财联社 8 月 3 日讯（记者 张校毓）"（你们的 AI 技术）能不能降低能耗、能不能提升生产效率、能不能创造实实在在的经济效益？"

不久前的世界人工智能大会上，在向联合国秘书长古特雷斯介绍中国人工智能在工业生产领域的应用时，这三个问题让上海交通大学人工智能与微结构实验室主任、金珵科技创始人李金金教授印象深刻。

相较于模型参数和技术指标，古特雷斯更关心的是，人工智能能否解决真实的产业问题，能否让不同发展阶段的国家和企业从技术进步中受益。

" 我回答他，（AI+ 制造）最终的目标就是这三个方向。" 李金金在接受财联社专访时表示，中国拥有规模庞大、门类齐全的存量制造体系，哪怕在一个关键工艺环节实现稳定的小幅改善，放大到整条产线和全年经营统计，都是实实在在的经济价值。但它不会是简单复制互联网 AI 的路径，而是一个更重交付、更重安全、更重长期复利的市场。

这一判断来自李金金横跨基础研究和产业一线的经历。作为上海交大培养的科研领军人物，她早期从事凝聚态物理研究，后将第一性原理与人工智能结合，贯通 AI for Science for Industry 的完整链条，关注点也从 " 如何用 AI 发现科学规律 " 进一步转向 " 如何将科学规律转化为制造业可执行、可验证的决策 "。

李金金认为，当前 AI+ 制造正从 " 试点验证期 " 迈向 " 高价值场景的规模复制期 "。但与互联网场景不同，工业过程的本质是动态的。温度、压力、流量、溶氧、结构形变等参数都带有时间标签，今天的状态来自此前多轮操作和环境扰动的共同作用。未来最关键的拐点，将是 " 高价值场景的标准化交付 " 出现。

【1】AI 向善与企业需求 " 双向奔赴 "

在李金金看来，人工智能向善，不仅意味着 AI 学习 " 好 " 的数据，也意味着技术应当回应真实需求、创造普惠价值。

"工业模型的第一性要求不是参数规模，而是实时性、稳定性、可解释性和在边界条件下的可靠运行。" 李金金表示，大量制造企业都有使用人工智能的意愿，但究竟用在哪里、怎样使用、能够产生什么效果，仍是许多企业面临的共同困惑。

政策端正在给出明确方向。《" 人工智能 + 制造 " 专项行动实施意见》提出，推动大模型技术深度嵌入生产制造核心环节，改造研发设计（含工业设计）、中试验证、生产制造、 营销服务等全流程。到 2027 年，推动 3 — 5 个通用大模型在制造业深度应用，推出 1000 个高水平工业智能体，打造 100 个工业领域高质量数据集，推广 500 个典型应用场景。

" 这说明人工智能正在从‘技术展示’和局部工具应用，进入以制造业全流程价值创造为导向的深水区。" 李金金说，AI+ 制造的目标不是给工厂加一个聊天机器人，而是让 AI 参与分析、决策、执行和反馈的闭环。

这一变化已在生物发酵领域有所体现。李金金告诉记者，川宁生物曾受限于生物发酵代谢过程复杂、发酵产量低、人力成本高，以及人类工程师在降低生成波动、提升发酵产量等方面经验不足等痛点。而通过 AI" 工程师 " 的调控，该公司实验罐在相同物料投入下平均产量高出对照组 3%-5%。

石油化工同样是工业 AI 价值发挥较为集中的场景。李金金介绍，金珵科技已与一家炼化类上市企业开展相关合作，AI 赋能下，产出每提升一个百分点，单厂每年便可减少 1000 万 -2000 万元成本。" 这正是工业 AI 应追求的价值：以可核验的经营结果，增强而非颠覆现有自动化体系。"

人工智能也在改变传统劳动密集型产业的生产方式。

在纺织行业，过去设计、制版、出图等大量环节依赖人工重复操作。李金金表示，团队正与纺织企业开展合作，通过 AI 完成其中重复性较强的工作，再由工作人员进行核验，使人员转向审核、判断、创新和管理等更能发挥人的能力的岗位。

李金金在多次产业对接中观察到，制造企业往往不是带着泛泛的 AI 兴趣而来，而是带着具体问题：怎样提升产量、怎样降低波动、怎样减少能耗、怎样缩短设计周期、怎样应对老师傅退休后的经验流失。

从生物发酵、石油化工到纺织，AI+ 制造并不是一个孤立的单点应用。企业拥有迫切的降本增效需求，AI 技术则需要通过真实场景完成验证与迭代，二者正在形成一场 " 双向奔赴 "。

【2】微结构科技底座上的万亿级市场

尽管市场空间广阔，AI 真正进入制造业却并不容易。

当前，市场上大致存在三类较为普遍的 AI+ 制造路径：一类是大模型企业向工业场景延伸；一类是制造企业依托自身数据开发行业模型；还有一类是传统工业软件公司增加 AI 能力。

在李金金看来，三条路径各有基础，但也分别面临不同约束。现有的大模型做工业多为语言类模型，可以进入企业管理、知识检索、供应链辅助等场景，但较难直接深入到工业生产中最核心的环节。

制造企业掌握大量数据和老师傅经验，基于自身数据训练模型，通常能够解决一部分具体问题。不过李金金强调，数据本身并不必然包含全部规律，企业不一定具备把分散在历史数据和老师傅经验中的 " 暗知识 " 转化为可复用算法的决策能力。

传统工业软件企业熟悉生产系统、设备接口和客户需求，但其原有的逻辑与 AI+ 制造并不完全相同，难以直接沿用既有路径实现转型，需要改变原有技术架构和组织方式。

因此，工业 AI 并不是简单的 " 大模型 + 工业数据 "。在她看来，除模型能力外，工业 AI 还需要机理与数据融合、时序感知与闭环控制、云边端协同和工业系统适配，以及工程化交付能力，包括数据治理、现场验证、权限与安全管理，以及懂工艺也懂算法的部署团队。

" 缺少这些能力，模型即使在离线测试中表现不错，也很难进入核心生产环节。" 李金金强调。

这一判断，也与李金金的研究背景密切相关。

" 宏观性能背后，本质上是微观结构。" 她解释，物体所表现出的光学、电学、力学、稳定性等特性，源于原子排列、原子组成、堆积方式等微结构差异。将这一思路延伸至工业生产，如果希望 AI 真正理解一个动态过程，也不能只把历史数据输入模型。

" 有的时候数据里找不到规律怎么办？在这种情况下，我们就要从第一性原理出发，从改变任何一个微结构的性质，然后再到配合数据里面的一定的规律去解决科学问题。" 李金金说。

李金金将这种方法形象地概括为 " 把老师傅经验复刻进代码 "。工业 AI 需要将这些隐性知识提取、验证并与生产数据结合，使其转化为可以复用和持续迭代的能力。

但这并不意味着用 AI 替代传统自动化控制系统。传统系统能够提供稳定、确定、可验证的基础控制，AI 的增量价值则是在其之上处理更复杂的多变量耦合、长周期滞后和经验难以显性化的问题，从固定规则走向随数据反馈持续优化，从单点监测升级为 " 预测—决策—执行—再学习 " 的闭环。

在此前 AI for Science 研究基础上，李金金团队围绕材料、生物等领域开发模型，并将积累的底层算法进一步迁移至工业场景，形成工业时序控制大模型 ManuDrive。目前，ManuDrive 具有 127 个可组合的功能组件，通过标准化接口协同工作，支持动态组装、复用与持续学习，形成面向工业场景的可扩展基础架构，从而缩短后续项目的开发和部署周期。

李金金判断，当前 AI+ 制造正从 " 试点验证期 " 迈向 " 高价值场景的规模复制期 "，潜在市场至少达到万亿级。

以金珵科技为例，目前团队优先关注能够替代大量人力决策、且可带来明显经济收益的 " 国之重器 " 相关场景。具体到细分工业场景，李金金认为，高频、连续、多变量耦合且收益可计量的领域，例如生物发酵、化工与冶金过程、能源环保、重型装备等；以及半导体、材料研发等对精度和迭代速度要求很高的场景均值得重点关注。

但整体还没有进入一键复制的成熟阶段，" 每个行业的数据质量、设备接口、工艺机理和安全要求不同，必须先跑出可验证的样板，再做模块化复制。" 李金金说道。

【3】如何打通 AI+ 制造落地应用 " 最后一公里 "

拥有模型和市场需求，并不意味着 AI 能够自然进入工厂。

" 第一个要有大模型，第二个要有客户。" 李金金用这句话概括 AI+ 制造规模化落地的两道门槛。前者需要长期的科研积累和工程化投入，后者则要求制造企业愿意开放真实需求、生产数据和试验场景。

制造企业对 AI 进入核心生产环节保持谨慎并不难理解。李金金告诉记者，企业最关心的通常不是模型演示是否漂亮，而是安全稳定性是否可控，数据是否安全、知识产权是否受到保护，模型决策是否可解释、能否经得起工艺人员和管理体系的复核以及效果能否被清楚归因。

在她看来，工业 AI 进入核心环节必须遵循渐进式路径：先做数据洞察、预测和建议，再在限定设备、限定工况下开展人机协同验证，最后才讨论授权范围更大的闭环控制；同时建立硬约束、报警、回退和全程审计机制。

" 我认为最关键的拐点，是‘高价值场景的标准化交付’出现。" 李金金认为，当项目能用明确基线、可审计数据和阶段性验收证明收益，并将可复用的算法、数据治理方法和现场部署流程打包成产品，复制周期显著缩短，企业就会从 " 敢不敢试 " 转为 " 怎样更快部署 "。

据李金金介绍，在闵行区组织的一场 AI+ 制造供需对接活动中，百余家企业带着自身生产难题参与。而在此之前，相关部门已结合企业情况制定支持政策，通过补贴降低模型开发和部署的前期成本，使企业能够更好地开展试点、验证实际效果。

" 企业带着需求来，技术团队针对具体问题给出方案，项目就可以更快启动。" 她将这种方式概括为 " 精准对接 "：不是先有一套通用技术，再寻找可以套用的场景，而是从企业真实需求出发，围绕关键工艺问题开展联合攻关。

针对中小企业资金门槛难题，金珵科技开展收益分成模式，搭配 FDE 前沿部署工程师全周期落地服务，企业无需前期大额投入，仅共享 AI 带来的增量收益。

但分成不是简单 " 按增产提成 "。李金金强调，必须在项目开始前共同定义基线、对照组、原料与市场等外部变量的调整规则、数据口径、收益核算周期、上线后的运维责任以及安全责任边界。只有这些规则透明可审计，收益分成才可能从个案创新变成可持续的行业路径。

从更大范围看，AI+ 制造规模化落地需要企业、高校、科研院所、平台公司和地方政府形成合力。李金金表示，上海的优势在于 " 技术、产业、场景、服务 " 距离很近。

" 像我们这样的团队可以从基础研究出发，与企业共同定义问题、现场验证，再把验证结果沉淀为可复用模块，转化链条相对完整。" 她提到，上海不仅对工业垂类大模型、工业智能体、工业数据治理、制造业中试基地、标杆场景以及前沿部署工程师相关工具与人才供给支持，也在降低企业使用算力、数据和试点场景的门槛。

这种落地能力也一定程度决定着中国工业 AI 能否进一步走向全球。李金金坦言，相较于高度标准化的工业体系，许多发展中国家的制造企业面临设备基础不一、工艺波动较大、资金和技术人才有限等现实约束，对低成本、可部署、能够直接创造收益的工业 AI 方案有迫切的需求。

李金金判断，未来 3 — 5 年，AI 应用重心会从 " 看得见的助手 " 转向 " 能对经营结果负责的工业智能体 "；技术路线将转向 " 机理 + 数据 "" 大小模型协同 "" 云边端协同 "；商业化也将从一次性项目逐步走向产品化交付和价值共担。

她表示，未来将首先服务好国内制造业尤其是中小企业的智能化升级，在此基础上，再将经过真实工厂验证的模型、模块和交付体系推广至海外市场，为发展中国家的制造企业提供解决方案。

（实习记者朱洺锐对本文亦有贡献）