本期《AI Factory》专栏围绕算法工坊，详解工业AI的三次跃迁，结合赛美特对工业软件与AI融合的持续探索，介绍AI能力如何与制造场景、业务流程和工业数据等结合，为工业AI走向更深层次的应用提供思考。

当一条产线出现质量波动，系统已经发出报警，工程师却还要到不同系统里查设备轨迹、核对量测结果、翻维修记录，再协调下一步处置。数据越来越多，判断依赖经验，行动严重滞后，这正是工业AI需要解决的问题。

近年来，大模型和生成式AI快速发展，让大家看到了解决问题的新方向，但也带来了一个容易混淆的认识：给工厂配上Agent，是否就拥有了工业AI？理解工业AI的三次能力跃迁，有助于了解各类技术的底层逻辑和应用价值，以及它们如何共同构成更智能的制造系统。

工业AI，是把人工智能与工业数据、领域知识和生产流程结合，用于识别状态、预测风险、辅助决策和优化执行的一套系统性能力。

它并不等同于某一种模型或某一个产品形态。机器学习、深度学习和大语言模型，都是实现AI能力的不同技术路径；机器学习是AI的一类方法，已经在工业软件行业应用多年，深度学习是机器学习的重要分支，大语言模型则是其中面向语言理解与生成的一类模型。Agent是围绕目标组织步骤、调用模型与工具的系统形态。本文讨论的GenAI Agent，特指由生成式AI支持的智能体。评价它，需要看一次异常是否更早发现、一个分析结论是否更有依据、一次处置是否真正改善了生产。

因此，一个经过验证、便于维护的专用模型，即使不配备Agent，也可以承担设备健康评估、质量预测等关键生产判断；而GenAI Agent的价值，在于进一步整合数据、知识、专业模型和工业软件，推动跨系统协作与任务闭环，真正改善了生产决策，例如：

🔹异常是否被更早发现？

🔹分析结论是否有充分证据支持？

🔹工艺调整是否满足生产约束？

🔹处置结果是否被记录并验证？

🔹上一次积累的经验，能否帮助下一次问题更快解决？

图2：从学习规律、复杂模态学习与预测优化，到组织任务闭环，工业AI的能力持续叠加

工业AI的最早形态，是经验规则。

早期，工程师们把工程经验写成规则。这些规则在边界清楚、稳定发生的问题上十分有效，但面对复杂工况时，往往难以覆盖所有情况。经典机器学习带来了第一次跃迁：让模型从数据中学习规律。工程师先把电流、温度、振动等信号转化为有意义的特征，再通过回归、分类或聚类，判断设备状态。

例如，设备电流升高，可能来自负载变化，也可能意味着部件劣化。模型需要结合运行工况，建立正常行为的参照，才能辨别哪些变化值得关注。这一过程中，领域知识决定怎样组织数据，数据帮助检验经验能否成立。

这次跃迁使经验获得了可量化、可验证的表达。对于样本有限、任务边界清楚的工业问题，经典机器学习至今仍有实际价值。一个经过验证、便于维护的专用模型，完全可以承担关键生产判断。

随着制造过程越来越复杂，很多问题很难用人工指标表达。

当缺陷藏在产品质检图中，或异常只体现为一段工艺轨迹的细微变化时，少数人工指标往往难以充分解释。这时，深度学习能够从图像、时序等复杂模态中学习表征，将学到的规律用于缺陷识别、质量预测，并结合优化算法支持工艺参数调整。这构成了工业AI的第二次跃迁：从依赖人工特征构造，发展到学习复杂数据中的隐含规律。

但学到规律，还要放回具体工况中验证。同样的轨迹变化，在不同配方、工艺步骤或设备状态下，含义可能不同。根因分析需要机理与工程证据支持，优化策略需要满足生产约束；相关性不能直接当作因果关系，预测准确也不等于调整方案已经有效。

业内将专业模型的核心能力归纳为CARE：识别隐性模式，分析与预测，形成优化决策，再结合执行结果与专家反馈持续学习。它概括的是面向工业问题的能力体系，可以由经典机器学习、深度学习与机理融合方法共同支撑。专业程度取决于能否解决并验证具体问题，而不取决于模型参数规模。

图3：CARE概括专业模型的四项核心能力；执行结果与专家反馈推动模型和知识迭代，更新经验证后应用

前两次的跃迁，主要提升了模型识别、预测和优化的能力。第三次跃迁，则是把这些分散的能力组织起来，形成面向任务的协作闭环。

基础模型通过广泛预训练获得可适配多类任务的能力。^[1] 生成式AI进一步降低了阅读文档、理解需求和组织信息的门槛。当模型能够调用工具、根据返回结果调整后续步骤，GenAI工业应用Agent便有机会把分散的分析能力组织起来。^[2]

以一批产品的质量异常为例，工业应用Agent可以做到： 

1.围绕排查目标，检索工艺规范与历史案例

2.调取相关设备和批次数据

3.调用异常检测、虚拟量测等专业模型

4.汇集证据并提出追加量测或维护检查建议

5.满足规则与授权条件后，工业软件负责执行并记录结果

6.处置效果再反馈给Agent平台，用于知识、模型与策略的持续迭代

在这个过程中，大模型和Agent发挥的是“理解、组织和协同”的作用；真正承担设备健康评估、质量预测和工艺优化的的有效模型，仍然是经过验证的专业模型，因为专业判断所需的工况适配、数值精度、不确定性评估与现场验证，不能由一段流畅的解释代替，工业应用Agent需要调用这些能力。传统工业软件同样有明确职责：维护设备、批次和工单的真实状态，执行规则，保证操作一致并留下记录。随着工业应用Agent参与跨系统协作，软件的接口和交互方式可能改变，生产执行与约束管理的责任仍然需要可靠承接。

赛美特长期服务于半导体制造场景，持续积累工业数据、工艺知识、设备经验和业务流程。这些能力构成了工业AI真正需要的基础设施。目前，围绕半导体等先进制造领域，赛美特重点布局四类工业AI场景。覆盖设备健康与维护、工艺质量与良率、工程知识与分析、工程协同与自动化四个方向。不同生产问题，需要不同能力组合。

据研究判断，工业AI的自治能力，将沿着智能辅助、受控自治、目标自治逐步演进。智能辅助由AI提供分析建议、人决策执行；受控自治让系统在授权边界内闭环处理任务，人监督、定约束条件与接管例外情况；目标自治则进一步围绕良率、产能和成本组织跨系统协作，人负责设定目标，评价效果。

这是一种演进路径的判断。同一座工厂会长期并存多种自治程度，自治范围需要随验证证据积累逐步扩大。知识查询与工艺参数调整的风险不同，不应采用相同的自主执行边界。

这一过程需要持续建设。配方切换、设备老化或维护更换，都可能改变数据分布。系统既要监测模型是否失效，也要用处置结果与工程师反馈持续更新知识、模型和策略；更新经过验证后再上线，并保留降级路径。

图5：智能辅助、受控自治与目标自治的分工演进。多种自治程度可以长期并存，自治范围随验证证据积累逐步扩大

对制造企业而言，值得积累的是三类可复用的能力：

🔹可复用的数据上下文

🔹经过验证的专业模型

🔹承接行动的业务接口

这些能力，决定了下一次异常处理能否真正调用上一次的经验，也决定了新的Agent接入后，是否具备专业依据、可靠工具和清晰的执行路径。

应用工业AI，不是让大模型独自接管工厂，而是让数据、知识、模型、软件与工程师形成更高效的协作关系。从经验规则到数据学习，从人工特征到专业模型，再到生成式AI与工业Agent，工业AI正在经历新的能力跃迁。

但无论技术如何演进，最终都要回到一个核心问题：有没有真正解决制造现场的问题？数据能够被理解，知识能够被调用，专业模型能够被验证，业务系统能够承接执行，工程反馈能够持续沉淀——这正是工业软件长期积累的价值。

基于工业软件能力，赛美特持续探索从工业数据、专业模型、企业知识到智能Agent的融合，让AI进一步连接分析决策与业务执行，真正服务制造过程：看懂现场、理解问题、辅助判断、执行改善，并在真实生产反馈中持续进化。

参考文献

[1] R. Bommasani et al., “On the opportunities and risks of foundation models,” arXiv:2108.07258, 2021, doi: 10.48550/arXiv.2108.07258.

[2] S. Yao et al., “ReAct: Synergizing reasoning and acting in language models,” in Proc. 11th Int. Conf. Learn. Represent. (ICLR), 2023. [Online]. Available: https://openreview.net/forum?id=WE_vluYUL-X