工业 AI 极视界 | 工业 AI 的准确性，最终要落到知识体系

关键词：工业知识图谱、AI+CAD、AI+CAE、工业软件智能体

本文内容来自爱分析访谈。

工业研发设计场景对结果精度、稳定性有着严苛要求，大模型拥有强大的语言理解与生成能力，但直接把它投入工业研发场景，很容易出现几何逻辑错误、不符合工程规范等问题。模型输出的不确定性，是制约CAD/CAE智能化落地的核心卡点之一。

那么，如何降低模型的不确定性？

对此，行云创新CEO马洪喜结合众多项目落地实践，提出核心观点：工业AI想要真正做到可靠可用，不能单纯依赖大模型本身，最终要落到完整的工业知识体系之上。

工业设计对精度和稳定性要求很高，如何降低模型的不确定性？

马洪喜表示，从研究和工程实践看，CAD智能化大致有几种路线：

• 一种是尝试把B-rep等几何信息放进Transformer架构；
• 一种是让视觉模型识别界面并点击菜单；

行云创新走的是脚本路线，利用大模型在AI Coding上的成熟能力，生成调用CAD的正确指令。

前两种路线都有研究价值，但从当前企业落地看，马洪喜认为脚本路线更直接。它不是让模型在Transformer里直接完成几何建模，也不是模仿人去点菜单，而是让模型调用经过封装的工业软件能力，执行明确的几何操作。

这条路线的主要难点有哪些？

首先，大量重型 CAD 软件并未提供面向 AI 场景的友好接口，企业需要深入底层软件与几何能力，对原有能力重新封装，打造可供智能体调用的标准化工具集。

其次，调用单一工具相对简单，但面对复杂工业设计任务时，需要拆解为一连串连续步骤。智能体不仅要挑选合适工具，还要理清步骤之间的逻辑关联，识别脚本运行、几何建模过程中的报错信息，并基于结果持续迭代修正方案。

最后，就算指令顺利执行，输出的几何模型也未必契合企业真实业务诉求。复杂任务拆解、方案合理性判断，都需要深厚的行业业务知识作为支撑。

当技术走到这一步，方案体系就必须延伸到工业知识图谱。

知识图谱在工业智能体中具体承担什么作用？

马洪喜提到，早期不少工业知识图谱多用于资料检索，帮助工程师快速查阅文档，价值有限。而面向工业智能体的知识图谱，服务对象不再只是人，更是驱动智能体完成设计任务。

以车门、翼子板这类汽车零部件设计场景举例，智能体可以生成 CAD 调用脚本，但想要输出符合企业规范的设计方案，就需要依托知识图谱，获取企业专属的设计规则、零部件关联关系、工艺约束等业务知识。

因此，我们认为工业知识图谱既是提高准确性的关键，工业知识图谱就是“懂你业务的大脑”来补齐认知的短板，这样对大模型的要求就降低了，也是CAD、CAE场景真正释放知识图谱价值的抓手，两者是相辅相成的。

【工业知识图谱就是“懂你业务的大脑”】

如何看工业知识与模型之间的边界？

围绕工业知识和大模型之间的边界划分，马洪喜也给出了清晰判断：企业所有工程知识，不会也不适合全部灌入大模型。

第一个原因是Transformer的工作原理决定了它并不适合承载所有严谨知识。齿轮、轴承、材料等工程知识中有大量明确关系和计算规则，不能在检索时随机丢掉几个关键节点。知识图谱能够按照关系把相关知识完整取出，再提供给模型。

第二个原因是知识持续变化。企业今天采用一个工艺参数，明天可能根据新经验进行调整。知识图谱需要长期在“选（数据）、建（图谱）、修（图谱）、管(图谱)、用（知识）”五个步骤中迭代，但每改一个参数就重新训练模型，会带来算力、人力和质量控制上的挑战。模型一旦更换，原有知识是否仍然稳定，也需要重新测试验证。

知识图谱平台

基于这个逻辑，行云创新倾向于把大量动态的主体知识放在图谱中，把相对稳定、频繁使用的静态知识训练进垂类模型。例如行业术语、企业内部常用说法，以及CAD接口规范和示例脚本，这些内容变化较少，训练进去可以提高效率、节省上下文。

对于物理信息神经网络等垂类模型，行云创新团队保持持续研究，探索其在仿真场景的应用潜力。但从一线客户沟通情况来看，现阶段制造企业对此类前沿技术态度偏谨慎，客户优先关注方案能否解决当下真实研发痛点。

当智能体可以调用更多知识与工具，工业工程师的角色会怎样变化？

马洪喜认为，未来优秀的工业工程师，不再需要熟练记忆繁杂的 CAD 菜单操作。他们需要站在企业产品全局视角，兼顾设计可行性、加工工艺、成本控制、材料选型、供应链保障、后期维护等多维度约束，同时具备管理多智能体协同完成研发任务的能力。

过去各业务系统相互割裂，工程师很难在设计初期，完整兼顾全链条约束条件。未来智能体可以调用更多系统和知识，工程师的价值会从手工操作软件，逐步转向定义目标、判断结果和优化知识体系。

最终，企业会拥有自己的知识资产

马洪喜表示，企业都会希望自建“图书馆”，我们的定位也是帮助客户建设专属图书馆。未来可能出现一种混合式形态：企业内部图书馆保持私有，在单向、可控的数据安全机制下，可以从平台厂商的公共知识库中下载通用知识，但企业的私有知识不能反向流出。

企业的竞争差异，本来就体现在经营知识、设计知识、生产知识和管理知识上。这些知识可以相互借鉴，但不可能完全变成行业通解。平台厂商可以帮助企业建设和维护体系，也可以提供几本通用的”书”，但最终解决具体问题，仍然需要企业写好自己的那本书。