国务院总理李强在部署2026年重点工作时强调“加快发展新一代智能制造”，推动人工智能与先进制造技术深度融合。当前，人工智能在制造业的应用已在视觉检测、智能排产、调参优化等场景取得显著成效，但大多数应用仍停留在数据驱动的阶段。工业智能升级应实现从数据驱动走向机理与数据的融合驱动（理数融合），其外在表现是决策主导权从人逐步向人机协同转移。 本文从工序级优化、全流程联合优化、跨系统智能体协同、持续复利机制四个层面，系统阐述这一变化的内在逻辑与实施要点。 一、工序级：从数据驱动到理数融合 工序级局部优化是当前工业智能落地最成熟的形态：在一道工序或一台设备范围内，目标由人预设，人工智能在此目标下求解最优。 以熔炼炉为例，传统合金成分控制依赖事后化验，成分偏离时需补料或重熔，响应滞后。人工智能可构建“预测—校验—执行”闭环：根据前序批次的实际成分、炉温、原料波动等数据，动态推算最佳补料量，实现熔炼中预调整。但纯数据驱动存在风险，历史样本无法覆盖全部工况，模型可能在数据稀疏处给出统计上最优、实际却不可行的方案。因此系统应引入机理约束校验：将关键冶金边界（如成分溶解度、烧损补偿范围）显式编码为硬约束，确保推荐值既统计最优，又落在安全的冶金物理边界内。 这正是理数融合在工序级的分工：数据寻优负责探索更好的可能性，机理校验负责守住绝不越界的底线。有了这一安全担保，系统才有可能实现自检测、自反馈、自调整。 二、全流程：从单点优化到联合优化 单点优化的局限主要在于：每道工序独立设定目标，却不知彼此间的关联关系。为突破这一局限，需要以最终产品的综合性能反向定义各工序目标。由于历史数据中大量混杂因素会掩盖真实关系，因此仅靠数据难以发现跨工序的因果耦合。此时需引入机理建模，例如对可建模的物理冶金过程（物质流、能量流、组织演变等）尽可能显式表达，再与现场数据联合辨识关键耦合参数。这正是理数融合在全流程层面的延伸：机理提供因果结构，数据辨识具体参数。 在此基础上，前道工序的目标不再由自身最优决定，而是由最终产品的综合表现反向驱动。即使有可能对前道工序增加了控制难度，也必须作出相应让步。这一过程本质上也是人机协同的体现——系统通过理数融合提出跨工序协调策略，人负责确认关键约束与安全边界。 三、跨系统：智能体协同中的理数融合 全流程联合优化将优化范围从工序扩展到工厂，但面临一道现实边界：订单数据在ERP，设备状态在SCADA，物料库存在WMS，质量记录在QMS。这些系统由不同厂商在不同年代建设，数据结构、更新频率各不相同。过去行业试图以“打通”的思路融合它们，往往成本高、周期长、风险大。 另一条可行路径是：不追求底层统一，而是在既有系统之上运行一层能够跨系统工作的智能体。各系统照旧独立运行，智能体则具备解析不同系统数据结构与语义的能力，根据权限综合各方信息作出跨系统决策。 在决策过程中，智能体可融合机理规则（如工艺规范、设备极限、物料守恒等）与数据驱动方法：即机理提供物理可行的硬边界，数据驱动提供动态优化方向。这正是理数融合在跨系统层面的延伸。需要强调的是，这些智能体精确地工作在决策层（分钟级及以上判断），而非控制层（毫秒级实时闭环必须依靠硬连接）。厘清这一边界，是低风险落地的根本原因。 四、持续自优化的复利机制与自我演进 如果工业智能止步于功能部署，那仍然是一次性技术升级。真正的跃迁应在于：系统在持续运行中不断产出新信息，这些信息经过合理筛选后回流并用于改进系统本身，形成持续自优化的复利机制。 在单工序层，每一次经过验证的异常识别和专家干预修正，可被结构化沉淀为新的训练样本；在全流程层，每确认一条新的跨工序耦合关系，可回写至知识资产库；在跨系统层，智能体的每一次跨系统交互也在积累对各系统语义的隐性理解。数据与模型彼此激发、相互增益，使系统在适当的人工监督下逐步具备自我演化的能力。系统越用，对工厂的理解越深，决策越贴合实际工况。 但需警惕：回流机制设计得当则系统越用越强，设计失当则系统越用越坏。若不加甄别地将运行数据回灌，噪声便会逐轮累积，使模型逐渐偏离物理真相。业内已有观察，部分项目运行一段时间后性能不升反降，其原因往往在于此。 这正是理数融合在动态运行中的关键作用：静态构建时，机理提供安全边界与物理约束；动态运行中，机理还承担数据回流的甄别与把关职能，它是区分有效数据与噪声、防止系统在自我循环中失稳的关键判据。同时，人机协同体现在：专家的干预和验证被有效纳入学习闭环，机器负责筛选与推荐，人负责关键确认与纠偏，确保系统朝向正确方向演化。 结语与建议 工业智能的演进，本质是决策主导权从人逐步向人机协同转移，支撑这一转移的核心始终是机理与数据的融合。数据赋予系统从经验中学习的能力，机理赋予系统对物理因果的理解能力。二者兼备，系统才既不会越过安全边界，又能在历史经验未覆盖的工况下作出合理决策。 建议制造企业在推进新一代智能制造过程中，优先在工序级建立机理与数据的双重校验机制，再逐步向全流程联合优化与跨系统协同拓展，同时高度重视运行数据的回流治理。持续推动我国制造业在新一代智能制造浪潮中形成可持续的核心竞争优势，真正实现从数据驱动到理数融合、从人主导到人机协同的范式跃迁。
