夜雨聆风
我国工业软件与人工智能融合应用推进路径研究
郭静 曲君陌 陈嘉琦 王昊冉 张正旸 *
（中国工业互联网研究院，北京 100015）
当前，全球制造业正经历着以人工智能（AI）为核心驱动力的新一轮智能化变革。工业软件作为制造业的“大脑”，与AI深度融合，这不仅是技术演进的必然趋势，更是各国抢占未来产业制高点的战略焦点。工业软件是指在工业场景下的各类应用软件，包含传统工业软件[如计算机辅助设计（CAD）、产品生命周期管理（PLM）以及制造执行系统（MES）等]和工业应用程序（APP），是工业知识代码化、软件化表达的产物。
近年来，从中央到地方出台了一系列政策文件，为工业软件与人工智能融合应用提供了清晰的顶层设计和有力的政策支持。2025年国务院印发的《关于深入实施“人工智能+”行动的意见》明确提出“推动工业全要素智能联动，加快人工智能在设计、中试、生产、服务、运营全环节落地应用”，并强调“加快工业软件创新突破”；广东省人民政府办公厅印发的《广东省人工智能赋能制造业高质量发展行动方案（2025—2027年）》提出“推动人工智能赋能重点工业软件迭代升级”。这些政策为破解工业领域关键技术难题、构建自主可控的智能制造生态提供了政策保障。
我国制造业正面临着从“制造大国”向“制造强国”转型的关键时期，亟须通过智能化手段提升效率、质量和创新能力。工业软件与AI的融合应用是推动制造业从数字化、网络化向智能化发展的重要抓手。融合应用不仅有助于突破工业软件现有的技术局限，还可能打破研发、生产、经营和运维等环节的壁垒，推动工业领域变革，带来前所未有的效率提升。
一方面，工业软件为AI技术的应用提供了算力、数据、算法、应用场景等关键要素资源，是AI技术应用的重要载体。在算力方面，工业互联网平台的边云协同架构为工业软件与AI的融合应用提供了弹性化的算力保障；在数据方面，工业软件应用在产品的研发设计、生产制造、经营管理和运维服务等各场景，承载了产品全生命周期数据；在算法方面，工业软件是工业知识显性化、软件化表达的产物，将多领域的工业机理、专家经验代码化、算法化，形成标准化、可复用的应用算法库。另一方面，AI技术为工业软件注入智能决策和泛化能力，形成感知、分析、决策和执行的闭环；工业软件将AI的泛化能力转化为可复用的工作流，打破传统工业软件应用的环节壁垒。近年来，“工业软件+AI”的市场规模持续增长。国际数据公司（IDC）数据显示，“工业软件+AI”的子市场年复合增长率达到43.3%，到2029年，子市场规模将达到171.4亿元人民币，占比达22%，如图1所示。
本文聚焦我国工业软件与AI技术融合应用的推进路径，系统分析工业软件与AI融合应用的研究现状，研究提炼可复用的融合应用推进路径、总结融合应用成效，结合融合应用发展路径与现状问题研提出融合应用建议。
图 1 我国 AI+ 工业软件子市场占比预测
工业软件与AI的深度融合已成为全球工业领域发展的核心趋势之一，学术界与产业界对此给予了高度关注。国外众多研究关注工业AI软件从“AI工具”向“智能化工业平台”转变的趋势，例如如何工程化地部署AI模型、如何在软件工程中自动化AI应用以及如何解决跨系统集成和伦理安全等问题。在系统构建方面，Silverio等指出，关于用于构建、运行和维护基于AI的系统的软件工程方法，综合知识较为有限。在与工业互联网集成优化方面，Arunachalam等针对通用型CPU进行设计，除支持AI模型和流水线外，还能通过工作负载整合的方式高效处理其他物联网应用。 Peres等通过分析工业AI领域研究与制造业应用中的差距，提出了应用过程中可能遇到的挑战。
国内研究主要可归纳为融合应用价值与场景研究、关键技术研究以及产业发展与政策研究三类。在融合应用价值与场景研究方面，现有研究多聚焦于论证AI赋能工业软件各应用环节（如研发设计、生产制造、经营管理、运维服务等）的潜在价值，并通过案例研究验证融合应用的可行性与有效性。例如，芦存博等对面向智能制造的工业软件分类进行了阐述，分析了大模型在智能制造全生命周期中的赋能价值，并给出大模型驱动的工业智能问答助手软件的实践探索案例。在关键技术研究方面，现有研究多聚焦于特定工业AI技术的研发与应用，如工业视觉检测、预测性维护算法、领域知识与数据驱动模型的融合等方面。例如，陈钢等提出一种基于大语言模型的智能体解决方案，该方案通过搭建融合语义理解、代码生成与动态知识调用的三层架构，为工业软件运维的智能化转型提供了具备可验证性的技术路径与工程实践框架。在产业发展与政策研究方面，现有研究多聚焦于全球主要国家在“工业AI”领域的竞争态势与政策布局，跟踪分析我国各地方政府的相关行动计划与实施成效。例如，彭维等围绕AI与CAD的融合趋势展开研究，重点梳理传统CAD向AI辅助设计演进过程中的三种产品形态与三类产品开发模式，并指明现阶段AI与CAD融合发展所面临的挑战。
当前工业软件与AI融合应用在技术融合、场景开拓和宏观战略上已有较深入的研究，但现有研究多论证宏观价值或聚焦单点技术融合，融合应用的推进路径尚不清晰，缺乏分层实施指南，缺少针对不同行业、不同规模企业、不同智能化基础的阶段性、可操作的融合路径规划，企业面临“融什么、如何融”的困惑。
根据工业软件与AI技术融合应用的现状研究，融合应用推进路径可先聚焦实现特定任务的单点智能，之后从单点向平台集成化的系统级智能演化，最终实现行业级智能。
（一）阶段一：聚焦实现特定任务的单点智能
在该阶段，融合应用的应用场景为不可分割的单元级场景。以工业软件应用场景下的单一任务、单一环节的数据作为训练数据，构建如语音识别、图像识别、自然语言处理等AI模型，以解决单一场景下的特定任务。
该阶段融合应用的核心是打通AI模型在工业软件单元级场景下的“状态感知—模型分析—决策”的闭环，推进过程中需明确场景任务、构建任务数据集、定制开发AI模型。一是梳理工业软件核心应用环节，拆解出可独立解决的单元级任务，明确各任务需解决的问题、输入输出的数据标准及性能指标等；二是构建单元级场景高质量数据集，提炼相关工艺参数、设备机理及业务流程等专业知识，对于工业软件需开放标准化功能接口，确保AI模型结果可反向驱动软件功能；三是针对任务场景特征，选择适配的AI技术路线，定制开发专用AI模型，将模型分析结果转化为工业软件可识别、可执行的指令，实现闭环应用。
该阶段的特征体现在以下几个方面。在应用场景方面，具备高度垂直化和任务专一性的特征，应用场景为不可分割的最小单元，可解决单一环节的瓶颈问题；在训练数据方面，用于训练AI模型的数据来源、数据格式较为单一，训练数据规模较小，需依赖特定场景的高精度数据，并与专业机理模型、专家经验相结合；在AI模型能力方面，AI模型内沉淀的工业知识有限，仅为解决特定场景下语音识别、图像识别、自然语言处理、参数优化等特定问题，以轻量化模型适配为主；在应用成效方面，以AI模型替代人工操作，提高生产效率、提高流程准确率等。应用场景如图像质检、工艺参数优化等。
（二）阶段二：推动打通多环节的系统级智能
在该阶段，应用场景从单元级场景扩展至涉及多设备、多系统乃至多生产流程的复杂场景。 AI技术的融合应用不仅局限于某个特定任务，而是通过融合多维、多源的数据，对系统级的流程进行智能优化。
该阶段融合应用的核心是突破单元级场景局限，构建具备跨环节分析能力的AI模型，实现多环节、多系统协同的智能优化与决策。构建的AI模型不仅要感知单一场景的状态，还要跨环节分析多场景下的综合运作情况，从而在多交互环节中进行智能决策。推进过程中需拓展系统级场景、打通多源数据壁垒、研发协同AI模型。一是梳理工业软件全业务流程以及多设备、多系统间的关联环节，界定系统级应用场景，明确优化目标和量化评价指标；二是建立跨环节、跨系统的数据互通机制，整合工艺参数、设备运行、生产计划及产品质量等多源数据，制定统一的数据标准与融合规范，构建支撑系统级分析的高质量数据集；三是基于多源融合数据和工业全流程知识，开发具备跨环节关联分析能力的协同AI模型，将模型分析结果转化为工业软件可识别、可执行的指令，实现多环节协同优化。
该阶段的特征体现在以下方面：在应用场景方面，覆盖产品的设计、生产、经营、运维等全生命周期环节，实现横向跨环节协同和设备层到云端的纵向贯通；在训练数据方面，数据来源更加多元化，数据异构性强，包括不同系统、设备、传感器等的多种格式数据，如时间序列、图像、视频等，并需综合分析多源数据之间的关联；在AI模型能力方面，模型的系统级推理能力更强，具备对整个生产流程进行全局优化的能力，能够理解复杂系统之间的交互关系和流程依赖，沉淀更丰富的工业知识；在应用成效方面，能够实现系统级的闭环优化，包括生产效率的整体提升、资源调度的合理化、能耗的优化等，提高生产的灵活性和应对能力。应用场景如生产线智能优化、智能车间管理、智能化质量检测等。
（三）阶段三：打造面向垂直行业的行业级智能
在该阶段，应用场景已实现行业垂直化，以工业软件为载体，将AI能力融合至行业核心流程，形成行业级场景下“监控、优化、控制”的闭环应用。此阶段的融合应用不仅依赖于行业级数据集成，还需充分考虑行业的复杂需求和企业的业务流程。
该阶段是融合应用的高级阶段，核心是依托多类工业软件协同，实现AI能力与垂直行业核心流程深度融合，形成可复用的行业级智能解决方案。推进过程中需锚定垂直行业核心场景、构建行业级数据体系、融合行业知识与AI能力、强化工业软件间协同适配。一是聚焦垂直行业核心业务链路，明确多类工业软件间的协同节点，提炼覆盖行业共性需求与企业个性化需求的行业级关键场景，明确场景痛点、优化目标和量化评价指标；二是打破企业壁垒，建立行业级数据共享机制，整合行业工艺标准库、产品质量规范、全流程生产数据等行业数据，形成支撑行业级智能分析的高质量数据集；三是提炼行业级核心工艺机理、合规要求、专家经验等行业知识，开发适配行业复杂工况与多维优化目标的专用AI模型，打通模型与多类工业软件的接口适配，使AI分析结果转化为各类工业软件可识别、可执行的指令，实现行业级协同应用。
该阶段的特征体现在以下几个方面。在应用场景方面，智能应用涵盖了整个行业的多样化流程与系统，重点在于行业内各环节的协同和优化；在数据来源方面，包括跨系统和跨企业的行业数据，促成了多源异构数据的集成、交换和共享的闭环自动流动；在AI模型能力方面，模型内沉淀的工业知识丰富能够解决复杂的行业级问题，如供应链管理、生产调度优化和市场需求预测；在应用成效方面，具备行业级洞察能力，通过智能化决策取代传统人工判断，提供综合决策支撑，提升行业的生产效率和响应速度，实现行业级全链路价值重构。应用场景如供应链管理、产品全生命周期管理、生产安全管理等。工业软件与AI技术融合应用推进路径各阶段特点如图2所示。
图 2 工业软件与 AI 技术融合应用推进路径各阶段特点
工业软件与AI技术的融合应用不断深化，在提升供给能力、赋能需求场景、强化供需对接三个方面已取得突出成效。
（一）提升供给能力
AI技术通过改变工业软件底层能力，从重构开发范式、提升开发效率，加快技术迭代，拓展能力边界等方面提升供给能力。
一是开发流程融合变革，AI技术通过全生命周期赋能改变工业软件开发范式。尤其是需求分析智能化。工业流程通常复杂且多变，有效地识别应用需求是工业App开发面临的挑战之一。自然语言处理技术可从用户需求描述和行业知识库中提取关键信息，梳理工业现场的真实需求，快速生成需求文档和功能规格说明。
二是编程开发自动化。开发者可借助AI编程助手快速生成所需的代码片段，加速应用的构建和迭代进程。例如，Codex和CodeGeeX等模型利用大规模代码语料库进行训练，结合神经网络等深度学习技术实现代码生成。三是软件测试和质量管控不断强化，推动软件质量和研发效率全面提升。通过对需求文档和代码逻辑进行解析，大模型可生成高质量的正向和负向测试用例，并自动生成测试脚本，以提高测试覆盖率、降低时间开销和错误率。
二是开发模式从经验驱动向数据驱动转变。 AI技术构建从工业数据、领域特征提取、可复用AI模块至低代码平台组件库的标准化路径，驱动工业知识的体系化沉淀与敏捷复用。一方面，工业知识萃取自动化。AI技术可从海量工业数据中自动识别关键特征，替代人工经验总结。例如，文献中的余热回收低碳运维系统，通过采集余热锅炉阀门工况数据，建立余热回收知识模型库，提升工业余热回收率。另一方面，工业知识封装标准化和工业知识应用的便捷化。工业场景下质量检测等常用模型被封装为可插拔的AI模块，将工业知识转化为可复用的数字工具箱，支持跨场景复用，以便开发者利用模块组件快速集成AI能力，降低工业知识使用门槛。例如，华为ModelArts支持拖拽式AI组件快速构建方案，显著缩短AI能力在工业场景中的落地周期。
三是强化泛化能力，以提升供给效率。将已有的工业知识和算法模型作为基础，并针对新增任务进行定向调整，显著缩短了模型适配时间与训练成本。例如，在印刷电路板缺陷检测场景下，工业软件通过集成视觉大模型基座，利用大模型的泛化能力避免本地化训练调参带来的数据获取困难和训练效率低下问题，同时快速适应不同批次和型号的电路板检测，实现柔性生产。
四是架构改变促进工具供给向系统级、行业级智能演进。传统工业软件限定于特定的环节，而AI技术推动工业软件向“端—边—云”协同架构转变，打破产品的研发、生产和运维等环节的壁垒，实现全生命周期的协同化智能应用。例如，中望软件融合AI能力，推出国产三维CAD/CAE/计算机辅助制造（CAM）一体化解决方案——中望3D，涵盖产品的设计、仿真、制造一体化能力。
（二）赋能需求场景
工业软件与AI技术的融合应用更推动了生产力的变革，并逐步增加行业应用深度和广度，驱动新模式和新业态发展。
在场景拓展上，多模态数据融合，突破工业感知和决策应用场景边界。模型从多模态信息中提取全局性特征，融合图像、文本、传感器数据和声纹等，实现跨模态的信息协同。例如，在质检场景，结合产品表面的图像与工艺参数数据构建多模态模型，可精确地识别缺陷产品，通过分析图像和工艺数据的关系可定位出现问题的生产环节，从而对生产流程进行优化，减少故障发生，提高生产效率。在设备健康管理场景，结合设备负荷情况、温度、声音等运行数据构建多模态模型，可预测设备的健康状况。文献融合油浸式配电变压器设备的负荷数据和温度仿真，构建过载倍率、过载时长和热点温度的分级预警模型，实现设备运行状态的预警。
在机械行业，工业软件逐步从“产品为中心”转移至“服务为中心”，形成服务化延伸类应用模式。故障预测与健康管理软件（PHM）融合AI技术，通过监控产品设备的状态，可打通设备售后的故障监测预警、故障诊断分析和维修保养，从而形成产品全生命周期服务，降低设备故障诊断的服务成本，提升顾客满意度。例如，容知日新将200万个设备体检报告及2万个设备故障案例作为训练数据，结合设备的振动、温度、声音和压力等多维度运行知识构建设备运维大模型，已在煤炭、水泥、电力等行业深度应用。
在芯片行业，电子设计自动化（EDA）软件被誉为芯片之母，通过融合AI技术，加速芯片的设计验证。EDA软件通过融合AI算法，实现自动化电路设计、仿真验证和工艺优化，缩短设计周期并提升芯片设计效率。例如，利用AI技术增强EDA算法，解决预测、优化和设计空间探索等方面的难题；利用大语言模型编写脚本，进行EDA的流程控制。中国科学院计算技术研究所与软件研究所联合发布的基于AI技术的处理器芯片软硬件全自动设计系统——“启蒙”，基于AI技术实现芯片软硬件设计的全自动化，其自动设计的“启蒙2号”芯片性能与ARM Cortex A53芯片性能相近。
在钢铁行业，工业软件通过将生产数据与AI算法融合，实现工艺优化、生产过程监控和能耗优化等精细化控制。例如，高炉皮带是运输物料的重要设备，衔接多道工艺环节，若发生断裂，直接影响钢铁生产的连续性，导致铁液损失。华为利用AI视觉模型对皮带的跑偏、鼓包、撕裂和异物等情况进行实时监测，使监测精度达98%，并降低了人工巡检频次和强度。宝钢湛江的铁液智能扒渣系统，通过实时采集铁液图像、智能分析铁渣的分布情况，以计算铁渣坐标并规划合理的扒渣路径，实现铁渣分布识别、扒渣路径规划、扒渣机操控的闭环控制，使自动扒渣率达到98%以上。与手动操作相比，脱硫原渣金属铁的含量由34.7%下降到23.43%，极大地降低了扒渣的铁损率，进而降低了钢厂成本。
（三）强化供需对接
工业软件与AI技术的融合应用需将供需两端紧密连接，通过降低供需间的壁垒，加快融合应用的推进效率。
在国家层面，所发布的多项实施方案及政策从顶层设计上明确要求通过AI深度赋能工业软件和行业，鼓励开发建设融合AI能力的工业软件。2025年4月，工业和信息化部等三部门联合印发《电子信息制造业数字化转型实施方案》，提出到2027年，先进计算、AI深度赋能行业发展，典型场景解决方案全面覆盖，形成100个以上典型场景解决方案，服务能力明显增强，形成不少于100家面向电子信息制造业的专业化服务商“资源池”。
在地方层面，各地结合自身情况，通过加快推进AI中试平台、构建资源池等方式，促进供需对接。上海推进新型工业化MaaS平台、天工AI工业平台等中试平台，集结运营商、算力、行业语料、基础模型及应用服务商等主体，为工业大模型应用场景提供工具，建立以产业平台为基础的系统打法。烟台市实施“AI+制造”提升行动，计划汇聚工业软件、智能制造、大模型等领域优质服务商，建立不少于200家服务商和1000个“小快轻准”数字化解决方案的资源池。
（一）强化政策引导，明确顶层推进路径
政策应更加聚焦工业软件和AI的融合需求，从顶层设计上引导构建结构清晰、分类分级合理的融合应用路径和体系，促进工业软件与AI结合并向功能化、场景化方向演进。同步加强标准接口、公共模型库、开发工具等跨行业共享资源的规范化建设，打通基础软件能力与智能算法的行业适配链路。面向典型工业场景，持续推动标准体系互认与平台生态开放，降低重复建设与资源碎片化，增强多方协同创新效能。
（二）优化指南和资源池等工具，细化实施应用路径
通过发布分层实施指南、技术图谱和构建产业资源池等方式，为供给侧和需求侧提供发展参考，强化供给能力，打通供给和需求的通路。通过系统化地对供给能力及应用需求的梳理，以工业软件的核心模块与关键场景为牵引，厘清并发布系统级、行业级的分层实施指南，结合技术图谱对关键技术的挖掘以及资源池的打造，加强供需对接，促进供应商、制造业企业共同发力，形成“数据—知识—算法”闭环，促使工业知识、智能算法与工业软件共同迭代，支撑从单元级到行业级闭环应用的深度融合。
（三）应用AI技术推动工业知识显性化，提升通用智能场景适配力
当前，大量工业知识仍以隐性经验形式存在，难以支撑融合应用的递进式发展。应结合融合应用的阶段式需求，可聚焦典型工艺流程和决策链路，借助AI技术挖掘并结构化沉淀行业Know-How，构建可复用、可推理的知识图谱与语义体系，增强通用智能的持续学习与跨场景迁移能力，推动其从单点适配向系统协同、行业赋能的行业智能进阶。
