在新一代人工智能技术快速演进与制造业深度转型的历史交汇期，工业智能正从“局部优化”迈向“系统重构”。然而，工业场景中长期面临数据匮乏、试错成本高、隐性知识数字化转化难等现实困境，AI规模化应用瓶颈亟待突破。本文以压铸行业CAE+AI的融合实践为例，从行业共性痛点、CAE+AI融合技术架构、落地应用案例以及工业智能体未来展望四个方面进行阐释，探索工业智能体系落地的关键路径，以期为行业提供可参考、可复用的战略建议。

过去数十年，我国工业系统经历了从自动化、信息化到数字化的持续演进。随着大模型、具身智能等新一代人工智能技术的演进，工业体系迎来全面升级、高质量发展的关键时期。

2026年3月，中国信息通信研究院发布《工业智能创新发展报告（2026 年）》，系统勾勒了 AI 赋能制造业发展的新图景。报告指出，随着人工智能技术从“判别分析”向“自主决策”跃升，制造业正加速构建“智能模型 + 数字孪生 + 智能体”的工业智能体系，驱动生产模式从“局部提效”走向“全要素重构”。

在此背景下，一个新的技术范式逐渐清晰——“工业智能体”（Industrial Agent）。

工业智能体并非单一的软件或模型，而是一种系统能力：工业智能体是由工业大模型驱动的、服务于工业产品全生命周期应用的自主智能系统，具备自主感知、认知、规划、决策、演化与执行能力，能够在物理约束下进行推理与决策，帮助客户实现智能设计到智能生产，实现真正的虚拟、现实生产双轨映射和AI智能中枢控制下的无人工厂，或者叫“火星”工厂。

来源：REUTERS

2026年1月，工信部等八部门联合印发《“人工智能+制造”专项行动实施意见》，提出到2027年推出1000个工业智能体、打造100个高质量行业数据集、推广500个应用场景。然而，面对工业生产环境的多变性、高度精确性要求以及实时性约束，当前工业界的AI落地实践往往因缺乏对深层工业机理与工艺逻辑的深刻理解与可靠性保证，仍难以直接承担生产工艺决策控制等核心任务。

工业智能体的落地发展，到底应该走什么样的路？厘清AI技术落地的演进脉络，破解规模化应用瓶颈，构建适应新质生产力发展的工业智能体产业生态已成为行业面临的共性挑战。

本文将以压铸这一典型高复杂制造场景为切入点，尝试回答这一问题。

01 压铸生产的核心困局

在压铸行业的长期实践中，将一个产品从“图纸”变成“稳定的合格品”，看似只是一个工艺执行问题，而在真实生产环境下，这一过程始终面临着“工艺窗口模糊” “质量波动大” “根因难定位” “监控能力弱” 等问题的制约。

窗口找不准

在压铸现场，所谓“工艺跑通”，往往意味着找到了一个勉强可生产的参数组合，而不是一个被清晰定义的工艺空间。

当一套新模具运抵压铸车间，工艺工程师往往凭经验设定初始参数——压射速度、铸造压力、模具温度、冷却时间等。随后开模，取出铸件，由工程师肉眼检查外观，如果发现冷隔就提高温度，如果发现粘模就降低温度……

但这个过程中，企业通常只是找到了一个“能生产”的窄窗口，知道哪个参数组合“能用”，却并不清楚这个窗口的边界在哪里，更不知道如何优化。

这就导致一个复杂件，往往需要数周甚至数月才能达到“勉强能生产”的状态。试模周期被不断拉长，试模成本居高不下，产能损失严重。

质量波动大

压铸过程并非静态执行，而是一个持续演化的系统。随着生产节拍不断加快，设备状态、模具温度、环境温度、原材料批次、操作工手法等因素都可能对生产质量产生影响。

试模阶段确定的参数，进入连续生产后开始失效。于是，在试模阶段没有出现的问题开始暴露——缩孔、气孔、冷隔、热裂纹、尺寸超差……引发产品质量频繁波动，废品率居高不下。

即使经过调试改善了良率，往往又牺牲了生产节拍，多因素耦合，缺乏系统优化，难以实现“又快又好”的稳定控制机制。

极氪大型一体化压铸设备

根因难定位

压铸缺陷的形成，从来不是单一因素决定，而是多个变量耦合的结果。

在实际生产中，可观测变量有限、数据来源分散、质量反馈滞后（如X光检测），加之材料与环境存在波动，设备状态也存在老化。影响因素繁多，很难快速定位根因，工程师只能通过经验进行“反推式排查”。不仅排查效率极低，优化路径不可复用，改进效果也严重依赖个体经验。

监控预警弱

一条稳定运行产线，废品率却突然开始爬升，从2%到3%，再到5%，等发现时已经造成了批量报废。工艺参数没有变，原材料批次也没有变。

逐项排查后发现，原来真空机在长期使用后出现了堵塞问题，导致抽真空效果不佳；或者冷却水管内部结垢，导致实际冷却效率下降；又或者模具表面磨损，导致脱模困难和热传递效率变化。

这些问题，在工艺参数曲线上并没有直接体现，但它们确实在“不知不觉”中蚕食着产品质量。不知道设备何时会出问题，缺乏异常监控与预防能力，就只能“坏了再修”，导致重大损失。

02 AI落地的现实约束

面对生产阶段的复杂性和长期痛点，许多企业开始尝试引入AI，希望通过数据建模来解决生产场景中的复杂问题。然而，实践很快表明，这条路并不顺畅。

简单来讲，AI想要实现快速落地，要求其场景必须满足生成成本低、验证成本低、重用价值高、迁移性强、迭代速度快的特点，而工业场景很难满足以上条件，因此落地过程需要更长时间。

有效数据缺失

首先，工业场景缺乏有效可学习的数据。表面上看，工厂每天都在产生海量数据。而实际上，决定铸件质量的诸多关键因子，目前尚未实现实时、量化的在线测量。同时，现有的工业传感器精度有限，质量标签数据（如人工X光判读、外观检）存在主观性强、标准不一致的问题，数据噪声较大。面对“输入端先天不完整”的问题，即使AI模型再强，也只能在不完整的观测条件下做“有损判断”。

试错成本高昂

其次，工业场景的反馈滞后现象严重且试错成本极高。铸造生产中，X光探伤与尺寸检测均存在显著的时间滞后，往往要数小时，物理上无法形成针对“下一模次”的实时闭环反馈。强化学习等算法依赖的“试错”机制，将直接导致废品率上升、原材料浪费，甚至设备损伤。一个“探索”动作带来的损失，可能高达数万元。

隐形知识难转化

此外，大量工业知识往往是隐性知识。老师傅对设备状态、工艺波动和异常征兆的判断，通常来自听声音、闻气味、摸振动、看颜色、感受节奏等。然而，隐性知识并不意味着无法数字化，关键在于需要找到合适的转化路径。例如，通过高采样麦克风、振动传感器和专家实时标注机制，把“异常声音—设备状态—停机事件”之间的关联逐步记录下来，就有可能把原本依赖老师傅“听声音”的经验判断，转化为可训练的音频或时序特征。

来源：Exito Events

03 CAE+AI 的三层架构

基于上述分析，一个关键问题浮出水面：工业智能，并不是一个单纯的数据问题，而是一个必须同时理解“数据与物理”的问题。

单纯的AI解决不了压铸行业的核心问题，而单纯的CAE仿真也无法建立实时响应现场的智能系统。因此，实现CAE+AI的有机融合，需要构建一个三层技术架构：

机理层——CAE仿真建模

这一层是系统的“物理大脑”，负责将流动、凝固、应力等复杂现象转化为可计算、可分析的模型，从而为后续智能决策构建一个能够理解规划、推演工业任务的可靠认知基座。

智铸超云充型仿真结果

核心技术路径和目标包括：

基于有限元法（FEM）/有限体积法（FVM）、多物理场耦合建模、计算流体动力学（CFD）热力学模拟等关键技术，建立覆盖热-流-固多物理场耦合的高精度充型、凝固、应力仿真模型；

融合海量异构多模态工业数据、复杂工业场景特征以及高保真工业世界模型，在虚拟环境中模拟不同参数组合对缺陷形成的影响；

预判铸件中容易产生气孔、缩孔、热裂等缺陷的“高风险区域”，从而实现高保真仿真、“理想工艺窗口”预计算、缺陷敏感区域预识别以及“理想状态”下的数据基准生成。

数据层——工业数据采集与同化

由于工业现场从来不是理想状态的复现，设备老化、材料波动、环境变化，都会让实际生产逐渐偏离仿真模型，仅有机理模型，并不足以支撑真实决策。因此，系统必须将现场数据与仿真模型打通，并持续修正模型。

Supreium-DPB 数据处理界面

这一层可依托的关键技术包括：

依托时序数据对齐与融合、数据清洗与异常检测、卡尔曼滤波/贝叶斯推断以及参数辨识与反问题求解等技术，对分散在不同系统中的数据进行采集与治理，建立统一的时间轴和语义口径，形成“工艺-设备-质量”全链条数据集；

对于当前“看不见”的关键变量，引入高精度流量计、振动传感器、温度传感器等进行传感器升级，以填补数据缺口；

利用现场实测数据对CAE仿真模型的边界条件进行修正，让模型不断逼近生产的真实状态。

经过这一层的数据治理与同化，CAE模型得以转变为融合物理机理与现场数据校准的“数字孪生模型”。

智能层——AI模型与知识库

在这一层中，AI智能体作为连接数字域与物理域的中枢，负责从数据中学习模式、提供诊断建议，承载核心AI推理与优化决策能力。

通过机器学习（XGBoost、随机森林、图神经网络），系统得以在这一层完成对工艺-质量关联图谱的构建，当质量异常发生时，系统能够快速匹配历史数据中的相似案例，给出可能的原因线索。与此同时，知识被纳入系统之中，过去分散在文档、报告以及工程师经验中的信息，被统一整理并向量化，构建为可检索的知识库。由此，利用大模型（RAG架构）实现人机交互智能问答。

Supreium-DPB 工艺知识库

通过CAE+AI的融合，形成了“1+1>2”的协同效应。CAE为AI提供物理约束，通过仿真明确哪些工艺参数组合可行，从而限制AI的搜索空间，避免其学习到偏离物理规律的“伪相关”。同时，AI反向赋能CAE，借助现场传感器数据对仿真模型进行数据同化，不断修正边界条件，使数字孪生模型不断贴近真实生产过程，实现加工精度的极致控制。此外，CAE还为AI提供了低成本甚至“零成本”试验环境，弥补工业场景样本不足的问题。

二者相互增强，使系统从单一的机理驱动或数据驱动，升级为“机理+数据”融合驱动，不仅提升了预测精度与响应效率，也增强了结果的可解释性与工程可落地性。

04 CAE+AI 融合落地实践

——我国汽车零部件制造企业压铸产线

当前，欧美工业界已开始尝试将多智能体系统应用于制造单元调度或设备故障诊断。我国工业界的实践虽多局限于“智能体+固定工作流”的初级阶段，但也涌现出部分前沿应用探索。

企业背景

国内一家大型汽车零部件制造企业，拥有多条高压铸造生产线，覆盖从中小型结构件到一体化大压铸产品的制造，年产规模达到数百万件。该企业较早完成了以SCADA、MES为代表的信息化系统部署，沉淀了海量生产数据。然而，当行业迈向智能化深水区时，这家“数据基础扎实”的企业，依然遭遇了智能化转型的瓶颈。

注：非该企业真实生产场景  来源：Euroguss

首先是质量“天花板”难突破，成熟产线的废品率长期徘徊在13%左右，多年来始终难以进一步降低。其次是异常处理效率低下，每次出现质量问题，工艺工程师都需要在几十个工艺参数和几百个传感器信号中逐一排查，异常定位耗时长，严重影响生产节奏。同时，经验传承也成为隐忧——随着资深工程师逐步退休，核心工艺知识恐面临流失，而新工程师的成长周期十分漫长。更棘手的是设备问题的“滞后暴露”，例如升液管泄漏、冷却管路结垢等，往往要等到批量报废后才被发现，代价高昂。

针对这些实际问题，该企业引入“Supreium-DPB 智铸工枢”系统，分阶段攻克了长期以来的智能转型难题。

Supreium-DPB 智铸工枢

*Supreium-DPB 智铸工枢

这是全球首个材料加工领域的制造工艺智能体，以CAE仿真与智能传感为基，以大模型AI算法为核，构建起一套自感知、自决策、自控制的AI原生工业数字化平台，整合数据融合、智能控制、工艺优化、根因洞察等核心能力，成为产线的“智慧中枢”与“可靠伙伴”。

实施路径

1.夯实数据底座

智能化改造的起点，并不是算法升级，而是重新定义数据本身，让系统“看见”数据。

企业在关键工序加装红外测温热成像系统、高精度流量计等更精细的感知设备，用于监测模具温度变化以及冷却回路瞬时流量。同时，建立严格的缺陷标注标准作业流程（SOP），将X光检测、外观检验和尺寸检测结果统一录入系统，并通过专业培训确保标注一致性。

在此基础上，对企业过去两年的SCADA、MES和质检数据进行了系统清洗与对齐，构建起一套“工艺—设备—质量”贯通的全链条数据集。

Supreium-DPB 智能质检

2. CAE 仿真先行

工业系统的复杂性决定了数据只能反映结果，而不能解释机制。因此，在第二阶段，针对企业主力产品，建立高保真CAE充型与凝固仿真模型，并结合现场红外、传感器等数据进行持续校准，使模型更加贴近真实生产，在虚拟环境中系统探索不同参数组合对缺陷形成的影响。

通过这一过程，不仅明确了理想工艺窗口（包括压射速度曲线、铸造压力、模具温度设定、冷却时间等），还输出了关键缺陷（如缩松）的热节分布图，形成可复用的数字孪生模型库。

Supreium-DPB 智能工艺窗口推优

3. AI 介入决策

在这一阶段，智铸工枢并不是作为“独立AI系统”出现，而是作为一个融合智能体进入企业产线。

通过大模型，将历史上所有成功开模的“最终工艺参数”、“CAE仿真报告”、“调试记录”等，向量化后构建专业知识库。当新模具导入时，工程师只要输入产品特征（如材质、壁厚分布、重量、尺寸范围），AI将自动检索知识库中最相似的“历史模具”，并推荐初始工艺参数。

面对良率波动问题，当X光检测出内部缺陷时，AI将实时调取该模次对应的工艺曲线、模具温度场、设备状态，精准量化各工艺参数对质量的影响权重，快速锁定核心问题参数，同时将当前异常模式与历史案例库进行匹配，结合CAE仿真的缺陷敏感区域先验知识，自动生成诊断报告，显著减少人工调试，辅助工程决策。

Supreium-DPB 缺陷根因分析

4. 智能系统落地

设备健康监测和预测性维护是保障产线稳定生产的关键，在这一阶段，系统真正开始进入“控制建议—执行—反馈”的闭环。

通过随机森林等质量预测模型，对质量趋势与设备健康状态进行预测预警，当关键参数（如模具温度、冷却水流量）与质量结果出现偏离趋势时，系统将提前预警：“按照当前趋势，预计2小时后将出现缩孔风险，建议安排检查冷却系统。” 同时，在保证质量的前提下，利用AI分析能耗数据，优化保温炉设定温度、冷却水循环策略、待机模式等，从而在工艺优化、质量稳定和节能降耗之间寻找最优平衡。

Supreium-DPB 设备状态监控

应用成效

应用智铸工枢系统之后，产线的生产成效提升显著。

在质量异常诊断方面，当X光检测发现内部气孔异常增多后，系统仅用10分钟便分析了过去两小时的生产数据，并结合CAE卷气结果，精准定位问题所在——真空度下降与压射高速段切换提前叠加，导致卷气加剧。工程师据此调整参数，问题随即解决。通过对设备“亚健康”状态的提前识别，产线成功避免了3次潜在的批量报废事故。

在质量控制方面，通过使用分阶段的动态工艺控制，有效减少了热模件等工艺废品的数量产生，全年废品率从13%降至10.2%，下降2.8%。按照年产约30万件中大型结构件、单件综合成本约500元测算，仅废品率下降所带来的直接经济效益约为420万元/年。

在效率与能耗方面，通过优化熔炼炉与模温控制策略，企业实现了4.3%的年度能耗下降，对应约80万元的直接收益。

更深远的变化发生在“人”的层面。老师傅多年的调参经验被系统化为知识图谱，新工程师借助智能系统便可快速理解复杂工艺，培训周期从原来的18个月缩短至6个月，经验传承不再依赖“口传心授”。

Supreium-DPB 智铸工枢

在此基础上，智铸工枢正朝着L5级完全自主化、无人化生产演进，通过进一步融合智能调度、能耗优化与自适应工艺更新，实现制造系统从“稳定执行”向“自主进化”的跨越，从压铸逐步拓展至注塑、复合材料成型等工艺领域，以及汽车轻量化部件、航空航天复杂铸件、新能源壳体等多个高端制造场景，逐步成为覆盖“设计—工艺—生产—检测”全链路的工业智能基座。

05 未来与展望

——走向“工业智能”的终极形态

回到开篇的问题：工业智能体的落地发展，到底应该走什么样的路？其“终极形态”又该是怎样的呢？

如果将当前的工业智能化进程向前推演，一个更具想象力但并非遥不可及的“终极形态”大概是：未来主导工厂的将是一位超级“工业智能体数字人”——它既是超级工程师，也是系统调度者。它能够理解工艺机理、调用仿真能力、分析实时数据、生成优化方案，并在物理约束下7*24h不间断自主决策与执行，以实现无限大规模生产。

对未来场景的想象 来源：Google

从当前实践来看，这一演进路径大致可以划分为四个阶段。

第一阶段，工具化智能（辅助认知）

工业智能体主要表现为基于规则的对话式辅助工具，依托数据与知识底座，完成信息查询、知识生成、工具执行等任务，辅助信息获取与生产提效，但不直接参与工艺决策。

第二阶段，协同化智能（参与决策）。工业智能体开始参与人机协同的工程闭环，对问题进行基于数据和知识库的分析，生成优化方案，并与工程师形成人-机流程协同。但在此阶段中，关键判断、异常处理和结果确认仍需人工完成。

第三阶段，闭环化智能（局部自治）。在单个工艺单元内，工业智能体真正实现基于工业场景的实时信息主动感知、主动监控、智能预警，完成从“感知—预测—决策—反馈”的闭环运行，例如智能模温控制、智能优化工艺曲线等，初步实现局部生产单元的自调度、自优化。

第四阶段，系统化智能（多智能体协同）。在单智能体成熟自主的基础上，在不同工艺单元、不同环节之间完成多智能体协同部署，打通从研发设计到生产制造再到质量检测与供应链的全流程，实现复杂工业系统的全局优化与自主管理。

可以看到，这一过程不会在某一个“临界点”突然到来，而是在无数个具体场景中的渐进式展开——从一条产线、一个痛点、一个工艺单元开始，到整个系统的协同进化。

坚信在不远的将来，甚至可能就在未来的1-2年，每一座工厂都将拥有自己的“工业大脑”——它懂工艺、会思考、能进化；它不会取代人，而是让人转向更高层级的决策与创新。

而这条路的起点，就在今天。

本文转载自适创科技