2025工程智能白皮书

nM、TONGJIUNIVERSITY序一：凝聚合力，久久为功i序二：从先进技术到新质生产力.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.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.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v摘要 i 7 9 43 45 x 一绪论更为人工智能的规模化应用提供了至关重要的真实世界场景和价值闭环锚点。本章将围绕工程智能的背景、定义、规模化愿景、价值影响以及典型应用五个方面1.1工程智能的背景并系统性地解决其应用所面临的挑战，一个专注于人工智能与工程深度融合的跨学科概念“工程智能”应运而生。工程智能处于科学发现、技术创新与产的关键交汇点，是衔接科学智能与产业应用之间的高效桥梁内重塑整个工程学科体系与产业格局，使工程活动在智能技术的驱动下实现从传统模式向更加高效、精准和安全的全新范式转变。提前布局并规划工程智能的整体框架与基础平台，为即将到来的生产力变革提供前瞻性的技术引领、顶层设计以及平台支撑具有极为重要的战略意义。在国际竞争格局中，率先开展工程智能研究并取得突破，能占据未来工程技术制高点，保障国家在可控与技术领先地位，增强国家在全球产业链中的话语权、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1.5工程智能的典型应用场景外，在航空领域，人工智能辅助关键决策，尤其在提升驾驶的舒适性和安全性。AI驱动的系二工程智能的发展现状2.1工程智能研究现状推动从“经验驱动设计”向“数据驱动优化”转变；验证与建设阶段是“落地执的长期运转，最大化工程全生命周期价值。三者环环相扣，共同构成工程智能从技术，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化文本在设计过程中，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技术显著提升了这一阶段的规划聚焦于将既定方案转化为具体的作业序列与资源分配。传统方法高度依赖项目经理的经验，难以应对多任务并行、资源约束与现场扰动等动态挑战。人工智能正在重塑执行决策的逻辑，它能够综合历史项目数据、实时状态信息与外部变量（如供应链、天气），生成最优的作业序列与资源分配方案[27]。例如，强化学习算法可用于模拟不同执行策略下的工期与成本表复杂工序间的依赖关系，在多目标约束下实现人力、设备与物著提升资源利用率和生产效率[29]。这些技术使执行计划从静态预设转变为动态自家[35]。AI还能通过构建缺陷知识库来识别异常模式并追溯成因，为工艺优化提供数据支撑。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，实现能源的智等AI模型在建筑的耗电量与发电量预测问题上取得良好效果，有助于缓解近零余使用寿命（RUL通过分析多变量时间序列2.2工程智能产业现状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”风险是普遍担忧，数据泄露、篡改等隐患使部分企业在临床辅助诊断环节，结合机器视觉与深度学习的AI影像分析已成为医生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技术也被用于手在能源消费侧，工程智能致力于实现精细化的能效管理。智慧园区或大型工厂的能源管理平台，利用AIoT技术实时监测各区域、各设备的能耗数据，通过分析数据发现节能潜力，并自动调控空调、照明等系统的运行策略。这种精细化现代高端芯片集成了数百亿晶体管，其布局、布线和验证工AI算法后，能够对芯片的物理设计进行自动化探索和优化，在数小时内日益增长的复杂性，AI模型被用于实时的的实践为代表，AI控制系统能够实时分析服务器负载、温度、气压等上千个变量，动态调整冷却单元的运行参数，可将冷却能耗降低约40%。同时，根据不同任务需求进行智能匹配与动态分配，从而最大化整体算力集群的利用效三工程智能的发展机遇3.1积极的政策推动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从宏观层面看，国家正积极将人工智能作为战略性新兴产业进行顶层设计和前瞻布局，强有力的政策支持为工程智能的研发与应用创造了优越的环境。从产业基础来看，我国拥有全球领先的完备工业体系与丰富的工程应用工智能技术提供了广阔的试验场和坚实的落地根基，强大的产业链配套能力能够有力支撑AI与工程实践的深度融合。更为关键的是，以大模型为代表的新一代人工智能技术取得了突破性进展，其强大的通用性、理解和生成能低了AI应用的门槛，为构建系统化、平台化的工程智能解决方案提供了核心技术引擎。这三大驱动力相互促进，共同催生了工程智能规模化其从星星之火发展为燎原之势，唯有先进技术被规模化地应用，在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4.2可靠性挑战政策等多维度变量。这导致AI模型在训练阶段易出现过拟合，在实际应用中对见过的新型或复合型故障模式（如特定航线的特殊腐蚀、或极端天气引发的材料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大型基建的数字孪生系统）对算力需求极高，单模型训练的计算成本价格高昂，以大型桥梁数字孪生系统为例，其工程智能模型需同时处理结构力学仿真、车流荷载模拟、气象环境耦合等多维度数据，训练过程需使用高性能服务器连续运行较长时间，单轮训练电费与算力租赁成本超数万元；而在日常运维中，为保证孪生模型与实体桥梁状态的实时同步，需配置专属的边缘计算节点，单节点年运维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（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5.3数据资源层5.4工智模型层工智模型层是工程智能操作系统的核心认知引擎，它承接数据资源层汇聚的理解、推理与生成能力。它不仅是实现工程领域知识沉淀与能力泛化的关键，也小模型算法平台是工智模型层的重要补充。在工程实践中，大量任务场景，如特定缺陷的工业视觉检测、设备运行状态的时序数据预测、或嵌入式系统中的实时控制等，对模型的推理速度、部署成本和资源占用有着严苛要求。在这些场景下，专用的小模型算法往往比通用的基础模型更具效率和性价比优势。工智模型曾通过集成外部成熟的小模型算法平台，支持操作系统用户针对具体任务快速5.5工智智能体层工程智能体生成平台是保障智能体供给与迭代的核心基础设施，其目标是实现面向工程领域各类智能体的高效、快速生产与持续演进。该平台为工程活动的产学研全链条提供标准化的智能体创建工具与方法。一方面，平台通过知识迁移另一方面，它支持通过知识注入和少样本微调等技术，将特专业知识、规范和经验融入基础智能体，高效定制出满足特定工程项目需求的专业智能体。此外，平台还内置了智能体的持续演进框架制，使智能体能够在实际应用中不断积累经验、迭代优化，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：：创造出全新的、高保真的、多模态的时空数据，其表现形式常为时序数据、三维模型和动态视频。这不仅是AI从“感知”到“创造特别是近期以Sora为代表的视频生成模型，虽（3）基于工程世界模型的生成式推演这是时空生成技术的终极形态，旨在构建一个能够理解并推演物理世界动态仿真视频、传感器数据、仿真日志、设计文档）的训练，学习物理系统内在的动态演化规律。当给定一个初始状态和外部干预时，模型不再是简单地生成一帧图像或一个数据点，而是能够自回归地生成一个完整的、包含多模态数据的未来时指令，世界模型可以生成一个包含未来一小时内各设备传感器读数、物流机器人6.2工程智能推理决策关键技术引下学会逐步进行思考，大幅度提升其推理能力。接着，研究者们提出多种不同过模仿人类推理中的常用模式，进一步引出大模型内生的推理能力。在工程智能领域，由于其面对的问题通常是高度结构化和多步骤的，这种引导模型逐步分析和拆解问题的能力显得尤为重要。它不仅确保了AI在解决复杂工程任务时的逻辑性和条理性，更是将其泛化的文本生成能力转化为具体、可靠的工程解决方案6.3工程智能体关键技术流程规范等进行有效融合，在避免灾难性遗忘的同时，实域智能的跨越。二是少样本场景下的快速定制问题，工程领域特定场景的数据往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，构建将形成一种能力螺旋式上升的闭环：AI通过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.FY2Arlington,VA.(2025-05-30/files/00-NSF-FY26-CJ-Entire-Rollup.pdf.[2]NationalScienceFoundation.DemocratizingthefutureofAIR&D:NSFtolaunchNationalAIResearchResourcepilo/news/democratizing-future-ai-rd-nsf-launch-national-ai.[2025-07-31]./n1/2024theAIcontinenthttps://commission.europa.eu/topics/eu-competitiveness/ai-continent_en./yaowen/liebiao/202403/content_6939153.htm./zhengce/202505/content_7024039.htm.[9]华先胜.工程智能操作系统——人工智能[2025-09-01].https://iaie.tongji.e[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].https://iaie.tongji.eEDAM,2022,36:e32.[12]KhanolkarPranavMilind,VrolijkAdemir,OlechowskiAlisreview[J].AIEDAM,2023,37:e2Christer,SteinertMartiengineeringdesign[J].AIEDAM,2025,39James,BartonDavid,NassehiAydin,HicksBen.ArtificialIntelligApplications[J].Designs,2025,9(4):[15]FilippiStefano.Measu[16]HaaseJennifer,HanelPaulHp.andtalkingwithgenerativemachinelearinengineeringdesign:Areview[J].Journal[20]HuXin,TianYu,NagatoKeisuke,Namanagement:Currentstatusandfuturedirections[J].InternationalCongressonMechanicalEngineering(COBEM2[23]MartinezYuniel,RojasLuis,PeñaAlvaro,ValenzuelaMatías,GarciaJose.worksfortheStructuralAnalysisf[24]MartinsJoaquimRra,Lamsurveyofarchitectures[J].AIAAjournal,2013,51(9):2049-75.[25]WangChong,FanHaoran,[26]DiBonitoLuigiPiero,CampanileLelio,DiNataleMichele,IaconoMauro.explainableartificialintelligen[27]PanYue,ZhangLimao.RolesofarLearningtodispatchforjobshopschedulingviadeepreinforcementlearning[J].schedulingwithgraphneuralnetworks[C].ProceedingsoftheInternational[31]FeichtenhoferChristoph,networksforvideorecognition[C].Proceediconferenceoncomputervision,F,2019.6202Areviewondeeplearningapplicationsinprognostics[34]RamprasadRampi,BatraRohit,Pilaniprospects[J].npjComputationalMaterials,2017,3(1):5[35]JhaShashiBhushan,BabiceanuRaduF.DeepCNN-basedvisua[36]LiuWenyao,MengQingfeng,LiZhen,HuXin.Applicationsofcomputervisioninmonitoringtheunsafebehavioro[37]ChenHaiyan,MaoYihua,XuYidong,WangRui.Theimpactofwearabledevicesontheconstructionsafetyofbuildingworkers:Asyste[38]WangHao,PanYisha,LuoXiaochun.builtenvironment:Areviewandbibliometricanalysis[J].Automation[39]LuYuqian,LiuCTwin-drivensmartmanufacturing:ConnotaonAutomationandRoboticsinConstructio[41]AlbeyErinc,NorouziAmirhoseimodelingwithforecastevolution:anapplicatiTransactionsonSemiconductorMplanninginremanufacturing[J].TheInternationalJournalofAdvancedasemiconductorcomponentdistributor[J].InternationalJournalofProductionResearch,2020,58(9):278[44]HubbsChristianD,LiCan,SahinJohnM.AdeepreinforcementlearningapproachschedulingofdiscreteaInternationalJournalofProductionResearch,2020,58(11):3362-80.[46]GuoFang,LiYongqiang,LiuAo,LiuZhan.Areinforcementleschedulingproblemofsteelproductionprocess[C].Journalof[47]ChenYi-Ping,KarkariaVispi,TsaiYing-Kuan,RolarkFaith,RobertX,CaoJian,ChenWei.Realnetworks[J].JournalofManufacturingSystems,2025,80:412-24.[48]ZhangDan,PeeLg,CucasestudyofresourceorchestrationatAlibjournalofinformationmanagement,2021,57:102304.ofAItechnologyadoptiononoperationaldecision-makin[51]ChengZhi-Qi,DongYifei,ShiAike,LiuWpredictiveanalyticsinarXiv:240805357,2024.[52]AguilarJ,Garces-JimenezAlberto,systematicliteraturereviewontheuse[53]YuanXiaolei,PanYiqun,YangJianrong,WangWeitf[54]BiemannMarco,SchellerFabian,evaluationofmodel-freere