制造业作为场景复杂、任务多样且劳动力密集的行业，AI技术无疑是提升生产效率、赋能产业升级的核心驱动力。然而，由于该领域专业壁垒高、工序链条冗长，AI技术在实际落地过程中面临巨大挑战——实验室中的优异表现，往往在进入工厂后因无法适应真实环境而大打折扣。

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，分享了智能体时代制造业突破困境的创新路径。

会上，上海精智正式发布开源工艺大模型“沃土”，并向全行业开放技术资源。这一举措不仅凝聚了公司多年深耕制造领域的经验积累，更承载着“沃土”扎根生产一线、融合行业智慧、构建中国制造工艺智能底座的战略愿景。

工厂原生AI：让智能扎根于生产现场

制造业的未来方向，并非简单为工厂叠加AI工具，而是让AI深度融入生产流程、理解工业逻辑、服务制造目标，并在真实场景中持续迭代优化。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，成为能够解析工业约束条件、参与生产决策制定、并对执行结果负责的智能系统。

然而，工业AI的研发实践表明，许多项目在实验室阶段表现优异，但部署到真实产线后却频繁失效。魏杰指出，工业AI落地并非单一技术问题，而是涉及数据、模型、场景的系统性工程。

具体而言，第一大挑战是数据获取难题。工厂每日产生海量数据，涵盖订单、图纸、工艺参数、设备状态、质量检测、交付记录等，但这些数据分散于不同系统、设备和人员手中，呈现碎片化、异构化特征，且缺乏生产语义关联。AI仅能识别孤立的数据片段，却无法理解其内在逻辑关系。

第二大挑战是模型专业度不足。制造业决策需同时满足公差控制、材料性能、设备能力、刀具选择、热处理工艺、质量标准和交付周期等多重约束。排产方案则需协调人员技能、物料齐套、工序衔接、订单优先级及突发异常。这要求工业模型不仅具备广博知识，更要形成深度认知能力，以驾驭复杂工业场景。

第三大挑战是验证场景稀缺性。互联网算法可通过快速迭代试错优化，但工业AI的决策失误可能导致零件报废、产线停滞或质量事故。因此，其验证必须在真实设备、材料、订单和交付约束下进行，而此类高保真验证场景的获取极为困难。

数据获取、模型训练、场景验证，每一环节都构成工业AI落地的障碍。唯有构建数据贯通、模型优化、真实验证和应用落地的完整闭环，才能实现技术突破。

基于此，魏杰提出“工厂原生AI”的三阶段实施路径：

第一阶段，制造数据沉淀。系统化采集生产、交付全流程数据，并通过结构化处理建立上下文关联，形成可被AI解析的工业数据资产。

第二阶段，工业模型训练。以制造数据为基础，融合生成式模型、运筹优化模型和机器视觉模型，赋予AI工业知识理解、决策优化和现场感知能力。

第三阶段，真实场景验证。AI生成的工艺方案需通过实际加工验证，异常识别需结合生产反馈确认，所有决策均需在设备、物料、质量和交付约束下接受检验。

在工厂原生AI体系中，工厂不再仅是AI技术的应用场景，而是同时承担数据源、训练场、验证场和进化场的多元角色。AI能力与制造能力形成共生关系：制造能力提升为AI提供更丰富的数据和验证场景，AI能力增强则推动工艺优化、计划排产和质量效率的持续改进。

从生成式AI到物理AI：制造业的进化路径

魏杰预测，生成式AI将在制造业迎来爆发式增长。因为制造业的核心工作本质都是“生成”过程：从图纸解析生成工艺路线，从资源约束生成生产计划，从历史数据生成参数建议，从设备状态生成维护方案等。

然而，生成式AI仅解决“理解”层面的问题，真正的挑战在于“执行”环节，这需要物理AI的支撑。魏杰判断，工业AI必将从生成式向物理AI演进。物理AI的核心特征是与物理世界形成闭环交互：持续感知人员、设备、物料和质量状态，接收执行结果反馈，基于反馈修正决策，并与设备、机器人和生产系统协同作业。

“从生成式到物理AI的路径非常清晰：从工业知识理解到工艺方案生成，从生产计划制定到现场状态感知，从执行结果反馈到设备协同控制。简言之，就是从方案生成走向感知、反馈与行动的完整闭环。”魏杰总结道。

在实践中，上海精智构建了三类工业AI智能体，形成闭环协同体系：

第一类，工艺优化智能体，解决“如何生产”问题。该智能体可解析订单图纸特征，识别公差和工艺要求，并结合企业工艺知识库、历史案例、材料性能和设备能力，生成工艺路线和参数建议。

第二类，产能调度智能体，解决“何时生产、由谁生产”问题。该智能体在制定生产计划时，需综合考虑人员技能、设备状态、物料齐套和交付期限，并能根据现场变化进行动态调整和滚动优化。

第三类，执行监控智能体，解决“生产质量”问题。通过机器视觉、传感器和生产系统，该智能体实时监测人员到位情况、操作合规性、设备运行参数、物料流转状态，并预警质量、安全和环境风险。一旦发现缺陷或异常，立即向现场人员发出警报。

三个智能体形成完整闭环：工艺优化智能体提供工艺决策，产能调度智能体制定计划方案，执行监控智能体反馈真实数据，通过持续迭代优化实现系统进化。

上海精智的实践：扎根产业，创造可量化价值

截至目前，上海精智已为近300家制造企业提供服务，覆盖机加工、压铸、钣金、注塑、装配、印刷、SMT等核心工艺环节，客户遍布汽车制造、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，复兴号铁路工程零部件供应商，以及蔚来汽车产业链企业等标杆客户。

这些实践成果印证了工业AI的实质价值：它不是技术概念，而是深入生产工序、解决实际问题、创造可衡量效益的强大引擎。

作为工业AI系统方案提供商，上海精智的成功要素是什么？

魏杰将公司能力体系归纳为四个层级。第一层是制造基础能力。公司拥有先进制造装备、精密零部件加工和热管理等真实生产场景，使其能够深入理解设备特性、工艺要求和质量控制要点，而非仅从理论层面设计解决方案。

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、图纸转化、视觉检测、工艺检索和企业知识库等场景，持续开展AI应用实践和闭环验证。通过建立业务与算法深度协作机制，由业务团队提出真实需求，算法团队开发模型，项目组推进落地。所有算法必须经过真实工厂验证，在设备、工艺和订单环境中持续迭代优化，形成从需求定义到生产应用的完整闭环。

第三层是工业AI产品输出。经过内部验证的AI能力，沉淀为工艺优化、产能调度和执行监控三类智能体产品，实现标准化输出和规模化应用。

第四层是核心资产积累，形成制造数据库、模型算法引擎和客户产业信任三大资产。截至目前，上海精智已积累近十万张原始图纸、超三十万道非标工序、超一千个量产SKU、一万九千多个非标SKU，以及十三万三千多次非标工单。这些数据资产为AI理解制造逻辑、学习工艺知识和验证决策效果提供了坚实基础。

“制造业需要的不是更大参数的模型，也不是简单问答工具，而是能够解析复杂约束、经受真实验证、参与生产闭环并对结果负责的智能系统。这正是工厂原生AI的核心价值，也是生成式AI向物理AI演进的关键路径。”魏杰强调。

面向未来，上海精智将以“沃土”开源大模型为起点，持续推动AI与制造能力的协同进化，携手行业伙伴共同开启中国制造智能化、敏捷化和高质量发展的新篇章。