中科紫东太初王金桥:多模态大模型加速进厂,制造业正迈向“AI原生”时代

中科紫东太初王金桥:多模态大模型加速进厂,制造业正迈向“AI原生”时代

“制造业竞争表层比拼装备,深层比拼的是智能密度与智能主权。”11月18日,在2026企业管理创新大会上,中国科学院自动化研究所副总工程师、中科紫东太初董事长王金桥指出,制造业正从“智能化”向“AI原生制造”过渡,大模型正逐步成为工厂的统一认知中枢。制造赛道的竞争重心,已经跳出效率竞速,转向智能密度与智能自主权的角逐。

AI原生转型启幕:制造底座迎来智能重构

王金桥首先界定了当前AI赋能制造业的宏观坐标:制造业已经走过机械化、电气化、数字化,正迈入以智能为核心的新阶段。目前行业整体处于“智能化”向“AI原生制造”过渡的阶段——前者可以完成感知识别,但执行仍依赖人;后者则要求系统能够自主编排工序、调度设备,人只做关键节点确认。

这一转型背后的驱动力,是生产要素的结构性变化。王金桥指出,在智能时代,智能供给可以像电力一样被规模化调用和计量。在Token经济时代,对制造业而言,核心问题不再只是能不能用AI,而是能否以可承受的成本,把智能嵌入研发、生产和管理流程。

他直言,目前制造业面临四大现实瓶颈:设计端多套知识体系相互隔离、生产设备只能被动接收指令、质检判定高度依赖人的主观经验、运维领域系统林立数据割裂。

锚定四大核心场景:AI渗透制造全链路

在制造业现场,多模态大模型正尝试向设计、作业、质检、运维链条渗透落地,相关方案仍处在工程验证与规模化推广的阶段。

工艺设计端,中科紫东太初依托自研科学基础大模型探索AI4S“以学代算”路径。据王金桥介绍,传统CFD仿真下飞行器外形优化往往耗时数周,该模型可实现毫秒级参数预测,10秒完成流场推演,企业自测预测误差控制在5%以内,求解效率提升3至10倍。这套“AI快速粗筛+CFD精准终审”的分层仿真方案,已在飞行器、高铁、风机等场景开展验证。与此同时,模型具备图纸解析能力,可识别图纸承载的工程意图,支撑自动化图纸会审,并联动CAD智能体输出三维模型。

生产环节的落地重心落在具身智能上。王金桥认为,工业场景下的具身智能并非简单为机器人叠加视觉模块,核心是构建适配物理环境的自主闭环。在他看来,行业竞争重心正在转移:“行业竞争的壁垒,已经从单纯的算法优势,转向可持续的数据闭环能力。训练场的本质,就是把老师傅沉淀下来的工艺经验,转化为可复制的数据资产。” 其与华工科技合作开发的焊缝跟踪方案,针对焊接场景强弧光、烟尘干扰难题,企业披露识别率超95%、支持毫秒级纠偏,核心算法实现自研,有望替代过往高价进口方案。

缺陷检测长期受困于工业缺陷样本稀缺,中科紫东太初选择无监督异常检测路线。该团队相关算法曾拿下CVPR2024、ECCV2024赛事冠军;其WISER方法,据企业测试结果,零样本检测性能提升57%,无需针对新品重新训练。这一特性理论上可以降低产线换型时的数据采集成本,减少停机训练带来的损失,目前基于该技术已衍生出纺织验布、超晶板、钢管缺陷检测等检测装备。

运维侧,团队基于AgentOS任务调度底座搭建“空地场一体化”巡检体系。王金桥提到,工业巡检的难点不在于传感器数量堆叠,而在于根据巡检目标匹配载体:无人机负责高空点位、机器狗贴近设备巡检、雷视一体机覆盖封闭区域。项目遵循“先校核覆盖、再配置规则”的实施思路,先在数字空间排查巡检盲区,再布设管控策略。一旦识别异常,AgentOS可调度多类巡检载体复核、交叉研判并自动生成工单,弥补传统巡检高度依赖人工现场处置的短板。

当前工业大模型也面临现实门槛。王金桥表示,在实际工程中,最大的痛点往往不是系统数量不足,而是缺少统一的认知中枢,异构系统之间相互割裂。

针对产业未来,王金桥总结了四个核心判断:智能生产成本决定产业竞争力;壁垒从单点算法转向数据闭环;核心技术自主可控是战略底线;产业智能必须做到算法与装备协同。他强调,大模型真正发挥作用的前提,是完成与现有工业现场流程的深度适配,而制造业竞争的深层逻辑,正在从早期的效率比拼转向智能密度与智能主权的较量。