丁露 | 机械工业仪器仪表综合技术经济研究所 标准与检测中心主任
尚羽佳 | 机械工业仪器仪表综合技术经济研究所 教授级高工
—— 本文收录于《话数》智能制造用户专刊
【摘要】
2026年，工业AI正在从概念验证走向规模化落地。制造企业关注的重点，也逐渐从“能否引入大模型”，转向“如何让AI低成本、可复制、可治理地进入生产核心环节”。与过去单点部署视觉检测、知识问答或报表分析不同，新一轮工业AI的关键，不只是模型能力的提升，而是以数据底座为基础，重新组织工业数据、知识、模型、工具和业务流程之间的关系。只有当大模型能够理解工业语义、调用工业软件、嵌入生产流程，并在安全可信的机制下形成闭环，工业AI才可能真正深入设计、排产、质检、运维等环节，推动制造系统从“自动化执行”走向“智能化决策”。
一、从“自动化执行”到“智能化决策”的制造系统
过去几十年，制造业效率提升很大程度上来自自动化和信息化。自动化解决的是“按规则稳定执行”的问题，典型形态包括PLC（Programmable Logic Controller，可编程逻辑控制器）、DCS（Distributed Control System，分布式控制系统）、工业机器人、自动产线和各类专用装备。它把稳定、重复、确定的动作交给机器完成，使生产过程具备更高的一致性和可靠性。
信息化进一步解决了“过程可记录、业务可管理”的问题。ERP（Enterprise Resource Planning，企业资源计划系统）、MES（Manufacturing Execution System，制造执行系统）、PLM（Product Lifecycle Management，产品生命周期管理系统）、SCADA（Supervisory Controland Data Acquisition，数据采集与监视控制系统）、QMS（Quality Management System，质量管理系统）、EAM（Enterprise Asset Management，企业资产管理系统）等系统，将订单、工艺、设备、物料、质量和人员等对象数字化，使企业能够看见生产状态、追踪业务流程、沉淀管理数据。可以说，自动化让设备“会动”，信息化让业务“可见”。
智能化则指向更深层次的变化。它并不是在原有系统旁边增加一个聊天窗口，也不是把人工经验简单包装成算法，而是在自动化和信息化基础上，利用大模型、工业智能体、知识库、仿真工具和优化算法，把生产目标、现场状态、工艺约束和业务规则连接起来，使系统能够在复杂场景中辅助判断、动态调整并持续优化。
这种变化意味着，工业AI的价值不再停留在“局部提效”，它开始触及制造系统的运行逻辑。过去的系统更多是在执行确定规则，未来的系统则需要在不确定环境中理解目标、感知变化、推演方案并形成反馈。自动化解决执行效率，信息化解决过程可见，智能化则要解决复杂决策和持续优化。真正的质变，正发生在这一层。
二、数据底座重构让工业AI从“看见数据”到“理解现场”
不少工业AI项目之所以停留在演示阶段，并不是因为大模型“不会回答”，而是因为它难以真正理解工厂。工业现场的数据分散在不同系统之中，编码规则、字段含义、设备命名、工艺参数和质量标准往往缺少统一语义。对现场人员而言，经验可以弥合这些鸿沟；但对模型而言，没有高质量数据底座，就很难形成稳定、可验证的工业智能能力。
这也是工业AI规模化落地必须回到IT信息化建设的原因。过去的信息化建设更关注业务流程上线、数据记录和系统集成；面向AI的新型数据底座，则要让数据从“存得下、查得到”，进一步走向“用得上、读得懂、管得住”。
该底座至少要承担几类能力：
• 多源接入：连接PLM、ERP、MES、SCADA、QMS、EAM、WMS等信息系统，也接入传感器、视觉设备、工控系统、设备日志和检测数据；
• 语义统一：将设备编号、物料编码、工艺路线、质量缺陷、报警信息和维修记录建立关联，使模型理解数据背后的业务含义；
• 知识沉淀：把工艺规范、质量标准、故障案例、专家经验和现场处置记录，转化为可检索、可推理、可调用的知识资产；
• 安全治理：通过权限控制、结果校验、人工确认、日志追溯、风险分级和仿真验证，避免模型在高风险场景中直接“拍脑袋”决策。
从这个角度看，工业数据底座不是传统数据湖的简单升级，而是工业AI的基础。相关研究也指出，高质量数据的准备是AI在企业高效落地的前提，但工业大数据的复杂性、数据管理、异构传感与控制系统集成，以及高风险工业环境中的可信、可解释和可靠运行，仍是规模化部署必须面对的关键挑战。
三、从IT系统集成走向AI闭环运营的参考架构
从IT信息化视角看，工业AI并不是要替代ERP、MES、PLM、SCADA等既有系统，而是在这些系统之上构建一层面向智能决策和闭环优化的新型能力层。它的核心价值，不在于再建一个孤立平台，而在于让数据、模型、知识和工具能够围绕业务目标协同运转。因此，新型工业智能系统需要一个更为清晰的参考架构，概括为五层能力：
• 业务目标层：围绕设计周期、交付周期、质量损失、停机时间、库存成本、能源消耗等指标选择高价值场景，避免“为了AI而AI”；
• 数据底座层：支撑数据采集、清洗、共享、主数据管理、业务对象建模、数据血缘、数据权限和数据质量评估；
• 模型能力层：形成通用大模型、行业模型和专用小模型协同。大模型负责理解、推理和任务规划，小模型负责视觉识别、时序预测、工艺优化、故障诊断等专门任务；
• 智能体编排层：让大模型从“回答问题”走向“执行任务”，能够调用CAD、CAE、APS、MES、知识库、数据库、视觉模型、预测模型和仿真工具；
• 运营治理层：通过模型评测、知识更新、提示词管理、权限审计、运行监控、效果复盘和版本管理，保障AI应用可复制、可迭代、可追溯。
图1 工业AI闭环运营参考框架
这套架构背后的逻辑是工业AI不能只依界和约束，专用小模型承担高精度任务，智能赖“一个更强的大模型”，而要形成“模型+数据+知识+工具+流程”的组合能力。通用大模型提供理解和推理能力，工业知识提供边体负责流程编排，业务系统则承载最终执行与反馈。只有这些环节被组织起来，AI才可能从外围辅助工具进入生产主流程。
四、融入制造主流程的人工智能技术
工业AI真正产生降本增效价值，不能长期停留在办公助手、文档问答和看板分析层面。它必须进入设计、排产、质检、运维等核心环节，才能改变制造系统的效率结构。
设计环节：从经验复用到多约束方案生成
传统设计高度依赖工程师经验和历史案例复用。大模型进入设计环节后，可以把需求描述、标准规范、材料性能、制造能力、成本约束和仿真结果放入同一分析框架，辅助方案生成、设计校核、可制造性分析和知识复用。它的价值不是替代工程师画图，而是缩短需求理解、方案比选和跨专业沟通周期，使设计从经验驱动走向数据和知识驱动的多方案迭代。
排产环节：从静态计划到动态协同优化
排产是典型的多约束决策问题，涉及订单交期、设备能力、人员班次、物料齐套、工艺路线、质量状态和能耗目标。传统APS和MES能够按照规则生成计划，但面对插单、设备故障、物料延迟和质量波动时，仍需要计划员大量人工协调。工业AI可以在数据底座支撑下识别瓶颈资源，推演调整方案，辅助进行多产线协同排产和异常重排。其关键不是取代计划员，而是提升复杂扰动下的响应速度和方案质量。
质检环节：从缺陷识别到质量闭环
过去的AI质检更多集中在机器视觉识别缺陷。这个方向仍然重要，但智能化质检不能止步于“发现缺陷”。更高价值的方向，是把缺陷图像、检测结果、工艺参数、设备状态、批次物料、人员操作和质量标准关联起来，形成质量追溯、根因分析和工艺优化闭环。也就是说，AI质检要从“识别缺陷”走向“解释缺陷、预防缺陷”，从单点检测工具转向质量管理体系的一部分。
运维环节：从事后维修到预测性维护
设备运维长期依赖报警记录、维修工单和专家经验。大模型与时序预测、故障诊断、知识检索等模型结合后，可以综合设备日志、传感器数据、维修历史、备件库存和运行工况，辅助判断故障原因、推荐处置方案、安排检修计划，并支持远程专家协同。对于高价值装备而言，这种能力的意义不只是减少维修成本，更在于降低非计划停机风险，提高生产连续性和安全性。
图2 人工智能融入制造主流程
这四类场景有一个共同点：它们都不是单纯的“问答问题”，而是涉及数据、知识、模型和工具的连续协同。大模型只有嵌入业务流程，才能从“会说”变成“会做”；只有与数据底座和工业软件联动，才能从“生成建议”走向“支撑决策”。
五、总结
工业AI推动的不是对自动化和信息化的否定，而是在二者基础上的能力升维。自动化沉淀了可执行的设备能力，信息化沉淀了可管理的业务数据，智能化则要进一步把数据、知识、模型、工具和流程组织成可持续运营的系统能力。因此，当前工业AI的竞争，不只是模型参数、算法性能或单点应用数量的竞争，而是企业能否建设可视、可管、可流动、安全可靠的高质量数据底座，能否让模型理解工业语义，能否把智能体嵌入设计、排产、质检、运维等生产主流程，能否在安全可信机制下形成持续优化闭环。
从这个意义上看，从“自动化”到“智能化”的质变，并不是制造系统变得“更自动”而已，而是它开始具备面向目标、感知变化、综合判断和动态优化的能力。未来，谁能率先把工业AI从外围辅助工具推进到核心生产环节，谁就更有可能在新一轮智能制造竞争中形成系统性优势。
