前言、目录与引言

摘要

人工智能（AI）与机器学习（ML）的发展正在重塑智能制造，通过为工业价值链各环节提供新的效率、适应性和自主性能力。然而，AI与ML在工业环境中的部署仍面临关键挑战，包括工业大数据的复杂性、有效的数据管理、与异构传感及控制系统的集成，以及在高风险工业环境中对可信、可解释和可靠运行的迫切需求。本路线图系统性地呈现了AI与ML在智能制造中的基础、应用及新兴方向。全文分为三个部分。第一部分着重阐述塑造智能制造AI发展轨迹的基础与趋势。第二部分聚焦AI已取得突破的关键主题，包括工业大数据分析、先进传感与感知、自主系统、增材制造与激光制造、数字孪生、机器人技术、供应链与物流优化，以及可持续制造。第三部分探索正在开辟新前沿的非传统机器学习方法，包括物理信息AI、生成式AI、语义AI、高级数字孪生、可解释AI、RAMS、数据中心计量学、大型语言模型以及面向高度连接和复杂制造系统的基础模型。通过识别这些领域中的机遇与剩余障碍，本路线图概述了方法、集成策略和工业采用所需取得的进展。我们希望本路线图能够为研究人员、工程师和从业者提供指引，加速创新进程，协调学术界与工业界的优先事项，并确保AI驱动的智能制造能够为未来制造生态系统带来可靠、可持续和可扩展的影响。

关键词： 人工智能；机器学习；智能制造；工业大数据；数字孪生；预测性维护；可解释人工智能；联邦学习；生成式人工智能；工业5.0

目录

智能制造AI与ML路线图

引言

第一部分 智能制造AI的基础与趋势

1. 人工智能与机器学习在智能制造中的演变
2. AI驱动的效率、适应性与自动化对未来制造的重要性
3. AI在制造与价值链中的展望

第二部分 AI赋能智能制造的关键主题

4. 面向智能制造的工业大数据分析优化
5. 面向制造的先进传感、感知与分析
6. AI赋能的自助制造
7. 增材制造
8. 激光制造中的机器学习
9. 智能制造中的数字孪生
10. 面向智能供应链与物流的AI
11. AI增强的机器人与自主系统
12. AI赋能的可可持续制造

第三部分 面向智能制造的非传统机器学习技术

13. 面向制造的机器学习与深度学习
14. 通过归纳偏置实现的物理信息机器学习
15. 面向设计与制造的生成式AI
16. 赋能制造中机器学习的语义框架
17. 面向数字孪生赋能自助制造的基于物理的预测控制与实时决策
18. 面向制造的可信AI
19. 赋能智能制造中的依赖性：RAMS与AI/ML集成
20. 面向未来制造的数据中心计量学
21. 面向高度连接和复杂制造系统的非传统机器学习

引言

Hanqi Su¹与Jay Lee¹

¹ 马里兰大学机械工程系工业人工智能中心，美国马里兰州大学公园，20742

电子邮件：hanqisu@umd.edu

智能制造的发展可追溯至过去六十余年的若干阶段。如图1所示，其经历了五个阶段：早期基础阶段（1960年代–2000年代）、新基础阶段（2000年代–2010年代）、AI/ML赋能智能制造的兴起（2014–2025年），以及迈向下一代AI的未来制造（2025–2035年）。

20世纪60年代中期，柔性制造系统（FMS）的概念被提出，旨在实现能够适应不同产品的自动化加工，首批实际应用出现在1960年代末。1970年代至1980年代，数字技术的进步催生了计算机集成制造系统（CIMS），强调CAD、CAM、机器人技术与企业系统的集成，以实现端到端的生产管理。1990年代初期，敏捷制造系统（AMS）的概念兴起，专注于在全球化格局和快速变化的客户需求面前的响应能力与适应性。大约在同一时期，智能制造系统（IMS）成为一个正式的国际研究计划。IMS计划于1990–1991年启动，是由日本、欧盟、美国以及后来其他国家的协作倡议，由国际IMS指导委员会等机构协调，并得到各国政府和产业的支持。其目标是通過全球合作开发智能化的、分布式的和自适应的制造系统。这些里程碑共同奠定了早期基础阶段，将自动化和集成确立为现代制造的基准。

随着2000年代和2010年代数字基础设施的兴起，新基础阶段由数据驱动的连接、传感与运营方面的进步所塑造。物联网（IoT）、网络物理系统（CPS）、云计算、工业大数据分析、预测与健康管理（PHM）及数字孪生等技术的引入，加速了设计、生产、检测和供应链系统的数字化和自动化集成[1-4]。这些进步为工业4.0奠定了基础，将传统生产转变为以数字化、自动化和智能化为特征的模式[5,6]。

自2014年起，AI/ML赋能的智能制造成为核心主题。智能制造作为现代制造的基石，美国国家标准与技术研究院（NIST）将其定义为"完全集成的协作制造系统，能够实时响应工厂、供应链和客户需求的变化"[7]。这一阶段始于深度学习（深度神经网络）、迁移学习、可解释ML及早期多模态融合在解决特定制造任务和试点部署中的应用[8-10]。在工业4.0的基础上，2021年提出了工业5.0，其愿景强调以人为中心、可持续性和韧性[11]。工业4.0专注于数字化和自动化以提高效率[6]，而工业5.0则强调人与智能机器的协作、支持可持续生产的循环经济原则，以及确保在干扰下具备适应性的韧性系统[12]。在此阶段，AI和ML方法正越来越多地应用于强化这些原则，将人类需求置于制造过程的中心。最近，重点已扩展至将联邦学习、多模态学习、物理信息学习和大型语言模型（LLM）等先进方法加速扩展到复杂工作流程中[8-10]。展望未来，下一代AI for Manufacturing阶段（2025–2035年）预计将由生成式AI、AI Agent、工业LLM和大型基础模型驱动，为可扩展和可持续的制造创造新的生产生态系统[13,14]。

近年来，AI和ML已成为应用于智能制造许多方面的基础技术[10,15,16]。一方面，在工业大数据时代，随着数据日益可得和分析需求不断增长，AI和ML技术能够高效处理来自设备、传感器网络和供应链的大规模数据流。这些方法支持从复杂数据集中提取可操作的洞察，并帮助制造商及时进行智能决策。另一方面，AI和ML的集成显著推进了制造过程的自动化。此前，质量控制、产品检验、设备维护和生产调度等任务严重依赖人工干预；而现在，这些任务可以由智能算法处理。这种转变减轻了人类工作负担，提高了准确性、一致性和运营效率。此外，随着对定制化和个性化产品需求的增长，AI和ML模型可以促进消费者偏好分析，并实现生产线的动态调整。因此，制造商可以缩短上市时间（TTM）并提高整体市场响应能力。此外，智能制造的另一项重大进展是从反应性维护向预测性维护的转变。传统制造依赖定期维护和人工检查来防止设备故障；相比之下，基于AI和ML技术的预测性维护和故障诊断可以在退化或异常行为的早期迹象时进行检测，并在故障发生前提供及时警报。通过利用数据驱动的预测和分类方法，制造企业可以减少突然停机和生产中断，从而降低维护成本。

尽管AI和ML为智能制造带来了巨大潜力，但当前AI和ML能力与现代制造系统实际需求之间仍存在显著差距。最关键的挑战之一是数据质量。工业数据通常充满噪声、不完整或呈现不一致的格式，在实践中往往难以使用。这些问题阻碍了AI和ML模型的有效训练，并损害了其预测的可靠性[17]。另一个限制是许多AI模型缺乏可解释性。虽然深度神经网络等黑盒模型可以达到强劲性能，但其内部决策过程往往不透明。这使得工程师和从业者难以完全理解或信任AI模型的输出，特别是在高风险的工业应用中[18]。此外，许多制造过程受到复杂物理原理的支配，这些原理难以用纯数据驱动的模型来表示。传统方法通常难以将这些复杂物理定律有效地整合到AI和ML模型中[19]。此外，在一个机器、生产线或工厂的数据上训练的AI和ML模型，当应用于不同领域时往往表现不佳，这是由于分布偏移和目标领域标记数据的有限可用性。这一挑战通常被称为域适应[20]。最后，尽管理想环境中AI模型通常表现出色，但其在现实生产环境中的部署仍面临挑战，包括系统集成复杂性、实时性能要求，以及跨多个工厂和分布式供应链的可扩展性。

鉴于AI和ML在转变现代制造中日益增长的重要性，本智能制造人工智能与机器学习路线图的目标是提供不同研究领域和技术发展的概述，以推动智能制造的进展（如图2所示）。它概述了下一代制造业的机会、挑战和技术进步。路线图分为三个主要部分：

• 智能制造AI的基础与趋势：本部分回顾了AI和ML在制造中的演变，强调它们在提高未来制造的效率、适应性和自动化方面日益重要的作用。它还讨论了AI技术的展望及其改变制造业和价值链的潜力。

• AI赋能智能制造的关键主题：本部分聚焦AI和ML在智能制造中的主要应用领域。涵盖工业大数据分析、自主制造、增材制造、过程监测与优化、数字孪生、工程设计、智能供应链与物流、可持续与绿色制造，以及AI增强机器人等主题。

• 面向智能制造的非传统机器学习技术：本部分讨论了新兴的非传统机器学习范式及其与智能制造的相关性。涵盖的主题包括深度学习、生成式AI、物理信息ML、语义框架，以及可信和可解释AI。它还强调了AI赋能系统中数据中心计量学、可靠性、可用性、可维护性和安全性（RAMS）的发展，以及大型语言模型、工业大型知识模型、域适应、迁移学习、质量流分析和联邦学习的进展。

我们希望本路线图为推进智能制造中的AI和ML提供一个全面的视角和长期战略基础。每篇文章都由各自领域的顶尖研究人员撰写，呈现了该领域的当前状态，识别了关键挑战，概述了解决这些挑战所需的科学和技术进展，并提出了未来展望。最后，我们鼓励更广泛的学术界从业者、产业界实践者、资助机构和政策制定者之间的合作，共同塑造制造业的未来。

致谢

本工作由美国教育部通过改善中学后教育基金（FIPSE）资助，资助编号为P116S230014。