郑志明院士：支持行业大模型与精准智能融合应用 加快发展新一代智能制造

支持行业大模型与精准智能融合应用

加快发展新一代智能制造

郑志明

中国科学院院士、北京航空航天大学教授郑志明，北京航空航天大学人工智能学院数控机床与人工智能创新应用技术北京市重点实验室主任

新一代智能制造是新一代人工智能与先进制造技术深度融合形成的新生产方式和新技术体系。它贯穿产品、生产和服务全生命周期，以人的知识创造、信息系统的计算分析和物理装备的精准执行协同运行为基本特征。行业大模型是新一代智能制造能力体系的重要组成部分，它连接知识、软件、装备与人的认知，是促进贯通协同的中枢。

从技术科学视角看，新一代智能制造需要两类能力相互耦合。一类是面向复杂数据系统的决策大模型，在制造业中主要表现为行业大模型，主要承担多源信息理解、任务方案形成与专业工具组织；另一类是内嵌物理规律、数学方法和先验知识的精准智能（物理智能），主要承担面向复杂物理世界的跨尺度建模、求解、预测与验证。本文所界定的“物理智能”，以物理规律与工程约束对智能系统认知、推理和执行过程的内生约束为核心，模型在机器人等具身载体中的部署是其具体实现形态之一。前者主要承担信息认知、任务规划与方案决策，后者主要提供跨尺度精确求解、工程验证与可靠执行能力。二者的深度耦合共同构成新一代智能制造的核心智能形态。

一、行业大模型正在成为智能制造的决策与协同中枢

我国制造业门类齐全、产业链完整、工程场景丰富，具备推动两类能力协同发展的独特条件。与此同时，工业对象具有明确的物理规律、严格的质量要求和清晰的安全边界，任何模型输出均需通过严格的工程校核。发展制造业行业大模型，需要形成与工业规律相适应的技术路径，突出专业化、工程化与可信化导向，统筹参数规模、算力资源、专业知识与工程工具，推动人工智能能力体系由单一生成向决策大模型与精准智能协同演进，形成可理解、可验证、可执行、可闭环的系统能力。

此前，部分制造业人工智能应用以“单模型－单场景”为主要建设模式，能够改善特定工序或指标，对上下游业务关联的识别和跨专业、跨系统复杂任务协同仍显不足。从功能定位看，制造业行业大模型应发挥面向工程任务的决策大模型作用。其核心价值体现为在制造系统中构建跨数据类型的语义层和面向任务的协调层，使自然语言理解、多源知识关联、任务分解、工具调用与高精度专业能力在同一任务链中协同运行。专用算法继续承担具体工程问题的精确计算与校核。

制造知识的组织方式正在发生变化。企业长期积累的图纸、工艺规程、设备手册、质量记录和专家经验，分散在不同载体和系统中。行业大模型结合工业知识库，可将原本依赖个体检索和经验传递的知识，转化为面向具体任务可检索、可关联、可调用的知识服务。在此基础上，模型可建立订单要求、设计意图、工艺条件与现场状态之间的关联，支持工程人员形成完整、准确的任务描述。

工业软件的人机交互与协同方式正在加速演进。工业软件长期集成几何计算、工程仿真、工艺规划和控制优化等数理方法，是精准智能的重要载体。传统工业软件以菜单、参数和功能模块为主要交互方式，具备较强专业能力，同时存在较高使用门槛和跨软件协同成本。行业大模型和工业智能体能够理解任务意图、分解工作步骤，并按照权限调用专业软件；工业软件则以可复现的算法和求解器输出工程结果。未来智能工业软件将在既有专业求解能力基础上融入决策大模型，使任务理解、高精度计算与工程验证在软件内部形成协同，建立面向完整工程任务的新型交互和运行机制。

制造系统的智能边界正在由“局部最优”向“全局协同”拓展。研发设计、工艺规划、生产调度、质量控制和设备运维原本由不同系统分别支撑，大模型可在统一语义层上连接这些环节，促进设计要求、制造能力和运行反馈相互传递。其实质在于将分散的算法与系统整合为面向制造任务的协同能力网络。

二、决策大模型与精准智能的融合路径

行业大模型进入制造业核心环节，需要首先建立工程可信能力，模型规模应服务于这一目标。精准智能是一种认知与改造复杂物理世界的技术科学范式，贯穿模型构建、推理执行和结果验证，其内涵超越生成结果的附加校验机制和某一种单一模型形态。其核心是在数据表示、模型构建和推理执行全过程中嵌入数理概念、物理规律与工程知识，形成可计算、可验证、可追溯的跨尺度智能能力。其基本要求是尊重复杂工程问题的本质特征，避免因适应单一模型而过度简化影响结果的边界条件、尺度耦合关系和物理约束。总体来看，决策大模型与精准智能的融合应用，应重点解决以下三个方面的工程化问题。

第一，提升跨尺度工程语义的完备性。工业数据的训练价值主要取决于工程语义质量与跨尺度关联程度。有效训练数据需要关联零件、工序、装备和产线等不同尺度，完整表征工况、对象、操作、结果及其因果线索，尤其应覆盖异常、失效和极端工况样本。高质量工业数据需要描述状态、事件及其形成机理，揭示关键变量变化与结果之间的因果关联。当前大量数据分散存储于设备与软件之中，语义定义、时间尺度及质量口径尚不统一，在缺乏跨尺度关联的情况下，模型往往停留于表层相关性的捕捉，难以充分识别支配制造过程的内在规律。

第二，强化数理机理约束下的专业求解与验证。数理概念与机理规律应通过约束方程、机理模型、专业求解器、训练约束与验证准则融入模型训练、推理和工具调用全过程，形成对工程求解过程的深层约束。产品设计、工艺规划和生产运行受几何、材料、运动、载荷、节拍和安全等多重约束。行业大模型承担意图理解与方案生成，工业软件、机理模型和专业小模型负责精确计算与工程校核，数控系统、可编程控制器和智能装备负责确定性执行。将概率生成能力接入由上述专业能力构成的工程工具链，是模型输出转化为可靠工程方案的必要条件。

第三，建立功能调用与责任边界相统一的闭环机制。工业智能体接入制造执行系统、工业软件与生产装备后，系统能力边界相应扩展，权限越界、错误调用与风险扩散等风险亦随之增加。应严格区分模型推理、任务编排与设备控制的功能边界，任何智能体均不得超越授权范围实施控制。对于质量、安全和连续生产要求较高的环节，应建立任务授权、工具白名单、结果校核、人工确认、运行监测与异常回退机制，确保输入、推理、工具调用和执行全过程留痕、边界明确并可追溯。

上述三个方面构成制造业行业大模型工程化应用的关键技术要求。决策大模型负责拓展问题空间与组织候选方案，精准智能则将候选解约束于物理可行、工程可用和安全可控的范围。二者协同有助于避免以语言表达质量替代专业正确性、以模型置信度替代工程证据、以系统连通性替代安全可控性。知识覆盖构成工业大模型的能力基础，将知识转化为可校核、可执行并可持续创造价值的工程能力，是建立竞争优势的关键。

三、工业母机实践：行业大模型与工程工具链的深度融合

工业母机直接作用于物理对象，为检验决策大模型与精准智能的融合效果提供了典型场景。复杂零件加工贯通零件几何、材料去除、机床运动和装备控制等不同尺度，需要同时完成设计意图与工艺经验理解、严谨的刀具轨迹计算、加工过程分析和确定性控制。前一类任务具有知识密集和开放性等特点，后一类任务具有强约束和高精度要求，两类任务能否实现有效衔接，直接关系到人工智能能否进入制造业的核心环节。

北京航空航天大学“复杂关键软件环境”全国重点实验室、“数控机床与人工智能创新应用技术”北京市重点实验室，长期围绕数控加工、工业软件与人工智能融合开展研究。在发动机叶片、叶轮等复杂曲面五轴加工中，团队自主研发的工业软件PathMancer支持加工轨迹交互式修改和加工表面质量还原。PathMancer所承载的是刀位几何、加工轨迹与表面质量之间可计算、可验证的专业关系，体现了精准智能在工业母机场景中的具体应用成效。

从相关实践可以看出，大模型主要承担人员意图、知识资源与专业软件之间的语义连接和任务组织功能，能够进一步提升复杂任务的理解、规划与协同效率，具体加工程序由经过工程校核的工业软件生成，并由数控系统和机床确定性执行。

针对上述任务，可构建“认知规划－专业求解－确定性执行－反馈进化”的四阶段闭环：在认知规划阶段，行业大模型作为决策中枢，负责理解加工目标、识别约束并分解任务；在专业求解阶段，作为精准智能载体的工业软件调用专业算法，完成刀轨计算、交互修改和加工结果分析，形成可校核的工艺结果；在确定性执行阶段，数控系统和机床按照经过确认的程序实施加工；在反馈进化阶段，将加工状态、检测结果和人员修正反馈至知识库、机理模型与大模型，推动工艺知识和模型能力协同迭代。

这一闭环机制表明，行业大模型进入工业现场，需要以工业软件作为连接认知决策与工程执行的中间层。行业大模型将分散知识和工程人员意图转化为结构化工程任务，工业软件则将物理规律、数学方法和工程约束固化为算法、求解器与验证准则，进而形成可验证的工程结果。工业软件由此构成精准智能的主要承载体，以专业求解和验证能力支撑大模型组织的任务链；二者构成认知决策与专业求解的互补关系。

分层协同机制在向其他行业推广时，仍应遵循相同的功能分层与能力协同原则。行业大模型适宜处理目标不完全明确、知识来源分散且需要跨系统组织的任务；精准智能适宜处理跨尺度物理过程和多重工程约束，其中专业小模型、机理模型和工业软件承担高精度识别、预测、优化与校核；控制系统和装备负责满足实时性与确定性要求。通过明确各类能力的功能定位与责任边界，可避免系统职责交叉和责任主体缺失，进而构建可信、可控的新一代智能制造系统。

四、应构建决策大模型与精准智能协同的行业支撑体系

2026年1月，工业和信息化部等八部门联合印发《“人工智能+制造”专项行动实施意见》，对行业模型、工业智能体、高质量数据集和智能装备作出系统部署。推动部署落地，应更加突出制造业规律，统筹发展面向复杂数据和复杂任务的决策大模型与内嵌数理规律和知识的精准智能，将支持重点从单一模型建设延伸到数据、知识、机理、软件、装备和场景协同创新，形成由任务牵引、知识基础、工具支撑和生态保障构成的行业支撑体系。

一是以“工程任务链”深化应用场景开放。场景名称主要用于界定人工智能的应用范围，工程任务链则需进一步明确输入条件、决策事项、数理约束、工具调用、确认主体及验收方式。应围绕研发设计、工艺优化、质量控制、设备运维等环节，遴选一批约束清晰、价值可衡量、结果可验证的高难度任务，支持制造业企业开放真实流程和脱敏数据，组织模型企业、工业软件企业和高校院所等进行联合攻关。评价示范项目时，应综合考察决策质量、任务完成率、工程精度、运行稳定性与投入产出水平。

二是建设数据、知识与数理机理协同的精准智能基础。应推动数据治理由统一格式向跨尺度工程语义深化，将产品、工艺、装备和产线等不同层级的对象、工况、操作、参数与结果关联起来；系统整理工艺规程、工程案例和专家经验，沉淀约束方程、边界条件、物理模型、控制规则和验证准则，建设可计算、可追溯的行业知识与机理资源；重视故障、异常、边界工况和人工纠错数据，使模型掌握成功工艺模式及其形成机理、适用条件与失效边界。

三是形成决策大模型、精准智能与装备分层协同的工程工具链。应将工业软件、机理模型、专业求解器和数字孪生作为这类工程求解能力的基础设施，支持其与行业大模型、工业智能体、制造执行系统和数控系统深度适配，研发标准化任务描述、工具接口和调用协议。评测体系应超越单一的问答和生成指标，构建涵盖决策能力、精准求解能力与工程结果的综合评价框架，分层评价专业正确性、计算精度、工具调用、约束遵守、复杂工况适应和运行稳定性。对进入生产核心环节的智能体，应将沙箱验证、权限控制、操作留痕、人工确认和异常回退纳入系统架构的内生能力。

四是培育以工业软件和专业服务商为关键纽带的应用生态。行业大模型具备共性底座，企业的工艺、设备和知识具有高度专用性，适宜形成“行业共性决策模型+企业专有知识与机理+专业工具链”的分层供给模式。应支持龙头企业建设共性能力和开放验证环境，支持工业软件企业将多年积累的工程算法、机理知识与大模型能力结合，培育兼具人工智能技术能力与制造工艺知识的专业服务商。面向中小企业，提供可订阅的模型能力、标准化精准智能组件和轻量化部署服务。企业内部还应建立由研发、工艺、生产、质量和安全部门共同参与的任务团队，明确一线人员在模型应用、知识贡献和结果监督中的多重职责。

总体而言，行业大模型赋予制造系统复杂信息理解与复杂任务组织能力，精准智能则使智能系统具备基于数理规律认知并作用于复杂物理世界的能力。语言理解与生成构成先进工业模型的基础能力，其工业应用水平则集中体现于复杂任务决策、专业工具调用以及精确工程结果的生成与验证。新一代智能制造的核心在于以决策大模型拓展认知与决策能力，以精准智能保障对物理规律的遵循和工程精度，并促进人与软件、装备之间形成更高水平的专业化协同。

“十五五”时期，应着力构建决策大模型与精准智能双向耦合的可信任务链。真实任务界定价值，行业大模型承担任务理解与组织，工业软件和数理机理负责求解与验证，智能装备实施确定性执行与现场检验，现场反馈推动知识、机理与模型协同演进。通过持续运行“认知－求解－执行－反馈”闭环，可将我国完整工业体系和丰富应用场景转化为具有持续竞争力的系统优势，为新一代智能制造提供内生演进动力。