报告概述
本报告聚焦人工智能模型在先进制造（Al4M）中的应用，系统梳理了AI模型按参数规模分为大模型、小模型、微模型的分类体系，并围绕工程材料、设计优化、加工装配、控制运维四大制造阶段，展示了各规模模型的实际应用案例。报告基于文献计量分析，揭示了不同阶段AI研究的发文趋势和热点，同时指出数据稀缺、多源异构、物理规律缺失、训练成本高、泛化能力低、预测精度低等六大挑战，并提出了发展实测数据处理技术、大小微模型融合、领域专业小模型开发、数据库集成、云边结合软件开发等未来方向。
报告的核心结论
大模型在工程优化中潜力显著但高维预测性能有限
报告通过测试函数对比六种主流大语言模型发现，大模型对一维预测任务表现良好，但在二维和十维函数预测时性能明显下降，对于实际工程中的复杂约束优化问题效果不佳，表明大模型作为智能调度器和方法集成器仍有局限。
小模型和微模型在特定制造场景中兼具精度与效率
报告展示了小模型（如图神经网络、Bi-LSTM）在应力场重构、温度场预测等任务中精度超过90%，微模型（如代理模型）在激光切割工艺优化中决定系数达0.9554，且训练时间短、可部署于边缘端，是当前制造业智能化落地的务实选择。
实测数据少、多源数据杂是AI赋能制造的核心瓶颈
报告指出工业场景中样本数量少、数据不均衡、传感器布局受限等问题普遍存在，同时多源异构数据（时域、频域、图像、文本）难以直接融合，导致AI模型普遍面临过拟合、泛化能力差和预测精度不足的困境。
物理规律缺失导致纯数据驱动模型在工程中可靠性不足
报告强调纯数据驱动AI模型常违背物理常识，外推性差。无论是大模型对复杂工程问题的错误判断，还是小模型在噪声环境下的精度退化，都表明将物理规律（如热力学、力学方程）嵌入模型（如PINN、物理引导GNN）是提升工程可靠性的关键。
大小微模型融合及云边协同是未来智能制造的发展方向
报告提出结合大模型的泛化能力、小模型的领域适应性和微模型的快速响应，通过知识蒸馏、模型分层协作实现云边协同，同时开发面向特定装备的领域专业小模型，并建设全生命周期数据库，是突破当前瓶颈的有效路径。
报告回答的关键问题
大模型如何应用于先进制造？
报告通过案例展示大模型在优化设计中的潜力，如使用DeepSeek、ChatGPT等六种LLM对测试函数进行预测和优化。结果显示大模型在低维问题中表现良好，可作为智能调度器辅助工程决策，但在高维和复杂约束问题中性能有限，需进一步结合领域知识提升可靠性。
小模型在制造业中有什么优势？
小模型参数量在百万至数亿级，具备专用性强、响应快、适配性好的特点。报告案例显示，图神经网络用于天轮应力场预测R²达0.99，Bi-LSTM用于磨损预测精度优于传统方法。小模型可本地部署，适合装备监测、数字孪生等实时性要求高的场景，是当前工业AI落地的核心力量。
微模型适用于哪些制造场景？
微模型参数量小于10k，适用于极低延迟、轻量部署的边缘侧应用。报告案例包括基于代理模型（如克里金法）的激光切割工艺优化，参数量小于1k即可实现高精度预测；以及用于阀门性能预测的混合模型，参数量3K，训练时间小于10分钟。微模型是低功耗嵌入式系统的理想选择。
AI在制造中面临哪些主要挑战？
报告总结六大挑战：实测数据少（样本量小、缺失、不均衡）、多源数据杂（异构数据难以融合）、物理规律缺（模型违背工程常识）、训练成本高（数据获取标注贵、算力需求大）、泛化能力低（跨场景迁移差）、预测精度低（高维非线性问题误差大）。这些挑战导致AI在制造业的深入应用仍受到制约。
报告中的代表性数据
AI模型在加工装配领域的发文量
2024年，根据Web of Science检索数据，2024年AI在加工装配领域的发文量达到2680篇，是2014年（87篇）的30倍以上，表明该领域研究热度快速增长。
小模型用于天轮应力场预测的决定系数
资料未明确，基于全局信息引导的图神经网络（GIG-GNN）对天轮应力场的预测R²达到0.9974，MAE为3.0e-03，验证了模型在工程精度与计算效率上的优势。
微模型用于激光切割挂渣量预测的决定系数
资料未明确，采用克里金法（KRG）建立的激光切割质量预测模型，在30组训练数据和25组验证数据上R²达0.9554，验证与训练样本比达76%，表明模型稳定可靠。
以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。
完整报告包含什么
- 完整报告详细介绍了AI模型按参数规模分为大模型（参数量>10M）、小模型（10k~10M）和微模型（<10k）的分类体系，并对比了各类模型在灵活性、训练成本、推理速度和应用场景上的差异。
- 报告系统梳理了AI在工程材料、设计优化、加工装配、控制运维四大制造阶段的研究进展，包括各阶段发文量趋势、关键词共现图谱以及代表性方法（如GNoME材料发现、PINN流场重构、CNN焊接质量预测等）。
- 提供了多个基于大连理工大学团队的实际案例，涉及矿井提升机天轮优化、核电站维修报告检索系统、刀具温度场预测等，展示了从小模型到大模型在不同工业问题中的具体应用效果和性能数据。
- 深入剖析了Al4M面临的六大瓶颈：实测数据少、多源数据杂、物理规律缺、训练成本高、泛化能力低、预测精度低，每项挑战均结合工程实例和数据进行了详细论述。
- 提出了六大科学问题，聚焦多源域数据关联与迁移机制，为后续研究提供了理论方向。
- 指明了五个重点发展方向：实测数据处理技术、大小微模型融合技术、领域专业小模型开发、领域有效数据库集成、云边结合的大小微模型软件开发，并介绍了自主开发的云边结合优化设计软件DADOS。
- 讨论了共享开放与政策约束的关系，强调源代码开放推动技术演进，同时呼吁科研务实，避免夸大宣传。
- 报告最后从算-测融合和性能建模两个视角进行了展望，指出物理测试与计算科学需协同进步，AI模型是连接理论与工程的重要桥梁。
本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。
