01 2026年大模型落地的新共识：从单体模型到自进化系统
进入2026年，大模型应用正在从“API接入+微调”逐渐走向更加复杂的系统化研发。对于工业场景而言，一个预先训练好的模型很难长期适应不断变化的设备、工艺、订单和生产环境，模型上线并不意味着优化结束，真正的挑战是如何让 AI 在实际运行中持续获得数据、反馈和新的能力。
因此，后训练、强化学习和 MLOps 的重要性不断提升。近年来的模型研发实践表明，模型能力提升越来越依赖后训练阶段的数据构造、强化学习、推理优化以及持续评测，而不仅仅是扩大基础模型规模。
与此同时，AI 也开始参与自身研发过程。从自动生成训练代码，到自主设计实验、运行消融测试，再到根据实验结果调整方案，AI 正逐步进入“实验—反馈—优化”的研发闭环。
这给工业智能化带来的启示非常直接：工业 AI 不能只是部署一个静态模型，而需要建立持续的数据回流、模型评测和能力更新机制。
工业富联科技服务的 AI Factory 相关方案，也可以从这一思路理解：将工业数据、数字孪生、工业 Agent 和制造运营系统连接起来，让 AI 能力随着生产数据和业务反馈持续迭代。
02 深度解密：“AI Makes AI”双飞轮范式
“AI Makes AI”的核心，可以理解为两个相互促进的飞轮。
飞轮一是“AI Makes”，即 AI 进入研发、运营和生产环节，将算法能力转化为实际制造能力。研发设计环节可以利用 AI 分析历史设计和仿真数据，辅助方案生成与知识复用；运营环节可以连接供应链、能源和排产数据，辅助资源优化；生产环节则可以应用于 AOI 视觉质检、预测性维护以及机器人协作等场景。
飞轮二是“Makes AI”，即真实工业生产反过来为 AI 提供持续进化所需要的数据和反馈。
制造业每天都会产生设备时序数据、质量图像、工艺参数、生产日志和维修记录。这些数据具有明确的时间、空间和业务关系，可以帮助模型理解复杂生产过程。同时，工业现场存在温度、压力、节拍、设备能力和安全边界等大量约束，为 AI 的决策和推理提供了更加真实的验证环境。
两个飞轮连接起来，就形成了：
AI赋能生产 → 产生真实数据 → 数据反馈模型 → 模型能力提升 → 进一步优化生产。
这也是“AI Makes AI”区别于传统 AI 项目的关键：AI 不再只是一次性部署的应用，而成为一个能够持续吸收现场反馈的系统。
03 工业企业构建 AI Factory 的四步落地指南
第一步：IT/OT融合与高质量工业数据治理
没有高质量数据，AI 的持续进化就缺少基础。
企业首先需要连接 PLC、SCADA、MES、MOM、WMS 等系统，通过边缘计算和数据平台统一采集设备、生产、质量和物流数据，并解决不同系统之间的数据标准、时间戳和业务语义问题。
更进一步，需要将原始工业数据转化为 AI 能够理解的结构化上下文。例如，将设备编号、运行状态、温度、转速、报警信息和历史维修记录关联起来，同时结合工业知识图谱、向量数据库和 RAG 技术，让模型能够在具体任务中检索和利用工业知识。
工业富联科技服务的 AI Factory 方案也将制造运营数据作为底层基础，通过连接 MOM/MES、PLM、WMS、SCADA 和 IoT 等系统，为上层 AI 应用、Agent 和数字孪生提供统一的数据支撑。
第二步：基于 Sim2Real 构建虚拟验证环境
工业 AI 最大的特殊性在于，很多方案无法直接在真实生产线上反复试错。
因此，可以通过 Sim2Real Omniverse 数字孪生平台建立虚拟工厂，将设备、机器人、生产流程和物流环境映射到数字空间，在真实执行之前进行仿真验证。
对于强化学习而言，数字孪生还可以提供更加低成本的训练环境。Agent 可以在虚拟空间中进行大量 Rollout，测试不同的生产策略、机器人路径和设备参数，再将经过验证的方案部署到真实现场。
工业富联科技服务的 Sim2Real 数字孪生方案，也将工厂规划、设备与机器人仿真、生产流程验证以及制造运营结合起来，使数字孪生从“可视化模型”进一步成为 AI 决策进入物理世界之前的验证空间。
第三步：编排 Factory Brain 与 MoMClaw 多智能体协同
面对复杂工厂运营，单一大模型很难同时处理计划、设备、质量、物流和供应链等不同任务，因此需要进一步采用多智能体架构。
可以将工厂运营拆解为计划排程 Agent、设备 Agent、质量 Agent、物流 Agent、供应链 Agent 等，让不同 Agent 负责专业任务，再通过统一的协调机制完成跨领域决策。
例如，设备 Agent 发现关键设备存在故障风险后，可以将信息传递给排程 Agent，由排程 Agent评估订单影响，再结合物流和设备维修资源调整生产计划。
工业富联相关探索中的 MoMClaw，可以理解为连接工业知识、制造运营数据和多智能体能力的协同平台，使不同领域 Agent 能够围绕生产目标进行协作。
第四步：激活“双飞轮”，实现持续迭代 MLOps
当 AI 真正进入生产现场后，最终良率、生产节拍、设备状态、能耗和异常记录都会成为新的训练和评估数据。
这些数据需要自动回流到 AI 平台，经过清洗、标注、评测后进入模型优化流程。对于适合强化学习的任务，还可以通过持续学习和后训练，让优秀的操作策略逐步沉淀为模型能力。
由此形成：生产执行 → 数据回流 → 模型评估 → 策略优化 → 再次生产。
双飞轮真正启动后，AI Factory 才具备持续进化的基础。
04 突破物理世界 RSI 的卡点与应对策略
AI 在工业现场持续进化，仍然面临几个典型问题。
首先是反馈延迟。
生产良率可能需要数小时甚至更长时间才能得到结果，强化学习很难快速获得奖励信号。对此，可以利用数字孪生和代理模型，在虚拟环境中提前估计不同策略的效果。
其次是模型输出的不确定性。
大模型适合理解复杂任务，但工业设备控制通常要求确定性。因此，需要通过安全护栏、权限管理和规则引擎，将模型输出限制在可控范围内，最终由确定性控制系统执行。
第三是跨系统因果关系复杂。
当质量异常出现时，原因可能来自设备、物料、工艺甚至环境因素。需要结合工业知识、历史数据和因果分析，避免简单地把相关性当成因果关系。
最后是边缘算力限制。
部分工业设备无法直接运行大型模型，因此需要结合模型量化、蒸馏、推理优化等技术，将 AI 能力部署到更适合现场环境的边缘计算节点。
这些问题说明，工业 AI 的“自我进化”并不是让模型完全自主运行，而是在数据、仿真、模型、规则和人工监督共同构成的工程体系中持续优化。
05 结语：AI Factory正在成为制造业新的技术基础设施
从“AI 参与代码编写”到“AI 参与工厂运行”，AI 的角色正在发生变化。
传统工业 AI 更多解决单点问题，而“AI Makes AI”双飞轮强调的是持续闭环：AI 先赋能研发、运营和生产，再由真实工业数据反过来推动模型和 Agent 持续优化。
对于工业企业而言，AI Factory 的关键也因此不只是部署一个大模型，而是逐步建立一套完整的技术体系：
工业数据提供养料，Sim2Real提供试验场，Factory Brain和多智能体负责决策，自动化设备负责执行，MLOps则负责让整个系统持续迭代。
工业富联科技服务的 AI Factory 解决方案，也可以放在这一技术框架中理解：以制造运营数据为基础，将 Sim2Real 数字孪生、Factory Brain、工业 Agent 与自动化执行能力连接起来，推动 AI 从单点应用走向生产运营的持续闭环。
当两个飞轮真正连接起来，AI Factory 的价值就不再只是“让工厂更智能”，而是让工厂成为一个能够持续产生数据、验证策略、优化模型和改进生产的智能系统。
