大模型来了，为什么端到端的智能工厂还没有

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管理层深感焦虑与迷茫。大家普遍意识到AI的重要性：不拥抱AI，担心被时代抛弃，失去未来发展的入场券；可当真正拥抱AI时，却发现除了简单的应用或依托成熟技术的场景外，企业往往不知从何入手，难以系统性推进，即便尝试后，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，在众多尝试系统性利用AI的企业案例中，仅有约5%取得了成功。

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。这不仅是为了提升效率，更是要实现无缝、预测性和自适应生产的全智能状态。

然而，理想愿景虽令人向往，但当前制造业的AI应用还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虽能提升研发效率，但对核心创新的贡献有限。研发本质上是突破性创造，而现行AI，如基于规则的系统、机器学习或大模型等，擅长传统数据分析、模式识别等，并非原创。AI在辅助研究方面表现出色，例如利用大语言模型总结学术进展。又如谷歌DeepMind的GNoME工具，在2023年《Nature》论文中披露，通过图神经网络发现了超过528种潜在锂离子导体，数量相当于此前发现总量的25倍，有助于提升电池性能。不过，这些均属于辅助范畴，核心创新仍依赖人类的直觉。

在设计环节，生成式AI潜力巨大，但应用深度参差不齐。

一方面，AI能快速生成文字、图像、视频，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输出多局限于概念启发，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。即便是特斯拉这样的AI引领者，虽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，如品质检测和预测性维护上成效显著。例如，博世披露，其某条产线采用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；检测成本下降约50%。预测性维护利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，GEAviation的系统据称每年可节省数亿美元。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）产生了企业级影响。

在销售服务环节，由于销售服务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，目前在制造业领域取得了不错的应用进展。

在供应链管理环节，未来AI有很大的应用潜力，但目前受限于企业内部的数据孤岛、企业内外部数据不通畅、企业采购规则复杂多变以及不确定性难以处理等问题，实际落地效果较为有限。

总体而言，AI在制造业的应用多依赖传统机器学习，而非前沿大模型，且停留在孤立优化阶段，尚未实现系统集成。

现实和理想的差距

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。制造业的复杂性体现在多个维度。

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、售后等环节。每个环节都有约束条件和目标，且链条之间高度耦合，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，涵盖机械、材料、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工头脑中。

第三，行业差异巨大。半导体、钢铁和食品加工虽同属制造业，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、管理模式也各不相同。这些挑战要求模型具备很强的逻辑推理、规划和泛化能力，同时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了AI落地的难度。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，才能真正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：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（可编程逻辑控制器）、CNC（计算机数控）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以解决，会导致在仿真中训练的策略在现实中失败。

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，甚至威胁人身安全。

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引发空难，心脏起搏器的故障会以生命为代价，核反应堆部件的品质问题会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。大模型速度不够快，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。

如何缩小差距

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。

一是企业需要开发真正适配制造业的工业大模型。

这不仅要求模型能力突破现有大语言模型的局限，还要求模型匹配制造业的特征与诉求，在制造业中能用、好用。由于制造业的复杂、专业和差异化，模型在掌握通用知识以外，还需掌握专业、领域知识，这可通过模型微调、RAG（检索增强生成）等方式解决，难点在于需要高质量的领域数据；模型还需具备更好的可靠性，这可通过提升大模型性能、结合知识图谱与符号AI、优化部署工程等方式改善；同时，要通过轻量化技术使模型在速度上符合制造业场景的需求。

二是AI要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。因此，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，需要对这些数据进行归集、清洗、对齐（数据格式、时间同步、多源对齐）。

此外，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进行大规模预训练，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判断，企业需将工程师的分析判断（标注）和故障数据一起输入模型，才能让它学会对这类故障归因。

三是，AI必须在复杂条件下进行深度理解和高质量决策，这包括在物理、安全、合规和商业约束下进行多目标优化（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需要具备具身智能，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，以确保生产连续性和零风险。

显然，企业要完全获得这些能力需要付出巨大努力，还有很长的路要走。不仅需要AI技术实现本质上的巨大飞跃，也需要企业从数据能力、人才配置和组织架构上做出根本性调整。

为了适应这种变化，制造业企业应该制定长期和短期的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。

虽然模型研发多由科技巨头主导，但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。

（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：本文观点仅代表作者本人，供参考、交流，不构成任何建议。