中国版“普罗米修斯”，雪浪云如何为制造业打造专属的AI总工程师

来源：市场资讯

（来源：数字化企业）

雪浪云在业内首次提出“AI总工程师”范式，以工业基础模型、数字底座、工业智能智算终端三套系统，构建起一套覆盖数据、模型、算力的工业AI基础设施，为制造业培养专属的“AI总工程师”，同时，将工程师经验沉淀为可复用的数字资产，目前该体系已在高端装备领域落地验证，代表工业AI从单点工具走向复杂工程智能体的关键跨越。

内容提要/OVERVIEW

- 文章信息 -

本文由e-works报道。

2026年6月，一则消息震动全球工业AI圈：亚马逊创始人贝佐斯与谷歌前高管维克·巴贾伊联合创立的普罗米修斯（Prometheus）公司，完成B轮120亿美元融资，估值飙升至410亿美元，成为全球估值最高的工业AI初创企业之一。

贝佐斯接受媒体采访时，明确表达了Prometheus的目标——打造“Artificial General Engineer（AGE）”，让AI能够像真正的工程师一样参与复杂装备的设计、仿真与优化。他甚至将其描述为“A very modern version of CAD”，即下一代计算机辅助设计平台。

这并不是一起孤立事件。当下，西门子正联手英伟达推进物理AI，试图让数字孪生从“还原现实的镜子”，进化为具备推演能力的“大脑”；达索系统强调物理规律、工程经验、仿真模型与AI推理融合；PTC则聚焦全生命周期智能，推动工业软件从记录系统向行动系统演进。

各大巨头的路径虽有差异，但共识正在形成：工业AI下一阶段的重心，正从单点辅助工具转向能理解工程对象、参与工程决策、与工程师协同作业的工程智能体。

在中国，这条路径，正在被一家企业具象化。2026年，雪浪云在业内首次提出“AI总工程师”——AI融合制造的系统性工程落地范式。这并不是简单的对标，而是雪浪云对工业AI本质的重定义——制造业真正需要的，是一个能够理解工程需求、解析产品对象、调用工业软件、贯穿设计--仿真--制造--运维全链条，并与人类工程师协同解决复杂工程问题的复杂智能体系统与体系。

01

为什么制造业呼唤“AI总工程师”？

我国高端装备产业规模庞大，但背后的人才与经验传承问题，正在成为隐忧。

一方面，我国制造业科学家与工程师总体规模接近2000万人；另一方面，人社相关数据显示，行业高技能人才缺口达48%。更关键的是，很多真正影响研发效率、工艺质量、设备可靠性的经验，并没有沉淀在系统中，而是潜藏在资深工程师的脑海里。

行业里常说“人走艺绝”，本质上就是隐性经验难以传承。

新一代智能制造，需要卓越工程师和大国工匠，雪浪云董事长王峰认为，有三重挑战：

● 一是多学科交叉门槛高。复杂装备研发高度依赖机械、电子、材料、控制等多学科专业工程师协同配合。

● 二是人才培养周期长。一名成熟的高级工程师往往需要10年以上的项目历练，培养成本极高。

● 三是知识迭代快、经验传承难。工业知识迭代周期已经由过去的10年压缩至2-3年，AI等部分领域甚至按月迭代，且大量资深工程师脑海中的隐性经验，往往会随着人员退休、岗位流动而流失。

传统路径下，企业应对人才断层主要依赖高薪引进和长期培养两条路。但无论哪条，核心经验始终依附于个体，难以转化为企业可掌控、可复用的组织资产——人才流动往往意味着技术与经验流失。

雪浪云提出的“AI总工程师”，试图重构这一逻辑。不同于人形机器人重在解放一线蓝领操作工，“AI总工程师”针对的是知识密集型工种。它并非替代经验丰富的工程师与工匠，而是把一代代工程师与工匠的经验与智慧沉淀下来，转化为可传承、可复用的数字资产。

当下，工业智能体正在成为制造业的新型基础设施，打开的是千亿级的增量空间。而落到每一家具体的企业身上，选择部署“AI总工程师”，不是赶时髦，而是一笔实实在在的经济账：前期投入精力做知识蒸馏、搭底座，确实需要决心和耐心，但一旦跑通，后续的边际成本持续递减。

更重要的是，工程师与工匠的经验与智慧，变成企业真正能掌控的数字资产，随时调用、反复复用。在装备研发、现场运维这些场景里，还能把研发周期和故障处理时间大幅压缩，让工程师腾出手来，去做更富有创造性的工作。

02

“AI总工程师”必须具备哪三项硬核能力？

“AI总工程师”听起来很宏大，但落到工程现场，必须回答一个朴素的问题：它凭什么能参与复杂工程任务？

在雪浪云的界定里，“AI总工程师”是一种面向复杂工业研发任务的新型智能体。它把大模型的推理能力，与CAD、CAE、PLM等工业软件以及物理验证体系打通，形成“需求提出--方案生成--仿真优化--实验验证--持续迭代”的工程闭环，让AI从单纯的工程助手，逐步演变为能够参与研发决策的智能工程系统。

AI总工程师能够贯穿制造业从顶层设计到一线实操的全流程，嵌入各个业务环节，需要具备三项核心能力——联动各细分领域工程师开展人机协同决策、智能指挥生产装备与机器人、自主智能运行控制，以此重塑制造业的技术体系、生产模式与产业形态。

不过，要让AI从工具助手，真正蜕变为扛得住复杂工程场景检验的“AI总工程师”，王峰认为，必须具备三个基础：

1.智能涌现：工业基础模型驱动

通用大模型擅长文字、图像、视频处理，但对物理规律与工程机理缺乏深度认知。“AI总工程师”必须由专属的工业基础模型驱动。这种模型融合了海量的工业机理、专家经验与实时数据，具备自主的工程推理、决策与协同能力。只有当AI能理解材料应力、流体力学、装配公差等专业知识时，它才具备了成为“总工”的智力基础。

2.数字空间：可仿真、可试错、可推演

工业场景容错率极低，一个参数偏差，就可能造成产线停摆或昂贵设备损毁。所以，AI不能直接在现实世界“试错”，它必须拥有一个高保真的数字空间，在那里进行千万次推演、验证，找出最优方案，避免造成现实世界的重大损失。

3.肉身载体：下沉到物理世界的具身交互

正如英伟达CEO黄仁勋所指出的，“AI的未来是物理化的”，它关乎理解物理定律、与世界互动。“AI总工程师”必须能够下沉部署到端侧、产线侧和工厂侧，与真实的物理世界深度交互，实现从“能思考”到“能执行”的跨越。

当“能想、能试、能干”三位一体，“AI总工程师”才能真正解决复杂工程问题。

从行业视角看，这三大条件也构成了一个不低的门槛——它意味着单点大模型公司、纯软件厂商或纯硬件厂商都很难独立完成，必须具备从数据、模型到算力终端的全栈能力。这也解释了为什么全球范围内，真正敢提“工程智能体”并拿出闭环案例的玩家，屈指可数。

03

雪浪云如何培养出真正的“AI总工程师”？

回到雪浪云，作为“AI总工程师”的首创者，他们又是如何实现的呢——靠的不是单一工业软件或者AI、模型技术，而是AI融合制造的三套系统：工业基础模型、智能制造数字底座、工业智能智算终端。这是雪浪云长期从事物理AI，深耕机理与数据落地央国企高端装备制造业的实践沉淀，它构建起的是一套覆盖数据、模型、算力的工业AI基础设施，目标很明确——为制造业培养专属的“AI总工程师”。如今，这一赋能体系已在高端装备领域完成落地验证。

1.激活“智能涌现”：通专融合的雪浪工匠·机械工业基础模型MEM系列

工业AI真正的突破，不在于生成更多内容，而在于让大模型具备理解工业知识、感知真实状态、遵循物理机理并自主完成复杂工程任务的能力。围绕这一目标，雪浪云联合智谱AI、中国机械工业联合会、中国机械工程学会及高校、科研院所和产业伙伴，共同推进机械工业基础模型与智能体体系建设，探索构建“知识--状态--执行”三层贯通的工业智能底座：

● 知识层——工业本体与神经符号推理

面向机械工业标准、图纸、BOM、工艺规程、故障知识和专家经验高度异构、隐性且强约束的特点，以工业本体作为统一语义骨架，融合知识图谱、规则引擎、神经符号推理，将自然语言知识进一步转化为可计算的对象、关系、约束、规则与因果链；通过本体自动构建、语义对齐、约束推理和知识动态演化，突破传统RAG“能够检索、难以推理”的局限，使模型从基于语言相关性的概率生成，进一步迈向受工业知识和工程规则约束的高确定性推理。

● 状态层——数字孪生与物理智能推演

面向复杂装备多物理场、强非线性、动态工况下高保真仿真“算得准但算得慢”的矛盾，将数字孪生、CAE机理模型、实时传感数据与AI科学计算模型深度融合，引入PINN以及神经算子方法，学习从边界条件、几何结构和工况参数到温度场、应力场、流场等物理场之间的映射关系，把分钟乃至小时级高保真计算压缩至可支撑在线预测的快速推演。进一步结合数据同化、状态估计、贝叶斯更新和在线模型校准，使数字孪生能够持续吸收真实设备信号、修正虚拟模型偏差，形成“现实感知--状态重构--未来预测--What-if推演--模型自校准”闭环，使基础模型从理解静态工业知识进一步迈向理解连续物理世界及其演化规律。

● 执行层——工匠Cowork工业智能体与自主作业

面向CAD、CAE、CAM、MES、ERP、PLC、机器人等工业软件和装备接口割裂、任务链长、容错率低的特点，以工匠Cowork工业智能体作为统一任务执行与能力编排中枢，将软件API、MCP、脚本、工业协议及专业模型进一步抽象为可组合的 Tool / Skill / Action，实现从需求理解、方案生成、工具选择，到软件操作、设备控制、结果校验和失败恢复的自主执行。进一步引入工程规则校验、仿真验证、权限控制与Human-in-the-loop机制，使智能体不只是“会调用工具”，而是能够在安全边界和工程约束下自主规划、执行、验证和纠错复杂工业任务，推动工业AI从Copilot向真正能够完成工程任务的AI工程师演进。

这其中，工匠Cowork自主智能体操作系统，正是“AI总工程师”从概念走向工程现场的关键载体。

如果说MEM系列是“大脑”，那么工匠Cowork就是“神经系统”，它让AI不再只是一个问答窗口，而是能够自主规划、调用工业软件、下发硬件指令、生成文件报表，并把过程与结果交由人类工程师审核。通过一个入口，让制造系统连接所有AI能力，包括50+类研发设计与生产管控工业连接器、近100种CAX仿真接口、300+类工业通信协议，支持自由编排、随心调用。

在工匠Cowork的驱动下，MEM系列的高确定性推理引擎已成功渗透到工业设计、智能制造、高端运维三大核心业务场景，引发了实质性的“智能涌现”：

● 设计端：搭建设计验证一体化智能协同体系，其中，图零二维图纸分析与三维建模智能体实现亚分钟级解析单张图纸与生成质检单，图纸参数提取效率提升80%、标准图纸识别准确率≥95%，应用成果入选工信部人工智能赋能典型应用场景与上海市“AI+工业软件工具”智能产品推广目录。

● 制造端：遵循工业级推理标准，打造高确定性的生产管控工业智能体，完成订单风险预警、工序瓶颈定位、根因分析再到输出优化方案的生产闭环。例如，基于工艺本体与大模型的工艺智能体，以数模文件为输入，快速生成整本零件装配工艺文件，工艺文本生成准确率达70%，单本工艺编制周期从数天压缩至几小时，工艺人员效率提升5-10倍。

● 运维端：面向设备全生命周期，形成完整的预测性运维能力，实现从设备异常告警、多源数据诊断，到故障定位、寿命推演，最终自动生成维保方案，已在徐工、锡柴等装备企业实践落地。

2.打造“工业数字孪生空间”——雪浪OS智能制造数智底座

雪浪OS是集“数据、知识、计算、模型”一体化服务的数智底座，它向下连接工业设备、边缘控制与生产现场多模态数据，横向协同调度数字孪生等系统型工业软件。雪浪OS基于工业本体、分布式计算、云三维渲染、CAX联合仿真四大引擎，提供高端装备动态本体构建与实施、基于混合建模虚实融合的数字孪生建设两大核心功能，一是让机器“读懂”工业逻辑，二是在虚拟世界先行验证，再稳稳落地物理世界，为企业“AI总工程师”的培养，构建数字空间，辅助制造业加速研发与制造。

怎么让机器读懂？靠的是动态本体引擎。它融合了多源异构数据接入与机理模型驱动能力，能够将装备制造中复杂的对象、属性、关系、规则与约束，抽象为计算机可计算、可推理、可复用的工程语义与业务模型。通过完成对象统一定义、业务关系贯通、工程规则注入、业务场景推理，雪浪OS让机器真正理解“这是什么、和什么有关、不能怎么干”。

“先虚拟验证，后物理落地”，则依赖雪浪OS在机理层面数字孪生建设上的关键突破：

● 研发端：多学科联合仿真与优化（MDO）系统支持大规模设计空间探索与多目标权衡，让企业在设计阶段即可预判并消解物理冲突，实现“设计即验证”。

● 制造端：面向离散制造，工厂仿真推演能力可对订单、物料、设备、工艺进行全局模拟，提前识别排产瓶颈与现场扰动风险，输出经虚拟验证的调度方案；面向流程工业，实时优化（RTO）系统将机理模型与现场实时数据深度耦合，动态迭代工艺控制参数，使装置持续运行在最优工况。

● 运维端：依托本体记忆与可解释推理，系统能精准定位故障根因并推演设备寿命，实现从“被动救火”到“预测性维护”的跨越。

这套数智底座的强大能力，已在国家级重大工程中得到验证。在航司的机务运维场景中，通过构建机务维修本体与知识图谱，百万页级分散维修资料可被转化为可推理的知识资产，故障定位由小时级缩短至分钟级，复杂故障排故周期缩短90%，推理结果100%可复现、可追溯，提升机务运维处置效率和方案可信度。

3.打造“肉身载体”：雪浪Mind系列工业具身智能智算终端

雪浪云携手沐曦、摩尔线程、天数智芯等国产头部芯片厂商，联合研发了雪浪Mind系列工业具身智能智算终端，覆盖设备级、产线级、工厂级三类场景：MindEdge服务端侧边缘智能，MindControl服务产线智能协同，MindStation服务工厂级智能体智算。为制造业提供从端侧到产线、工厂级不同算力需求的智算系统，让工业大模型可执行。为企业“AI总工程师”在制造工程不同的阶段以及空间，提供匹配算力的“肉身载体”。

雪浪云与华东理工大学、国家流程制造智能调控技术创新中心与云能投联合研发国内首套“硅智优化大模型”，搭载MindControl，历经一年联合攻关与现场调试，于2025年6月落地云南能投40万吨有机硅装置，关键调控参数稳定性提升20%以上，能耗降低约0.8%，操作员劳动生产率提升30%以上

关键是，雪浪云并未止步于上层算力调度，而是进一步下沉至底层算子，联合国产GPU厂商针对工业仿真加速完成深度调优。通过打通底层硬件指令和上层仿真软件之间的计算链路，物理引擎与三维渲染的运算效率显著提升。这不仅为工业仿真算力领域带来国产化可行方案，也让高保真数字孪生验证、现场实时优化能够运行在低功耗边缘设备之上，为具身智能落地筑牢高确定性的算力底座。

工程机械的无人化，是“AI总工程师”从数字空间走向物理执行的关键落点之一。以MindEdge设备级边缘终端为例，它可直接部署在挖掘机等工程机械之上，依托本地高算力完成三维空间建模、环境感知、障碍物识别与工况解析，即便在扬尘、宽温、强振动的恶劣工地，也能不完全依赖云端传输实现推理决策。

目前，该终端已经在柳工125吨级大型挖掘机上完成小批量部署与试运行，实验台支持50-90吨级机型、10余项试验，支撑典型故障诊断、环境安全监测及无人作业应用开发。建成无锡、杭州2个训练场，采集数据超100T；相关成果获批江苏省首批先行先试高质量数据集建设，获批江苏省前沿/重大科技专项3项、广西省级科技专项2项。

04

从工程助手到AI总工程师：一条可落地的成长路径

构建“AI总工程师”体系，不只是单一产品的创新，更是在打造一套完全国产自主的工业AI基础设施。高端装备是中国制造的压舱石，能够把工程师个体经验转化为企业可控数字资产，代表国内工业AI从单点工具走向复杂工程智能体的重大跨越，也代表国产工业软件赛道正在建立新的技术壁垒。

支撑这条成长路径的，是雪浪云以MEM系列机械工业基础模型、雪浪OS数智底座、雪浪Mind工业具身智能智算终端构建的全栈工业AI基础设施—— 它让“AI总工程师”从概念走向现实，也为国内工业智能化落地树立起新的参考坐标。

未来制造业的竞争壁垒，不再取决于积累了多少文档与问答语料，而在于能否围绕“需求--工程操作--仿真--试验--制造结果”构建完整的过程数据闭环，并形成可验证、可迭代、可迁移的工程智能——让每一次设计更精准、每一次生产更高效、每一次决策更可靠。这正是“AI总工程师”的核心价值所在。