在制造业这个场景高度复杂、任务类型多样且劳动力密集的领域，AI技术无疑是提升生产效率、赋能产业升级的关键驱动力。然而，由于该领域专业门槛极高、工序链条漫长且精细，AI技术的落地应用成为了最具挑战性的一环。实验室中的惊艳表现，在进入工厂实际生产环境后，往往因“水土不服”而大打折扣。

在2026世界人工智能大会的高端产业对话「链合π圆桌会」上，上海精智董事长、上海市第十六届人民代表大会代表魏杰，分享了智能体时代下制造业的破局之道。

与此同时，上海精智隆重推出了开源工艺大模型“沃土”，并面向全行业开放其源代码。这一举措不仅彰显了公司多年在制造领域积累的经验与技术的深厚底蕴，更寄托了“沃土”能够扎根制造现场、汲取行业智慧、持续进化，最终成为中国制造工艺智能底座的宏伟愿景。

工厂原生AI：让智能在产线上自然生长

制造业的未来发展方向，并非简单地为工厂添加一个AI工具，而是要让AI真正融入工厂、理解工厂、服务工厂，并在生产现场不断进化。魏杰将这一理念定义为“工厂原生AI”。它不仅仅是一个能够回答问题的系统，更是一个能够深刻理解工业约束、参与生产决策，并对最终结果负责的智能系统。

然而，在实际研发过程中，许多项目在实验室中表现优异，但一旦部署到真实产线，却频频出现失效情况。魏杰解释称，工业AI的落地应用从来都不是单一技术问题，而是一系列高度关联的系统性问题。

具体而言，第一个难题是数据获取困难。工厂每天产生大量数据，包括订单、图纸、工艺、设备、质量、交付等各个方面，但这些数据分散在不同系统、设备和人员手中，不仅分散、异构，还缺乏完整的生产语义。AI只能看到孤立的数据点，却无法理解它们之间的内在联系。

第二个难题是模型专业性不足。制造业并非简单的知识问答领域。一个工艺方案需要同时满足公差、材料、设备、刀具、热处理、质量和交付等多重约束条件。同样，一个排产方案也需要综合考虑人员技能、物料齐套、工序衔接、订单优先级以及突发插单和设备异常等因素。这意味着，工业模型不仅需要掌握大量知识，更要能够“深入理解”，真正驾驭复杂的工业约束。

第三个难题是验证场景稀缺。互联网算法可以快速上线、快速试错，但工厂的一次错误工艺推荐可能导致零件报废，一次不合理的排产可能造成整条产线停滞，一次误判可能带来质量和安全风险。因此，工业AI必须在真实设备、真实材料、真实订单和真实交付约束下进行验证，而这样的验证场景却异常稀缺。

数据、模型、验证场景，每一道都是工业AI进入实地应用的难关。唯有打通数据贯通、模型训练、真实验证和应用落地的完整闭环，才能跨越这些障碍。

基于此，魏杰提出了“工厂原生AI”的概念，即从真实制造数据中生长出来，在真实生产过程中进行训练和验证，并最终回到真实工厂解决问题。这一理念包含三个关键环节：

第一，制造数据积累。持续沉淀生产、交付等全流程数据，并将其转化为具有上下文关系的结构化工业数据，为AI提供丰富的训练素材。

第二，工业模型训练。在制造数据的基础上，融合生成式模型、运筹优化模型和机器视觉模型，使AI既能理解工业知识，又能完成优化决策和现场感知任务。

第三，真实工厂验证。AI生成的工艺如何在实际生产中加工？AI识别的异常是否需要处理？这些问题不能仅依靠仿真来回答，必须回到产线，在设备、物料、质量和交付约束下进行验证。

在工厂原生AI体系中，工厂不再仅仅是AI的应用场所，而是同时充当数据源、训练场、验证场和进化场。AI能力与制造能力不再割裂，而是在同一生产闭环中共同成长。制造能力越强，提供的数据和验证场景就越丰富；AI能力越强，又能反哺工艺、计划、质量和生产效率持续提升。

从生成式AI到物理AI：制造业的必然演进

魏杰判断，生成式AI将在制造业迎来一轮真正的爆发。因为制造业的大量核心工作本质上都包含“生成”过程。比如根据图纸和技术要求生成工艺路线，根据设备、人员和订单约束生成生产计划，根据历史质量数据生成参数建议，根据设备状态生成维护方案等。

然而，生成式AI解决的只是“理解”层面的问题，更关键的“执行”层面则必须依赖物理AI。因此，魏杰判断，工业AI必然会从生成式AI进一步走向物理AI。物理AI的核心特征是AI开始与真实物理世界形成闭环。它能够持续感知生产现场的人员、设备、物料和质量状态；能够接收实际执行结果的反馈；能够根据反馈修正决策，并进一步与设备、机器人和生产系统协同，作用于现实生产。

“从生成式AI走向物理AI的路径非常清晰：从工业知识理解到工艺方案生成；从生产计划生成到现场状态感知；从执行结果反馈到设备和机器人的协同行动。一句话概括：从生成方案走向感知、反馈与行动。”魏杰如是说。

在实践中，上海精智重点打造了三类工业AI智能体，形成完整的闭环协同体系：

第一类，工艺优化智能体，解决“怎么做”的问题。企业接到订单和图纸后，工艺优化智能体可以理解图纸特征，识别公差和工艺要求，并结合企业既有工艺知识、历史案例、材料和设备能力，生成工艺路线和参数建议。

第二类，产能调度智能体，解决“什么时候做、由谁来做”的问题。生产计划需要同时考虑人员、设备、物料和交付约束条件。产能调度智能体不仅要生成计划，还要根据现场变化进行动态重排和滚动优化。

第三类，执行监控智能体，解决“做得怎么样”的问题。通过机器视觉、传感器和生产系统，执行监控智能体持续感知真实生产现场：识别人员是否到岗、操作是否合规；监控设备运行状态、能耗、振动和温度；跟踪物料批次、在制状态和流转过程；预警质量、安全和环境风险。一旦出现缺陷、设备异常或工艺偏差，立即向现场人员发出提示。

这三个智能体形成了一个完整闭环：工艺优化智能体生成工艺决策；产能调度智能体生成计划决策；执行监控智能体提供物理世界的真实反馈。再通过现场反馈实现持续迭代优化，不断提升生产效率和产品质量。

上海精智的AI答卷：扎根产业，创造真实价值

截至目前，上海精智已服务近300家制造企业，覆盖机加工、压铸、钣金、注塑、装配、印刷、SMT等核心工艺环节。其客户遍及汽车制造、具身智能、机械制造、家电电子、塑料包装等多个行业，包括特斯拉头部电机供应商、金属结构件供应商以及复兴号铁路工程零部件供应商和蔚来汽车产业链企业等知名企业。

这份亮眼的成绩单充分印证了工业AI的真实价值：它不是空中楼阁，而是能够深入真实工序、解决真实问题、创造可衡量生产效益的强劲引擎。

那么作为一家工业AI系统方案提供商，上海精智究竟做对了什么？

魏杰将公司能力体系总结为四个层次。第一层是制造基石。公司拥有先进制造装备、精密零部件和热管理等真实制造场景。这使公司能够深入理解设备、工艺、质量和交付等各个环节，而不是站在工厂外部凭空想象。

第二层是内部实践与闭环优化。公司围绕排产调度、智能报价、智能图纸转化、智能视觉检测、工艺检索和企业知识库等方面持续开展AI应用和闭环验证工作。并建立了业务与算法深度融合的协作机制，由业务团队提出真实需求，算法团队完成模型开发，项目专项组统筹推进落地实施。所有算法必须进入真实工厂，在真实设备、工艺和订单中持续验证、迭代和优化，最终形成从需求定义到生产应用的端到端闭环。

第三层是工业AI产品输出。经过内部实践和真实生产验证后，相关能力沉淀为工艺优化智能体、产能调度智能体和执行监控智能体等产品，并实现产品化和规模化复制推广。

第四层是核心资产沉淀。长期形成三项核心资产——制造数据库、模型与算法引擎以及客户与产业信任。截至目前，上海精智已经积累近十万张原始图纸、超过三十万道非标工序、超过一千个量产SKU、一万九千多个非标SKU以及十三万三千多次非标工单等宝贵数据资源。它们共同构成AI理解制造、学习制造和验证制造的重要基础支撑。

“制造业真正需要的不是参数更大的模型也不是只会回答问题的助手而是一个能够理解复杂约束、经受真实验证、参与生产闭环并对最终结果负责的智能系统。这正是工厂原生AI的价值所在也是生成式AI迈向物理AI的重要路径。”魏杰总结道。

面向未来，上海精智将持续推进AI与制造能力的协同进化，以“沃土”开源大模型为起点携手行业伙伴共同推动中国制造走向更加智能、更加敏捷、更加高质量的新时代。