借助大模型让汽车产品设计代码化繁为简，开启"造车"新模式；依托"AI质检员"，实现边生产边质检，瑕疵识别准确率远高于人工检测水平；越来越多的人形机器人开始在工厂"上岗"，承担物料搬运、零件组装等多种工作......
随着以大模型、机器人为代表的新一代人工智能（AI）技术迅猛发展，我国制造业正从基础级智能化向着更高阶的智能化迈进。依托工厂数字化、自动化转型基础，一批由AI技术驱动的AI超级工厂正在全国各地加速落地，推动制造业全面迈向更高效、更智能、更绿色的"智造时代"。
AI赋能智能工厂再升级
走进某智能生态工厂总装车间，AI元素"无处不在"。600余台机器人不停挥舞手臂，精准地定位、抓取并拼装各个模块，仅用数秒就能完成玻璃、座椅、轮胎等零部件安装；随处可见的无人化智能移动机器人往来穿梭，实现10公斤以上零部件100%全自动搭载；3D视觉跟踪技术代替人工肉眼，实现纳米级精准控制。
"过去，一条总装线只能生产一个批次、一种型号、单一颜色的汽车，如今在AI技术的赋能下，我们已实现不同型号、不同配置、不同颜色新能源汽车的柔性化'混线生产'。"智造中心总装车间工程师介绍道。
具体而言，消费者可根据个人偏好，在线定制车身颜色、内饰风格、座椅材质等。随后，依托大数据云平台、数字化生产指示的智能制造执行系统支持，这些"定制化"的购车信息会被迅速分解为2000多个零部件信息，在指定的时间按秩序进入总装环节。通过模块化设计和智能调度系统，生产线可以在短时间内完成从一种车型到另一种车型的切换，切换过程零损耗。据介绍，通过持续的工艺优化和技术创新，该工厂单车下线周期由过去的60秒缩短至现在的53秒。
在一个钢铁集团热轧生产线，一块钢坯制成钢板需要经过20道工序、涉及300多个参数。过去，工程师调整生产钢板的种类和尺寸需要耗费5天时间，如今，大模型能对最优参数进行预测，显著降低调整时间，提高预测精度和钢板成材率。
在针纺公司纺织车间，"AI质检员"已逐渐代替人工质检。5G+经编花边瑕疵AI视觉识别检测系统应用以来，织机面料实现了在线100%全检，平均检出率达95%以上，远高于人工检测水平，整体效率提升2～3倍，企业人工成本每年节约200多万元。
在电气工厂，基于AI技术的热处理数字仿真系统，能够通过算法优化，使单台设备能耗降低25%，氮气消耗减少36%；同时，利用暖通空调的AI动态调控系统结合数字孪生技术，实现单位产品组用水量下降56%。
如今，像这样的AI超级工厂已在全国各地"遍地开花"。可以看到，"AI+制造"正在重塑制造业的生产模式，其影响不仅体现在生产效率的提升，更推动着制造业加速向智能化、柔性化和绿色化方向转型。
工业和信息化部发布的数据显示，当前我国智能工厂梯度培育提质增效，全国已建成3万余家基础级智能工厂、1200余家先进级智能工厂、230余家卓越级智能工厂。这些类型的智能工厂覆盖超过80%的制造业行业大类，工厂产品研发周期平均缩短28.4%，生产效率平均提升22.3%。
三大核心技术驱动数智跃迁
从"标准化生产"到"个性化定制"，从"劳动密集"到"算法密集"，AI超级工厂的背后是制造业底层逻辑的变革。相较于一般的自动化产线，在这里，工业机械臂进化为更灵活、更智慧的具身智能，传统语言模型升级为可自主分析、辅助决策的大模型，仿真技术融合物联网、大数据和5G-A等技术，形成实时交互的数字孪生系统......这些技术的协同创新，持续推动制造业向更高阶的智能化跃迁。
"智能工厂需要洞察一些复杂和高阶的关联，其核心在于智能机器人、数字孪生、AI大模型等关键技术在工业场景中的深层次渗透与应用。"中国工程院院士指出，智能机器人可全面感知周围环境，并拥有智能决策的能力，实现生产环境中灵活、自主的避让，适用于更多复杂、动态的生产场景；数字孪生集成了物联网、大数据、AI等技术，不仅能实现全产业链信息贯通，还能基于所采集的实时数据反向优化车间运营和供应链竞争，确保工厂运行在最佳状态；而AI大模型对世界高阶相关性的认识已经远远超越人类，可以帮助智能工厂洞察更复杂的高阶关联。
在汽车制造、电子制造等行业，工业机器人增加了感知、理解任务等功能，正从传统的自动化机械装置向具身智能加速进阶，特别是越来越多的人形机器人开始走进工厂承担物料搬运、零件组装等多种工作。
"制造业将成为人形机器人最早一批大规模应用的领域。"某技术人员表示，传统的工业机器人像一个专才，如焊接机器人、装配机器人、搬运机器人，它们都是为特定任务设计的，擅长执行重复性、单一任务和流程化的操作；而人形机器人更像是一个通才，具有更灵活的运动能力和适应性，感知能力也较强，更适合一些高协作、多复杂任务的场景。
大模型出现后，让人形机器人增长了智慧，拥有类人的3个层次，即肢体运动能力、多模态感知能力和决策控制能力，可以开展多场景、多任务的协同实训，能更好地解决工业需求。
而数字孪生不仅仅是是产品、设备的数字孪生，还包括车间、工厂，以及供应链的数字孪生。以华中数控为例，该公司将数字孪生、大数据、融合建模等技术用在数控机床上，不仅实现装备实时控制，还赋予机床自我感知、自主学习和深度交互能力。
"自主学习是数控机床智能化的灵魂。"机床数字主线记录机床全生命周期的数据，提供数据和知识支撑。系统凭借自我分析、自主学习能力，围绕工艺优化、精度提升、健康保障三大子系统，形成人机交互、工艺参数优化、故障诊断等应用场景。通过深度学习虚拟仿真加工形成的指令域数据，可实时比对实测数据，使加工效率提高20%。
落地工程仍存在"一头热一头冷"现象
尽管"AI超级工厂"的建设如火如荼，但其在落地工程中，仍面临诸多挑战。比如，以大模型为代表的生成式AI技术在工业场景中的应用停留在表面。权威市场机构调研显示，行业大模型应用场景呈现"微笑曲线"特征。在产业链高附加价值的两端（研发、设计和营销、服务），大模型应用落地较快，而在生产制造端，大模型应用较慢。
AI技术在工业领域的应用与6～8年前工业互联网平台在制造业中的推广和应用情况类似，还存在"一头热一头冷"等情况，供给侧比较热，需求侧没有完全应用起来。同时应用也存在深浅不一的问题，在先进制造业落地场景多、应用丰富，而在一般制造业推进比较难，头部企业从AI顶层架构规划到实际场景落地推进较好，而很多中小制造企业受制于资金、技术能力应用比较难。
数据处理能力不足也是制约工厂智能化转型的一大瓶颈。一方面，多数企业对数据的利用刚刚起步，数据资源散落在各业务系统中，互联互通难度大，形成"数据孤岛"，很难汇聚形成高质量的数据集。另一方面，工业数据和模型的安全性也急需解决。
江西苏强格无人智慧仓储产线
"有场景但是没数据。"工业场景的数据难以直接用于AI，必须按照实际需求重新采集。而要获取高质量数据，企业首先须完成信息化和数字化转型。
工业场景中的大模型应用对精确性和稳定性的需求较高，在数据的获取时也通常需要更专业的设备和人员。目前大模型的应用还处于发展阶段，缺乏统一的行业标准和规范，工业生产场景复杂多变，也导致大模型的应用存在风险和不确定性。
工业AI不是简单的技术叠加，而是工业知识与AI技术的深度融合，须由工业领域主导推进。工业AI的落地实施需要企业具备驾驭AI技术的能力，这不仅包括研发能力，还涉及企业各个层面的能力，例如业务层面和一线工程师的能力。工厂要培养自己的数据科学家，这些科学家能够理解生产和制程，能够掌握AI技术的基础方法论，并将其应用到实际场景中。同时，企业还须要从上到下思考如何利用AI技术改善运营效率和提升工厂智能化水平，而不仅是采取传统的小步快跑快速迭代方法。
（中国电子报）