大模型來了，為什么端到端的智能工廠還沒有

劉勁 許忠海 李偲嘉/文

這兩年，洶涌而來的人工智能（AI）浪潮讓眾多制造業企業家和管理層深感焦慮與迷茫。大家普遍意識到AI的重要性：不擁抱AI，擔心被時代拋棄，失去未來發展的入場券；可當真正擁抱AI時，卻發現除了簡單的應用或依托成熟技術的場景外，企業往往不知從何入手，難以系統性推進，即便嘗試后，效果也與預期相差甚遠。麻省理工學院在2025年的一項調研顯示，在眾多嘗試系統性利用AI的企業案例中，僅有約5%取得了成功。

AI在制造業中的應用現狀

在理想狀態下，端到端的智慧工廠里，AI將全面取代或主導人類在制造業價值鏈中的角色。從研發、設計、生產、營銷到售后服務，所有環節均由AI驅動或高度自動化。這不僅是為了提升效率，更是要實現無縫、預測性和自適應生產的全智能狀態。

然而，理想愿景雖令人向往，但當前制造業的AI應用還遠未達到端到端的智慧水平。大多數企業仍處于“點狀智能”階段，AI主要輔助特定環節，而非系統性主導。

在研發環節，AI雖能提升研發效率，但對核心創新的貢獻有限。研發本質上是突破性創造，而現行AI，如基于規則的系統、機器學習或大模型等，擅長傳統數據分析、模式識別等，并非原創。AI在輔助研究方面表現出色，例如利用大語言模型總結學術進展。又如谷歌DeepMind的GNoME工具，在2023年《Nature》論文中披露，通過圖神經網絡發現了超過528種潛在鋰離子導體，數量相當于此前發現總量的25倍，有助于提升電池性能。不過，這些均屬于輔助范疇，核心創新仍依賴人類的直覺。

在設計環節，生成式AI潛力巨大，但應用深度參差不齊。

一方面，AI能快速生成文字、圖像、視頻，大幅提升平面設計的速度。另一方面，在復雜工業設計，如汽車整體造型時，AI輸出多局限于概念啟發，無法深度考慮物理約束（如空氣動力學、人體工程學和材料強度）及成本因素。即便是特斯拉這樣的AI引領者，雖在車輛規劃和優化中大量使用AI，但最終設計定稿仍需工程師干預。對于高精度產品，如芯片或電路板，AI在布局優化上初顯價值，如英偉達的AI輔助芯片設計工具，但整體滲透率仍然較低。

在生產制造環節，AI在特定節點，如品質檢測和預測性維護上成效顯著。例如，博世披露，其某條產線采用AI品質檢測，準確率可達99.8%，高于人類的95%；單件檢測時間從20秒縮短至約5秒；檢測成本下降約50%。預測性維護利用傳感器數據和機器學習，提前識別設備故障，減少停機損失，GEAviation的系統據稱每年可節省數億美元。然而，在智能排產、流程優化、工藝參數動態調整和個性化制造等領域，AI的影響有限。2025年麥肯錫的一份報告顯示，88%的企業使用AI，但僅有6%的企業報告稱AI對利潤（EBIT）產生了企業級影響。

在銷售服務環節，由于銷售服務場景通常容錯率相對較高（一次不完美的回復可通過人工糾正），且主要處理語言、知識類任務，與大模型的核心能力高度匹配，目前在制造業領域取得了不錯的應用進展。

在供應鏈管理環節，未來AI有很大的應用潛力，但目前受限于企業內部的數據孤島、企業內外部數據不通暢、企業采購規則復雜多變以及不確定性難以處理等問題，實際落地效果較為有限。

總體而言，AI在制造業的應用多依賴傳統機器學習，而非前沿大模型，且停留在孤立優化階段，尚未實現系統集成。

現實和理想的差距

制造業AI落地滯后的根源在于行業固有復雜性、物理交互挑戰和高標準要求，與當前AI技術范式不完全匹配。

首先，制造業很復雜。制造業的復雜性體現在多個維度。

第一，生產系統鏈條長，涉及計劃、調度、設備、環境、流程、物流、質量控制、售后等環節。每個環節都有約束條件和目標，且鏈條之間高度耦合，一處變更可能波及后續所有工序和交付。

第二，制造業涉及的數據和知識復雜，涵蓋機械、材料、控制、熱力學、化學、流體、電氣、自動化等多個領域。每個領域有專屬標準和工藝規范，且這些知識往往碎片化，散布在Excel、PDF等文檔中，甚至僅存于紙質文件或員工頭腦中。

第三，行業差異巨大。半導體、鋼鐵和食品加工雖同屬制造業，但知識、經驗很難復用；即便同一行業的不同企業，工藝路線、設備組合、管理模式也各不相同。這些挑戰要求模型具備很強的邏輯推理、規劃和泛化能力，同時還需要有完備的數據支撐。

其次，與物理世界的深度交互增加了AI落地的難度。制造業不同于廣告、游戲或教育等領域，它需要AI與物理環境緊密互動。現今大模型在語義理解和統計關聯上表現出色，但在具身感知、物理規則理解和空間推理等方面存在顯著局限，需要具身智能、世界模型更深入的發展，才能真正滿足制造業對智能的需求。

除了算法瓶頸，物理世界屬性還帶來更多障礙：制造業的數據來自物理世界的各種傳感器（溫度、壓力、振動、視覺、聲學等）、PLC（可編程邏輯控制器）、CNC（計算機數控）機床，這些數據格式、協議、頻率各不相同，且常常伴隨著物理環境中的噪聲、干擾、缺失和不準確（例如傳感器故障、灰塵遮擋、電磁干擾）；仿真與真實（Sim-to-real）情況差距大的問題難以解決，會導致在仿真中訓練的策略在現實中失敗。

再次，制造業有高標準要求。

第一，對實時性要求高。我們可以接受智能醫療診斷等幾分鐘出結果，或對話、搜索等幾秒鐘出完內容，但制造業涉及環環相扣的物理閉環控制，一旦決策慢了，不是“體驗差一點”，而可能是產品報廢、設備損壞，甚至威脅人身安全。

第二，容錯率低，特別是高端制造業對錯誤幾乎是零容忍。飛機的引擎葉片瑕疵可能引發空難，心臟起搏器的故障會以生命為代價，核反應堆部件的品質問題會帶來不堪設想的災難性后果。一個最近的例子是，理想汽車的旗艦車型MEGA使用的冷卻液在防腐性能上存在缺陷，召回導致損失超過11億元。大模型速度不夠快，且幻覺是其根深蒂固的特征，可靠性成為其深度賦能制造業的重大挑戰。

如何縮小差距

要縮短理想和現實之間的差距，技術需要進步，企業也需要有適配的AI戰略。具體來說，智慧工廠中的AI需要發展四種核心能力。

一是企業需要開發真正適配制造業的工業大模型。

這不僅要求模型能力突破現有大語言模型的局限，還要求模型匹配制造業的特征與訴求，在制造業中能用、好用。由于制造業的復雜、專業和差異化，模型在掌握通用知識以外，還需掌握專業、領域知識，這可通過模型微調、RAG（檢索增強生成）等方式解決，難點在于需要高質量的領域數據；模型還需具備更好的可靠性，這可通過提升大模型性能、結合知識圖譜與符號AI、優化部署工程等方式改善；同時，要通過輕量化技術使模型在速度上符合制造業場景的需求。

二是AI要具備全面感知和獲取數據的能力，涵蓋研發、制造、供應鏈等全鏈條的關鍵信息。

AI的核心是數據驅動，沒有完整、高質量的數據，AI就無法發揮作用。因此，智慧工廠需構建深度數字孿生系統，這不僅僅是設備、產線和庫存的靜態鏡像，更是融入物理約束、業務邏輯的動態模擬平臺，能夠進行實時推演和優化。例如，西門子的工業元宇宙概念已初步體現了這一愿景，通過數字孿生模擬整個工廠生態，幫助企業預測潛在故障并優化資源分配。

在現有范式下，制造業數據來源復雜，連通性和對齊度差：數據分散在MES、ERP、WMS、QMS等不同的系統和不同廠商、不同年代、甚至不同通信協議的設備中。要匹配工業大模型，需要對這些數據進行歸集、清洗、對齊（數據格式、時間同步、多源對齊）。

此外，制造業還需要高質量標注數據來提升模型性能。語言模型可以用低成本的自監督學習進行大規模預訓練，但工業大模型的訓練需要大量高質量的標注數據，比如，復雜故障需要資深工程師判斷，企業需將工程師的分析判斷（標注）和故障數據一起輸入模型，才能讓它學會對這類故障歸因。

三是，AI必須在復雜條件下進行深度理解和高質量決策，這包括在物理、安全、合規和商業約束下進行多目標優化（如交期、成本、良率和安全間的權衡），以及應對不確定性（如市場需求波動或供應商延誤）。這要求AI具備持續在線學習、從錯誤中自我改進的能力，甚至通過強化學習，主動設計實驗進行知識創新。理想狀態下，AI能像人類專家一樣，在不確定環境中實現零缺陷生產。

最后，AI需要具備具身智能，理解并操控物理世界。

制造業本質上是物理變換過程，缺乏對物理環境的感知和執行能力，AI就無法真正落地。鑒于制造鏈條涉及多供應商的設備和機器人，AI需統籌具身智能間的協同，確保頂層集成。

這些能力需在極高可靠性、安全性和確定性下運行，以確保生產連續性和零風險。

顯然，企業要完全獲得這些能力需要付出巨大努力，還有很長的路要走。不僅需要AI技術實現本質上的巨大飛躍，也需要企業從數據能力、人才配置和組織架構上做出根本性調整。

為了適應這種變化，制造業企業應該制定長期和短期的AI戰略。

短期來看，企業可以以點帶面，在匹配場景落地AI，如大模型輔助知識問答或傳統機器學習的缺陷檢測、預測維修等，積累經驗。長期來看，企業應專注數據資產的構建，誰掌握高質量數據，誰將在工業AI生態中領先。

雖然模型研發多由科技巨頭主導，但制造業企業可以通過數據合作占據上游位置。掌握了數據資源后，隨著AI技術的日漸成熟，就可以逐步擴大AI的利用廣度和深度，最終打造端到端的智能工廠。

（劉勁系大灣區人工智能應用研究院理事、特聘專家，長江商學院會計與金融學教授，許忠海系大灣區人工智能應用研究院高級研究員，李偲嘉系大灣區人工智能應用研究院研究員）

免責聲明：本文觀點僅代表作者本人，供參考、交流，不構成任何建議。