2025年制造业正经历一场静默的革命。DeepSeek R1大模型突破、Manus智能体问世，宣告工业AI从效率工具正式迈向全流程的智能协作体。AI技术从堆算力向强场景转移，重构着工业生产的底层逻辑。
然而，这场革命的复杂性远超消费互联网的狂飙突进。制造业的AI落地需要直面数据孤岛、工艺黑箱、场景碎片化等顽疾，以及伪需求的泛滥、技术路径的分歧，考验着行业的理性与耐心。过去三年，行业经历了从大模型虚火到伪需求泡沫的洗礼，企业逐渐意识到：AI的价值不在于技术炫技，而在于能否穿透研发、生产、质量的全链条，实现从降本到增值的质变。
“新长征”的AI+制造
2024年，DeepSeek R1大模型的发布改写了大模型训练路径，算力膨胀的背后是AI大模型浪潮席卷各行各业。随后，2025年3月通用智能体Manus的出现，让工业领域的AI落地更具确定性。AI+制造行业正进入关键转折点和全面落地期，预计将呈现高速发展态势。
与消费互联网不同，工业领域AI落地需要深刻理解行业Know-how、务实选择技术路径，并衡量落地效果。制造业多环节长期存在数据孤岛、工业场景高度非标等问题，传统AI模型迁移成本高、跨场景泛化能力弱。智能体的崛起则标志着AI从工具属性向协作属性的跃迁，通过“自主感知-决策-执行”闭环重构工业生产逻辑，为解决这些问题提供了新的途径。
“不得不承认2025年绝对是智能体的元年。”领驭科技数字化技术咨询总监颜少林表示。在经历了2024年行业大模型元年的转型后，工业领域AI正式迎来：从技术突破到应用爆发、从降本到增值转换、从单点突破到产业链级智能升级的范式。行业正式进入AI2.0时代。
颜少林老师认为，人工智能技术相较于工业互联网乃至更早的移动互联网，AI2.0展现出更为明显的加速态势。从迭代速率观察，工业互联网过往需要三至五年方能完成的技术部署目标，在AI智能体的驱动下，能够实现以季度为单位的迭代速度，甚至仅需两至四个季度即可完成工业互联网时代的部署目标工作量。领驭科技非常看好AI+制造的落地，AI智能体以指数级提升企业效率，重塑产业发展的底层逻辑。
成本降低、架构创新、生态完善、市场潜力巨大，这些因素共同驱动着智能体在制造业的快速发展。以宁德时代、比亚迪、蔚来汽车、三一重工、徐工机械为代表的企业，从电池工艺参数优化、仿真设计优化、工厂产能动态调整、焊接工艺优化等方面接入智能体群，迎接工业AI2.0时代。
虚火之下的“伪需求”困局
自2020年起，AI技术加速在工业场景中应用，推动了智能检测、预测性维护等应用的实现。然而，随着生成式AI的兴起，制造企业面临着伪需求泛滥、验收标准缺失等问题，部分企业陷入非理性投资。在这场需要长期投入和持续创新的“新长征”中，谁能率先找到AI与制造深度融合的“密码”，谁就能定义“智能体时代”。
颜少林老师分享了在TCL华星工业园做的数据智能项目，该项目基于东智工业互联网平台构建数据资产结构，希望通过数据机理推导工业机理等业务场景的最优解。然而，他强调，当AI应用尚未真正融入工业场景，缺乏对工业Know-How的深度理解时，将难以构建知识图谱，进而帮助企业提升产品质量成熟度。这就是一个AI的“伪需求”。他进一步解释，仅仅通过搭建知识库做成工业AI，几乎不可能形成工业的新质生产力。
在AI2.0时代，制造业对AI的“真需求”是从效率提升到价值创造。颜少林老师以锂电池产线为例，强调只有综合所有机台的整体工况数据、工艺数据和材料数据，构建设备工艺自动化模型，才能实现真正的预测性维护。他指出，基于工业互联网思维提出的预测性维护方案往往只是简单地监测设备的工况参数，没有深入到OT工控层，无法理解设备的工艺机理和数据机理的整合。因此，AI+制造的“真”设备预测性维护必须深入制造企业实际场景，联动多设备，综合设备参数和工艺参数，利用AI进行多模态建模，实现对设备状态的精准预测。
AI2.0做“确定性”和“有价值”的事
在锂电行业，除了设备预测性维护，AI在其他场景也面临诸多挑战。颜少林老师曾深度参与多个AI+制造项目，如蜂巢能源AI+数字化工厂和BYD智能制造大数据项目，专注于AI质检和AI装配。他指出，锂电池的质量检测不能仅看物理表面情况，更要关注电池的电化学性能参数，如ECM。然而，许多企业在部署MES系统和大数据工程时，仍延续传统路径，依赖工序参数表层进行失效分析，导致资源浪费和问题解决不彻底。颜少林强调，这种后发式的问题处理模式并非最佳方案，AI+制造应从事前到事中解决问题。
颜少林老师进一步提出，要构建可预测、可预防的AI+制造体系，需将研发端的材料特性模拟、制造端的设备能力图谱、质量端的失效模式数据库进行三维融合。他通过领驭科技的实践发现，研发与制造之间的断层在于缺失从关键质量特性CTQ到面向制造和质量的DFX设计验证体系。真正有效的研发质量制造一体化机制需要将质量控制点QCP向研发端和制造端双向穿透，并在虚拟验证阶段消除潜在失效模式。从落地角度来看，打通AI+制造的道路面临多重挑战，包括深刻理解制造业的复杂性和特殊性、融合多领域知识、构建和优化AI模型以及设计高效可靠的云边协同架构等。这些都是实现AI+制造价值挖掘和数据整合的不可忽视的难题。
引用雷军的话：坚持做难而正确的事，才能走的更远。“领驭科技在做难而正确的事，沉淀真正的工业AI智能体。”颜少林说。
