2026 年 4 月，由马里兰大学 Jay Lee（李杰）教授领衔、全球 54 位学者联合撰写的《2026 智能制造人工智能与机器学习路线图》正式发布。这篇论文系统梳理了 AI 在制造业中的应用现状与前沿方向。我们把核心内容整理成能读懂的版本。

李杰教授在工业 AI 领域有长期的积累，他提出的「工业人工智能」框架被全球多家制造企业采用。这篇路线图由 54 位学者合作完成，覆盖了从工业大数据分析到自主制造、从数字孪生到大语言模型的完整技术图谱。

文章共分三个部分、9 大专题方向。以下是其中最值得制造业从业者关注的六个方向。

方向一：工业大数据分析从「单点」走向「连续流」

过去工业大数据分析大多聚焦在单一环节——比如只分析产品质量数据。李杰团队提出的 SoX（Stream-of-X）方法论，将分析维度从单一的质量流（SoQ），扩展为质量、风险、效率、成本、能源等多维连续信号的同时监控。

这个转变的意义在于：制造过程中的问题往往不是单点原因造成的。一台设备的能耗异常可能预示轴承即将失效，一条产线的效率波动可能与原材料批次有关。多维连续监控让这些问题在早期就被发现，而不是等出了废品再回头查。

对于已经部署了 MES 和 SCADA 系统的企业来说，SoX 方法论的落地门槛并不高——数据已经有了，缺的是把多源数据「串起来」的分析逻辑。

方向二：数字孪生从「展示」走向「决策」

数字孪生在前几年更多被用作「3D 可视化展示」，车间主任在屏幕上看看产线运行状态，好看但未必有用。路线图指出，数字孪生的真正价值在于构建「物理-数字闭环」——实体设备的数据实时映射到数字空间，数字空间的决策结果直接反馈回物理设备。

当前工业界已在探索的是：用数字孪生做工艺参数实时优化、设备健康状态预测，甚至在生产前完成全流程仿真验证，把试错成本从产线转移到虚拟空间。

值得一提的是，数字孪生与 AI 的结合正在催生「认知数字孪生」——它不只是「看」到设备状态，还能「理解」设备为什么处于这个状态、应该怎么调整。

方向三：AI 赋能自主制造，但「无人」不等于「无焦虑」

路线图专门讨论了 AI 赋能的自主制造（包括 lights-out manufacturing 黑灯工厂）。李杰提出了一个值得深思的观

点：黑灯工厂的目标应该是「无担忧，而非无人」。

这句话的背景是：一些企业在推进自动化时过分追求「完全无人化」，导致投资巨大、柔性不足、维护成本高。正确的路径是人机协同——机器做重复性、高精度的执行工作，人做异常处理、工艺优化和策略调整。

当前最现实的自主制造应用场景是：数控机床的自适应加工（根据切削力实时调整进给参数），以及工业机器人的自主路径规划。

方向四：增材制造和激光制造正在被 AI「嵌入」

3D 打印和激光加工是制造领域增长最快的两个方向，但它们共同的痛点是工艺稳定性难以控制。路线图指出，AI 正在从两个层面改变这一局面：

一是在线过程监控：通过分析打印层的光学图像或激光加工的声学信号，实时检测缺陷并及时调整参数。二是工艺参数优化：用机器学习模型替代传统的试错法，大幅缩短新材料的工艺开发周期。

综合来看，在增材制造领域，AI 的应用已经从「锦上添花」变成了「不可或缺」。

方向五：从 LLM 到 LKM，大模型正在进入工业领域

路线图专门讨论了 LLM 和基础模型在制造业中的应用前景。李杰的核心判断是：LLM 只是起点，制造业真正需要的是大知识模型（Large Knowledge Models）——它不仅理解语言，还能理解设备的运行逻辑、工艺参数之间的耦合关系、故障模式之间的关联。

当前已经能看到的应用方向包括：设备运维智能助手（工程师用自然语言查询故障处理方案）、工艺文档自动生成、跨设备的异常关联分析等。

真正值得关注的不是大模型本身，而是它如何与数字孪生、工业知识图谱结合，形成一个能「看懂」车间、能「回答」问题的工业智能系统。

方向六：可持续制造成为 AI 应用的新驱动力

路线图将可持续制造单独列为一大方向。这不是简单的「绿色环保」话题——在碳排放合规要求越来越严格的背景下，AI 在能耗优化方面的直接经济效益正在显现。

主要应用路径包括：基于实时数据的能源消耗预测与调度、生产排程的碳排放约束优化、设备能效的持续监控与改进。这些方向的投资回报周期通常在 12 到 18 个月以内。

总结一下

这篇路线图的信息量很大，但对于制造企业的决策者来说，核心可以归纳为三句话：

第一，AI 在制造业的应用正在从「单点工具」走向「系统能力」。 不是上一个质检模型就叫 AI 赋能，而是把数据分析、数字孪生、自主控制串成一个闭环。

第二，大模型进入工业是大势所趋，但直接给工厂配一个 ChatGPT 意义不大，关键是把工业知识「喂」给模型。 核心壁垒不在模型本身，而在行业数据的积累和知识体系的构建。

第三，不管哪个方向，数据是前提、场景是入口。 没有数据基础，再先进的 AI 技术也落不了地。对大多数制造企业来说，当下最重要的事不是追 AI，而是先把设备数据接上来、把工艺参数管起来。

论文标题：2026 Roadmap on Artificial Intelligence and Machine Learning for Smart Manufacturing

作者：Jay Lee 等 54 位学者

链接：https://arxiv.org/abs/2605.00839