“AI+制造”如何釋放乘數效應？華工智慧獲《科技日報》報道

國家對AI場景開放與要素保障力度空前，這有助于打破場景壁壘，讓更多AI創新技術有機會在真實工業環境中驗證優化。

今日

《科技日報》聚焦制造業轉型

報道了“AI+制造”過程中的“華工智慧”

介紹了華工人以硬核科創

為產業智能化轉型注入的源源動能

以下為報道全文

《科技日報》報道“華工智慧”

銑削加工技術是制造業中一項至關重要且應用廣泛的金屬切削加工方法。以往，傳統銑削加工軌跡在復雜加工區域中容易產生切削力突變，導致加工效率下降，加工精度損失，刀具壽命降低。

琶洲實驗室研究員、華南理工大學機械與汽車工程學院教授王清輝認為，現代高效粗加工技術的研究核心，已從追求極限工藝參數的“硬碰硬”模式，轉向追求加工過程中物理狀態平穩化的智能化模式，其終極目標是在高材料去除率下，實現恒力切削，“恒力切削意味著加工過程處于一個動力學平穩、負載可控的理想狀態，它允許數控系統以更平穩、更接近理論極限的速度運行，同時大幅降低振動風險，從而在提升效率、保障質量和延長刀具壽命之間取得最優平衡。”

王清輝把人工智能（AI）應用到復雜型腔模具及復雜自由曲面的粗、精加工中，通過智能化配置高速旋風銑與傳統加工軌跡，可有效穩定加工過程的刀具負載，將加工效率提升30%以上。

這是“AI+制造”的鮮活應用場景
隨著AI加速滲透

經濟社會發展“毛細血管”

“AI+制造”正釋放出更強動能

近段時間以來，《關于加快場景培育和開放推動新場景大規模應用的實施意見》《“人工智能+制造”專項行動實施意見》相繼出臺，加速推動“AI+制造”應用場景落地。

AI落地制造業場景

還面臨著哪些挑戰？

如何打通“AI+制造”堵點
充分發揮其乘數效應？

邁向規模化落地

在深圳嘉立創科技集團股份有限公司（以下簡稱“嘉立創”）位于廣東韶關的數字化生產基地里，該公司利用自研的智能制造系統，能在一塊不到1平方米的PCB（印制電路板）上，完成超200個PCB打樣訂單。

“依托高性能的分布式集群架構，我們可瞬間剖析訂單交期、板材尺寸、工藝要求等海量數據，進行最優化拼板設計。公司日均完成超過4萬份不同尺寸、要求各異的PCB訂單的拼板組合，板材利用率達到行業領先水平。”嘉立創相關負責人介紹。

不僅如此，在AI助力下，該系統能以秒級速度輸出報價與3D驗證模型，幾乎所有訂單均可由客戶自助完成。這種快速的對接和生產方式，能為機器人等企業的研發贏得寶貴窗口期。

隨著AI加速與制造業深度融合，制造業的生產模式正被深刻改變，AI應用場景也越來越多。“制造業AI場景創新已從單點試點邁向規模化落地，尤其在流程工業領域呈現出全棧產品體系支撐垂直場景產業化落地、核心技術架構實現自主可控突破等特點。”廣州博依特智能信息科技有限公司（以下簡稱“博依特”）董事長、華南理工大學輕工科學與工程學院研究員、博士生導師李繼庚說。

博依特制漿造紙自動駕駛系統

作為深耕流程工業生產工藝的AI創新公司，博依特構建了“AIoT基座+工藝MOM+工業智能體+行業大模型”全棧體系，推出全球首個制漿造紙工藝大模型及博依特制漿造紙自動駕駛系統。目前，博依特工藝AI已在造紙、食品、建材、化工等多個行業落地，服務超700家企業。“我們通過‘龍頭帶動+產業集群’模式，帶動江門造紙集群50余家企業協同優化，實現集群年產量提升5%、能源消耗下降36%，創造直接經濟效益60億元。”李繼庚說。

這背后，是制造業數智化轉型扎實推進的宏大圖景。工業和信息化部數據顯示，截至目前，我國已累計建成3.5萬余家基礎級、8200余家先進級、500余家卓越級智能工廠，培育15家領航級智能工廠。

面臨“水土不服”難題

王清輝教授

“實際上，相比民生領域

AI在制造業領域的應用

更加復雜，挑戰也更大。”

王清輝說

“AI+制造”在場景落地過程中易遇到“數據孤島”與“垃圾輸入”并存的問題。以電子及機械行業為例，該行業產業鏈上下游極其分散，訂單高度離散，有時會涉及數十萬種元器件和非標零部件。這導致AI需要處理海量且非連續的“孤島式”數據。

此外，客戶上傳的3D模型格式多樣。輸入數據量雖然大，但機器難以根據其幾何特征識別對應的工藝要求，形成了難以使用的“垃圾數據”。王清輝說，制造業涉及的數據結構與加工工藝極為復雜，尤其在工業軟件領域，各類數據模型往往具備特有的屬性、結構和工藝知識，缺乏通用的數據特征。

由于通用大模型缺乏工業物理常識和制造背景，直接套用易產生“幻覺”或嚴重錯誤，技術落地時往往“水土不服”。“這里有一個標準與定制的矛盾：制造業追求標準化的規模效應以降低成本，而AI賦能的產業互聯網追求‘千人千面’的定制。”嘉立創相關負責人說。

在李繼庚看來，流程工業數據存在多源異構、利用率低、質量參差等問題。工業時序數據利用率不足10%，設備振動、溫度等動態數據未被有效挖掘，難以支撐AI模型高質量訓練。

行業經驗與知識沉淀不足、人才結構斷層，也在一定程度上影響著AI在制造業場景中的拓展。“制造業的生產關鍵環節高度依賴老師傅經驗，工藝知識‘黑箱化’嚴重，難以轉化為可規模化復制的算法模型，導致技術推廣時面臨知識斷層難題。”李繼庚說。

此外，多位受訪專家分析，制造業AI創新投入大、周期長，導致一些中小企業對轉型成本和回報周期存有顧慮，對AI創新場景的落地推廣意愿不強。

推動技術與應用雙向賦能

Q

如何推動AI與制造更好“雙向奔赴”？

《“人工智能+制造”專項行動實施意見》提出，一端抓技術供給，推動“智能產業化”，一端抓賦能應用，加快“產業智能化”，整體壯大產業生態，促進人工智能科技創新與產業創新深度融合、人工智能技術與制造業應用“雙向賦能”，加快制造業智能化、綠色化、融合化發展。

“要建設和開放更多的‘AI+制造’應用場景，首先應從政策層面入手，建立工業數據‘普通話’標準。”嘉立創相關負責人建議，以官方牽頭、行業龍頭企業聯合的方式，分行業制定數據交換標準，打通設計、制造、供應各環節的數據壁壘，降低AI解析和清洗數據的社會總成本。

夯實人工智能賦能底座，也是破解制造業AI場景創新難題的關鍵因素。受訪專家普遍認為，我國可通過布局工業垂直模型的AI研究，解決通用大模型不匹配制造企業實際生產、“一本正經胡說八道”的問題。

博依特在這方面已有所探索。該公司構建起包含1000余個工藝規則的機理模型庫，將老師傅操作經驗轉化為算法模型，形成可規模化復制的優化決策資產；同時通過工藝大模型實現行業專業知識問答、推理及企業知識培訓，加速知識傳承與復用。

此外，還應建設人工智能應用對接平臺，促進供需精準匹配。“打造‘AI+制造’場景，離不開工業軟件企業、制造業企業、高校科研院所三方的深度融合。”王清輝建議，通過建設對接平臺，能有效發揮三方各自的優勢，凝聚合力，讓AI更加精準地應用于制造業不同場景。

“國家對AI場景開放與要素保障力度空前，這有助于打破場景壁壘，讓更多AI創新技術有機會在真實工業環境中驗證優化。同時，國家對協同推進準入、場景、要素改革，強化數據、人才、資本等要素支撐作出部署，也將有效降低AI場景創新的成本與風險。”李繼庚說，政策牽引力有望進一步推動AI在制造業的規模化應用。

黨委宣傳部（融媒體中心）

信息來源：科技日報

文字：記者 葉青

圖片提供：琶洲實驗室、博依特智能

微信編輯：黃明華

初審：冀早早

復審：盧慶雷

終審：夏正林

華工原創，版權所有

若需轉載，敬請聯絡

郵箱：hgxcb@scut.edu.cn

“分享”“點贊”“在看”，記得一鍵三連哦