中国版“普罗米修斯”，要为国产高端制造培养“AI总工程师”|ai总工程师|成套装备|普罗米修斯|机械|王峰

AI+工业，已经成为大势所趋。

这两年，我探访过许多积极拥抱AI的制造企业，我发现，AI在智能检测、运营维护、产能预测和知识问答方面已经做到出类拔萃，帮助企业解决了很多痛点：

产线上的AI视觉检测系统可以做到24小时运转，准确率高达99%；通过分析多源数据，AI可以提前预判和识别轴承、电机等关键部件的故障，做到预测性维护，减少非计划停机；负责工艺参数优化的AI模型，可以从成百上千个参数组合里找出最优解，提升产品良率……

但迄今为止，好像很少有AI智能体能够真正做“决策”。

在工业场景里，AI更像是一个“智能助手”，或者说“建议者”，类似于一款具备丰富工业知识的ChatGPT，能帮助工程师解决部分问题，却很难在更高层面与工程师协同，成为高水平的“决策者”。

业内人士告诉我，原因在于，现在的AI大模型技术普遍存在局限性，既缺少对工程语义的深度理解，也缺少对物理规律的真实感受，更关键的是，缺少面对复杂多学科知识时的系统性判断能力。

今年8月，在北京举办的2026科学智能大会上，雪浪云创始人、董事长王峰在国内率先提出“AI总工程师”的概念。

他指出，AI融合制造是发展新一代智能制造的重要技术路径，Al融合技术不是“Al+制造”简单相加，而是AI与制造在机理层面深度融合，将数字底座、工业大模型、工业智能体等技术广泛应用于制造业，并将智能+产品等系统嵌入到制造业的各环节，重塑制造业的技术体系、生产模式、产业形态。

未来竞争的关键不再是AI是否具备生成能力，而是能否实现可验证、可迭代、可迁移的工程智能。

如何把工业AI从“工具应用”，推向真正的“人机协同”？

作为面向新一代智能制造的工业AI基础设施服务商，雪浪云正在试图给出自己的答案。

01.

把工程师红利变成经验复利

把目光放远，无论是国家层面还是行业巨头，对于面向工业领域的智能化革命，都无比重视。

今年年初，工信部等八部门联合印发的《“人工智能+制造”专项行动实施意见》明确提出，到2027年要推动3至5个通用大模型在制造业深度应用，推出1000个高水平工业智能体，推广500个典型应用场景。

英伟达CEO黄仁勋在今年的CES大会上大胆预测，物理AI可重塑的制造和物流产业价值将达50万亿美元。同时，英伟达联手西门子等巨头成立“新工业革命”联盟，打造横跨算力、算法、数据、芯片设计、系统仿真与工业控制的全栈闭环生态，推动AI赋能工业。

去年11月，亚马逊创始人贝索斯也悄悄成立了一家物理AI公司Prometheus（普罗米修斯）。

他的构想，是创造一个服务于工程师的“通用人工智能工程师”平台，让AI能够像真正的工程师一样参与复杂装备的设计、仿真与优化，“争取把喷气发动机的研发周期从10年缩短到两三年甚至1年的时间”。

在没有发布任何产品的前提下，今年6月，Prometheus完成120亿美元B轮融资，公司估值在7个月内从100亿美元跃升至410亿美元，整整翻了四倍。

为什么AI+工业会被如此关注？

一方面，基于文本预测的生成式AI已经发展多年，行业普遍认为，AI需要接入现实世界，创造更多实际的价值。而设备繁杂、数据众多的工业场景，正是AI走向现实的一个极好的落脚点，同时，也是一块最大的价值洼地：

工业+AI每带来1%的效率提升，可以创造年均3400亿元的经济增长。

另一方面，工业发展，尤其是高端制造领域的发展，本身也亟须AI的赋能。

雪浪云董事长王峰表示，目前新一代智能制造，正在面临三大挑战：

一是多学科交叉门槛高。以复杂装备研发为例，机械、电子、材料、控制等多学科专业工程师的深度协同不可或缺。

二是人才培养周期长。一名成熟的高级工程师往往需要10年以上的项目历练，培养成本极高。

三是知识迭代快、经验传承难。工业知识迭代周期已经由过去的10年压缩至2～3年，AI等部分领域甚至按月迭代，大量资深工程师脑海中的隐性经验，往往会随着人员退休、岗位流动而流失。

雪浪云提出的“AI总工程师”，正是希望把一代代工程师与工匠的经验与智慧沉淀下来，转化为企业可传承、可复用的数字资产。在装备研发、现场运维这些场景里，随时调用、反复复用，大幅压缩研发周期和故障处理时间，让工程师腾出手来，去做更富有创造性的工作。

通过AI技术，把工程师的“红利”转化为工程经验的“复利”，或许正是中国高端制造业的一条必由之路。

02.

AI总工背后，需要三种能力

“AI总工程师”，到底是一个什么样的存在？

雪浪云将其定义为一种面向复杂工程任务的新型智能体。

它不再局限于知识查询或辅助操作检索引导，而是能够理解工程需求、解析产品对象、调用专业工具，参与设计、仿真和制造全过程。

我举个例子，当下的工业AI，可以解决“这张图纸准不准确”“这个设备的运转情况如何”等问题。

但是，如果跟AI提出“把这台发动机的推力提高1%”，那它很可能会“一脸懵”，因为这不算是一个问题，背后是一整套极其复杂的工程任务。

王峰向我解释，面对这类任务，一个合格的“AI总工程师”，会先读取需求（包括尺寸、寿命、振动、成本、认证要求等等一系列细节），再拆解成气动、结构、热、材料、控制和制造等多个子任务，每个子任务还要生成方案、跑仿真验证、做可行性评估、生成试验计划，最后，再把工艺方案和每一步的依据呈现出来。

中间任何一步出问题，就得修改方案、重新来过，最终形成“需求提出—方案生成—仿真优化—实验验证—持续迭代”的工程闭环。

而要想做到这一点，AI总工程师就必须具备三种核心能力：

联动各细分领域工程师开展人机协同决策、智能指挥生产装备与机器人、自主智能运行控制。

这三种能力，刚好对应高端装备的全生命周期——研发设计、生产制造和运维服务。

我很好奇，这三种能力到底如何实现？

王峰表示，主要看三点基础：

第一，是足够强的工业基础模型。

和通用AI大模型不一样，“AI总工程师”必须由专属的工业基础模型驱动，融合海量的工业机理、专家经验和实时数据，具备自主的工程推理、决策与协同能力。这是“AI总工程师”的智力基础。

第二，是高保真的数字孪生空间。

AI不能直接在生产线上“试错”，必须拥有一个高保真的数字空间，在那里进行千万次推演、仿真验证，找出最优方案。

第三，是具身侧的现实交互。

“AI总工程师”必须能够下沉部署到端侧、产线侧和工厂侧，与真实的物理世界深度交互，实现从“能思考”到“能执行”的跨越。

在王峰看来，工业智能体的能力进化可以分为四个等级：

L1是工程助手，L2是工具智能体，L3是领域闭环专家，L4才是总工程师。

今天大多数工业AI产品，还停在L1到L2之间，也就是能回答问题、辅助操作的阶段，距离“工程闭环”和“做决策”还有距离。

而对于一家专注于AI赋能工业的服务商而言，从L1到L4，不仅仅是技术能力的提升，背后还是数据、模型和硬件的高度协同，市场上，能够把这三样都做到位的公司屈指可数。

过去8年，雪浪云正是瞄准着L4的目标，在这条路上不断探索积累，成为这条赛道上少数完成全栈能力拼图的玩家之一。

03.

从制造业中来，从制造业中去

雪浪云之所以在国内率先提出“AI总工程师”概念，源于其扎根工业场景多年的底气。

从企业的Slogan就能看出来，

“从制造业中来，到制造业中去。”

过去八年，雪浪云始终站在产业一线，和制造业打交道。

2018年，雪浪云在无锡成立，自创立之初，雪浪云就深耕工业互联网和工业软件，并在航空航天、工程机械、能源电力等多个领域得到广泛应用，2023年，雪浪云入选工信部跨行业跨领域工业互联网平台，成为无锡市首个国家级“双跨”工业互联网平台，2024年，获评国家级专精特新“小巨人”。

在这一过程中，雪浪云也积累了大量的工业数据和工程经验，擅长于打通工业场景下不同系统之间的数据壁垒，自主研发的雪浪OS，是集“数据、知识、计算、模型”一体化服务的数智底座，2024年荣获“机械工业科学技术奖”科技进步特等奖。它向下连接工业设备、边缘控制与生产现场多模态数据，横向协同调度数字孪生等系统型工业软件，在多个领域发挥了关键作用：

在研发设计领域，公司为中航机载、潍柴、杭汽轮建设智能协同设计与优化平台，依托多学科仿真与模型降阶等应用，推动研发效率提升约30%；

在生产制造领域，为吉利汽车建设生产仿真与实时优化系统，并推广至16个生产基地，推动降本增效，库存量降低约25%，汽车交付周期缩短约10%；

在智能运维领域，支撑无锡锡柴、某航司等产品智能运维平台，推进数据、模型与AI驱动的新一代智能运维系统，提升运维效率与质量。

早在2022年，雪浪云就投入工业大模型的自主研发，和智谱AI、之江实验室、上海人工智能实验室等行业巨头、科研机构合作，率先研发“通专融合”的工业大模型，2024年12月，“雪浪工业大模型”成功通过国家网信部门备案，是江苏省内备案通过的第一个工业大模型。

同时，雪浪云也在积极为“AI总工程师”打造“具身载体”，自2024年起，雪浪云携手沐曦、摩尔线程、天数智芯等国产头部芯片厂商，联合研发了雪浪Mind系列工业智能智算终端，覆盖设备级、产线级、工厂级三类场景。

如今，雪浪云已经形成了工业基础模型雪浪MEM、智能制造数字底座雪浪OS、工业智能智算终端雪浪Mind的三大产品线，并且打造出了一款核心平台——工匠Cowork自主智能体操作系统。