大量企业建立了 ERP、MES、PLM、WMS 等信息化系统，引入自动化设备，积累了海量生产数据。

但进入 AI 时代，一个新的问题正在被重新审视：

制造企业真正最有价值的数据，到底是什么？

答案可能不是订单数据，不是设备数据，甚至也不只是生产数据。

而是那些隐藏在制造流程中的——工艺数据和工程经验。

这些数据，记录了一家制造企业几十年来如何解决复杂制造问题的能力。

制造业最稀缺的，不是数据，而是经验

很多企业谈 AI 转型时，第一反应是：

“我们有没有足够多的数据？”

但对于制造业而言，数据量并不是唯一的问题。

因为制造过程中的关键决策，往往不是简单的数据记录，而是工程经验。

例如：

同样一个零件，为什么选择 CNC 加工，而不是压铸？

为什么某个结构需要增加倒角？

为什么某个薄壁区域容易产生变形？

为什么某个孔位需要调整加工顺序？

为什么某个设计方案最终导致成本增加？

这些问题背后，没有简单的公式。

它们来自：

• 工艺工程师多年积累的经验；
• 供应链对材料和加工能力的理解；
• 质量团队对失效问题的总结；
• 企业长期沉淀的制造规范。

这些经验，决定了一家企业的制造能力。

但长期以来，它们往往以非结构化方式存在。

存在于工程师的大脑中，存在于微信群聊天记录中，存在于 Excel 表格中，存在于几十年的项目文件里。

这也是制造业 AI 最大的机会。

从“经验依赖”到“知识资产化”

传统制造模式下，企业竞争力很大程度依赖核心工程师。

一名经验丰富的工艺工程师，可能需要多年培养。

他知道：

哪些结构不好加工；

哪些供应商适合某类零件；

哪些工艺路线更经济；

哪些设计细节容易产生质量问题。

但这种能力很难复制。

当人员流动时，企业也会面临经验流失。

AI 的价值，就是帮助企业完成一次能力沉淀：

把个人经验转化为企业知识资产。

通过 AI 模型、知识库和智能体系统，企业过去几十年的制造经验可以被整理、理解和调用。

未来，一个新工程师面对复杂零件时，AI 可以辅助回答：

这个零件过去是否有类似案例？

历史项目采用过什么工艺路线？

有哪些制造风险？

有哪些优化建议？

成本大概处于什么范围？

这意味着企业多年积累的经验，不再只属于少数专家，而成为整个组织的能力。

工艺数据，是连接设计与制造的关键桥梁

制造企业长期存在一个问题：

设计人员关注产品功能，制造人员关注加工实现。

两者之间存在沟通成本。

一个产品设计完成后，往往需要经过：

设计评审 → 工艺分析 → 成本评估 → 修改优化

如果问题发现得晚，就会导致：

• 研发周期延长；
• 模具和工装成本增加；
• 加工难度提升；
• 产品利润下降。

而工艺数据的价值，就在于让制造经验提前进入设计阶段。

例如：

当设计人员完成一个零件设计后，AI 可以结合历史制造案例和工艺规则，对设计方案进行分析：

• 是否容易加工；
• 是否存在结构风险；
• 是否有更低成本方案；
• 是否符合企业制造能力。

这正是 DFM（Design for Manufacturability，面向制造的设计）的核心价值。

未来，设计不再只是”设计完成后交给制造”，而是设计过程中就有制造智能参与。

AI 时代，制造企业需要重新认识自己的数据

过去，很多企业认为：

数据只是生产过程的记录。

但在 AI 时代：

数据将成为企业智能化能力的基础。

尤其是制造业中的：

• 图纸数据；
• 工艺路线；
• 加工参数；
• 材料选择；
• 成本记录；
• 质量问题；
• 历史报价；
• 项目经验。

这些数据共同构成企业独有的制造知识。

通用 AI 可以学习通用知识。

但一家制造企业真正需要的，是理解自身业务的工业 AI。

因为制造竞争的核心，从来不是知道什么是制造，而是谁更了解自己的制造。

下一代制造企业，将拥有自己的工业智能系统

未来，领先的制造企业可能不只是拥有 ERP、MES 等管理系统。

还会拥有一个能够理解企业制造逻辑的 AI 系统。

它可以：

• 理解产品图纸；
• 分析制造可行性；
• 辅助工艺规划；
• 预测加工成本；
• 调用企业知识库；
• 持续学习新的制造经验。

这个系统不是简单的软件工具，而是企业多年制造能力的数字化延伸。

让过去30年的经验，成为未来30年的竞争力

中国制造业经过几十年的发展，积累了全球最丰富的制造场景和工程经验。

这些经验，是制造企业进入 AI 时代最重要的基础。

未来的竞争，不只是设备数量的竞争，也不只是生产规模的竞争。

更重要的是：

谁能够把过去几十年的制造经验转化为 AI 可以理解和使用的能力。

立谱智造持续探索工业垂类大模型与多智能体技术，围绕零部件制造场景，将图纸理解、DFM 分析、工艺规划、成本核算等制造知识进行智能化沉淀，帮助企业将工程经验转化为可持续复用的数字资产。

AI 时代，中国制造企业最大的优势，可能不是拥有更多数据。

而是拥有几十年积累下来的制造智慧。

从大语言模型到多模态模型，再到 AI Agent，AI 正在从信息处理工具逐渐演变为能够执行复杂任务的智能系统。

但当 AI 进入制造业后，很多企业发现：

制造业 AI 的落地，并没有想象中那么简单。

原因在于，制造业的问题并不是缺少数据，而是大量关键能力隐藏在工程师几十年的经验中。

如何让这些经验被 AI 理解、调用和复用，才是工业智能化真正的挑战。

制造业最宝贵的数据，往往不是结构化数据

在互联网行业，数据通常以用户行为、交易记录、文本信息等形式存在。

这些数据天然适合被算法学习。

但制造业的数据完全不同。

一张零件图纸背后，包含的不只是尺寸和几何信息，还包括：

• 为什么选择这种材料？
• 为什么采用这种加工方式？
• 哪些结构容易产生加工风险？
• 哪些尺寸影响装配？
• 哪些位置需要特殊工艺？
• 哪些设计虽然能够制造，但成本过高？

这些信息很多并不存在于 ERP 或 MES 系统中。

它们存在于：

• 工艺工程师的经验中；
• 供应链人员的判断中；
• 质量工程师的问题记录中；
• 企业多年积累的工艺规范中。

因此，制造业 AI 面临的第一个问题不是”有没有模型”，而是：

如何把隐性的工业知识转化为 AI 可以理解和推理的知识体系。

从数据智能到工业知识智能

传统数字化解决的是：

“记录发生了什么。”

例如：

生产了多少产品？
用了多少材料？
设备运行多久？

而 AI 时代需要解决：

“为什么这样做？还能不能做得更好？”

例如：

这个零件为什么选择 CNC 加工，而不是铸造？

这个结构为什么建议增加圆角？

这个孔位为什么会导致加工成本增加？

这个设计方案如何优化制造成本？

这要求 AI 不仅能够读取数据，还需要具备工业推理能力。

也就是说：

制造业 AI 的核心，不只是数据训练，而是知识建模。

工业大模型需要理解制造逻辑

通用大模型擅长语言理解，但制造业需要的是专业推理。

例如：

用户上传一个机械零件图。

通用 AI 可能能够描述：

“这是一个金属零件，包含孔、槽、倒角等结构。”

但制造企业需要的是：

“该零件适合采用 CNC 加工，材料建议使用 6061 铝合金；当前薄壁区域存在变形风险；深孔加工需要增加工序；如果调整某处结构，可降低约20%的加工成本。”

这背后的差距，不是语言能力，而是工业知识和制造规则。

因此，工业 AI 需要融合：

• 多模态模型：理解图纸、图片、CAD 数据；
• 行业知识库：沉淀企业标准和历史案例；
• 工程规则库：融合制造规范；
• 专业 Agent：执行具体业务任务。

最终形成面向制造场景的智能系统。

为什么 DFM 会成为工业 AI 的重要入口？

在制造过程中，设计决定了大量成本。

但长期以来，设计和制造之间存在信息壁垒。

设计工程师关注：

“功能是否满足？”

制造工程师关注：

“是否容易加工？成本是否合理？”

很多问题直到生产阶段才被发现：

• 工艺复杂；
• 加工成本过高；
• 良率不足；
• 交付周期延长。

DFM（Design for Manufacturability，面向制造的设计）的价值，就是在设计阶段提前发现制造问题。

而 AI 的加入，让 DFM 从依赖个人经验，逐渐变成可规模化复制的能力。

未来的设计流程可能会变成：

设计完成 → AI 自动分析制造风险 → 提供优化建议 → 评估成本变化 → 辅助工程师决策。

这意味着制造企业可以把多年积累的制造经验，提前应用到产品研发阶段。

工业 AI 的竞争，本质是工业知识资产的竞争

未来几年，制造企业之间的 AI 竞争，不会简单取决于谁拥有更大的模型。

更重要的是：

谁能够把自身制造经验沉淀下来。

一家企业几十年的工艺经验，如果仍然依赖少数工程师，那么它就是个人能力。

如果能够通过 AI 模型、知识库和智能体体系沉淀下来，它就会变成企业能力。

这也是工业 AI 与普通 AI 应用最大的区别。

让制造经验成为企业的新生产力

制造业正在经历从自动化、数字化到智能化的升级。

自动化解决”机器替代人工”。

数字化解决”信息连接和管理效率”。

而 AI 正在探索解决：

如何让制造经验被理解、被复用、被持续优化。

立谱智造围绕零部件制造场景，探索工业垂类大模型与多智能体技术，通过图纸理解、DFM 分析、工艺规划、成本核算等能力，将分散在工程师经验中的制造知识转化为企业可调用的智能能力。

未来的智能工厂，不只是拥有更多设备，而是拥有能够理解制造、辅助决策、持续学习的工业智能系统。

而进入 2026 年，一个更加明显的趋势正在出现——AI 正在从”回答问题”，演变成真正能够完成工作的 AI Agent（智能体）。

越来越多的制造企业开始意识到，真正的价值并不是拥有一个聊天机器人，而是拥有能够自主完成设计分析、工艺规划、成本核算、质量评估等工作的”数字工程师”。

制造业 AI 正在进入 Agent 时代

过去几年，制造企业的信息化建设主要围绕 ERP、MES、PLM、CAPP 等系统展开。

这些系统解决了数据管理问题，却没有真正解决”工程师需要大量重复劳动”的问题。

例如：

• 一张二维/三维图纸需要人工分析加工特征；
• 工艺工程师需要规划加工路线；
• 报价工程师需要估算工时、材料和成本；
• DFM（Design for Manufacturability，面向制造的设计）分析依赖资深工程师经验；
• 工艺文件、SOP 等大量文档需要人工整理。

这些工作并非没有规则，而是规则复杂、知识密集、需要大量经验积累。

如今，大模型结合行业知识、多智能体协同以及企业知识库，正在让这些工作逐步实现自动化。业内普遍认为，工业 AI 的重点已经从单点工具升级为能够跨流程协同完成任务的智能体体系。

为什么制造业更需要 AI Agent？

制造业最大的特点不是数据少，而是流程复杂。

一次产品开发往往涉及：

产品设计 → 图纸解析 → 工艺规划 → DFM 分析 → 成本报价 → 采购 → 生产 → 检验 → 交付。

传统 AI 更多只能完成其中某一个环节。

而 Agent 的优势，在于能够像一名工程师一样，把多个任务串联起来。

例如：

当上传一份图纸后，一个完整的智能体流程可以自动完成：

• 图纸识别与结构特征提取
• 材料与加工工艺识别
• 可制造性分析（DFM）
• 工艺路线规划
• 工时估算
• 成本计算
• 自动生成分析报告

整个过程不再依赖人工逐项操作，而是多个专业 Agent 协同完成。

多智能体，将成为工业 AI 的主流架构

在工业场景中，很少存在一个模型能够解决所有问题。

真正有效的方式，是让不同能力的智能体协同工作。

例如：

• 图纸解析 Agent
  负责识别 CAD、PDF、STEP 等图纸中的几何特征。
• DFM Agent
  负责分析结构是否适合加工，识别加工风险，并提出优化建议。
• 工艺规划 Agent
  根据材料、设备和制造经验生成加工路线。
• 报价 Agent
  结合材料、设备、工时等信息完成成本测算。
• 知识库 Agent
  调用企业历史案例、标准工艺和规范，实现经验复用。

最终，这些 Agent 并不是独立运行，而是在统一的工作流中协同完成复杂任务。

IDC 等机构也预计，未来几年 AI Agent 将持续进入研发设计、工程验证、知识管理等制造核心业务场景，多智能体协同将成为工业 AI 的重要发展方向。

AI Agent 不会替代工程师，而是放大工程师能力

不少企业担心：

“AI 会不会取代工程师？”

从目前工业场景来看，答案更接近于：

AI 替代的是重复劳动，而不是工程决策。

真正需要工程师参与的，依然包括：

• 新产品方案设计
• 工艺创新
• 复杂异常处理
• 客户需求沟通
• 制造经验沉淀

而大量标准化、重复性的工作，则可以交由 AI Agent 完成。

工程师从”做大量重复工作”，逐渐转向”审核、优化和决策”。

从工具到数字员工，是工业 AI 的下一阶段

过去，企业采购的是软件。

未来，企业更希望拥有能够持续工作的”数字员工”。

它能够：

• 理解图纸
• 学习企业知识
• 调用设计和制造工具
• 自动执行流程
• 输出标准化结果
• 持续积累经验

对于制造企业而言，真正的竞争力不再只是部署一个 AI 大模型，而是构建符合自身业务流程的工业智能体体系。

立谱智造持续围绕零部件制造场景，探索工业垂类大模型与多智能体协同技术，聚焦图纸解析、DFM 分析、工艺规划、智能报价等核心环节，帮助制造企业将工程经验沉淀为可复用、可扩展的 AI 能力，让 AI 真正参与研发设计和制造流程，而不仅仅停留在对话层面。

过去几十年，CAD软件不断升级。从二维绘图到三维建模，从参数化设计到协同设计，机械工程师的工作效率提升了很多。

但有一个问题始终没有改变：

工程师仍然需要亲手建模。

无论是一个法兰盘、支架、连接件，还是复杂的非标设备零部件，都需要经历：

• 创建草图
• 标注尺寸
• 拉伸旋转
• 特征编辑
• 装配验证
• 输出图纸

对于经验丰富的工程师来说，这已经成为肌肉记忆。

但对于企业而言，这依然意味着大量重复劳动。

如果工程师只需要描述需求：”外径80mm，厚15mm，中心孔40mm，4个φ8均布通孔”，系统即可自动生成符合生产要求的3D模型。会发生什么？

这正是我们推出 Text to CAD AI Agent 的原因。

CAD设计，正在进入自然语言时代

在AI出现之前：设计师需要学习CAD。

未来：CAD开始学习设计师。

工程师不再需要先思考如何操作软件，而是直接描述设计意图：

• 创建一个带加强筋的安装支架
• 生成一个减速机输出法兰
• 设计一个用于工业相机安装的固定座

AI会自动理解需求，并生成对应的三维模型。

设计流程从：人 → CAD

变成：人 → AI → CAD

设计效率得到数量级提升。

Text to CAD AI Agent 能做什么？

1. 文字直接生成3D模型

用户只需要输入自然语言。

例如：

系统即可自动完成：

• 参数识别
• 几何推理
• 特征生成
• 三维建模

几秒钟内输出可编辑模型。

2. 图纸、图片自动建模

很多企业积累了大量历史图纸。

但这些图纸往往：

• 难检索
• 难复用
• 难修改

Text to CAD AI Agent支持：

• 工程图识别
• 草图识别
• 图片识别
• 历史案例检索

上传图纸后即可自动生成对应模型。

帮助企业激活沉睡的设计资产。

3. 导入模型持续修改

设计工作并非一次完成。

实际项目中经常需要：

• 改孔径
• 改尺寸
• 增加结构
• 优化重量

系统支持：

• STEP
• STL
• IGES
• OBJ

等格式模型导入。

通过自然语言即可完成修改。

例如：

• 将安装孔改为φ10
• 增加两处加强筋
• 厚度减少20%

无需重新建模。

不只是AI建模，而是多个AI智能体协同工作

很多AI产品的问题在于：

能生成，但不能落地。

设计看起来正确，生产却做不出来。

因此，我们构建了多个专业智能体协同工作机制。

• 翻译官：负责需求解析与术语理解。
• 设计理解专家：负责上下文管理和设计意图分析。
• 歧义消解专家：主动发现设计描述中的模糊信息。
• 视觉分析专家：负责图纸识别与逆向建模。
• CAD程序员：负责参数化建模与特征生成。
• 标准件专家：自动调用GB/ISO/DIN标准件库，减少重复设计。
• 质量审查员：自动执行DFM检查/干涉分析/特征检测/可制造性验证。

企业真正需要的不是AI绘图，而是AI设计能力

当前市场上很多AI产品能够生成漂亮图片。

但制造业需要的是：

可生产、可修改、可复用的工程模型。

一个真正有价值的AI设计系统必须具备：

✓ 理解工程语言

✓ 理解制造工艺

✓ 理解标准规范

✓ 理解企业知识库

✓ 理解历史设计经验

这也是Text to CAD AI Agent与通用AI工具最大的区别。

从设计自动化，到设计智能化

过去：工程师使用CAD软件完成设计。

现在：工程师与AI共同完成设计。

未来：AI将成为设计团队中的数字工程师。

它能够：

• 调用企业知识库
• 复用历史案例
• 自动生成方案
• 自动完成DFM检查
• 自动优化设计

帮助企业将设计经验沉淀为可复用的数字资产。

结语

制造业正在经历从数字化向智能化的跃迁。

而设计环节，正是最值得被AI重构的入口之一。

从“画图”到“表达需求”，

从“手工建模”到“智能生成”，

Text to CAD AI Agent 正在让设计变得更简单，让制造变得更高效。

未来，也许每一位工程师都会拥有自己的AI设计助手。

而这，仅仅是开始。

本次赛事聚焦人工智能前沿技术创新与产业化应用，吸引了来自粤港澳大湾区众多高校、科研机构及创新企业参与。经过项目征集、专家评审、路演答辩等环节的激烈角逐，立谱智造凭借在工业人工智能领域的创新实践与产业落地能力，从众多参赛项目中脱颖而出，荣获本届赛事一等奖。

当前，制造业正处于数字化、智能化转型的关键阶段。面对产品迭代加快、小批量多品种生产成为常态以及工程师经验传承困难等挑战，工业AI正逐渐成为推动产业升级的重要基础设施。

立谱智造坚持以真实工业场景为牵引，以企业实际业务需求为核心，推动人工智能从“工具辅助”向“业务决策赋能”升级。通过构建工业领域专属知识体系与智能体能力，帮助企业实现从设计、工艺、报价到生产协同的全流程智能化升级。

此次获得“华罗庚杯”一等奖，不仅是对立谱智造技术创新能力的认可，更是对工业AI产业化落地价值的充分肯定。

作为工业人工智能领域的创新企业，立谱智造始终致力于推动AI技术与制造业深度融合，围绕工业零部件设计研发与柔性生产场景，自主研发工业垂直领域AI模型及智能体系统，构建覆盖图纸识别、DFM分析、智能报价、生产协同及供应链管理等环节的一体化解决方案。

目前，立谱智造已形成包括：

• AI-DFX多智能体
• AMES
• APLM
• 零部件定制平台

在内的多项核心产品能力，帮助制造企业实现知识沉淀、经验复用和业务流程智能化升级，显著提升研发效率、报价效率及生产协同效率。

“华罗庚杯”作为常州市重点打造的创新创业赛事品牌，旨在汇聚全球创新资源，推动人工智能技术与实体经济深度融合。

未来，立谱智造将继续坚持“AI+制造”发展战略，持续投入工业垂直大模型与智能体技术研发，深化与高校、科研院所及产业链伙伴的合作，共同推动人工智能技术在制造业场景中的规模化应用。

让AI真正走进工厂，服务工程师，赋能制造业高质量发展。

在节目中，立谱智造围绕“AI赋能工业制造更快、更准、更省”这一核心方向，展示了工业AI在DFX分析、智能报价、工艺分析、生产协同等场景中的实际应用，以及AI如何真正进入制造业一线，帮助企业解决效率、经验、成本与协同问题。

对于很多制造企业来说，AI似乎已经不再陌生。但真正的问题是：为什么很多企业买了AI、搭了团队、做了系统，却依然很难真正落地？

因为工业制造不是简单的信息处理，而是一个高度依赖经验、工艺、流程、协同与生产逻辑的复杂体系。

立谱智造一直在做的事情，就是让AI真正理解工业制造。

很多人第一次接触AI，往往会想到通用大模型、聊天机器人、文案生成。

但在工业制造领域，真正有价值的AI，必须能够理解图纸、理解工艺、理解制造逻辑。比如一个零部件图纸上传之后：

• 能不能快速识别加工难点？
• 能不能提前发现设计风险？
• 能不能自动分析DFM/DFX问题？
• 能不能快速生成报价？
• 能不能辅助工艺规划？
• 能不能帮助企业减少人工经验依赖？

这些，才是工业AI真正需要解决的问题。

而这也是立谱智造重点投入的方向。节目中，团队展示了公司基于工业场景打造的AI能力，包括AI-DFX分析、AI知识库与经验沉淀和AI生产协同能力。

相比传统方式，很多原本需要大量人工经验和时间完成的工作，现在可以通过AI实现辅助分析与效率提升。

事实上，工业AI的难点，从来不只是模型。真正困难的是：

1. 工业数据天然复杂，制造业数据高度碎片化

图纸格式、工艺标准、设备类型、行业规范、材料特性、加工经验都不统一。很多经验甚至存在老师傅脑子里，没有数字化。这意味着工业AI不能只依赖互联网数据，而必须深入真实制造场景。

2、制造业需要“结果正确”，而通识类大模型允许“差不多”

在生产场景中，一个尺寸错误、一个工艺判断失误、一个报价偏差，都可能直接影响成本、交期甚至产品质量。所以工业AI的核心，不只是“能回答”，而是“回答能不能用于生产”。

3、工业场景链条太长

从研发、设计、DFM、报价、采购、工艺、生产到交付，每一个环节都存在大量协同问题。很多企业的问题，并不是单点效率，而是整个链条的信息断层。因此，工业AI必须能够真正进入业务流程，而不是停留在演示阶段。

立谱智造专注AI与制造融合应用，由哈工大教授领衔自研垂类模型与核心算法，赋能工业零部件设计、交易、生产全场景，为国内外企业提供一站式工业零部件智造AI解决方案，端到端以AI驱动直接交付成果，用AI让制造更快、更准、更省。目前，公司已经围绕工业零部件制造与研发场景，逐步形成了覆盖：

• DFX评估
• 工艺辅助
• 生产协同
• 柔性制造
• 工业知识沉淀

等多个环节的能力体系。

在很多传统制造流程中人工核价可能需要数小时； 经验分析过于依赖资深工程师； 跨部门协同效率低； 项目推进严重依赖人。

而AI的价值，本质上是把经验数字化、流程标准化、协同智能化。这也是工业制造未来的重要方向。

在采访中，团队也提到一个观点：未来淘汰制造企业的，不一定是同行，而是率先完成AI化升级的企业。

过去制造业拼的是规模、人力、设备和成本，未来制造业更重要的是数据能力、AI协同能力、柔性生产能力、响应速度和知识沉淀能力。

制造业正在从“大规模标准化”，逐步走向“大规模个性化”。而工业AI，将成为推动这一变化的重要基础设施。

此次是立谱智造第二次被深圳卫视报道，对于立谱智造来说，这不仅是一份认可，更重要的是，越来越多的人开始意识到：AI真正改变世界的地方，是进入实体产业、进入工厂、进入研发、进入真实生产环节。

工业AI或许不像消费互联网那样“热闹”，但它所带来的产业价值，正在被越来越多企业重新认识。

未来，立谱智造也将持续围绕工业场景，推动AI与制造业的深度融合，帮助更多制造企业实现降本、增效、提质与智能化升级。

“好像已经能用了，但为什么很少看到真正大规模复制的成熟案例？”

这个问题我们在一线客户交流中几乎每天都会被问到。从立谱智造做AI-DFx的实践来看，问题的关键不在于“AI能不能跑”，而在于——工业AI还没有真正进入可复制的系统阶段。我们可以从三个真实结构问题来看清楚这件事。

一、所谓“成熟案例”，其实是“局部成立”，不是“全局成立”

在一些典型场景里，工业AI确实已经跑得很好，比如：

• 产品型号单一
• 工艺路线固定
• 产线节奏稳定
• 数据结构清晰

在这种环境下，AI做识别、做预测、做辅助决策，是可以稳定工作的。甚至在一些项目中，效果非常明显。

但问题在于：

这些成功往往只成立在“特定工业切片”里，而不是整个制造系统。

一旦进入真实制造环境：

• 多机种混产
• 多工厂协同
• 工艺频繁变化
• 工程经验依赖强

原来“跑得很好”的AI系统，开始出现明显不适配。不是AI失效了，而是——环境变复杂后，它缺乏迁移能力。这也是为什么你会看到很多案例“能跑”，但很难复制。

二、为什么不能复制？本质是工业AI缺少“工程翻译层”

在立谱智造的AI-DFx体系里，我们一直强调一个核心问题：工业AI真正的瓶颈，不在模型，而在“工业语义没有被结构化”。换句话说就是AI看不懂工厂。它不是不知道，而是“表达不出来”。

现实中的问题通常表现为三种断裂：

1）设计语言和制造语言不一致

设计图纸、3D模型、BOM、工艺参数之间是割裂的。

2）经验无法结构化

老师傅知道“这个件要怎么做”，但无法被系统学习。

3）产线之间语义不统一

同样的零件，在不同产线被重新理解一次。

结果就是：A厂能用，B厂重做，换个客户又要重新建一套逻辑。这也是为什么很多AI项目停留在“试点成功”，却无法扩展。

在立谱智造的AI-DFx Multi-Agents体系里，我们做的其实就是把设计意图、工艺逻辑、制造约束，翻译成AI可理解的工业语义结构。只有解决这个问题，工业AI才有“复制能力”。

三、行业现实：不是AI不行，而是“落地方式在拉低上限”

工业AI今天最大的问题，其实不是技术，而是生态：市场上存在大量“轻工业理解 + 重AI包装”的方案。

它们的问题通常是：

• 没有真正进入产线
• 不理解工艺约束
• 不理解制造成本结构
• 只能做演示，无法闭环

结果就是：

• 企业试了一次 → 觉得AI不好用
• 项目失败 → 归因给AI本身
• 真正能做系统的人 → 反而缺少信任与场景

久而久之，行业形成一种错觉：“工业AI不稳定”。但真实情况不是AI不稳定，而是系统没有进入制造闭环。而制造闭环，必须同时具备：DFX设计约束理解、工艺路径建模能力、成本与报价系统联动、产线执行反馈机制。这也是为什么立谱智造一开始就没有把AI当“工具”，而是做成：AI-DFx多智能体。

四、工业AI的关键不是“做一个项目”，而是“形成可复用的项目能力”

在我们的AI-DFx实践中，一个非常重要的变化是：我们不把工业AI当成“一个模型任务”，而是当成一个贯穿设计 → 工艺 → 报价 → 制造的协同系统。

在这个过程中，我们关注的不是单点能力，而是：

• DFX是否能结构化表达
• 工艺是否能标准化拆解
• 报价是否可以自动推导
• 制造是否能形成反馈闭环

换句话说，我们做的是“项目交付”，但目标是“能力沉淀”。

五、总结：工业AI的终局，不是更强模型，而是更强的“制造表达能力”

工业AI真正的竞争，不在算法本身，而在一个更底层的问题：谁能把工业世界“翻译给机器”。

未来的工业AI竞争会逐渐变成三件事：

• 谁的工业语义结构更完整
• 谁的系统闭环更稳定
• 谁能让AI真正进入制造流程，而不是停留在分析层

在这个过程中，立谱智造更关注的不是“AI看起来多聪明”，而是AI是否真的能理解制造，并参与制造。

因为工业的本质从来不是展示技术，而是解决：

• 成本
• 交付
• 稳定性
• 可复制性

如果AI不能进入这些核心指标，它就还停留在“演示阶段”。

一提到工业大模型，很多人马上想到：Agent、多模态、数字孪生、工业知识图谱、推理模型、AI中台、工业Copilot、自动编程、具身智能、工业互联网、AI+MES……

这些当然都属于工业AI的一部分。但在我看来，工业大模型最本质的东西，其实没有那么玄。我认为工业大模型的本质，就是：把原来靠工程师反复经验判断、重复分析、人工协同完成的工作，用AI更快、更稳定、更低成本地完成。

• 工程师看图纸，AI也可以看图纸。
• 工程师做DFM分析，AI也可以分析。
• 工程师核加工报价，AI也可以核价。
• 工程师判断工艺路线，AI也可以推荐工艺。
• 工程师检查结构风险，AI也可以提前发现问题。
• 工程师协调供应链、跟进生产、整理数据，AI也可以协同完成。

工业大模型不是为了显得高级，工业大模型真正的目的，是让制造决策更快，让经验沉淀下来，让生产协同效率更高，让企业减少对“老师傅经验”的过度依赖。

一、工业大模型不是越“大”越好，而是越“懂现场”越好

这两年，我看了很多工业AI项目。

有的项目确实解决了问题：报价效率提升了，工程响应速度提升了，设计返工减少了，交付周期缩短了。

但也有不少项目，看起来很先进，实际上却很难真正落地。

• 有的模型什么都能聊，但就是不懂制造。
• 有的系统演示时很惊艳，一到真实图纸就开始胡说。
• 有的AI看得懂零件，却不懂加工。
• 有的AI会生成工艺，却完全不考虑现场能不能做。
• 有的AI能分析结构，却不知道什么叫变形、刀路、装夹、公差链。
• 还有一些系统，最后变成了“AI+PPT”。

这类事情看多了，我越来越觉得：很多工业AI项目失败，不是因为模型不够大，而是因为一开始就没有真正理解工业现场。

制造业不是互联网。互联网很多问题是“信息问题”。但制造业大量问题，本质上是“物理问题”。图纸是否可加工？结构会不会变形？工艺路线合不合理？公差是否可控？材料能不能满足强度？良率为什么波动？节拍为什么不稳定？

这些东西，不是靠“会聊天”就能解决。所以，工业大模型第一步，不是先做一个聊天机器人。而是先回答一个问题：AI到底替谁解决问题？

是替工程师减少重复分析？还是替采购缩短询价时间？还是替老板提升交付能力？还是替工厂提升柔性生产效率？

问题不同，AI的价值也不同。

二、工业AI不是炫技，而是解决“重复脑力劳动”

很多企业现在做工业AI，也很容易掉进一个误区：觉得AI越复杂越好。

一上来就想：全链路Agent、自动决策、无人化工厂、全自动编程、工业数字人、AI全面替代工程师……

这些有没有价值？当然有。但前提是：你的数据、流程、工艺、现场管理，真的已经支撑得起这些能力。

很多企业现在连图纸标准都没统一，BOM都不规范，工艺经验还停留在老师傅脑子里，结果一上来就谈“工业智能体全面自主决策”。

这其实很危险。因为工业AI不是魔法。它不是一接入就自动变聪明。工业AI最重要的，不是“大模型”四个字，而是：工业Know-How。

很多时候，一个真正有价值的工业AI系统，并不是最复杂的。而是：它真的懂加工、懂工艺、懂现场、懂交付。

比如：

• 一个AI-DFM系统，能提前发现结构风险；
• 一个AI报价系统，60秒完成工艺核价；
• 一个AI工艺助手，自动推荐加工路径；
• 一个AI协同系统，能自动拆解生产任务；

这些能力，可能比“万能聊天机器人”更有价值。因为制造业最缺的，从来不是“会聊天的AI”。而是：真正能进入生产流程、帮助企业降本增效的AI。

三、工业大模型最核心的逻辑，其实很简单

很多人觉得工业AI特别复杂。但拆开来看，本质上无非几个问题。

第一，它怎么理解工业数据？

• 图纸怎么看？
• 二维图怎么看？
• 三维模型怎么看？
• 工艺文件怎么看？
• BOM怎么看？
• 设备数据怎么看？

这些背后，本质上是多模态理解能力。

第二，它怎么做工业判断？

• 这个零件适合CNC还是3D打印？
• 这个结构有没有加工风险？
• 这个孔为什么难加工？
• 这个壁厚会不会变形？
• 这个工艺路线是否合理？

这些背后，本质上是工业知识 + 推理能力。

第三，它怎么参与生产协同？

• 报价怎么生成？
• 工艺怎么流转？
• 任务怎么分配？
• 异常怎么预警？
• 供应链怎么协同？

这些背后，本质上是Agent能力 + 工作流能力。

最后，它怎么真正进入工厂？

• 能不能接ERP？或者MES？
• 能不能接入生产设备？
• 能不能适应不同工厂？
• 能不能长期迭代？

这些背后，本质上是：工程化能力。所以工业大模型并不神秘。它本质上，就是：把工业经验、生产逻辑、工程知识、制造流程，变成AI可以理解和执行的能力。

四、很多工业AI问题，不是模型问题，而是数据和流程问题

很多企业一做AI，就问：“你们模型多少B？”、“是不是DeepSeek架构？”、“是不是多Agent？”、“能不能本地部署？”

当然，这些很重要，但真正决定工业AI能不能落地的，很多时候不是模型参数，而是数据有没有治理好，是数据太乱。比如图纸格式不统一；工艺经验不标准；历史订单没人整理；BOM命名混乱；加工经验都在聊天记录里；设备数据彼此孤立……这些如果不解决，最后AI再强，也很难真正理解业务。所以很多工业AI项目，真正最难的环节，不是模型训练。

而是要做好数据治理。

这也是为什么很多企业觉得AI“没效果”。不是AI不行。而是企业本身的信息流、工艺流、数据流，本来就是断裂的。

五、工业AI不是替代人，而是放大优秀工程师

现在很多人讨论AI，都喜欢说：“AI会不会替代工程师？”

但我越来越觉得：工业AI真正改变的，不是“有没有工程师”。

而是：一个优秀工程师，未来可以放大多少倍。

以前一个资深工程师，一天可能只能评审10张图纸。未来AI辅助后，他一天可能能评审100张。以前一个报价工程师，需要2小时核价。未来AI可能5秒完成初步报价。以前老师傅的经验，只能带几个徒弟。未来这些经验，可以沉淀成工业智能体。所以工业AI真正的价值，不是“替代”。而是把优秀经验规模化、把制造Know-How数字化、把工业能力平台化。

六、真正的工业AI，一定会回到制造现场

很多AI公司喜欢谈模型。但制造业最终只看结果。你模型再先进：如果不能减少返工，不能缩短交期，不能提升良率，不能降低成本，不能提高协同效率，那现场就不会长期买单。

制造业没有那么多概念泡沫。设备能不能稳定跑，工艺能不能稳定做，订单能不能稳定交，这才是真正的标准。

所以我一直认为工业AI最重要的，不是“会说”，而是会干。

七、最后

做制造越久，我越相信一句话：工业大模型最难的，是让AI真正进入工业流程，并长期稳定创造价值。

工业AI不是炫技。不是堆参数。不是做演示。也不是只停留在PPT里。

工业AI真正要解决的是：让设计更快，让报价更准，让工艺更稳定，让协同更高效，让经验可沉淀，让生产更柔性，让制造真正走向智能化。

如果这些问题想清楚了，AI就是生产力。如果这些问题没想清楚，再大的模型，也可能只是新的负担。工业大模型，最终一定要回到：图纸、工艺、设备、生产、交付、质量、成本和现场。这才是工业AI真正的价值。

你觉得，未来工业AI最先替代的，会是哪一类工作？

表面看，这是两家公司的不同命运；但本质上，这是两条路线的分野——AI正在从“能力展示”，走向“结果负责”。

一、通用智能体的终局：成为系统组件

Manus的成功，很典型。

它没有重做底层模型，而是基于已有大模型，通过任务编排，把“能对话”变成“能做事”。
这一步，确实让AI从玩具变成了工具。

但它被收购，其实也说明了一件更关键的事：

通用智能体的天花板，是平台生态的一部分，而不是独立生产力系统。

原因很简单：

• 它解决的是“信息处理效率”
• 而不是“真实世界结果”

在办公、营销、内容生产等场景，这已经足够。
但一旦进入工业、医疗、能源这些领域，问题就完全变了。

二、工业场景不需要“会聊天的AI”

工业的核心，从来不是“能不能生成”，而是：

• 能不能判断对
• 能不能稳定执行
• 能不能承担后果

这也是为什么，大多数通用智能体，一旦进入工厂，就会失效。

不是模型不够强，而是问题类型变了：

所以工业领域真正缺的，从来不是一个“更聪明的ChatGPT”，而是：一个能够贯穿“理解—分析—决策—执行”的工业大脑。

三、工业智能体的本质：闭环，而不是能力

很多人把工业智能体理解为“垂直版AI”，但这其实是误解。

工业智能体真正的壁垒，不在模型，而在闭环能力：

• 向下，打通数据：PLC、传感器、MES、CAD、工艺参数，全部要连通
• 向内，沉淀经验：老工程师的判断逻辑，要被结构化、可复用
• 向上，做出决策：不只是分析问题，而是给出可执行方案
• 向后，进入生产：决策要能落到排产、加工、交付

这四件事，缺一不可。

这也是为什么：工业AI不是“工具升级”，而是“生产系统重构”。

四、为什么这件事只能在中国发生

很多人会问：为什么工业智能体这条路径，在中国更快？

核心不是技术，而是结构。

中国具备一个非常特殊的组合：

• 完整的制造业体系-场景密度极高
• 快速迭代的工程能力，而非论文驱动
• 数据、算力、场景可以协同，而不是相互隔离

这意味着一件事：工业智能体不是“先有模型再找场景”，而是“在场景中长出来的系统能力”。

这和硅谷路径，本质不同。

五、我们看到来自一线的真实变化

在实际落地过程中，我们看到的变化，不是“效率提升一点”，而是结构性改变：

• 报价，从几天 → 几秒
• DFM评估，从经验判断 → 系统输出
• 工艺设计，从人工试错 → AI推荐
• 生产协同，从人驱动 → 数据驱动

更关键的是：决策开始被系统接管，而不是辅助。

这才是工业智能体真正开始发挥作用的标志。

六、未来三年，不是“有没有AI”，而是“有没有系统”

接下来三年，工业领域会发生三件确定性的事：

1. 通用AI全面退居底层

成为能力供给，而不是应用形态

2. 垂直智能体成为主入口

不同产业，会出现自己的“工业操作系统”

3. 人机协同成为默认结构

AI负责分析与执行，人负责最终决策与兜底

七、结尾：AI的终局，不在对话框

过去两年，AI的主战场在屏幕上。未来十年，AI的主战场，在真实世界。在制造业，这一点会最早发生，也最彻底。

因为这里不接受“差不多”，只接受：能不能生产，能不能交付，能不能负责。

这也是为什么我们一直在做一件事：不是做一个更聪明的AI，而是构建一个能够贯穿设计、分析、报价、生产的工业智能体系统。

AI的价值，不在生成答案，而在改变结果。

在本次报道中，一个关键信号被反复提及：

AI，正在将制造业从“周级周期”压缩至“天级响应”。

在传统制造模式下，一个产品从设计到样品交付，往往需要经历多个低效环节：

• 图纸反复修改，沟通成本高
• 工艺方案依赖人工经验，难以标准化
• 报价与排产割裂，周期不可控
• 产能匹配依赖人工协调，响应缓慢

这些问题叠加，直接拉长了产品研发周期，也增加了试错成本。而在本次节目中，立谱智造展示了一种新的实现路径：通过构建垂直领域工业大模型，将设计、工艺、报价与生产进行系统性重构：

• 图纸解析自动化：快速理解二维/三维设计数据
• 工艺决策模型化：基于历史数据匹配最优加工路径
• 报价计算实时化：多参数联动，实现秒级核价
• 生产调度智能化：自动匹配产能，实现快速排产

该体系以超过10万份工业零部件图纸数据与数万条工艺规则为基础，使AI具备工程语义理解与决策能力。

最终带来的结果是：产品从设计到样品交付，最快可在48小时内完成。这不仅是效率优化，更是对传统制造流程的一次重构。

在同一节目中，立谱智造联合创始人、首席科学家、哈尔滨工业大学（深圳）计算机学院教授，中国计算机学会青年计算机科技论坛（CCF YOCSEF）深圳主席，中国人工智能学会青年工作委员会委员漆舒汉，也从产业视角给出了解释：相比传统模式下科研成果2-3年的转化周期，深圳可以将这一周期压缩至2-3个月。

这种“深圳速度”的形成，离不开三方面基础：

1. 完整且高密度的产业链体系：从设计、打样到量产，关键环节高度集中，使技术能够快速落地验证。

2. 面向新技术的开放制造环境：本地制造企业普遍具备较强的技术接受能力，愿意与AI等新技术深度结合。

3. 数据要素的流通机制逐步建立：随着数据交易与共享机制的发展，制造数据开始从“封闭资源”向“可利用资产”转变，为工业大模型提供关键支撑。

从更宏观的角度来看，本次报道所反映的不仅是单一企业的实践，更是制造业底层逻辑的变化：过去，制造依赖工程师经验与人工协同；现在，制造正在向“模型驱动 + 数据驱动”转变。

这一转变带来了三个显著特征：

• 更快：研发与打样周期显著压缩
• 更准：基于数据的决策降低不确定性
• 更省：在设计阶段即实现成本优化

也意味着：制造能力，正在从“个体经验”转变为“系统能力”。

在这一趋势下，立谱智造围绕工业大模型，持续推进制造全链路的智能化重构：

• 在设计端，实现图纸的结构化理解与可制造性分析
• 在工程端，构建工艺知识库与决策模型
• 在交易端，实现报价与需求的高效匹配
• 在生产端，打通多工艺产能，实现柔性调度

通过“AI模型 + 云工厂”的方式，将分散的制造资源整合为可调度的系统能力。逐步形成从设计、分析、报价到生产交付的闭环能力。

从本次深圳卫视的报道可以看到，一个更加清晰的趋势正在形成：制造，正在从“重资产能力”走向“可调用能力”。

当工业大模型与数据要素结合：

• 产品开发门槛将持续降低
• 创新迭代速度将显著提升
• 企业试错成本将进一步下降

这不仅影响制造企业，也将深刻改变整个产业创新方式。

深圳正在通过“AI工具化 + 数据资产化”，推动制造业迈向新的发展阶段。立谱智造作为工业大模型的实践者，也将持续探索AI与制造深度融合的更多可能性。

让制造更高效、更精准、更可控。