工厂里的AI，从“打下手”到“交方案”
《工程·管理(英文)》第13卷第2期封面
生成式人工智能究竟能不能、以何种方式重塑制造业？2026年6月，中国工程院院刊《工程·管理(英文)》刊发论文《基于基础模型的生成式人工智能驱动的智能制造：一场范式转移》，提出生成式人工智能(GenAI)在制造业中的角色正从“辅助工具”转向“自成一体的服务提供者”。
该论文以郑浩博士为一作，新西兰奥克兰大学机械与机电工程系徐旬教授为通讯作者。徐旬表示，这一转变的关键不在于通过GenAI优化各既定环节，而在于由GenAI交付完整方案，其落地取决于可靠性这一根本性难题的破解。
“AI+制造”已成普遍说法，但在徐旬看来，这仍是工具论：工程师借人工智能优化现有环节，整体方案设计仍依赖人工。论文提出的“范式转移”，指向的是角色之变——GenAI成为自成一体的服务提供者：用户提出需求后，由通用模型理解问题、规划并执行完整方案。
实现该范式转移，须满足三项条件：从语义需求到物理执行的端到端闭环，人工干预降至极低；跨任务的零样本与少样本泛化能力；生成方案可制造、可验证，并能超越专家既有方案。论文搭建了“产品设计—生产制造”全流程框架作为落地支撑，证明了该范式在原型层面的可行性。
GenAI在制造业的应用呈现清晰的五级递进：从对话辅助、数据增强、模型增强，到方案编排与创新生成。但当前的应用还主要集中在第一层，徐旬认为这一差异主要来自应用门槛的高低：对话辅助可直接调用现成大模型；数据增强则要求生成数据符合工艺精度与物理规律，而通用模型缺乏这种细粒度领域知识；更进一步，走向“方案编排”与“创新生成”，则要求GenAI真正接入物理世界中的工具与设备，依据现场反馈可靠完成多步生产任务，保证方案可制造、可验证、能创造实际价值。不过，徐旬提醒，企业不必一味追求更高层级的应用，适合业务、能稳定产生效益的应用比层级高低更重要。
当前，部署GenAI仍面临接口异构、灾难性遗忘、语义符号与连续传感信号对齐等多重挑战。此外，徐旬指出在短期内最难突破的是可靠性，即如何保证生成结果在物理上一定成立。然后，可靠性难题根植于生成式模型的概率本质：生成模型给出的是“看起来合理”的答案，制造要求的却是“确定正确”。
徐旬坦言，“物理约束内嵌的GenAI”研究仍处于早期阶段。现阶段较务实，也是学界主流的做法是“生成+验证”——让模型调用CAD内核、有限元、仿真器等确定性工具进行校验和迭代，而不是指望模型把物理规律学进参数里。
徐旬认为，生成的方案须同时满足任务效率、人的福祉、环境可持续性与社会影响四项属性。当四者发生冲突时，既不应由GenAI单独决定，也不能只由企业或个人决定。应当由监管机构设定安全与环境底线，各方参与协商，GenAI负责把价值显示化、可解释地开展多目标权衡。
人工智能该当“副驾”还是“自动驾驶”？徐旬主张按风险分级：低风险任务可自主完成，高风险任务应是“副驾+人类最终责任”。他同时警示两种风险——自动化对象正从体力劳动转向决策与创造过程的“认知替代”，以及工程师因过度依赖人工智能而丧失判断力的“技能萎缩”。只有实现价值对齐、可审计、可追责，GenAI才可能走向更高程度的自主。
就我国而言，徐旬的判断是“优势是长期的、制约是阶段性的”：丰富的应用场景意味着任务多样性和大量部署反馈，这一优势难以复制；而数据分散在各企业手中、权属敏感、共享意愿有限，严重制约了制造业GenAI技术的发展。
如何让数据“可用不可见”？徐旬认为，虽然联邦基础模型技术上可行，但从零预训练成本过高。或许，更现实的路径是在通用模型之上开展联邦参数高效微调，做到原始数据不出厂。“但这并不等于绝对安全——梯度仍可能泄露信息。”徐旬表示，真正更难的是激励与确权：谁贡献、谁受益、模型归谁。(张沛)
发布于：北京
相关推荐
工厂里的AI，从“打下手”到“交方案”
细胞工厂里的产业革命：巨子生物如何走在前面？
PPT里的AI和工厂里的AI，中间隔了多远？
从嘉善到安吉：“数字灵工”，何以持续？
智元的 18 枚金牌，和工厂里的另一场考试
奇点降临——从工具到AI物种的觉醒
国产车崛起的秘密，藏在工厂里
美媒：绕线工数量不足，竟已成美国AI发展一大瓶颈
用AI武装“理链”：理想汽车的供应链效率革命
从“跑分”到“落地”：AI推理2026迎来爆发期
网址: 工厂里的AI，从“打下手”到“交方案” https://m.xishuta.cn/newsview154177.html
