编者按：今年的政府工作报告提出，持续推进“人工智能+”行动，将数字技术与制造优势、市场优势更好结合起来，支持大规模广泛应用。这是“人工智能+”第二次被写入政府工作报告，与去年侧重于技术研发和产业集群建设不同，今年的提法更侧重于技术的落地应用，将人工智能的应用重点指向了制造业。《中国电子报》特开设“AI+制造”深度调研行栏目，深入基层、走进一线展开实地调研，报道各地方、各企业优秀案例，探讨新一代AI技术落地带来的机遇与挑战，推广“AI+制造”中国方案。
近日，工信部召开两化融合工作领导小组会议，审议《工业和信息化部信息化和工业化融合2025年工作要点》，研究部署推进两化融合的思路举措。会议要求，实施“人工智能（AI）+制造”行动，加快重点行业智能升级，打造智能制造“升级版”。
工业设计是制造业的“生命线”，也是突破竞争壁垒的关键。设计高度依赖人工经验，出图慢、出错率高？试验重复率高，配方与参数只能靠反复试错？工程数据割裂，图纸、工艺BOM多版本混乱？站在产业升级的十字路口上，这些越“卷”越累的老难题和看不懂却必须跟进的新技术交织在一起，越来越多的工业企业开始重新审视自己的研发创新路径。
展开剩余85%传统研发设计模式正在被颠覆
在智能制造浪潮下，工业研发设计的智能化水平已成为企业竞争的“胜负手”。传统的研发模式常常像是在“摸着石头过河”，深度依赖资深工程师的经验，制作成本较高，周期性长；同时，面对海量数据和复杂需求，人脑计算显得力不从心，因此优化空间很大。
作为工业设计流程中的核心工具，CAD（计算机辅助设计）广泛应用于汽车制造、航空航天、建筑设计、机械工程等领域，几乎所有制造出来的产品都离不开CAD画图建模。据了解，CAD画图涉及一系列的建模操作，包括确定草图3D起点和3D草图平面方向、绘制 2D 草图、将草图拉伸成3D实体形状的完整参数和过程，需要专业领域知识和空间推理能力，学习成本较高。而大语言模型的出现，降低了CAD画图的“门槛”，让工程师能够以更少的精力来打造更好的设计。
比如，基础模型DeepSeek-Coder-1b便可以实现“自然语言输入-参数化模型输出”的插件功能，从而增强现有工具的智能化水平。创新AI辅助设计平台“Text2CAD”则可以直接将自然语言描述转化为复杂的CAD模型。无论是使用者是初学者还是专家，Text2CAD都能根据其需求生成精确的3D设计。
文生设计系统演示
工艺设计是决定离散型制造企业核心竞争力的关键。高效的工艺设计能够显著提高生产效率和产品质量，而且先进的工艺设计能够促进技术创新。然而，由于工艺设计包含了分析、选择、规划、优化等不同性质的各种功能要求，所涉及的知识和信息量相当庞大，与空气湿度、环境温度、设备自动化程度等具体的生产环境有密切关联，且严重依赖经验知识，传统工艺设计软件往往难以满足用户需求。
在以大模型为代表的生成式AI技术取得巨大突破后，一些从业者开始积极探索更加智能化的工艺设计解决方案。比如，通过大语言模型梳理历史工艺数据和相关文档，预测不同工艺参数组合下的产品质量和生产效率，从而帮助工程师选择最优工艺参数；分析设备故障报告和维护记录，快速定位故障原因并提供相应的解决方案；根据产品需求和生产资源，生成合理的工艺规划方案等。这些探索将推动智能化工艺设计新时代的到来。
“信息技术的飞速发展推动制造业研发模式发生颠覆式变革。”鼎捷数智PLM事业部总经理郭兆富感慨说道。他指出，过去二十年，研发领域信息化主要是以产品数字化、研发体系数字化为目标。今天，面对多变的市场需求与技术压力，制造业正在从“人找知识、人控流程”迈向“AI+人+技（系统）协同创新”的数智研发新范式。
AI赋能需找准业务场景中的“点”
当前，生成式AI正在重塑工业研发设计的核心价值。在华中科技大学机械学院彭义兵看来，AI赋能制造业最现实的途径是找到某一个“点”，对它进行人工智能的加持，而现在正在发生变化的就是研发工具和系统的升级。
“工业是个非常大的概念，包括机械制造、电子设备制造、汽车制造等多个子行业，里面还涉及各种各样的工艺，你想做一个大而全的工艺大模型去解决所有问题，这可能不太现实。我觉得最理想的方向还是向垂直领域扎根，要找到一个具体的价值点。”彭义兵表示。比如，概念设计可以用大语言模型来提炼市场文档、形成需求；结构设计可以用客户优化算法来达到文件减重的目标；细节设计则可以用AI工具来进行图纸检测等。
AI设计引导软件示意图
“以AI突破传统3D设计模式”，这便是南京智程信息科技有限公司选择的那个“点”。“现阶段，很多企业都建立了优秀的智能制造系统，但主要的设计、工艺、制造数据还是由人来完成。”南京智程信息科技有限公司创始人张伟坦言，“在这种传统模式下，研发创新面临诸多挑战。”
首先，重复性工作过多，企业需要不断增长和盈利，就需要不断地研发新产品，所以会出现大量重复性工作，重复进行产品设计、工艺、编程等；其次，零部件增长，企业需要不断抢占市场，就需要不断开发新产品，零部件也会越来越多，导致成本持续攀升，利润反而越来越低；第三，标准化难以达成，传统模式需要大量人员来参与研发，标准化就很难去执行；第四，一次性质量难以保障，由于每个参与研发人员的学习能力、想法各有不同，一次性质量很难做到最优，需要不断变更、返工，这就导致整个研发周期、产品周期都不可控。
“AI时代，这些问题都将得到解决。”张伟表示。他认为，产品研发的下一个范式是以AI智能驱动，实现研发过程的智能化和自动化。智能化研发不仅能够显著提高研发效率和创新能力，还能通过智能系统实时监控和优化研发过程。
具体到工业语言，即设计图纸，将从2D、3D演进为以AI驱动的全3D模型，覆盖概念、设计、工艺、制造、服务全过程。比如3D-AI智慧出图、3D-AI智能工艺、3D-AI智慧零部件管理、3D-AI智能成本核算等。“我们把企业里面的设计规范、工艺知识、制造知识等抽取出来，打造设计模型、工艺模型、制造模型，甚至是服务模型等，让结构化知识、传统算法和AI模型结合，共同形成这些3D-AI智能化应用，让大家看到AI在工业场景中真正的价值。”张伟表示。
研发智能体落地要“慢”一点
工信部两化融合工作领导小组会议提出，要以工业智能体为抓手深化人工智能工业应用，带动工业数据集、工业大模型的创新迭代。这为整个制造业新一轮技术革命指明了方向。
“实际上，在工业制造场景里面，我们已经找到了可以让工业企业使用智能体的丰富的场景，从点状效果来看，已经足以让客户感受到它的意义与价值。”鼎捷数智执行副总裁刘波感慨说道。但同时，他也指出，任何一项新技术都需要长期沉淀和反复验证。制造业讲究的是高可靠性，很多时候要解决的是“对不对”的问题，而不是“好不好”的问题。现阶段，智能体受制于模型幻觉、通信协议不统一等问题，暂时还无法满足所有业务场景的需求。
彭义兵也持类似观点。他认为，目前制造业中的智能体应用主要价值还是降本增效，不要指望从“0 到1”打造一个超级智能体，就能解决所有问题。实事求是来讲，智能体落地只能是以点及面、逐步推进。
具体到研发场景中，要打造一个好用的智能体绝非易事。以基于知识的智能体为例，目前常见的知识性智能体主要包括概率推理智能体、混合型智能体、逻辑智能体、规则型智能体以及结构化知识智能体等。对于确定性知识，比如工艺手册中的参数、设备状态与故障规则、物料属性与库存逻辑等，知识性智能体表现良好；但对于不确定性知识，比如新材料、新工艺、新能源、环境干扰与传感器噪声以及未知领域的探索，它的表现则差强人意。
“未来，企业的竞争力将取决于企业AI应用的密度，”刘波表示，“我们希望通过工业智能体可以打通部门壁垒，进而打通系统之间的数据隔阂，真正实现跨系统、跨领域的驱动和协同。未来的工作模式应该是：AI能够摆脱时间的限制，提供7 ×24 小时的服务。AI可以接管繁杂的重复性工作，同时也可以突破人类思维限制，提升决策的实时性和准确率。最终，工业智能体能够实现跨系统和跨领域，驱动企业实现更高效的服务和决策。”
关注中国电子报
关注本文作者
作者丨宋婧
编辑丨邱江勇
美编丨马利亚
监制丨赵晨
发布于：北京市富腾优配提示：文章来自网络，不代表本站观点。
