引言：本文以工业富联科技服务视角，从工程架构出发，拆解AI Factory从“看见工厂”走向“理解、决策并执行”的技术路径。重点讨论Factory Brain、MoMClaw、Sim2Real与自动化机器人之间如何形成协同，而非简单堆叠AI模型。

当工厂开始拥有“运营大脑”，AI Factory进入下一阶段

过去几年，制造业的AI应用大多从具体场景切入：视觉检测解决质量问题，预测性维护解决设备问题，算法排程解决计划问题，智能物流解决搬运问题。

这些应用能够带来局部改善，但随着生产系统越来越复杂，一个新的问题开始出现：当质量、设备、排程、物流和能源同时发生变化时，谁来协调这些AI？

这正是AI Factory正在探索的方向。

2026年，NVIDIA持续完善AI Factory相关基础设施与工厂运营架构。一方面，NVIDIA推出Vera Rubin DSX AI Factory参考设计和Omniverse DSX Blueprint，用于AI基础设施的设计、仿真和运营；另一方面，NVIDIA发布Factory Operations Blueprint（FOX），探索由Factory Manager Agent协调专业Agent和机器的工厂运营模式。

对于制造业而言，这意味着AI的角色正在发生变化：从解决单个问题的工具，逐渐进入工厂运营的协同层。

那么，一座AI Factory究竟如何工作？

如果从工业富联科技服务的新一代AI Factory解决方案架构来看，可以重点理解三个相互关联的能力：Factory Brain负责运营决策，MoMClaw负责多智能体协同，Sim2Real负责虚实验证，自动化与机器人则负责把决策落到物理现场。

一、Factory Brain：工厂真正需要的不是一个“超级模型”

制造现场最大的难题，并不是没有AI模型，而是不同AI之间缺少统一的协同机制。

一笔紧急订单进入工厂后，计划排程需要考虑产能，设备管理需要判断设备状态，质量管理需要评估工艺风险，物流系统需要重新安排物料，能源系统还要考虑生产时段和能耗。

如果每个系统只解决自己的问题，最终仍然需要人工协调。Factory Brain解决的正是这一层问题。

在NVIDIA发布的FOX参考架构中，Factory Manager Agent持续获取机器信号、质量系统、作业指导和运营告警等信息，并协调专业Agent和机器完成工厂层面的决策。NVIDIA同时披露，富士康正在基于FOX和NemoClaw建设MoMClaw制造运营多智能体系统。

因此，Factory Brain更适合被理解为工厂的AI运营协调层，而不是一个单独的大模型。

在工业富联科技服务的AI Factory架构中，可以进一步按照业务职能构建供应链、质量、设备、能源、物流和机器人等专业Agent。它们分别掌握不同领域的数据和知识，再围绕同一个生产目标进行协同。

这种架构带来的变化是：AI开始从“回答问题”走向“参与运营”。

二、MoMClaw：让多个Agent真正“说得上话”

有了多个Agent，还会出现一个新问题：它们如何协同？这也是MoMClaw存在的意义。

需要特别说明的是，MoMClaw并不是与Factory Brain完全并列的另一套“工厂大脑”。更准确地说，它承担的是制造运营多智能体协同平台的角色，为Factory Brain及专业Agent提供连接、知识、协同和安全运行能力。

例如，计划Agent希望提高设备利用率，设备Agent却判断某台设备已经接近维护窗口；质量Agent认为当前工艺需要降低运行速度；能源Agent则建议避开高峰电价时段。

这时，系统不能简单地选择其中一个答案，而需要围绕订单交付、质量、设备风险和能源成本等目标进行综合判断。

因此，多智能体系统真正的工程难点，不是“Agent数量越多越好”，而是如何让Agent拥有统一的数据上下文、明确的任务边界和可靠的协同机制。

工业富联科技服务的MoMClaw实践正是在探索这一方向。NVIDIA公开资料显示，富士康的MoMClaw连接传感器、机器信号及其他数字系统，并通过统一的Agentic Layer连接大量专业Agent，为工厂管理人员提供实时分析和行动方案。项目方披露的目标包括根因分析时间改善80%、劳动生产率提升15%以及设备故障率降低10%。这些属于项目公开披露的目标数据，实际效果仍需结合具体工厂和部署阶段判断。

这比简单部署一个工业大模型更接近AI Factory的核心逻辑：让不同AI能力进入同一个生产运营体系。

三、Sim2Real：AI做出的决定，先别急着交给机器

AI能够分析和决策之后，还有一个非常现实的问题：这个方案真的能执行吗？

制造业的生产环境与纯软件系统不同。一个排程方案可能影响设备负荷，一个机器人路径可能造成碰撞，一次产线调整可能影响物流节拍。

所以，AI Factory需要一个能够提前验证方案的虚拟环境。这就是Sim2Real和数字孪生发挥作用的地方。

NVIDIA目前已经将Omniverse DSX Blueprint用于AI Factory基础设施的数字孪生设计和仿真，通过OpenUSD、SimReady资产以及电力、热力和运营仿真，对大型AI基础设施进行设计、验证和优化。

制造业中的数字孪生同样可以承担类似作用：将CAD、BIM、点云、设备数据和生产信息组织起来，在虚拟环境中验证产线布局、机器人动作、物流路径和生产流程。

真正有价值的地方，并不是把工厂“画得更像”，而是让虚拟空间具备可计算、可仿真、可验证的能力。

例如准备上线一条新产线，可以先在数字孪生环境中测试设备布局和物流路径；机器人执行新任务之前，可以先进行虚拟训练和碰撞验证；生产方案发生变化时，也可以通过What-if分析比较不同方案的影响。

NVIDIA的Omniverse DSX架构甚至已经将AI Agent、仿真模型和数据湖连接到数字孪生运行环境，使Agent能够调用仿真结果进行分析和What-if场景探索。

这意味着数字孪生正在从“展示工具”进一步走向AI决策验证环境。

四、自动化与机器人：让AI真正进入物理世界

如果Factory Brain负责决策，MoMClaw负责协同，Sim2Real负责验证，那么最后一步就是执行。这也是AI Factory与普通企业AI项目非常不同的地方。制造现场最终需要面对真实设备、机器人、AGV/AMR、自动检测系统和生产线。AI做出的计划如果不能转化成实际动作，就很难形成完整价值闭环。因此，自动化与机器人平台承担的是物理执行能力。

比如物流Agent重新规划了物料配送任务，AGV需要按照新的任务执行；设备Agent判断某台设备需要维护，相关机器人或自动化系统需要进入对应流程；计划Agent调整生产节奏，设备控制系统则需要按照权限和安全规则执行。

这里同样需要强调一个边界：AI Factory并不意味着所有决策都立即实现无人化。

对于高风险设备、关键工艺和安全相关操作，仍然需要设置权限、审批、规则约束和人工监督。AI Factory真正追求的是逐步扩大机器能够可靠自主执行的范围。

五、真正的技术难点，其实藏在“数据”下面

Factory Brain、Agent、数字孪生和机器人看起来都很“智能”，但如果往下追一层，会发现真正决定系统能否落地的仍然是数据基础。

工厂的数据通常分散在MES、MOM、ERP、QMS、WMS、SCADA、PLC、IoT以及各种设备控制系统中。不同系统的数据结构、时间尺度和业务语义并不完全一致。

因此，AI Factory不能只建设一个大模型平台，还需要解决数据集成、数据标准、工业知识、实时数据、安全权限等问题。

这也是为什么工业富联科技服务在AI Factory架构中，将数据平台和技术底座放在整个体系的基础位置。

对于制造企业来说，真正需要沉淀的也不只是历史数据，还包括工艺规则、设备知识、质量标准、异常案例和专家经验。只有这些信息能够被AI正确理解和调用，Agent才有可能真正进入生产运营。

数据决定AI看到了什么，工业知识决定AI理解了什么，Agent决定AI能够做什么。

六、从“单点AI”到“AI Factory”，关键变化是什么？

把整个架构串起来，就会发现AI Factory并不是简单增加几个AI应用，而是在改变工厂的运行逻辑。

过去，一个设备模型负责预测设备状态，一个视觉模型负责检测质量，一个排程系统负责生成计划，最终由人把这些结果组合起来。

AI Factory希望进一步建立这样的闭环：生产数据进入系统 → Agent理解现场 → Factory Brain协调决策 → Sim2Real验证方案 → 自动化与机器人执行 → 执行结果重新进入数据系统。

这样一来，AI的价值就从“单点能力”扩展到“运营协同”，这也是AI Factory真正值得制造业关注的地方。

七、灯塔工厂正在验证这种系统化趋势

这条路线并非只停留在技术架构层面。2026年6月，世界经济论坛宣布全球灯塔网络新增16个成员，使全球灯塔网络达到238个工业和供应链站点。WEF总结最新一批灯塔实践时，重点提到了端到端智能、人机协同以及以可持续发展推动经营绩效三个方向。

与此同时，NVIDIA公布的FOX案例也说明，制造业正在从孤立的AI应用向统一的工厂运营智能层演进。这背后的趋势非常清楚：未来制造企业竞争的重点，不只是有没有AI模型，而是能否把数据、知识、Agent、仿真和物理执行真正连接起来。

结语：AI Factory的核心，不是“有多少个AI”，而是能不能形成闭环

从工程视角看，AI Factory可以理解为一套逐渐成型的智能制造新架构。

Factory Brain负责统筹运营，MoMClaw负责多Agent协同，Sim2Real负责虚拟验证，自动化与机器人负责物理执行，数据平台和技术底座负责持续提供支撑。

它们真正连接起来以后，工厂才有可能从过去的“系统记录—人工判断—设备执行”，逐步走向“数据感知—智能决策—虚拟验证—自主执行—反馈优化”。

这也是工业富联科技服务持续探索AI Factory的核心方向：让AI从一个个独立应用，逐渐进入制造运营的核心流程。

AI Factory最终要解决的，并不是“如何让工厂拥有更多AI”，而是一个更实际的问题：

当生产越来越复杂、订单越来越波动、设备越来越智能，能不能让整个工厂具备持续理解现场、协同决策和快速执行的能力？

这或许才是AI Factory真正的技术价值。