一、前言

       制造业是立国之本、强国之基。党的十八大以来，党和国家高度重视我国制造业的发展。从2015年提出＂抢占世界制高点＂到2025年5月总书记在河南考察时强调＂科技赋能＂，习近平总书记始终将制造业作为国家经济发展的核心议题，明确指出要通过自主创新突破关键技术，推动传统产业向高端化、智能化升级。这些重要论述系统构成了新时代中国制造业发展的战略框架，既强调＂任何时候都不能缺少制造业＂的底线思维，又规划了＂建设制造强国＂的进阶路径，为高质量发展提供了根本遵循。

       当前我国制造业已实现重点产业链的全覆盖，形成了全球最完整的制造产业链，有力保障了总书记提到的“底线思维”，那么如何走出一条科技赋能的“制造业强国”路径呢？

二、当前制造业与AI融合发展现状

       2025年初DeepSeek横空出世，凭一己之力将AI这一话题带入了千家万户，紧接着各类型企业及部分政府部门纷纷宣布接入DeepSeek，AI俨然如当年的“互联网+”成为实现产业升级的标准答案。不可否认，AI的接入正以前所未有的速度重塑各个行业的格局，尤其是像DeepSeek等大型模型的开源特性，更显著降低了企业和开发者的准入技术门槛，有力推动了众多传统制造业智能化转型进程。但与此同时，我们也要认识到当前制造业企业更多接触到的仍是普惠型而非专业型的AI架构，其近乎普惠的应用范围也代表了无法为细分行业领域提供更细致、精深的合理化建议，更类似于一个“生活管家”而非“技术人员”。

三、制造业AI融合浅层化原因

       1.企业数字化基础设施及相应组织架构薄弱

       技术基础设施是制造业数字化转型过程中支撑数据处理、信息传递及系统集成的基础，其硬件设备、软件系统、网络环境等各类技术资源直接关系到企业数字化转型成果效率。而大多数中小企业及部分传统制造业企业往往硬件设备功能单一或陈旧，无法支撑企业AI数字化应用开发或运营。另一方面，企业也缺乏专业化组织架构部门，缺乏深入应用AI意识，致使企业数字化浮于表面，依托于DeepSeek、豆包等AI的普惠性功能，只能简单运用AI处理表格、台账，距离制造业真正的数字化转型，仍存在相当大的差距。

       2.大模型公用特征无法匹配企业核心技术需求

       以DeepSeek为例，当前制造业企业能够通过DeepSeek取得的只能是行业内最基础性的技术建议，无法通过DeepSeek解决生产过程中某一具体环节或具体技术节点上产生的个性化问题。而想要打造能解决企业实际问题的DeepSeek模型则不可避免的需要对该模型进行训练，让其学习企业所掌握的现有技术甚至是核心技术，但基于DeepSeek的公用特性这也就意味着将企业自己的技术与其他具有竞争关系的企业进行共享，如此就大大降低了DeepSeek作为制造业企业“线上技术员”的可能性。

       3.缺乏兼顾传统制造业技术与AI技术类型人才

       以AI驱动传统制造业前进也对人才提出了更高要求，只精通于传统制造业技术的人才无法将所掌握的技术成功转化为AI所代表的科技动力；而只掌握AI技术的人才也是巧妇难为无米之炊，只能搭建AI语言模型的架子却不能解决实际问题；而在现实中，同时兼备制造业技术与AI信息技术的人才可谓是凤毛麟角，可遇而不可求。

四、深度融合的必选项

       要指导制造业AI融合向深度推进，构建真正适用于制造业的AI，答案就藏在本地知识库里。本地知识库采用工业知识中枢平台，是为制造业企业量身定制的一个整体解决方案，通过构建在本地部署的企业级知识管理系统，融合制造工艺、设备数据、维修经验、AI模型等多维度知识资源，支持知识的采集、组织、检索、推理和应用，打造企业“数字大脑”，助力智能制造与人机协同，从而系统性地解决其数字化转型过程中面临的核心挑战。

       该平台可采用四层架构模型，确保安全、可控、高效的知识管理与AI能力落地。
 
       第一层是“数据接入层”，整合来自ERP、MES、PLM、SCADA等系统的结构化与非结构化数据，实现多源异构数据的采集与清洗；第二层是“知识管理层”，通过NLP技术对文档、图纸、维修记录等进行抽取和结构化处理，并构建制造业专属知识图谱，形成企业“数字知识资产库”；第三层是“智能引擎层”，基于知识库训练垂直领域AI模型，结合RAG（检索增强生成）和模型微调技术，在本地部署具备行业理解能力的小模型，提升AI在工艺优化、故障诊断等场景中的准确性和可靠性；第四层是“应用交互层”，面向工程师提供自然语言交互的知识助手、智能问答系统、可视化分析工具等，降低AI使用门槛，提升一线人员效率。

       整个架构强调本地化部署与数据安全，所有知识和模型均运行于企业内网中，保障核心工艺和技术资料不外泄。同时，平台支持模块化扩展，可灵活对接企业现有IT系统，逐步推进知识管理体系建设。通过该架构，企业不仅能夯实数字化基础，还能推动组织向“知识驱动”转型，缓解对复合型人才的依赖，真正实现AI与制造业深度融合。

五、选择本地知识库的优势

       1、以基于系统的“知识驱动”替代基于个人的“经验驱动”

       通过本地知识库，一方面可为制造业企业成功搭建统一的企业知识中台，将ERP、MES、PLM等系统的结构化数据与工艺文档、维修记录等非结构化资料进行整合，打破信息壁垒；另一方面可建设制造业知识图谱，通过自然语言处理（NLP）技术提取关键实体和关系，建立设备、工艺、人员、物料之间的关联网络，形成可推理的智能知识体系。平台及图谱的建设将彻底改变企业基于技术人员个人经验的制造研发，取而代之的是通过建设知识系统的形式以AI语言模型对任一普通职工进行知识输出，从而造就企业研发团队的“最强技术顾问”。

       2、强有力的技术安全堡垒

       本地知识库是基于企业积累的技术文档、故障案例、工艺参数、核心技术等训练而成的企业专属知识库。可采用RAG+微调技术打造定制小模型，利用检索增强生成（Retrieval-Augmented Generation）技术，使AI在回答问题时能结合知识库中的精准信息，再通过LoRA等轻量级微调方法，在本地训练适配本企业业务的小模型。由于知识库完全部署在企业本地且仅供企业内部使用，所有模型训练与推理均在企业内网完成，避免敏感数据泄露，确保核心技术资产的安全可控。在充分保障数据安全与模型可控性的同时，本地知识库还能最大程度发挥大模型的语言理解和生成能力，结合企业自身知识提升专业性和准确性，真正服务于企业的核心业务需求。

       3、解决企业的复合型人才短缺问题

       由本地知识库搭建而来的开发工业知识助手工具，可构建出面向一线工程师的智能顾问系统，用户可通过自然语言快速查询设备手册、故障处理方案、工艺优化建议等内容，有效填补了因原技术职工离职、退休所产生的技术空白。提供的可视化分析与辅助决策模块，可将知识库中持续沉淀专家经验、最佳实践转化为图形化界面，使用户无需掌握编程技能即可操作，实现团队迅速补位，有效弥补了复合型人才短缺的问题，使得现有技术人员也能高效利用AI工具，提升整体工作效率和智能化水平。

       4、提升制造业工艺水平

       以某航空发动机企业为例,我们可基于该工业知识中枢平台，进行多应用场景的搭建。

       （1）工艺规划辅助加工参数智能推荐的应用场景

       在新产品试制阶段，工艺工程师通常需要根据零件图纸选择合适的加工参数（如切削速度、进给量等）。传统方式依赖经验积累或查阅历史文档，耗时且容易出错。而通过本地知识库构建知识图谱可迅速关联历史相似工艺案例与设备性能数据，结合RAG技术从海量文档中提取参考值，自动生成参数推荐方案。例如，在面对某型号法兰盘加工任务时，系统输出如下推荐结果：
 
       通过对比分析，工程师可快速判断是否采纳建议，显著缩短了工艺编制时间，提高了参数设定的科学性。

       （2）质量问题追溯多维度知识关联分析的应用场景

       当车间发生质量异常（如尺寸偏差）时，传统的排查流程往往依赖人工经验与纸质记录，效率低下。而本地知识库可自动关联涉及的工艺路线、设备维护记录、原材料批次及历史质量问题信息，生成可视化的“鱼骨图”分析报告，帮助质量工程师快速定位原因。此外通过多维知识联动分析，本地知识库不仅可提升问题诊断效率，还能为后续预防措施提供可靠的数据支撑。

       （3）新员工培训3D工艺卡片智能生成的应用场景

       新入职员工在学习复杂工艺流程时常面临理解困难的问题。知识库基于知识图谱中的工序定义和设备信息，自动生成带有3D动画演示的工艺卡片，直观展示每道工序的操作要点与注意事项并以3D动画演示操作步骤等方式动态演示操作及工艺流程，从而大大降低了新员工的学习门槛，提升了培训效率。

六、总结

       以上仅仅是AI运用于传统制造业的一孔之见，在制造业的科技赋能之路上，AI是必不可少的关键环节，而能让制造业企业顺利搭上AI快车，使AI实现多场景、个性化应用的关键择在于企业AI本地知识库的构建，而这可能要有赖于后期对更多企业、行业协会与高校的大力投入与合作。但无论如何，AI本地知识库势必都将会成为我国制造业行业创新发展路上的必选项。相信，当普惠型的“生活管家”AI逐步发展成为各企业所掌握的个性化“高级技师”时，我国的制造业强国图景必将得以实现。