徽声在线8月3日讯（记者 李晓晨）“AI技术能否有效降低能耗、提升生产效率，并切实转化为经济效益？”

在近期举办的世界人工智能大会上，上海交通大学人工智能与微结构实验室主任、金珵科技创始人李金金教授，在向联合国秘书长古特雷斯介绍中国AI技术在工业生产领域的创新应用时，这三个核心问题给她留下了深刻印象。

古特雷斯对AI技术的关注点，超越了模型参数和技术指标的层面，他更关心的是AI能否解决真实的产业难题，以及能否让不同发展阶段的国家和企业都能从技术进步中受益。

“我回应他，（AI+制造）的终极目标正是这三个方向。”李金金在接受徽声在线专访时表示，中国拥有庞大且门类齐全的制造业体系，哪怕在关键工艺环节实现微小的稳定提升，放大到整条生产线和全年经营统计中，都将产生显著的经济价值。但她也指出，这并非简单复制互联网AI的发展路径，而是一个更注重交付质量、安全性和长期复利的市场。

这一判断源于李金金横跨基础研究和产业一线的丰富经历。作为上海交大培养的科研领军人物，她早期专注于凝聚态物理研究，后来将第一性原理与人工智能相结合，构建了AI for Science for Industry的完整链条，关注点也从“如何利用AI发现科学规律”转向“如何将科学规律转化为制造业可执行、可验证的决策”。

李金金认为，当前AI+制造正从“试点验证期”向“高价值场景的规模复制期”迈进。但与互联网场景不同，工业过程具有动态性，温度、压力、流量等参数都带有时间标签，今天的状态是此前多轮操作和环境扰动的综合结果。未来最关键的转折点，将是‘高价值场景的标准化交付’的实现。

【1】AI向善与企业需求的深度融合

在李金金看来，人工智能向善不仅意味着AI学习“好”的数据，更意味着技术应回应真实需求、创造普惠价值。

“工业模型的首要要求并非参数规模，而是实时性、稳定性、可解释性以及在边界条件下的可靠运行。”李金金指出，大量制造企业都有使用人工智能的意愿，但如何应用、应用在哪里、能产生什么效果，仍是许多企业面临的共同困惑。

政策端正在给出明确指引。《“人工智能+制造”专项行动实施意见》提出，要推动大模型技术深度嵌入生产制造核心环节，改造研发设计、中试验证、生产制造、营销服务等全流程。到2027年，计划推动3-5个通用大模型在制造业深度应用，推出1000个高水平工业智能体，打造100个工业领域高质量数据集，推广500个典型应用场景。

“这表明人工智能正在从‘技术展示’和局部工具应用，迈向以制造业全流程价值创造为导向的深水区。”李金金说，AI+制造的目标不是给工厂增加一个聊天机器人，而是让AI参与分析、决策、执行和反馈的闭环。

这一变化在生物发酵领域已有所体现。李金金告诉记者，川宁生物曾面临生物发酵代谢过程复杂、发酵产量低、人力成本高等痛点，以及人类工程师在降低生成波动、提升发酵产量等方面经验不足的问题。而通过AI“工程师”的调控，该公司实验罐在相同物料投入下平均产量高出对照组3%-5%。

石油化工也是工业AI价值发挥较为集中的场景。李金金介绍，金珵科技已与一家炼化类上市企业开展合作，在AI赋能下，产出每提升一个百分点，单厂每年便可减少1000万-2000万元成本。“这正是工业AI应追求的价值：以可核验的经营结果，增强而非颠覆现有自动化体系。”

人工智能也在改变传统劳动密集型产业的生产方式。

在纺织行业，过去设计、制版、出图等大量环节依赖人工重复操作。李金金表示，团队正与纺织企业开展合作，通过AI完成其中重复性较强的工作，再由工作人员进行核验，使人员转向审核、判断、创新和管理等更能发挥人的能力的岗位。

李金金在多次产业对接中观察到，制造企业往往带着具体问题而来，如怎样提升产量、怎样降低波动、怎样减少能耗、怎样缩短设计周期、怎样应对老师傅退休后的经验流失等。

从生物发酵、石油化工到纺织，AI+制造并非孤立的单点应用。企业有迫切的降本增效需求，AI技术则需要通过真实场景完成验证与迭代，二者正在形成一场深度融合。

【2】微结构科技底座支撑下的万亿级市场潜力

尽管市场空间广阔，但AI真正融入制造业并非易事。

当前，市场上存在三类较为普遍的AI+制造路径：一是大模型企业向工业场景延伸；二是制造企业依托自身数据开发行业模型；三是传统工业软件公司增加AI能力。

在李金金看来，这三条路径各有基础，但也面临不同约束。现有的大模型多为语言类模型，可以进入企业管理、知识检索、供应链辅助等场景，但较难直接深入到工业生产中最核心的环节。

制造企业掌握大量数据和老师傅经验，基于自身数据训练模型，通常能够解决一部分具体问题。但李金金强调，数据本身并不必然包含全部规律，企业不一定具备把分散在历史数据和老师傅经验中的“暗知识”转化为可复用算法的决策能力。

传统工业软件企业熟悉生产系统、设备接口和客户需求，但其原有的逻辑与AI+制造并不完全相同，难以直接沿用既有路径实现转型，需要改变原有技术架构和组织方式。

因此，工业AI并非简单的“大模型+工业数据”。在她看来，除模型能力外，工业AI还需要机理与数据融合、时序感知与闭环控制、云边端协同和工业系统适配，以及工程化交付能力，包括数据治理、现场验证、权限与安全管理，以及懂工艺也懂算法的部署团队。

“缺少这些能力，模型即使在离线测试中表现不错，也很难进入核心生产环节。”李金金强调。

这一判断与李金金的研究背景密切相关。

“宏观性能背后，本质上是微观结构。”她解释，物体所表现出的光学、电学、力学、稳定性等特性，源于原子排列、原子组成、堆积方式等微结构差异。将这一思路延伸至工业生产，如果希望AI真正理解一个动态过程，也不能只把历史数据输入模型。

“有的时候数据里找不到规律怎么办？在这种情况下，我们就要从第一性原理出发，从改变任何一个微结构的性质，然后再到配合数据里面的一定的规律去解决科学问题。”李金金说。

李金金将这种方法形象地概括为“把老师傅经验复刻进代码”。工业AI需要将这些隐性知识提取、验证并与生产数据结合，使其转化为可以复用和持续迭代的能力。

但这并不意味着用AI替代传统自动化控制系统。传统系统能够提供稳定、确定、可验证的基础控制，AI的增量价值则是在其之上处理更复杂的多变量耦合、长周期滞后和经验难以显性化的问题，从固定规则走向随数据反馈持续优化，从单点监测升级为“预测—决策—执行—再学习”的闭环。

在此前AI for Science研究基础上，李金金团队围绕材料、生物等领域开发模型，并将积累的底层算法进一步迁移至工业场景，形成工业时序控制大模型ManuDrive。目前，ManuDrive具有127个可组合的功能组件，通过标准化接口协同工作，支持动态组装、复用与持续学习，形成面向工业场景的可扩展基础架构，从而缩短后续项目的开发和部署周期。

李金金判断，当前AI+制造正从“试点验证期”迈向“高价值场景的规模复制期”，潜在市场至少达到万亿级规模。

以金珵科技为例，目前团队优先关注能够替代大量人力决策、且可带来明显经济收益的“国之重器”相关场景。具体到细分工业场景，李金金认为，高频、连续、多变量耦合且收益可计量的领域，例如生物发酵、化工与冶金过程、能源环保、重型装备等；以及半导体、材料研发等对精度和迭代速度要求很高的场景均值得重点关注。

但整体还未进入一键复制的成熟阶段，“每个行业的数据质量、设备接口、工艺机理和安全要求不同，必须先跑出可验证的样板，再做模块化复制。”李金金说道。

【3】如何打通AI+制造落地应用的“最后一公里”

拥有模型和市场需求，并不意味着AI能够自然进入工厂。

“第一个要有大模型，第二个要有客户。”李金金用这句话概括AI+制造规模化落地的两道门槛。前者需要长期的科研积累和工程化投入，后者则要求制造企业愿意开放真实需求、生产数据和试验场景。

制造企业对AI进入核心生产环节保持谨慎并不难理解。李金金告诉记者，企业最关心的通常不是模型演示是否漂亮，而是安全稳定性是否可控，数据是否安全、知识产权是否受到保护，模型决策是否可解释、能否经得起工艺人员和管理体系的复核以及效果能否被清楚归因。

在她看来，工业AI进入核心环节必须遵循渐进式路径：先做数据洞察、预测和建议，再在限定设备、限定工况下开展人机协同验证，最后才讨论授权范围更大的闭环控制；同时建立硬约束、报警、回退和全程审计机制。

“我认为最关键的转折点，是‘高价值场景的标准化交付’的出现。”李金金认为，当项目能用明确基线、可审计数据和阶段性验收证明收益，并将可复用的算法、数据治理方法和现场部署流程打包成产品，复制周期显著缩短，企业就会从“敢不敢试”转为“怎样更快部署”。

据李金金介绍，在闵行区组织的一场AI+制造供需对接活动中，百余家企业带着自身生产难题参与。而在此之前，相关部门已结合企业情况制定支持政策，通过补贴降低模型开发和部署的前期成本，使企业能够更好地开展试点、验证实际效果。

“企业带着需求来，技术团队针对具体问题给出方案，项目就可以更快启动。”她将这种方式概括为“精准对接”：不是先有一套通用技术，再寻找可以套用的场景，而是从企业真实需求出发，围绕关键工艺问题开展联合攻关。

针对中小企业资金门槛难题，金珵科技开展收益分成模式，搭配FDE前沿部署工程师全周期落地服务，企业无需前期大额投入，仅共享AI带来的增量收益。

但分成不是简单“按增产提成”。李金金强调，必须在项目开始前共同定义基线、对照组、原料与市场等外部变量的调整规则、数据口径、收益核算周期、上线后的运维责任以及安全责任边界。只有这些规则透明可审计，收益分成才可能从个案创新变成可持续的行业路径。

从更大范围看，AI+制造规模化落地需要企业、高校、科研院所、平台公司和地方政府形成合力。李金金表示，上海的优势在于“技术、产业、场景、服务”距离很近。

“像我们这样的团队可以从基础研究出发，与企业共同定义问题、现场验证，再把验证结果沉淀为可复用模块，转化链条相对完整。”她提到，上海不仅对工业垂类大模型、工业智能体、工业数据治理、制造业中试基地、标杆场景以及前沿部署工程师相关工具与人才供给支持，也在降低企业使用算力、数据和试点场景的门槛。

这种落地能力也一定程度决定着中国工业AI能否进一步走向全球。李金金坦言，相较于高度标准化的工业体系，许多发展中国家的制造企业面临设备基础不一、工艺波动较大、资金和技术人才有限等现实约束，对低成本、可部署、能够直接创造收益的工业AI方案有迫切的需求。

李金金判断，未来3-5年，AI应用重心会从“看得见的助手”转向“能对经营结果负责的工业智能体”；技术路线将转向“机理+数据”“大小模型协同”“云边端协同”；商业化也将从一次性项目逐步走向产品化交付和价值共担。

她表示，未来将首先服务好国内制造业尤其是中小企业的智能化升级，在此基础上，再将经过真实工厂验证的模型、模块和交付体系推广至海外市场，为发展中国家的制造企业提供解决方案。

（实习记者王琳对本文亦有贡献）

（徽声在线记者 李晓晨）