过去几年，人工智能技术快速发展。
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。