【人工智能】AS:智能制造的三段进化——AI、EI、PI如何重新定义未来工厂?

21世纪是智能的时代，工业界也在这一背景下迎来新一轮的数智化“工业革命”。人工智能(Artificial Intelligence, AI)如何更好地运用于工业？具身智能(Embodied Intelligence, EI)如何主导工业？物理智能(Physical Intelligence, PI)如何引领未来的工业发展？近期，浙江大学王康教授、张树有教授、谭建荣院士联合香港中文大学廖维新教授、金刘超博士首次系统性定义并阐述了工业场景中三类智能的发展现状及未来前景。文章不仅梳理了三类智能如何参与设计、生产、运行与维护，更描绘出一条从“算法作决策、机器执行命令、材料被动承载功能”，走向“算法与现场协同学习、装备在交互中自主调整、材料凭自身结构作出响应”的演进路线。

这篇综述对于智能制造领域而言尤其值得关注。AI的角色正在从数据分析延伸至结构设计与工艺优化；工业设备也不再只需精准重复动作，还需要根据真实接触和环境变化调整行为；材料也不再只是等待加工的对象，而有望成为感知、调节与功能恢复的一部分。当智能从“会算”走向“会做”，进一步深入到“物”本身，未来工厂的智能制造全景图也随之打开。

一、智能制造的难题：模型很聪明，工厂却不总按模型运行

今天的工厂已经能采集数据、识别缺陷、预测故障，甚至自动生成设计方案。但在当前的工业场景及应用中，许多“智能”仍停留在计算机里：模型学到的是生产过程的数据表示，当面对真实车间不断变化的设备、材料和环境时，未必能稳定发挥作用。究其原因，该领域的难题可以概括为以下三点：

• 数据难得：异常工况和设备故障本就少见，标注又耗时耗力。
• 经验难迁移：在一台设备上训练的模型，换一批材料、一道工序，就可能需要重新校准，模型的可迁移性差。
• 决策难落地：算法算出了最优方案，但是该方案还需经得起接触、磨损、振动等真实物理过程的检验。

这些实际存在的问题正阻碍着智能制造走向新的阶段。从这一观点出发，综述将当前工业领域的智能问题总述为：未来的智能能否走出屏幕，进入生产动作，甚至进入材料本身？

二、AI、EI、PI：工厂的三种“智能”分别在哪里？

综述用三个相互配合的概念回答这个问题：

• 人工智能（AI）：让系统“会想”。它从数据中学习规律，进行识别、预测、优化和生成设计。例如判断产品是否有缺陷，或为加工寻找合适参数。
• 具身智能（EI）：让系统“边做边想”。机器人或装备感知现场、作出决策、执行动作，再根据动作的结果调整下一步，建立一条持续运行的“感知—决策—行动”闭环。
• 物理智能（PI）：让材料和结构“自己响应”。通过设计材料成分、几何结构和制造过程，把特定的感知、调节、变形或恢复能力写进物理实体中，通过最迅速且准确的物理法则推动智能。

图1. 人工智能（AI）、具身智能（EI）与物理智能（PI）协同融合。通过数字认知、感知—决策—行动及材料物理响应，共同构建统一制造智能。

三、AI赋能工业的前提：先让生产过程“看得见、算得准”

时至今日，AI已成为智能制造的重要工具，其作用从设计贯穿到运营：

• 设计新结构。生成式模型可以从目标性能出发，反向寻找可制造的几何形状与材料结构。
• 优化工艺参数。面对加工、增材制造中复杂的参数组合，AI可结合少量有针对性的实验，缩小寻找工艺窗口的范围。
• 盯住质量与设备状态。机器视觉识别表面缺陷，运行数据帮助判断刀具磨损、设备异常与维护时机。
• 协调生产。排程模型可综合任务、资源和设备状态，支持生产决策。

AI的价值，是把海量工业信息变成可用的判断。但一个漂亮的预测结果，还不是一次可靠的生产动作，下一步要看机器能否依据现场反馈真正改变行为。

图2. 人工智能作为智能制造认知层的信息处理架构。将异构工业数据转化为数字表征，经学习、预测、优化、生成与决策形成数字输出，并通过设备、具身智能体或自适应载体实现物理执行。

四、EI主导工业现场：让机器从“照着做”走向“看着做”

传统自动化擅长重复固定动作，而具身智能面对的则是位置会偏、工具会磨、人与机器人会共享空间的动态现场，这则要求智能能更敏锐地感知周边环境及自身状态，并做出相对准确、及时的决策。

当机器人能感知工件状态并调整抓取力度、当加工装备能依据切削信号修正参数、当协作机器人能根据人的动作改变路径时，智能便进入了实际操作。它的一次动作会带来新的反馈，新反馈又继而影响下一次动作，这便是该综述强调的具身闭环。

数字孪生、多传感器融合和学习算法可以帮助机器判断现场状态；真正检验EI的，仍是它能否在物理交互中持续、安全地完成任务。

图3. 制造系统中的具身智能总体架构。融合多模态感知、大语言模型与强化学习，驱动任务规划、故障预测及协同执行，形成感知—决策—行动闭环。

五、PI引领未来工业：将响应能力嵌入物理实体

在我们的工业场景中，扰动及变化不可避免。如果设备在工作时，遭遇了一次冲击、一处错位或一道微小裂纹出现，是否每次都要等传感器上报、控制器计算、执行器再动作？

物理智能提供了另一种可能：把一部分响应规则，直接设计进工业设备的物理实体，让经过设计的材料和结构在受到刺激时直接完成某些任务。例如，结构可以通过自身形变缓冲冲击；具有多个稳定状态的构件可以切换形态；特定材料可以在受损后恢复部分功能。智能由此不只存在于外部算法中，也体现在物体完成任务的方式里。这意味着未来的智能制造或许不只是在生产线上使用智能机器，还可以制造本身具备响应能力的零件、工具与产品，在设计时即写入物理规则，制造时形成特定结构，运行时适应环境，受损后恢复功能。

PI并非让材料拥有像人一样的“大脑”，而是在于某种特定的物理变化是否经过有意设计，直接承担了调节、记忆、恢复等与任务相关的功能。

图4. 制造领域物理智能的总体框架。以材料感知智能、自演化系统、过程引导的物理增强和涌现智能为四大支柱，通过内禀物理机制实现自适应响应、鲁棒性提升与自主运行。

六、从概念到场景

在综述中，从AI到EI再到PI初步的场景应用被总结了出来：AI帮助寻找工艺参数、识别生产缺陷；EI让机器在抓取和加工时依据现场反馈调整动作；PI则让设计的材料与结构承担部分局部响应。综述汇集的研究案例，恰好展示了智能如何一步步从屏幕中的判断，走进机器的动作，最终进入材料本身。

在设计和质检中，AI已经展现出实用能力。综述介绍的激光粉末床熔融研究，将高斯过程模型与有针对性的实验结合，用于探索工艺参数；另一项材料挤出式3D打印研究，则展示了对打印错误的实时识别与纠正。

图5. 人工智能在制造系统中的架构与典型应用：（a）认知引擎与自主制造生态；（b）生成式设计与工艺合成；（c）工艺参数优化；（d）缺陷检测与质量检验；（e）预测性维护；（f）生产调度。

在加工和操作中，EI让反馈变成下一步动作。多传感器智能刀具结合数字孪生，可捕捉切削过程中的信号，并在刀具磨损等条件变化时支持加工参数调整。具备触觉反馈的机器人抓手发现物体滑动后，会修正抓取动作，再通过新的触觉信号确认抓取状态。

图6. 具身智能从物理感知到闭环自适应的分级框架与典型案例：（a）感知—决策—行动—物理反馈闭环；（b、c）组件级具身感知；（d、e）感知、决策与行动集成；（f–h）物理反馈驱动的闭环自适应。

在材料和结构中，PI让物体参与完成任务。论文列举的力学超材料关节，能够利用结构本身的被动柔顺性容纳几何错位，同时传递扭矩；力学自适应凝胶则将受力感知、信息传递与局部增强联系在同一材料系统中。

图7. 超越机械计算的物理智能典型案例：（a）机械自适应凝胶；（b）多稳态结构重构；（c）无电子自主软体机器人；（d）被动柔顺装配；（e）自修复离子凝胶；（f）可重构机器人单元的集体适应与协同行为。

这些例子分别展示了“会计算”“会交互”和“会物理响应”的不同能力，也提示了我们研究原型与稳定的工业应用之间仍有距离。

七、路线图与挑战：离真正的“自主工厂”还有多远？

综述提出的方向，是让AI、EI、PI贯穿制造全生命周期：

• 设计阶段：用算法寻找方案，同时考虑材料行为与制造约束。
• 制造阶段：让装备根据现场反馈调整工艺，把所需功能可靠地制造出来。
• 运行阶段：让预测、机器交互和材料响应共同应对变化。
• 维护阶段：结合故障预警、动作调整与结构恢复，延长系统的有效工作时间。

要走通这条路，还得回答几个现实问题：模型换设备后是否仍然可靠？机器在线学习时如何避免损坏工件和工具？材料反复受力后还能否保持设计好的响应？当系统出错，能否判断问题来自算法、控制还是材料？这些能力也需要可重复的测试与验证，才能进入实际生产。

八、结语：下一轮工业智能，可能藏在“物”里

Advanced 

Science

期刊简介

Wiley旗下材料科学类期刊官方微信平台

推送材料科研资讯｜访谈材料大咖新秀

分享撰稿投稿经验｜关注最新招聘信息

点击“分享”，给我们一点鼓励吧~