AI重塑制造业：深度解析沙龙实录

2025年底，我们在北京举办了“AI for Materials”沙龙。当时大家讨论的重点还是AI在材料科研领域的探索。然而到了2026年上半年，我们发现企业里的管理者和AI负责人对AI的应用普遍感到焦虑，因此认为举办一场关于工业AI的活动会很有必要。于是，在2026年6月15日，我们邀请了之前有过多次沟通的汇川技术智能制造开发及应用专家方宁博士，以及北汽奔驰人工智能与数字化服务负责人韩冰，共同举办了一场题为《AI For Manufacturing：重塑制造未来》的沙龙。该活动在材料人视频号同步直播，吸引了约1500人观看。由于某些原因，我们决定不上线沙龙的回放视频，现将其中的一些精彩内容整理如下。

（一）汇川技术方宁：工业AI的应用探索与平台化路径

方宁在报告中围绕工业AI在复杂制造场景中的实际落地进行了阐述，他认为工业智能化不能简单照搬通用大模型，而应从具体的工艺场景切入，融合行业机理、设备数据、控制算法、数据模型、视觉与多模态模型及智能体能力，构建可闭环、可解释、可部署的工业AI应用。工业AI平台需要覆盖端侧、云侧和中心侧，打通设备采集、生产应用、工厂管理与集团知识整合，通过数据标准、算法积累和面向客户价值的智能体体系，实现知识检索、培训、运维交互、工艺优化、生产规划等功能，最终服务于提质、提效、节能和安全生产。他的报告主要内容如下：

1、企业与业务基础

汇川技术长期布局工业自动化、数字化和智能化，业务覆盖工业自动化、新能源汽车、智能机器人、数字能源等领域。公司在通用伺服、低压变频器、中控液压、新能源汽车动力系统、工业机器人等方面拥有较强产业基础，这些设备与行业积累构成了工业AI落地的场景基础。

2、工业AI的基本判断

制造业发展可以区分为自动化与智能化：自动化主要替代体力劳动，智能化则面向工程师、管理人员等脑力劳动环节，提升规划、控制、质量维护和能效优化能力。完整、理想化的数字孪生难以全面描述复杂物理世界，更可行的路径是从场景需求出发，抽象出专用AI模型、智能体或算法模块。工业场景强调确定性、安全性和实时性，因此不能依赖概率性输出直接控制设备，需要结合机理模型、小数据建模、闭环控制和边缘端快速响应。

3、典型应用案例

抛光工艺优化：通过抛光参数模型，将下压力、模头转速、光洁度等纳入闭环优化，并进一步采用分段摆动控制，减少无效抛光消耗，提升效率。锂电卷绕智能控制：针对动力电池卷绕过程中极耳对齐难、料带波动大等问题，结合工艺模型与数据处理算法，提高对不同设备和工况的适应性，并反向反馈极片制备过程。拉幅定型节能优化：围绕布匹拉伸、加热和排风过程，建立能耗模型与极值寻优算法，实现设备参数和工艺参数的智能设定，降低能源浪费。点胶智能规划：根据胶宽、胶厚、轨迹、速度等要求自动生成点胶参数，并解决拐点处堆胶、断胶以及胶阀残留导致的质量波动问题。三防漆喷涂智能规划：通过低成本阀门控制、称量、视觉和运动规划，实现喷涂参数自动控制与轨迹规划，减少人工经验差异造成的品质波动。

（二）北汽奔驰韩冰：人工智能在制造系统中的应用与思考

韩冰结合北汽奔驰生产系统实践，介绍了人工智能从语言模型应用、知识库建设到多模态设备管理的演进，并指出制造业AI应按场景选择工具：大语言模型更适合知识服务、管理辅助和面向人的交互，小模型、机器学习、视觉及多模态模型更适合设备状态识别、故障诊断和现场分析。由于生产关键控制环节不能依赖不可控的概率性输出，AI更应作为辅助决策、知识沉淀和状态识别工具，而非未经约束地直接接管控制；其落地还需以数据标准化、本地化部署和信息安全为基础。此外，还介绍了几个案例。

1、生产管理智能报表与问答

项目以生产管理系统为对象，利用大语言模型对庞大的生产数据库进行数据甄选，自动生成月度、周度和日度运营报告。系统支持自然语言问答，例如查询停机时间、良品率、OEE等指标，并与工艺、质量、设备和规划等系统形成接口。该方案提升了管理层和技术人员获取信息的效率，使生产状态更加透明，同时通过本地化部署保障生产数据安全。

2、AI专家支持系统

该系统以设备维护为起点，逐步覆盖项目规划、工艺流程、产品质量管控和设备运维故障等领域。技术路径是将技术方案、手册、故障记录、质量告知书和工艺流程卡片等资料向量化，构建知识库，再由模型检索并生成回答。系统价值在于固化团队经验、降低人员流动造成的知识损失，帮助新员工快速上手，并为成熟工程师找回历史经验和处理路径。

3、多模态设备管理与现场识别

随着多模态模型和小模型能力发展，生产现场可以采集振动、声纹、视觉、视频流等多类数据，形成设备管理和诊断平台。在振动与声纹检测场景中，平台通过传感器采集设备状态，结合前端服务器预处理与后端算力分析，生成报警信息、工单、参数调整建议和报告。在视觉识别场景中，系统可读取现场视频、图片和设备显示器数据，将原本需要人工观察或手抄的数据转化为标准化数据库资源。

圆桌讨论围绕“工业AI如何真正落地”展开。主持人赵榕从公众视角提出问题，两位嘉宾分别从工业自动化与汽车制造实践出发，对通用工业AI、数据采集、多模态融合、人机分工、开源生态和人才能力等议题进行了讨论。

方宁认为，工业门类众多、工艺差异巨大，单纯依靠互联网式通用模型难以直接覆盖全部工业场景。但从控制学角度看，许多工业问题可以抽象为目标控制、波动抑制和能耗优化三类核心任务。不同场景虽然材料、设备和工况不同，但在张力控制、温度控制、流体运动、成型加工等底层逻辑上存在共性。因此，通用工业AI并不是忽略场景差异，而是在共性控制模块基础上叠加行业和设备适配。思路类似传统控制中的PID控制：基础模块可以解决大量通用问题，剩余部分再根据具体工艺、材料和机械结构进行定制化优化。

讨论中，两位嘉宾均强调工业场景对准确性和确定性的要求。方宁指出，大数据和大语言模型本质上具有统计概率特征，即使准确率很高，也难以直接满足工业控制对稳定性、安全性和实时性的要求。因此，工业AI不能只依赖大数据，而要从小数据、机理模型和关键控制点入手，将工程经验转化为公式、算法和闭环控制逻辑。

韩冰也补充认为，大语言模型适用于知识库、报表生成和面向人的问答场景；而声纹、图像、视频、设备状态识别等生产现场任务，更适合采用机器学习、深度学习或多模态模型。模型规模和模型性质不同，其适用对象也不同。

主持人提出，AI在生产优化过程中是否会反过来推动新的数据采集方式。韩冰表示，制造现场正在从文本数据扩展到图像、视频、声纹、振动等多维数据，相关能力可用于驱动机械臂、辅助搬运设备以及设备状态监控。多模态平台的价值在于增强采集能力，使同平台能够适配不同车间、不同设备和不同业务需求。

方宁从测量精度角度补充指出，生产中常常无法直接测量目标对象本身，例如食品加工中真正关心的是产品温度，但传感器只能测量附近环境温度。此时需要借助物理仿真、软测量和更多维度的数据采集来推断真实状态。随着传感器、激光、X光等技术成本下降，工业现场能够获得更丰富、更精确的数据，从而进一步提升控制质量。

针对多模态信息如何对齐的问题，韩冰认为，难点不在于单纯采集更多数据，而在于如何把不同模态中的有效信息耦合到同一个诊断或控制目标上。不同场景所需的信息组合并不一致，不能简单地把所有数据全部堆叠起来，而应根据具体问题选择合适的模态组合。

方宁则以视觉检测和X光检测为例说明，制造业会随着精度要求提升不断增加新的检测维度。但在实际商业应用中，高精度设备往往先用于研究和标定，等机理被解析清楚后，再用更低成本的传感器或更简化的检测方案替代。这体现了工业应用对成本、效率和精度的综合平衡。

主持人提到许多传统工艺依赖长期经验，过程机理并未完全透明。方宁以白酒酿造为例说明，有些场景并非控制得越精确越好，因为微生物、环境和历史工艺因素共同影响最终品质。对于这类复杂场景，AI的价值在于辅助因果解析，帮助工程师理解哪些因素真正影响结果，而不是机械地追求单一参数最优。这也说明，AI不是简单替代经验，而是将经验、数据和机理连接起来，推动从经验黑箱向可解释、可优化的工艺体系转化。

韩冰认为，知识库类AI应用对新员工培训和成熟工程师经验检索都有明显价值。新员工可以通过系统快速理解业务知识，成熟工程师也能在遗忘历史故障、参数设置或处理方案时快速调取经验。更重要的是，AI知识库能够把分散在个人经验中的知识沉淀为团队资产，使团队能力不再完全依赖某一位资深工程师，而是通过平台化方式整体增强。

对于工业AI时代的人才要求，两位嘉宾都强调专业场景理解的重要性。方宁认为，制造业未来需要两类能力：一类是对某一细分领域钻研很深的技术专家，另一类是能够快速定义问题、组织资源并统筹解决方案的总工型人才。

韩冰补充指出，AI真正产生价值的主体应是现场业务人员和工程师，而不是脱离业务的程序员。AI降低了知识获取和工具使用门槛，但不会替代深度探索和专业判断。未来更有竞争力的人才，应当在具体行业中形成独到认知，并能够使用AI放大自身能力。

在回答“聚氨酯发泡配方甄选中AI与工程师谁更全面”这一问题时，方宁指出，AI可以帮助减少DOE实验成本、缩短参数筛选时间，但前提是工程师先完成因果解析，明确输入、输出、约束条件和评价指标。

韩冰则认为，AI与工程师不是简单强弱关系，而是在不同层面各有优势：AI适合在单点参数优化中发挥效率，人则负责更大范围的风险判断、成本权衡和系统决策。因此，较合理的工作方式是：先借助大模型快速梳理知识和流程，再由专业人员判断其可靠性；随后把关键变量量化为可计算指标，交由机器学习或优化算法进行迭代，最终仍由人进行场景解释和决策把关。

圆桌讨论结束，本次活动圆满落幕。