首页/文章/ 详情

智慧研发4.0：基于AI+知识工程的研发体系

数字孪生体实验室

7月前浏览888

作者：田锋

你有没有发现，喊了十年的工业4.0其实还没开始。似乎，全世界都在等中国，等中国实现《中国制造2025》！

工业4.0就像一桌麻将：人工智能、新型能源、工业体量、基础建设，此四者缺一不可。以前，没有一个国家能凑齐这桌麻将。今天，中国修成正果，《中国制造2025》完美收官，于是工业4.0开启！

然而，没有研发4.0，工业4.0也不完整。随着中国的工业4.0走上轨道，智慧研发4.0必将隆隆而来！

一、智慧研发体系

的顶层框架

在《工业研发蝶变》一书中，我们提出，知识使用方式的变革（五个ZHI：知、秩、治、智、织）带来了研发体系的历次转型（如图1所示）。经过精益转型的研发体系是第二代研发体系，称为精益研发2.0。经过正向变革后的研发体系是第三代研发体系，称为数字研发3.0。今天，AI让进退维谷的知识工程豁然开朗，知识使用方式开启“智”纪元，研发体系进入第四代，称为智慧研发4.0，即本文所讨论的研发体系。

在本书中，我们提出两个重要模型，一个是研发体系三维框架，另一个是研发体系理想模型。

研发体系三维框架（如图2所示）认为，复杂产品的研发体系由三个维度构成，分别是时间维、逻辑维和知识维。时间维表征产品的研发进程，逻辑维表征开发的方法和实施步骤，知识维表征企业的研究和积累。三十年来依次出现的信息化、数字化和智慧化其实是分别针对这三个维度的变革，信息化是针对“时间维”实现注重效率的管理优化，数字化是针对“逻辑维”实现注重创新的技术变革，智慧化是针对“知识维”实现注重智化的知识增值。

研发体系理想模型包括五层，分别是协同层、管理层、技术层、知识层和共享层。智慧研发体系其实就是利用AI+知识工程对该模型进行智慧化改造的过程，如图3所示。这个改造过程最重要五项内容是：1）基于企业多年形成的工作文档，智能生成用来支撑研发管理、工作执行和技术操作的五层研发流程；2）对研发流程进行富流程化改造，这个过程不仅可以产生精通工作包，还可以生成智能体开发所需要的工作流；3）对多V技术层中嵌套的技术和模型进行精益APP化改造。4）利用工作流生成智能体框架，智能体框架调用多个相关的精益APP形成完整智能体；5）智能体嵌入管理过程和多V技术过程中，最终形成智慧研发的完整体系。

以上这些改造都是得益于基于知识工程4.0：AI+知识工程体系。《知识工程4.0：AI+知识工程》一文表明，基于知识工程4.0可以建设智慧研发体系，即智慧研发4.0。

二、知识4.0是

研发4.0的基础

既然知识工程4.0是智慧研发4.0的基础，我们就先回顾一下《知识工程4.0：AI+知识工程》一文的关键内容。在此文中，我们强调了知识与研发的特殊关系：研发的根本目的并不是为了获得新产品和新技术，而是为了知识的进化，新产品和新技术只不过是知识进化的载体。一个企业中，产品会过时，专利会失效，但知识，特别是那些反应底层规律的知识，作为企业的底蕴将历久弥新。我们强调知识的增值加工是支持研发进化的必要行动，并依据知识加工的手段不同，我们把工业知识分为五类，分别是实物类、技术类、数据类、信息类和模式类，如图4所示。

在数字化时代的知识工程3.0中，我们用数字化手段对这五类知识进行数字化加工，智能化时代的知识工程4.0中，我们利用基于AI方法这些知识进行智能化加工，试图将知识冰山水下的隐性知识显性化，并提炼归纳分析其隐性价值。我们把知识的智能化加工过程称为知识资源的“精智化”加工，并获得“精智化”知识体系，该体系的其方法、特征、价值与用途如图5所示。

从上表可见，我们所见到的不同AI方法其实是和不同知识类型对应的，也就是说知识类型的数量决定了AI方法类型的数量。不同知识类型对加工方法有不同需求，从而产生了各种各样的AI方法，譬如：

1、实物类知识，在数字化加工方法中，采用扫描建模方法，可以将实物资源电子化，以方便管理和调用。在精智化加工中，采用基于AI的实物图形、图像和文字进行视觉智能技术识别并生成精微的数字化格式，直接参与到知识的进一步加工和应用中。

2、技术类知识，在数字化加工方法中，采用数字建模方法形成了数字模型。在精智化加工中，采用基于AI的降阶与降维方法，对这些数字模型进行进一步训练，形成精益化技术模型，基于此内核模型可为智能业务开发基于AI的快捷工具（精益APP：AI-Based APP）。

3、数据类知识，在数字化加工方法中，采用数据建模方法形成了标准化的数据模型。在精智化加工中，采用大数据方法对这些已经标准化的数据模型再训练，淬炼其中的高价值规律，用以对未来进行预测。这种预测模型，其实也是另一种精制APP的内核模型。

4、信息类知识，在数字化加工方法中，采用标签标引的方法可以将文献类材料进行结构化。在精智化加工中，采用基于我们独有的高价值制造业的严肃语料训练的精专大模型，对企业内部的信息类知识进行再训练，形成精专化内部大模型，进而在企业中进行生成式的知识应用。

5、模式类知识，在数字化加工方法中，采用流程建模的方法形成企业高效高质量的工作范式。在精智化加工中，采用精通富流程生成环境，可以基于以往业务产生的信息类知识（规范标准、工作报告等）智能生成完整丰满的富业务流程，这些基于AI的工作范式开发为可自执行、自进化的智能化富流程。

6、综合化知识，在数字化加工方法中，通过建立知识库、知识规则和推理机，开发专家系统，将以上各种知识综合形成专家系统，在特定场景下提供专家建议。在精智化加工中，采用精英智能体开发环境，对以上各种精智化知识进行综合、集成和调用（如精通富流程和精益APP），形成为可自执行、自进化、无幻觉的智能体，成为人类的精英化的超级助理。

7、知识网络，在数字化加工方法中，可以用通过建立词库词表的方式实现知识网络的纲目化，建立知识网络的基本单元。在精智化加工中，可以采用现已具备的高质量权威知识本体和知识图谱，将前六种形态的精智化知识编织成形成庞大的高质量和全息化的知识网络和生态，还可以为工业智能消除幻觉、增加可解释性，为走向知识工程5.0和通用工业智能（IAGI）奠定基础。

读者可能注意到，我们提出的“精智化”其实是由很多以“精”字开头的词汇群构成：精微、精益、精淬、精专、精通、精英和精纬。通过以上的“精智化”方案，无论是知识分类还是知识加工，我们的知识工程做法与传统知识管理相比有较多的突破，其实这些突破的目的就是为了建立智慧研发4.0,而不只为知识工程服务。当然，工业知识与非工业知识相比，无论是知识类型的丰富程度还是知识使用的深入程度，他们之间本身就有巨大差异。

三、研发流程智能生成

及富流程化改造

我们以前提出一套复杂产品研发体系的完整流程，该流程由五层构成，分别是价值链、任务流、工作流、工具流和技术流。这五层流程又可以整合为三大层（如图6所示）：1）上两层构成一大层，合称“任务树”；2）下两层构成一大层，合称“模型链”；3）中间“工作流”保留一层不变。这三大层流程获得可以通过大模型来智能生成，只是他们所基于的知识和文档不同。“任务树”基于顶层标准（国标、军标、行标和企标）和质量文件智能生成，这是未来形成精通工作包的框架；“工作流”则根据日常工作的成果文档（工作指南、项目文档和工作报告）智能生成，这是未来形成智能体的基础框架；“模型链”可以基于产品和技术标准、产品与技术文档等信息类知识，利用大模型智能生成，这些模型则是未来形成精益APP的内核。当然模型链的技术属性较强，完全依靠大模型不可能形成完整的流程，不可避免地需要对研发理想模型的技术层V模型中的技术过程进行手工建模。

当利用AI技术生成流程可以直接生成精通工作包。精通工作包中将根据精准提示词智能关联（甚至智能生成）精英智能体、参考知识和质量要求，如图7所示。参考知识是根据提示词的重新编写的知识，而不是知识文档的简单推送。质量要求是根据提示词生成的条目化质量要求而不是质量文件的简单挂接。精英智能体也是根据提示词关联的已有智能体。对于不很复杂的需求，甚至可以现场生成智能体。可见，这套流程不再是传统的普通流程，所以称为“富流程”。

读者可能注意到了，在精益研发2.0（包括知识工程2.0）时代，我们希望把加工好的知识和质量精准推送给工作包，前提是需要企业的用手工方法解决以下问题：研发流程梳理和建模、研发工作包的梳理和建模、研发知识的梳理和工作包伴随条目、质量知识的条目化及工作包伴随。这些工作在对企业来说就是几乎无法翻越的大山，因为这些工作都只能让高手来做，低手干不了，但高手都很忙。现在，利用大模型技术，基于企业正常工作形成的既有工作文档可以智能化生成以上的成果。高手的工作变成了确认而不是创建，这在企业的可行性一下变得绝对可行了。

四、技术层多V模型

的精益APP改造

正向变革后的研发体系属于第三代研发体系，称为数字研发3.0，这个过程对正向设计V模型的各个子过程所开发的产品对象建立数字化模型，展开一系列“基于模型的子工程”，包括：基于模型的需求工程、基于模型的系统工程、基于模型的快速设计、基于模型的数字仿真、基于模型的数字实验、基于模型的数字制造等，如图8所示。

这些数字化模型经过改造可以形成数字化APP，用来支持产品的数字化设计。在AI时代，也就是智慧研发4.0时代，利用AI技术对这些模型（或数字化APP）进行改造，形成可快速执行的“精益APP”。精益APP包括单学科精益APP和多学科精益APP。

如图9所示，单学科精益APP的生成路线通常有三条：1)基于仿真结果，利用工程AI方法（AI4E）降阶生成；2）基于物理方程，利用物理AI（AI4S，PINN）方法直接生成；3）基于测试数据，基于数据AI方法（AI4All）直接生成。

多学科精益APP是将上文所述的不同路径形成的多种类型的单学科精益APP混合形成多学科集成流程，通过AI技术对多学科集成过程大量运行数据训练而成。如图10所示。多学科精益APP的应用方式与单个精益APP相似，只是参数数量可能更多些。

在智慧研发4.0中，智能体的开发是以工作流为前提的。在4.0以前，梳理工作流和梳理知识类似，困难重重，现在同样可以通过大模型基于企业既有的工作成果智能生成，高手们的工作是确认而非创建。智能生成的工作流后，基于大模型学习的程度，可以将精益APP智能或手工嵌入到流程工作节点便形成精英智能体，如图11所示。

理想模型中的每个业务构建都包含研发流程及工作包，研发智慧化转型其实就是智能化的全量知识通过智能体嵌入到研发体系的过程，如图12所示。后文的视频1展示了基于智能体的智能设计范式。

《知识工程4.0：AI+知识工程》一文介绍了精智知识工程平台，我们基于3.5亿篇高质量的工业文献训练和研发而成精专大模型和精纬知识图谱，并在此基础上开发了一系列独具特色的子系统：精微实物识别系统、精益APP开发工具集、精通富流程系统、精淬大数据系统和精英智能体开发环境，这些子系统与精专大模型平台及精纬知识图谱构建平台共同构成精智知识工程平台，如图13所示。

基于精智知识工程平台及其提供的工具，不仅可以实现企业传统知识工程的AI化转型，还可以开发、建设和赋能智能设计、智慧研发、智慧生产、智慧运维、智慧管理等领域的业务智能体或智慧业务平台，如图13中的顶层灰色部分。我们把该平台的知识底座和开发系统相关的内容压缩，细节内容聚合，把左上角的“智慧研发”放大，细节内容丰富化，将形成智慧研发平台（精智研发平台），如图14所示。

精智研发平台的重点是基于精智知识平台开发精智正向设计环境，其中设计智能开发环境、精益APP开发环境用来开发多种类智能体，嵌入到各个专业子环境中，包括系统设计与仿真环境、拓扑快速设计环境、仿真与优化环境、工艺设计与仿真环境及数字实验环境。显然，这些子环境已不再是传统研发平台的工作模式，而是基于智能体的新设计范式。视频1展示了精智研发平台的应用实例，其中包含了基于智能体的智能设计范式。

视频1. 精智研发平台及基于智能体的智能设计范式

总结：智慧研发

4.0的系统性

工业4.0需要的四项科目，没必要每科都是优等生，但绝不能是偏科生。《中国制造2025》战略目标的达成，让中国系统性达标，刚好达到工业4.0的标准。打败阵风的不是歼10C，是体系。英伟达的H200全球领先，对中国解封却遭拒，不是H200不好，而是我们已经找到了突破封锁的系统性方案。

同样，智慧研发4.0需要的不是一套理论，或一套方法，或一组技术，或一个平台，而是一套系统性的方案。因此，智慧研发4.0需要以系统性视角进行布局，完成多项工作，获得众多成果，才能达成体系目标。总结来说，智慧研发4.0从理论、方法、技术和平台视角综合布局，系统性完成以下五项核心工作：

1. 审视顶层思维，识别底层逻辑，提出理想模型，设计蓝图框架；

2. 利用人工智能技术生成研发富流程，并将智能化资源嵌入其中；

3. 构建正向设计对象的全数字模型，利用AI技术生成精益化APP；

4. 对全量知识进行智能化加工，开发智能体，嵌入到研发富流程；

5. 打造基于AI+知识工程的精智研发平台，支撑智慧化研发体系。

作者：田锋

工业软件深度思考者，国家产业基础委员会委员、中国力学学会委员、中国机械工程学会委员家。领导开发了精益研发平台、知识工程平台、综合仿真平台、知识云平台及仿真工具等大型工业软件，并在航空航天、船舶、核能、石化、车辆等国家重大工业行业工程中得到应用；主持了国家发展改革委、科技部、北京市工业强基工程、工业互联网相关专项20余项，为百余家企业提供精益研发、知识工程、综合仿真等体系咨询。

本书提出了针对工业企业的研发数字化转型的综合方案，提出了数字化研发的理想模型，详细分析了依据理想模型提出的研发数字化转型的通用方法论、核心技术和支撑平台，同时还介绍了研发数字化转型“三级跳”模型，针对每个级别梳理了不同的关键要点、主要特征、核心驱动力和转型方法论。本书主要面向工业企业的管理者和研发人员、信息化和数字化领域的专业人员及管理者，以及高等院校师生和科研院所中与数字化转型产业和技术相关的研究人员。

来源：数字孪生体实验室

通用航空航天船舶核能理论材料知识工程人工智能

著作权归作者所有，欢迎分享，未经许可，不得转载

首次发布时间：2026-01-02

元宇宙科技应用研讨会：数字孪生是基于模型的体系工程

免费

还没有评论