2026年10月12日至16日，第26届中国国际工业博览会在上海举行。31万平方米展区、3200余家参展企业，工业大模型、AI Agent、边缘计算、具身智能等技术集中亮相。一个明显变化是，AI不再只是独立的软件能力，而是开始进入控制、检测、生产运营和机器人作业等具体环节。

展会上，两条技术路线值得关注：

一条是“AI+制造”，从大模型、智能体出发寻找工业应用；另一条是“制造+AI”，在PLC、工业相机、工业软件和机器人等成熟产品中嵌入智能能力。

两条路线究竟谁更适合制造业？判断的关键不是AI技术有多新，而是能否解决工艺问题、连接现有系统，并在真实生产环境中持续产生价值。

一、AI+制造与制造+AI，技术架构有什么不同？

两条路线的差别，可以从数据入口、决策方式和执行链路三个方面理解。

对比维度	AI+制造	制造+AI
技术入口	大模型、Agent、视觉模型	PLC、工业相机、MES、设备软件
主要优势	跨系统理解、复杂任务编排	贴近现场、便于融入既有流程
典型应用	故障分析、计划辅助、知识问答	缺陷识别、设备诊断、工艺参数优化
主要挑战	数据权限、结果可靠性、执行闭环	系统异构、数据孤岛、跨场景复用
适用方式	从跨系统、知识密集型任务切入	从边界清晰的工序和设备切入

例如，视觉检测可以在设备侧部署专用模型，直接判断工件是否存在缺陷；但当企业需要分析缺陷与设备状态、原材料批次和工艺参数之间的关联时，就需要进一步连接生产数据和质量知识。

因此，实际项目通常不是二选一，而是采用分层架构：现场控制负责实时执行，工业软件负责业务流程，AI模型负责识别与推理，智能体负责组织跨系统任务。

二、工业AI技术栈：从数据采集到任务执行

一个可落地的工业AI系统，可以拆解为五个层次。

1.现场数据层：采集设备状态、工艺参数、质量检测、物料批次和生产节拍等数据。常见数据接口包括 OPC UA、MQTT、工业以太网及设备厂商接口，具体取决于现场设备和网络条件。

2.数据与知识层：完成数据清洗、时间对齐、设备编码映射和业务关联，并管理SOP、维修手册、FMEA及历史工单等知识。

3.模型与推理层：根据任务选择视觉模型、时序异常检测模型或大语言模型。视觉检测与数值预测通常不需要全部交给大语言模型处理。

4.智能体与业务层：将模型输出转化为查询、分析、工单创建、任务分派等业务操作，通过权限、规则和状态检查控制执行范围。

5.现场执行与反馈层：由MES、MOM、设备控制系统和机器人等完成相应任务，并将执行结果回传，形成可追踪的业务闭环。

这套架构的核心，是把“感知—分析—决策—执行—反馈”连接起来，而不是简单地将一个聊天机器人接入生产系统。

技术选型时，还应区分不同层级的实时性要求。以下是工程设计参考范围，不是所有工业场景都必须满足的统一标准。

任务类型	主要技术路线	设计关注点
高速运动控制	PLC、运动控制器、伺服系统	确定性、周期抖动、联锁
在线视觉检测	视觉模型、工业相机、边缘计算	图像质量、推理延迟、误检漏检
设备异常检测	时序分析、规则、机器学习	采样频率、误报率、提前量
工艺知识问答	RAG、权限管理、知识库	检索准确性、引用依据、更新机制
跨系统业务协同	工业Agent、MOM/MES接口	任务成功率、执行可追溯性、异常恢复

例如，部分高速控制任务可能要求毫秒级甚至更短的控制周期，但这并不意味着大语言模型需要在每个控制周期内完成推理。更合理的方式是将复杂任务决策与实时控制分离，让AI负责高层判断，由确定性控制系统执行经过校验的动作。

三、数字孪生：让方案先在虚拟环境中验证

制造业改造经常面临一个现实问题：设备布局、物流路线或机器人动作一旦在现场实施，调整成本就会增加。数字孪生的价值，是将部分验证工作提前到虚拟环境中。

工业富联科技服务的 Fii Omniverse Digital Twin（FODT），基于数字孪生技术支持工厂规划、产线布局、物流仿真和虚实映射等应用。通过关联三维模型、设备信息与运营数据，企业可以分析设备布局冲突、物流路径和工艺流程，为现场改造提供验证依据。

从技术实现看，数字孪生项目需要重点处理以下问题：

几何一致性：设备、工装和工件模型的尺寸是否符合实际，模型精度是否满足当前分析任务。

运动学与碰撞：机器人关节限制、工作空间、设备干涉和安全距离是否经过验证。

数据映射：三维对象能否与现场设备编码、状态点位和业务系统记录正确关联。

仿真可信度：关键参数是否经过实际测量或试验校准，仿真结果与现场结果之间的偏差是否可接受。

其中，模型精度并非越高越好。用于厂区布局的模型与用于机器人精细操作的模型，对几何细节、物理参数和计算资源的要求并不相同。项目应根据验证目标确定建模粒度。

四、工业智能体：从“能分析”走向“能办事”

数字孪生帮助企业理解和验证生产环境，工业智能体则进一步参与业务任务处理。

工业富联科技服务的 MoMClaw 制造运营多智能体方案，围绕质量、设备、生产调度、能源和物料等制造任务，结合大模型、知识检索与业务流程开展应用探索。

以设备异常分析为例，技术流程可以设计为：

1.读取设备告警、时间戳和当前运行状态。

2.根据设备编码检索维修手册、历史工单与相似故障。

3.关联相关工艺参数和上下游生产信息。

4.输出候选原因、依据和建议检查步骤。

5.经规则校验与授权后，生成维修工单或提交工程师确认。

6.记录处理结果，更新故障分析与知识管理流程。

这里需要特别关注RAG和工具调用的边界。RAG负责提供相关知识，模型负责综合分析，工具接口负责读取或操作业务系统，权限控制负责约束执行。任何一个环节都不能仅凭模型生成的文本就默认可信。

工程上可为每次任务记录请求ID、数据时间范围、检索文档版本、模型版本、工具调用结果和人工审批记录。这样才能在分析结果不正确时追溯原因。

五、机器人与Sim2Real：仿真训练不等于现场可用

随着工博会上的多机器人协作、柔性上下料和具身智能应用增多，机器人能力正在从固定轨迹执行走向更复杂的感知与任务规划。

工业富联科技服务围绕机器人训练与部署，探索任务设计、行为规划、数据采集、技能训练、虚拟验证和现场部署等环节。对于复杂工位，可以先在数字环境中检查任务和动作，再通过实机测试验证抓取、避障和作业节拍。

机器人项目需要重点关注的参数包括：

指标	工程含义	验证方法
定位误差	目标识别与坐标估计的偏差	标定件、多位置重复测试
抓取成功率	在规定工况下完成抓取的比例	多批次、不同姿态测试
单循环时间	从任务开始到完成的周期	统计完整生产循环
碰撞与干涉	机器人与工装、设备的空间冲突	仿真检查加现场验证
异常恢复率	发生异常后恢复任务的比例	注入可控异常并记录结果

这些指标必须结合具体工件、夹具、任务难度和生产节拍设定验收门槛，不能直接套用某个通用数字。仿真阶段通过的任务，还需要经过真实工件、实际光照和现场设备条件验证。

六、工业AI项目怎样选型，才能避免技术堆砌？

建议采用四步实施法。

第一步，选择高价值场景。 优先考虑问题频繁、业务边界明确、数据可获得且效果能够衡量的场景，例如设备异常分析、视觉质检或生产知识检索。

第二步，建立量化基线。 记录当前异常处理时长、误检漏检、停机时间、人工操作次数或单位产出能耗，避免项目上线后才临时寻找评价指标。

第三步，先辅助后执行。 初期让AI生成分析结果和处理建议，由工程师确认；经过充分验证后，再逐步开放工单创建、任务分派等受控能力。

第四步，按业务指标验收。 不只检查模型准确率，还要衡量流程耗时、误报率、人工介入率、系统可用性和实际生产收益。

工业富联科技服务的数字孪生、MOM、MoMClaw和机器人相关能力，可以根据工厂的系统基础与业务需求进行组合，分别支撑虚拟验证、运营协同、知识与任务处理以及机器人部署。具体方案仍需依据实际工艺、设备接口和数据条件确定。

结语

AI+制造与制造+AI并非相互排斥的路线。前者可以帮助企业重新审视跨系统业务，后者能够让智能能力深入成熟的工业产品和生产环节。

真正的技术分水岭，在于AI能否进入工艺流程、与既有系统协同，并通过可复现的测试和业务指标验证价值。对于制造企业而言，先解决一个具体问题，再把有效能力沉淀为可复用的架构，往往比一开始追求覆盖全厂的AI平台更务实。