5 秒；检测成本下降约 50%。预测性维护使用传感器数据和机器学习，提前识别设备故障，减少停机损失—— GE Aviation 的系统据称每年可以节省数亿美元。然而，在智能排产、流程优化、工艺参数动态调整和个性化制造等领域，AI 影响有限。2025 年的一项麦肯锡报告显示，88% 企业使用 AI，但仅 6% 报告对利润（EBIT）有企业级影响。

在销售服务环节，由于其场景通常容错率相对较高（一次不完美的回复可通过人工纠正），且主要处理语言、知识类任务，与大模型的核心能力高度匹配，目前在制造业领域有不错的应用进展。

在供应链管理环节，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、企业内外部的数据不通畅、企业采购的规则复杂多变、不确定性难以处理等原因，实际落地的效果还比较有限。

总体而言，AI 应用多依赖传统机器学习而非前沿大模型，停留在孤立优化而非系统集成。

为什么现实和理想的差距这么大？

制造业 AI 落地滞后的根源在于行业固有复杂性、物理交互挑战和高标准要求，与当前 AI 技术范式不完全匹配。

首先，制造业很复杂，这体现在多个维度：第一，生产系统链条长，涉及计划、调度、设备、环境、流程、物流、质量控制、售后等，每个环节都有约束条件和目标，链条之间高度耦合，一处变更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复杂，往往涉及机械、材料、控制、热力学、化学、流体、电气、自动化等，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工头脑中。第三，差异巨大。半导体、钢铁和食品加工都是制造业，但知识、经验很难复用；即便同一行业的不同企业工艺路线、设备组合、管理模式可能都不一样。这些挑战需要模型有很强的逻辑推理、规划、泛化能力，还需要有完备的数据支撑。

其次，与物理世界的深度交互增加AI落地难度。制造业不同于广告、游戏或教育等领域，它需要 AI 与物理环境紧密互动。现今大模型在语义理解和统计关联上表现出色，但在具身感知、物理规则理解和空间推理等方面存在显著局限，需要具身智能、世界模型更深入的发展才能在一些场景下真正的满足制造业对智能的需求。除了算法瓶颈，物理世界属性还带来更多障碍：比如制造业的数据来自物理世界的各种传感器（温度、压力、振动、视觉、声学等）、PLC、CNC 机床，这些数据格式、协议、频率各不相同，且常常伴随着物理环境中的噪声、干扰、缺失和不准确（例如传感器故障、灰尘遮挡、电磁干扰）；仿真与真实（Sim-to-real）情况差距大的问题难解决，会造成在仿真中训练的策略现实中失败。

再次，制造业有高标准要求。第一，对实时性的要求高，我们可以接受智能医疗诊断等几分钟出结果，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，一旦决策慢了，不是 " 体验差一点 "，而可能是产品报废、设备损坏、人身安全威胁。第二，容错率低，特别是高端制造业对错误几乎是零容忍，飞机的引擎叶片瑕疵可能带来空难，心脏起搏器的故障以生命为代价，核反应堆部件的品质问题带来不堪设想的灾难性后果。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存在缺陷，召回导致损失超过 11 亿元。而我们知道大模型不够快，而且幻觉是其根深蒂固的特征，可靠性是其深度赋能制造业的重大挑战。

怎样才能减小现实和理想之间的差距？

要缩短理想和现实之间的差距，技术需要进步，企业也需要有适配的 AI 战略。

具体来说，智慧工厂中的 AI 需要发展四种核心能力：

首先，需要开发真正适配制造业的工业大模型。这不仅要求模型的能力要突破现在的大语言模型，也要求模型匹配制造业的特征与诉求，在制造业中能用、好用。因为制造业的复杂、专业和差异化，要求模型在通用知识以外，还要掌握专业、领域知识，这需要通过模型微调、RAG 等方式解决，难点在于需要高质量的领域数据；要求模型有更好的可靠性，这需要通过提升大模型性能、结合知识图谱与符号 AI、优化部署工程等改善；还要求通过轻量化技术令模型在速度上符合制造业场景的需求。

第二，AI 必须具备全面感知和获取数据的能力，涵盖研发、制造、供应链等全链条的关键信息。AI 的核心是数据驱动，没有完整、高质量的数据，AI 就无法发挥作用。为此，智慧工厂需构建深度数字孪生系统，这不仅仅是设备、产线和库存的静态镜像，更是融入物理约束、业务逻辑的动态模拟平台，能够进行实时推演和优化。例如，西门子的工业元宇宙概念已初步体现了这一愿景，通过数字孪生模拟整个工厂生态，帮助企业预测潜在故障并优化资源分配。

在现有范式下，制造业数据来源复杂、连通性和对齐度差：数据分散在 MES、ERP、WMS、QMS 等不同的系统和不同厂商、不同年代、甚至不同通信协议的设备中。要匹配工业大模型，我们需要对这些数据归集、清洗、对齐（数据格式、时间同步、多源对齐）。

制造业还需要高质量标注数据来提升模型性能。语言模型可以用低成本的自监督学习来进行大规模的预训练，但工业大模型的训练需要大量高质量的标注数据，比如复杂故障需要资深工程师来判断，企业需要把工程师的分析判断（标注）和故障数据一起喂给模型才能让它学会对这类故障归因。

第三，AI 必须在复杂条件下进行深度理解和高质量决策，包括物理、安全、合规和商业约束下的多目标优化（如交期、成本、良率和安全间的权衡），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 具备持续在线学习、从错误中自我改进的能力，甚至通过强化学习主动设计实验进行知识创新。理想状态下，AI 能像人类专家一样，在不确定环境中实现零缺陷生产。

最后，AI 需具备具身智能，理解并操控物理世界。制造业本质上是物理变换过程，缺乏对物理环境的感知和执行能力，AI 就无法真正落地。鉴于制造链条涉及多供应商的设备和机器人，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、安全性和确定性下运行，确保生产连续性和零风险。

显然，要完全获得这些能力需要巨大的努力，还有很长的路要走。不仅需要 AI 技术从本质上有巨大的飞跃，也需要企业从数据能力，人才配置和组织架构上做根本性的调整。

为了适应这种变化，制造也企业应该制定长期和短期的 AI 战略。短期，可以以点带面，在匹配场景落地 AI，如大模型辅助知识问答或传统机器学习的缺陷检测、预测维修等，积累经验；长期，应该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。虽然模型研发多由科技巨头主导，制造业企业可以通过数据合作占据上游位置。掌握了数据资源以后，随着 AI 技术的日渐成熟，就可以逐步扩大 AI 的利用广度和深度，最终打造端到端的智能工厂。