2025年工程智能白皮书-

序一：凝聚合力，久久为功i序二：从先进技术到新质生产力革命”。.学科或行业AI技术研发的规模化：改变当前学科或行业AI能力开发高度依装为可复用、可组合的工具与组件，并且通过AI技术研发平台，可以快速.人才培养的规模化：打破AI与工程之间的知识壁垒，培养兼具两方面素养.产业落地的规模化：确保AI解决方案不仅在技术上可行，更能在商业上成AI技术完全替代人，而是人与智能系统长v摘要 i x1.1工程智能的背景1.2工程智能的定义1.3工程智能的规模化愿景1.4工程智能的核心价值与社会影响资源聚焦于突破性技术的探索和更高维度的1.5工程智能的典型应用场景提升驾驶的舒适性和安全性。AI驱动的系统能够实时分析车辆传感器数据，进二工程智能的发展现状2.1工程智能研究现状技术，为此提供了高效的解决方案。AI模型能够自动分析海量的非结构在设计过程中，快速预测方案性能是实现高效迭代的关键。AI驱动的仿真（4）复杂系统与多学科优化赋能旨在通过数值优化方法对这类复杂系统进行整体设计[24]。AI技术显著提升了（2）全域感知与作业过程智能管控（3）质量保障与安全风险智能预控家[35]。AI还能通过构建缺陷知供数据支撑。在安全风险方面，AI通过融合多源数据构建“人-设备-环境”一（4）数字孪生与建设闭环优化赋能AI驱动的生产计划与控制调度算法能够管理复杂的生产约束，预测生产需（2）物流仓储与供应链管理赋能AI技术通过监控与分析能源使用情况，精准预测需求高峰，实现能源的智（4）预测性维护与智能检修余使用寿命（RUL通过分析多变量时间序列数据来理解输入数2.2工程智能产业现状精度可以达到0.1毫米。在上游的建材生产环节，AI大模型同样得到应用。海螺集团联合华为发布信号控制和交通事件检测。由多家省级交通集团联合发布的“经纬交通大模型”并极大缓解了放射科医生和病理科医生的工作压力。此外，AI技术也被用于手在医院运营与健康管理层面，工程智能同样发挥着重要作用。AI驱动的医在能源生产侧，AI大模型被广泛应用于提升发电效率和保障生产安全。在在电网运检与管理方面，智慧化升级是保障能源稳定输送的核心。基于AIAI算法能够实时分析电网负荷、预测用户用电需求，并现代高端芯片集成了数百亿晶体管，其布局、布线和验证工作极其复杂。引入AI算法后，能够对芯片的物理设计进行自动化探索和优化，在数小时内生成优日益增长的复杂性，AI模型被用于实时的网络流量预测、无线资源管理和三工程智能的发展机遇3.1积极的政策推动美国3.2有力的产业支撑3.3人工智能技术进步的驱动在此基础上，AI的推理能力也得到了显著增强，具备基于语言逻辑开展复桥梁的应力，AI能够自主完成仿真计算并将结果整理成报告。这种集成化的工3.4工程智能的规模化机遇四工程智能的规模化挑战4.1专业性挑战性故障特征，这些数据的解读需结合领域经验才能转化为有效信息。SimScale4.2可靠性挑战4.3效率与成本挑战分老旧系统仍为封闭架构，或开放接口未适配工程智能模型的标准化调用需求4.4系统融合与协同挑战目管理系统的进度数据采用XML格式，运营阶段IoT平台的传感器数据则以转换。传统简单中间件在转换过程中易丢失关键关联4.5人才培养挑战隐性约束，例如“焊接工艺的温度阈值为何设为250℃”。这种知识断层导致4.6治理与合规性挑战4.7生产关系挑战AI的“完美替代”特性使得人类劳动者面临被边缘化甚至被淘汰的风险。这种最后，人机协作模式的割裂是现有生产关系下的主要五工程智能操作系统5.1工程智能操作系统概述工程智能操作系统1是为实现工程智能的规模化愿景而建立的核心框架，针资源（硬件、资源等）的统一管理、平台化服务（模型、智为操作系统的智能核心，构建并提供各类工程基础模型与重点学科/行业的专业5.2基础设施层私有云或混合云等，它提供了操作系统弹性扩增所需5.3数据资源层5.4工智模型层（2）重点领域工程智能基础模型5.5工智智能体层（1）重点领域工程智能超级智能体项目中多名不同角色的人类工程师与多个不同功能的智能体能够在一个统一的5.6规模化实践层六工程智能核心共性技术体系6.1工程智能时空全模态基础模型关键技术（1）基于模型的物理知识增强生成（2）模型驱动的条件化与可控生成（3）基于工程世界模型的生成式推演6.2工程智能推理决策关键技术（2）推理透明化与可验证性6.3工程智能体关键技术（2）专用工程智能体定制技术工程智能体持续演进技术的一种实现思路是围绕在线学习与离线学习的有家对协同过程的干预与校准，最终形成人-模（模型/智能体）-系统一体化的工七工程智能的核心趋势与未来展望7.1核心趋势心分析引擎。这种智能范式的跃升，将通过解决学科深层次的核心问题并推动人模系统一体化将实现工程全生命周期数据的无缝贯通与实时交互，构建7.2未来展望编撰信息与声明《工程智能白皮书》编委会关于同济大学工程智能研究院联系我们版权声明：除特别注明之外，本白皮书所有内容（包括但不限于文字内容、图片及排版设计等）之著作权均属于同济大学工程智能研究院，并受法律保护。未经事先书面许可，任何单位及个人均不得复制、发行或通过任何方式传播本白皮书；经事先书面许可转载、摘编或以其他方式使用本白皮书内容时，应注明“来源:同济大学工程智能研究院”。本白皮书部分信息源自合作方或第三方，如您发现本白皮书使用了您拥有著作权的作品并对此持有异议，请您发送电子邮件至落款邮箱，我们会及时与您联系或采取必要措施。参考文献[1]NationalScienceFoundation.FY2026BudgetReArlington,VA.(2025-05-30)/files/00-NSF-FY26-CJ-Entire-Rollup.pdf.[2]NationalScienceFoundation.DemocratizingthefutureofAIR&D:NSFtolaunchNationalAIResearchResourcepilot[EB/OL].(/news/democratizing-future-ai-rd-nsf-launch-national-[2025-07-31]./n1/2024/060[4]EuropeanCommission.ShapingEurope’sleadershtheAIcontinentactionplan[EB/OL].(2025-04-09).[20https://commission.europa.eu/topics/eu-competitiveness/ai-continent_/yaowen/liebiao/202403/content_6939153.h生产力[N/OL].(2025-05-17)./zhengce/202505/content_7024039.h[7]郑庆华.系统探索工程智能驱动学科转[9]华先胜.工程智能操作系统——人工智能规模化之路[EB/OL].(2025-09-01).[2025-09-01]..[10]华先胜.“共生智能”才是AI和人类的共同未来？[EB/OL].(2025-10-17).[2025-10-17]..[11]CheligeerCheligeer,HuangJingZengYong.MachinelearningEDAM,2022,36:e32.[12]KhanolkarPranavMilind,VrolijkAdemir,OlechowskiAlison.Mappingartificialintelligence-basedmethodstreview[J].AIEDAM,[13]EgeDanielN,ØvreChrister,SteinertMartin,VestadHåvard.ChatGPstrengthsandweaknessesofcurrentengineeringdesign[J].AIEDAM,2025,39:e6.[14]PeckhamOwen,RainesJonathan,BulsinkErik,GoudswaardMark,GopJames,BartonDavid,NassehiAydin,HicksBen.ArtificialIntelligenceinGenerativeDesign:AStructApplications[J].Designs,2025,9(4):[15]FilippiStefano.Measugenerationininnovativeproductdesig[16]HaaseJennifer,HanelPaulHp.Artificialmuses:Generativeartificialintelligencechatbotshaverisentohuman-levelcreativdesigner:aresearchagendaforgenerative[18]TholanderJakob,JonssonMartin.Designidandtalkingwithgenerativemachinelearningmodels[C]ACMdesigninginteractivesys[19]RegenwetterLyle,NobariAminHeyrani,Ahminengineeringdesign:Areview[J].Jour[20]HuXin,TianYu,NagatoKeisuke,NakaoMasayuki,LiuAng.OpportunitiesandchallengesofChatGPTfordesignkmanagement:Currentstatusandfuturedirections[J].ArchivesofcomputationalPhysics-informedneuralneInternationalCongressonMechanicalEngineering(COBEM2023),F,[23]MartinezYuniel,RojasLuis,PeñaAlvaro,ValenzuelaMatías,GarciaJose.worksfortheStructuralAnalysif[24]MartinsJoaquimRra,LambeAndrewB.Multidisciplinarydesignoptimization:asurveyofarchitectures[J].AIAAjournal,2013,51(9):2049-75.[25]WangChong,FanHaoran,QiangXin.Areviewofuncertaintymultidisciplinarydesignoptimization[26]DiBonitoLuigiPiero,CampanileLelio,DiNataleFrancesco,MastroianniMichele,IaconoMauro.explainableartificialintelligenceinproces[27]PanYue,ZhangLearningtodispatchforjobshopschedulingviadeepreinforcementlearning[J].Advancesinneuralinformationproc[29]Teichteil-KönigsbuchFlorschedulingwithgraphneuralnetworks[C].ProceedingsoftheInternationalConferenceonAutomatedPlanningand[30]ZhouZhi,ChenXu,LiEn,ZengLiekang,LuoKe,ZhangJunsintelligence:Pavingthelastmileofart[31]FeichtenhoferChristoph,FanHaoqi,MalikJitendra,Hnetworksforvideorecognition[C].ProceedingsoftheIEEE/CVFintconferenceoncomputervision,F,2019.6202[33]ZhangLiangwei,LinJing,LiuBin,ZhangZhicong,YanXiaoAreviewondeeplearningapplicationsinprognosticsandhealthmanagemen[34]RamprasadRampi,BatraRohit,PilaniaGhanshyam,Mannodi-KanakkithodiArun,KimChiho.Machinelearniprospects[J].npjComputationalMaterials,2017,3(1):5[35]JhaShashiBhushan,BabiceanuRaduF.DeepCNN-basedvisualdefect[36]LiuWenyao,MengQingfeng,LiZhen,HuXin.Applicationsofcomputervisioninmonitoringtheunsafebehaviorofconstructio[37]ChenHaiyan,MaoYihua,XuYidong,WangRui.Thdevicesontheconstructionsafetyofbuildingworkers:Asystematicreview[J].[38]WangHao,PanYisha,LuoXiaochun.IntegrationofBIMandGISinsustainablebuiltenvironment:Areviewandbibliometricanalysis[J].Automationinconstruction,[39]LuYuqian,LiuChao,KevinI,WangKai,Twin-drivensmartmanufacturing:Connotatresearchissues[J].Robo[40]HuSongbo,FangYihai.Automatingcranelandpathfindingalgorithm[C].ISARConAutomationandRoboticsinConstruction,F,2020.IAAR[41]AlbeyErinc,NorouziAmirhosein,KempfKarlG,UzsoyReha.Demandmodelingwithforecastevolution:anapplicationTransactionsonSemiconductorManufacturing,20[42]MatsumotoMitsutaka,KomatsuShingo.Demandforecastingforproductionplanninginremanufacturing[J].TheInternationalJournalofAdvanced[43]ChienChen-Fu,LinYun-Siang,LinSheng-Kai.Deepreinforceselectingdemandforecastmodelsasemiconductorcomponentdistributor[J].InternationalJouResearch,2020,58(9):2784[44]HubbsChristianD,LiCan,SahinidisNikolaosV,GrossmannIgnaJohnM.AdeepreinforcementlearningapproachforchemicalproschedulingofdiscreteautomatedproductionlineviaInternationalJournalofProductionResearch,2020,58(11):3362-80.[46]GuoFang,LiYongqiang,LiuAo,LiuZhan.Areinforcementlearningmethodtoschedulingproblemofsteelproductionprocess[C].JournalofPhysics:Series,F,2020.IOPPublis[47]ChenYi-Ping,KarkariaVispi,TsaiYing-Kuan,RoRobertX,CaoJian,ChenWei.Real-timedecisionadditivemanufacturingwithModelPredictnetworks[J].JournalofManufacturingSystems,2025,80:412-24.[48]ZhangDan,PeeLg,CuiLili.ArtificialintelligenceinE-commercefulfilcasestudyofresourceorchestrationatAlibaba’sSmartWarehousjournalofinformationmanagement,2021,57:102304.[49]WangYuquan,XieNaiming,ProgrammingHyperHeuriandPickerRoutingProbleofAItechnologyadoptiononoperationheterogeneousports[J].TransportationResearchP[51]ChengZhi-Qi,DongYifei,ShiAike,LiuWei,HuYuzhi,O'connorJason,HauptmannAlexanderG,WhitefootKateS.ShiepredictiveanalyticsinevbatteryarXiv:240805357,202[52]AguilarJ,Garces-JimenezAlberto,R-MorenoMariaDolores,GarcíaRodrigo.Asystematicliteraturereviewontheuseofart[53]YuanXiaolei,PanYiqun,YangJianrong,WangWeitong,HuangZhizhong.einforcementlearningintheoperatfHVACsystem[C].Building[54]BiemannMarco,SchellerFabian,LiuXiufeng,HuangLizhen.Experimentalevaluationofmodel-freereinforcementlearassam,Khafepredictivemaintenancethroughthefartificialintelligence:Asystematicreview[J].ResultsinEngineering,202[57]NdaoMouhamadouLamine,YounesImprovingpredictivemaintenance:EvaluatingtheimpactofpreprocessingandmodelcomplexityontheeffectivenessofeXplainableArtificialEngineeri