制造业作为场景高度复杂、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高、工序链条冗长，AI技术的落地应用面临巨大挑战——实验室中的亮眼成果，在进入工厂实际环境后，往往因“水土不服”而难以发挥预期效果。

在2026世界人工智能大会高端产业对话「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突破困境的创新思路。

与此同时，上海精智正式发布开源工艺大模型“沃土”，并面向全行业开放。这一举措不仅是对公司多年制造经验与技术积累的全面释放，更承载着“沃土”扎根制造现场、吸收行业智慧、逐步进化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，并非简单地为工厂添加AI工具，而是要让AI真正融入工厂环境、理解工厂需求、服务工厂生产，并在生产现场持续迭代优化。魏杰将这一理念定义为“工厂原生AI”。它超越了传统问答系统的范畴，成为能够理解工业约束、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，许多项目在实验室表现优异，一旦部署到真实产线却频频失效。魏杰解释称，工业AI的落地并非单点技术问题，而是一组高度关联的系统性挑战。

具体而言，第一大挑战是数据获取难。工厂每日产生海量数据，涵盖订单、图纸、工艺、设备、质量、交付等多个维度，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，更缺乏完整的生产语义。AI看到的仅是一张图、一串参数和一张工单，却难以理解它们之间的内在联系。

第二大挑战是模型专业性不足。制造业远非简单的知识问答。一个工艺方案需同时满足公差、材料、设备、刀具、热处理、质量和交付等多重约束。一个排产方案也需兼顾人员技能、物料齐套、工序衔接、订单优先级，以及突发插单和设备异常。这意味着，工业模型不仅需掌握大量知识，更要“理解得深”，真正驾驭复杂的工业约束。

第三大挑战是验证场景稀缺。互联网算法可快速上线、快速试错，但工厂一次错误的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，而这样的验证场景恰恰最为稀缺。

数据、模型、验证场景，每一道都是工业AI进入实地的难关。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，才能跨越障碍。

基于此，魏杰提出“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，并转化为具有上下文关系的结构化工业数据，为AI训练提供丰富素材。

第二，工业模型训练。在制造数据基础上，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，提升模型实用性。

第三，真实工厂验证。AI生成的工艺如何加工？AI识别的异常是否需要处理？这些问题不能仅靠仿真回答，必须回到产线，在设备、物料、质量和交付约束下验证，确保AI决策的可行性和有效性。

在工厂原生AI体系中，工厂不再只是AI的应用场，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，形成良性循环。

从生成式AI到物理AI：制造业的必然跃迁

魏杰判断，生成式AI将在制造业迎来真正爆发。因为制造业大量核心工作，本质上都包含“生成”环节。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。生成式AI为这些工作提供了强大的理解能力。

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，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。它能持续感知生产现场的人员、设备、物料和质量状态；能接收实际执行结果的反馈；能根据反馈修正决策，并进一步与设备、机器人和生产系统协同，作用于现实生产，实现真正的智能化。

“从生成式AI走向物理AI，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，再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。”魏杰总结道。

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：

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以后，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，为生产提供精准指导。

第二类，产能调度智能体，解决“什么时候做、由谁来做”的问题。生产计划要同时考虑人员、设备、物料和交付约束。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，确保生产高效有序进行。

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，确保生产质量。

三个智能体形成完整闭环：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，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。从特斯拉头部电机供应商、金属结构件供应商，到复兴号铁路工程零部件供应商、蔚来汽车产业链企业，均在其服务范围内，展现了强大的市场影响力和服务能力。

这份亮眼的成绩单，印证了工业AI的真实价值：它不是空中楼阁，而是深入真实工序、解决真实问题、创造可衡量生产效益的强劲引擎，为制造业转型升级提供了有力支撑。

那么作为一家工业AI系统方案提供商，上海精智做对了什么？

魏杰将公司能力体系总结为四个层次。第一层是制造基石。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，而不是站在工厂外部凭空想象，为AI应用提供了坚实基础。

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、企业知识库，持续开展AI应用和闭环验证。并建立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。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，确保AI技术的实用性和有效性。

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，并实现产品化和规模化复制，为更多制造企业提供智能化解决方案。

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。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，为公司的持续发展提供了有力保障。

“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。”魏杰强调道。

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，为制造业转型升级贡献更多力量。