编者按：大模型、智能体等人工智能技术的突飞猛进快速推动着AI应用在终端侧落地，人工智能终端正汹涌而来。作为用户侧承载大小模型部署任务的重要载体，AI终端将加快智能升级和自主进化，激活万亿元规模产业。2025年政府工作报告明确提出“支持大模型广泛应用，大力发展智能网联新能源汽车、人工智能手机和电脑、智能机器人等新一代智能终端以及智能制造装备”。发展人工智能终端有利于提升高质量消费供给，释放多样化、差异化消费潜力，推动消费提质升级。
从智能终端到人工智能终端的跃升可谓是智能化终端的“二次革命”，从底层硬件到操作系统，从应用框架到交互方式，都将发生天翻地覆的变化，整个终端及上下游产业也随时巨变。为推动人工智能终端产品普及，促进产业健康有序发展，《中国电子报》联手人工智能终端工作组推出“AI时代终端大变局”系列报道，将从产品之变、场景之变、技术之变、生态之变等角度探讨产业变化，并开设“大家谈”纸面圆桌论坛，凝聚业界智慧、共商产业大计。
古有大禹治水“三过家门而不入”，而今天通过AI技术重塑复杂设备的人机交互，水利智能泵闸让操作员只需使用日常语言下达指令便能轻松“治水”。过去传统油井作业主要依赖人工经验，自从有了“AI（人工智能）大脑”，每一口油井都能实现从“被动维修”到“主动预警”的根本性转变。工厂车间中，一台台冰冷的钢铁机床也开始“听懂人话”，大步迈向“人机共融”的智造新阶段。可以看到，AI技术与工业设备的深度融合，正在掀起新一轮工业制造范式重构。
AI为工业设备装上“智慧大脑”
为油井电机“听诊”，实时洞察从供电、电机到井下工况的全链路健康状态；为柔性生产“开方”，综合分析油井工况、阶梯电价、地下油藏情况等数十个变量，智能调控电机的启停与转速，确保在同等油藏条件下，以最低的采油成本实现最大的原油产量；为现场维护“减负”，一台高度集成的智能设备即可替代过去的电参、RTU、示功仪等多种设备，真正实现从“单点智能”到“全局最优”的智慧油田管理......这样的场景每天都在中石油某采油厂某工区上演。“油井健康诊断大模型”化身“智慧大脑”，在其中发挥着重要作用。
AI大模型为油田管理装上“智慧大脑”（图为AI生成）
工业设备是生产的物质基础，其运行状态直接影响产品质量、生产效率和经济效益。传统设备维护往往依赖维修人员的个人经验，这种方式存在明显弊端：维修质量参差不齐、故障诊断效率低下、维护成本难以控制。以大模型、智能体等代表的新兴技术涌现，让工业设备控制加速从经验驱动转向数据驱动，从固化逻辑转向自主认知与决策的方向进化。
工信部数据显示，2025年1-8月，全国工业设备投资增长11.1%，技术改造投资增长10.6%，增速较2023年全年分别高2.4、5.9个百分点。二季度，全国规上工业企业数字化研发设计工具普及率达到83.1%、关键工序数控化率达到64.9%，较2023年底分别提高1.1和1.9个百分点。可以看到，伴随AI技术的快速迭代，工业设备的智能化水平也在稳步提升。
“过去的自动化设备强于精确执行预设程序（PLC逻辑），但缺乏理解和应对环境变化的能力。新一代AI技术赋予了设备强大的认知能力。让这些复杂的设备不再仅仅是执行者，它能‘听懂’人的自然语言指令，‘看懂’复杂的生产场景，并基于实时数据和积累的知识，做出自主判断和决策。”曙光网络总工程师陈冰冰在接受《中国电子报》记者采访时表示。
“传统工业设备虽能实现自动化运转，但依赖固定程序和人工预设规则，面对复杂工况时缺乏应变能力。而AI赋予设备‘感知-分析-决策’的闭环能力。”沈阳市智能应用协会会长张艺天表示，“新一代AI技术对工业设备的核心改变，是推动其从‘被动执行的工具’升级为‘主动决策的智能体’，这也是‘AI焕新’的关键所在。”
AI为工业设备打开“交互之窗”
随着工业设备越来越智能，系统越来越复杂，人机交互逻辑也在跟着发生变化。过去，操作和维护工业设备需要专业的编程技能。现在，AI技术正在逐渐打破人与机器间的语义隔离，一线工人可以通过语音、文字甚至手势与设备进行交互。这种交互方式的深刻变革，极大地降低了设备的操作门槛，提高了人机协作的效率和安全性。
走进山东大汉智能工厂，你会发现一台台冰冷的钢铁机床不仅会“听”还会“说”。“TCK56Y车铣一体机，启动钛合金叶轮五轴联动加工。”随着技术员一声令下，搭载RTCP（旋转刀具中心点）补偿技术的五轴摆头车铣复合机床即刻响应，0.01mm的加工精度与4500rpm主轴转速完美配合，将传统需8小时完成的航空零件缩短至2.5小时。
山东大汉智能工厂车间
传统机床编程曾是行业痛点，繁复代码、专业门槛让许多企业望而却步。山东大汉将AI与机床技术深度融合，把物联网、大数据注入机床 “大脑”，研发出了一套能精准解读人类语言的智能系统。无论是复杂曲面加工需求，还是细微精度调整，操作人员只需使用自然语言下达指令，AI 就能快速转化为最优加工方案，效率实现百倍级提升。
“单个设备的智能只是起点，当更多机床接入智能网络，当 ‘人机对话’成为行业标配，整个产业才能真正实现从‘制造’到‘智造’的跨越。”山东大汉董事长黄传清表示。据他透露，该公司正致力于打造“机床智能体”——设备可自主感知环境、动态学习工艺并实时优化生产，并计划2026年建成覆盖1000家上下游企业的智能生态圈，推动机床行业从“单机智能”向“集群智能”进化。
AI让工业设备踏上“进化之路”
位于江苏的一家造船厂迎来了一批特殊“员工”。与很多生产线上只能走固定路径、焊接固定位置的工业机器人不同，这些智能电焊机器人“员工”本领很强，不同尺寸、不同形状的工件，它们都能又快又好地焊接完成，焊接精度能够达到±0.5毫米，不仅可以长时间连续运行工作，还能规划避障路径。在智能感知、机器视觉与AI算法等技术的加持作用下，这些电焊机器人可以自主识别焊缝位置、调整焊接参数、实现焊缝跟踪，全程无需人工干预，便可实现高质量、高效率的焊接作业。
“机器人进入工业场景，前期仍需要人工投入编程等大量准备工作，一旦更换生产场景，往往需要重新编程，换产成本高昂。”配天机器人CTO郭涛表示。配天机器人自主研发的绎焊智能体解决了这一难点，可以将换产准备时间从数小时压缩至30s以内，大幅降低了焊接调试、试生产、培训等全套流程的时间，实现焊接质量和效率的“双提升”。此外，绎焊智能体与配天机器人自主研发的配天云端智能中枢深度联动，可持续进行焊接过程的大数据分析、知识富集与模型进化，实现终身学习，不断提升焊接的泛化能力。
配天机器人绎焊智能体实焊现场
今年以来，受益于“两新”政策的持续推动，我国工业领域迎来了大规模的设备更新热潮。在川气东送等重大工程项目现场，油气管道全自动焊接检测机器人的出现打破了传统的人工加焊机模式，其焊接合格率高达98%以上，显著提升了工程效率；智能化无人采煤控制装备出现在一个个煤炭开采现场，将工作面作业人员彻底从危险的采场环境中解放出来，达到“无人则安”目标；AI矿石分拣机器人利用视觉识别和机械臂分拣矿石，提高品位并减少废料运输......
“新一代AI终端设备已经开始具备持续学习和自我优化的能力。它们在运行过程中不断收集数据，通过联邦学习、增量学习等方式，模型和算法会不断迭代，让设备‘越用越聪明’。这意味着设备的生命周期价值被极大地延长了，能够持续适应新的生产需求和工艺变化。”陈冰冰感慨道。
“未来，工业设备智能化正朝着‘更适配场景、更协同高效’的方向演进。其中一个核心趋势是‘AI+多技术’深度融合：不再是单一AI技术应用，而是与数字孪生、IoT的联动，AI实时分析数据同步在数字孪生系统中，再将决策同步到实体设备实现‘虚实结合’的精准调控；IoT则负责打通设备、传感器、控制系统的数据链路，为AI提供全量感知基础。”张艺天指出。
工业设备AI焕新仍面临挑战
近日，工业和信息化部等七部门联合印发的《推动工业领域设备更新实施方案》（以下简称“方案”）进一步明确了工业领域设备更新目标：到2027年，工业领域设备投资规模较2023年增长25％以上，规模以上工业企业数字化研发设计工具普及率、关键工序数控化率分别超过90％、75％。
在政策指引下，工业设备大规模更新跑出了“加速度”，智能化成为一个热门进化方向。要将大模型和智能体等新兴技术部署到工业设备的端侧，挑战与机遇并存。陈冰冰指出，首先要考虑模型轻量化与性能的平衡：工业设备端侧的计算资源（算力、内存）往往非常有限，而大模型通常参数量巨大。如何在保证模型认知、推理能力的同时，将其压缩、裁剪、量化到能高效运行在嵌入式芯片或边缘控制器上，是一个核心技术挑战。这需要算法、硬件和软件的协同优化。
“大模型更适合云端做全局数据分析，端侧设备将以‘轻量、专用’小模型为主——针对机床故障诊断、注塑机参数优化等单一场景训练的小模型，体积小、算力需求低，能适配设备端硬件，同时通过‘端云协同’保持精度。”张艺天表示。
其次，不同于普通生活场景，工业场景对延迟和稳定性的要求极为严苛。一个毫秒级的延迟就有可能导致严重的生产事故。“AI模型的推理必须保证极低的、确定性的延迟。同时，工业环境中的电磁干扰、温湿度变化、震动等因素，对AI硬件的稳定性提出了远高于消费电子的要求。”陈冰冰表示。
同时，高质量工业数据的获取与标注也是一个不容忽视的难题。AI模型的训练离不开高质量的数据。但在工业领域，有效数据的采集往往很困难，数据孤岛现象严重。特别是故障、异常等长尾场景的数据非常稀缺。不同设备品牌、型号的接口不统一，数据格式混乱。工业数据的标注需要深厚的领域知识（Domain Know-how），成本高昂。如何利用小样本学习、无监督学习等技术，降低对海量标注数据的依赖，是亟待解决的问题。
此外，安全性与可解释性问题同样值得关注。张艺天指出，工业设备直接关联生产安全，AI模型若因数据偏差给出错误决策，损失不可估量，同时，设备端数据包含工艺参数等核心机密，模型部署过程中还需防范数据泄露或恶意篡改，这比消费端AI的安全要求高得多。此外，不同行业的设备工况差异大，通用AI方案难适配，定制化开发又会推高成本，也制约了落地速度。
“让企业从‘要我换’变为‘我要换’，需要多方合力，”陈冰冰表示。他建议：政策制定方面应“精确滴管”，向专精特新中小企业、关键核心技术攻关领域倾斜，设立更多面向特定行业痛点的专项资金，同时将“服务前移”，为企业提供“诊断服务”，帮助企业识别出最适合进行AI升级的环节和路径；技术服务商应提供更标准化、模块化、开箱即用的解决方案，降低应用门槛，同时推出“按效果付费”“融资租赁”等灵活的商业模式，与客户共担风险、共享收益，打消客户对前期投入过大的顾虑；工业企业则需转变观念，将工业设备AI焕新作为“一把手工程”来推动，同时积极引进和培养既懂AI技术又懂工业流程的复合型人才，建立“小步快跑、快速迭代”的内部创新机制，此外还应积极融入整个智能制造的生态系统，与产业链上下游伙伴合作共同打造解决方案。
