当前，人工智能技术在文字处理及部分消费端的应用已遍地开花，大语言模型的内容生成以及计算机视觉的图像识别等技术正在改变大众的生活方式。然而，当这股技术浪潮涌向工业领域时，却呈现出截然不同的发展态势：尽管政府与企业高层将工业智能视为制造业转型升级的核心引擎，寄予了极高期望，但在具体的研究、应用与执行层面，多数企业仍处于探索甚至观望阶段，真正落地并产生显著工程价值和商业价值的案例寥寥无几。工业人工智能落地的核心痛点是什么？未来又该如何突破发展瓶颈？本文将结合工业领域的实践经验，剖析工业智能的发展现状与破局之道。

李明 上海大学退休教授、上海墨圆方信息科技股份有限公司首席科学家

工业人工智能仍处探索期  基础短板制约发展

从全球范围来看，工业人工智能的发展仍处于探索期阶段。目前国内工业人工智能整体发展水平，仍基于处于“探讨与探索并行”的阶段：一方面，产学研各界对工业人工智能的技术路线和应用方向展开了大量讨论和探索；另一方面，多数企业尚未找到适合自身的落地路径，仍在观察技术成熟度和行业标杆案例。

而国外部分工业企业，已经启动系统性的工业人工智能应用研究。在设计阶段，国外软件巨头由于掌握了数字化设计工具的核心研发技术，拥有数十年的工程知识和经验沉淀，建立了基于标准规范的成熟工作流程，积累了海量的工程场景真实数据。这一系列扎实的基础为工程知识的提取、生产场景的智能控制提供了坚实的数据和技术支撑。

综上，国内与国外在工业人工智能方面的核心差距，在于工程知识与经验的沉淀、标准化工作流程的建立，以及真实工程场景数据的积累这三个基础层面。这些差距不是短期内通过技术导入就能弥补的，其将在较长一段时间内，影响国内制造业人工智能技术的研发进度和应用深度。

四大核心难题掣肘  “人”是破局关键

工业人工智能落地难，是由工业领域的本质属性和当前人工智能技术的局限性共同决定的，具体体现在四个核心方面。

首先是2B与2C应用的本质差异。面向大众的消费端人工智能的服务对象多为普通用户，而工业领域的人工技术应用，面对的是深耕行业多年的领域专家和工程经验丰富的现场专家，同时还需要适配企业现有的文化体系和独特的工程场景。这种属性决定了工业人工智能不能照搬消费端的成功模式，落地难度较大。

其次是人工智能技术与工业需求的适配性矛盾。工业领域对技术的稳定性、可靠性和风控性有着极致要求，技术的逻辑性和可控性是根本。但当前主流的人工智能技术，尤其是大语言模型，输出结果的不确定性，与工程应用的严谨要求是有很大差距的。

第三是样本适用性的问题。工业场景的多样性、复杂性和行进性等特点，导致通用的工程知识和普适的工程方法难以直接应用。针对特定工业问题，往往需要进行专门的样本采集和模型训练，这不仅是专业的操作，并会大幅增加了应用成本。

最关键的问题是 “人”。只有既懂工程逻辑，又掌握人工智能技术的复合型人才，才能将技术与工程场景真正结合。一旦解决了 “人” 的问题，上述其他问题都将迎刃而解。

聚焦四大场景  单点智能率先破局

在机械加工这个细分领域，已经涌现出一批相对成熟的单点应用场景，成为工业人工智能落地的突破口。从当前的技术成熟度和应用实践来看，人工智能技术在机械加工领域的应用主要集中在四个方面。

一是设备状态预测与预防性维保。基于设备长期积累的历史运行数据，结合实时监测的振动、温度与电流等数据，通过人工智能算法可以精准诊断设备的健康状态，预测和提前发现潜在故障，为预防性维保提供技术支撑，大幅减少非计划停机时间。

二是加工过程实时优化。通过采集大量的工艺实验数据和真实生产记录数据，建立加工过程的智能控制模型，其能够根据实时的加工状态，动态调整切削参数、进给速度等工艺参数，使加工过程始终保持最佳状态，实现提质提效。

三是设计与风险管理知识图谱构建。将设计流程、工程知识与历史风险结果等信息进行集成关联处理，构建结构化的知识图谱，能够为工程师提供设计辅助和风险管理支持，减少设计风险，缩短研发周期。

四是建模、出图、加工与检测编程的智能辅助。通过人工智能技术置换工程师的重复性劳动，智辅完成三维建模、智能生成工程图样以及数控编程等工作，大幅提升工程师的工作效率。

重视落地实践  探索垂直小模型与智能体协同发展

业内普遍期望，工业人工智能打造通用的“工业大模型”。但从本质上讲，工业领域的对象和目标对应用和结构都具有明确且稳定性要求，所有操作都遵循严格的逻辑规范，这决定了工业人工智能必然是有边界、有约束的。同时，现阶段也并不存在通用的 “工业大模型”，因此，较为可行的路径是将垂直小模型与工程规范相结合，通过对工程数据的语义化处理，构建面向特定场景的智能体。

以上海墨圆方信息科技有限公司研发的智辅精度设计和自动出图软件（Computer aided specification, CAS）为例，该数智工具能在一定程度诠释工业人工智能解决方案的核心特征。CAS通过对机械结构和装配结构的智能识别、智能解析与语义化处理，不仅采集、标记、还自建了大量的适配常规工程场景的几何精度控制方法和参数，并将其作为智能算法研发、迭代和通用工程样本，最终通过融入到软件操作，实现了从CAD零件/装配模型到几何精度控制方法的精准映射。同时，为了确保几何精度设计结果的合理性和精准性，软件数据库不仅提炼和内嵌了由数百个产品几何技术规范（Technical product specification，TPS）组成的国际/国家标准和企业规范，还包含了大量的实际工程案例，形成了逻辑闸门。从操作和应用形状来看，CAS实现了对机械结构的智能识别感知与解析、存量工程知识的管理与智能应用、设计过程的智能辅助，以及工程图样/MBD(model based definition)信息模型的自动生成，具备了工业智能体的核心特征。

以CAS为核心的智能解决方案与通用方案相比，其深度贴合工程场景的实际需求，稳定性和可靠性更高，能够快速为企业创造可量化的价值，避免了“大而全”方案带来的高投入、低回报问题。同时也为企业的数智化转型打造了坚实的数智平台。

从单点智能到系统智能  循序渐进方得始终

很多企业在推进智能化转型时，希望一步到位实现全流程的系统智能，这种做法往往投入巨大且效果不佳。工业人工智能的发展必须遵循循序渐进的规律，从目前的认知和工程实践来看，从系统视角的单点突破入手，再逐步向系统智能演进是比较切合实际的途径。这里的系统视角不仅需要站在工程系统角度，更需要站在人工智能应用的系统角度。

站在企业角度，还需要充分考虑工业人工智能的应用突破方向、并聚焦在“点”上，瞄准企业最迫切的需求和痛点，以提质、降本、增效和控险为终极目标开展应用探索。从某种角度讲，只有当企业从人工智能应用中获得实实在在的收益，才会真正重视工业人工智能的价值，进而主动承担起研发和应用的主导责任，确保后续每一项人工智能技术的研发和应用都扎根于工程实际，并始终保持“工”字的本质属性。

当系统视角的单点智能应用在企业内部遍地开花，形成了知识共享、智能辅助与数据互联基础，企业的数字化底座也将随之构建并进入智能迭代阶段。此时，全领域、超环节和跨部门的系统集成，以及更大范围智能体系的构建，才具备了坚实基础。

结语

未来 2～3 年，将是工业人工智能从探索走向规模化应用的关键时期。个人建议需要重点做好四个方面的工作：一是明确可操作的工程目标，挖掘真正能解决企业实际问题的落地场景，避免为了智能化而智能化；二是构建充分且有价值的数据样本体系，在关注存量知识数据的同时，重点覆盖新技术、新工艺及新结构，必要时辅以研发复杂工程样本生成工具；三是推动现有AI算法与工业对象的深度适配，研发专用的接口工具，降低技术应用门槛；四是建立科学的AI生成结果判断方法和标准，保障工业应用的安全性与可靠性。

此外，我们还必须正视工业人工智能带来的深层社会影响。新技术的应用必然会重构企业工作流程和分工体系与利益格局，需要企业提前做好战略规划。同时，新技术的应用必然会置换部分技术人员的重复性工作。如何妥善安置被置换的技术人员，培养能够研发人工智能技术、能与人工智能协同工作的新一代工程师，将是社会、企业和高校需要共同思考和面对的课题。

工业人工智能的发展没有捷径可走，它不是简单的技术叠加，而是工程知识与人工智能技术的深度融合。只有始终坚守“工业为本”的初心，扎根真实的工程场景，解决企业的实际痛点，才能真正打破工业人工智能的落地困局，推动中国制造业从数字化向智能化稳步迈进。