2025年12月12-13日，第八屆GAIR全球人工智能與機器人大會在深圳·博林天瑞喜來登酒店正式啟幕。

作為AI 產(chǎn)學研投界的標桿盛會，GAIR自2016年創(chuàng)辦以來，始終堅守“傳承+創(chuàng)新”內(nèi)核，始終致力于連接技術(shù)前沿與產(chǎn)業(yè)實踐。

在人工智能逐步成為國家競爭核心變量的當下，算力正以前所未有的速度重塑技術(shù)路徑與產(chǎn)業(yè)結(jié)構(gòu)。13日舉辦的「AI 算力新十年」專場聚焦智能體系的底層核心——算力，從架構(gòu)演進、生態(tài)構(gòu)建到產(chǎn)業(yè)化落地展開系統(tǒng)討論，試圖為未來十年的中國AI產(chǎn)業(yè)，厘清關(guān)鍵變量與發(fā)展方向。

GAIR 2025「AI 算力新十年」專場上，清華大學深圳國際研究生院副教授王智發(fā)表了題為《工業(yè)機理 × 大模型：行業(yè)大模型的系統(tǒng)約束與可控推理的研究進展》的主題演講，系統(tǒng)闡述了他對工業(yè)大模型訓推和落地實踐的核心判斷。

當智能制造從自動化走向智能化，工業(yè)大模型被視為關(guān)鍵一躍，卻也直面著真實產(chǎn)線中數(shù)據(jù)稀缺、算力受限、成本敏感的三重挑戰(zhàn)。這不僅是一個算法問題，更是一個需要貫通學術(shù)前沿與產(chǎn)業(yè)實踐的復雜系統(tǒng)工程。

在此背景下，清華大學深圳國際研究院的王智教授與其聯(lián)合團隊，選擇了一條“從場景中來，到場景中去”的攻堅路徑。他們依托國家基金委重點項目，聯(lián)合深圳信息職業(yè)技術(shù)學院、匯川技術(shù)等合作伙伴，在過去一年里，將研究扎根于工業(yè)質(zhì)檢、具身智能、程序生成等具體場景，試圖拆解并回應(yīng)那些最實際的問題：如何用大模型升級傳統(tǒng)規(guī)則系統(tǒng)？如何讓機器自主理解并執(zhí)行任務(wù)？如何在弱算力、弱網(wǎng)絡(luò)的工廠環(huán)境下，讓智能模型真正“跑起來”？

與單純追求模型規(guī)模的常見敘事不同，王智教授團隊的工作呈現(xiàn)出鮮明的“工程思維”與“成本意識”。他們的探索從底層的數(shù)據(jù)生成與表征優(yōu)化出發(fā)，延伸至模型規(guī)劃、分布式訓練與推理加速的全鏈路，其目標并非打造一個萬能的“工業(yè)GPT”，而是構(gòu)建一套能讓大模型技術(shù)適配工業(yè)嚴苛約束、實現(xiàn)低成本高效部署的方法論體系。

這背后，是一個更為深刻的議題：當通用人工智能的浪潮席卷而來，工業(yè)領(lǐng)域究竟需要怎樣的大模型？它的知識如何注入機理與約束？它的智能又如何與機器人、產(chǎn)線、網(wǎng)絡(luò)環(huán)境協(xié)同共生？王智教授的匯報，正是對這一議題的一次階段性答卷。

以下為王智教授演講精彩內(nèi)容的精編整理，雷峰網(wǎng)(公眾號：雷峰網(wǎng))作了不改變原意的編輯：

非常榮幸能在此與大家分享我們的研究工作。

我們團隊承擔了國家基金委的重點項目，此次匯報主要涵蓋項目啟動大半年來取得的研究進展。需要說明的是，今天所展示的成果，是我們與深圳信息職業(yè)技術(shù)學院、匯川技術(shù)聯(lián)合團隊共同完成的。同時，我們也基于此基礎(chǔ)，與普渡科技、越疆科技合作開展了深圳市重點研發(fā)計劃項目的研究，相關(guān)內(nèi)容也一并向各位匯報。

首先介紹項目背景。當前，智能制造正加速融入智能化元素，以工業(yè)大模型為代表的行業(yè)大模型已成為發(fā)展的必然趨勢，因此，針對智能制造行業(yè)大模型展開深入研究，顯得尤為迫切。

在本項目中，我們圍繞幾個關(guān)鍵方向開展了應(yīng)用示范探索：其一，如何將傳統(tǒng)基于規(guī)則的小模型質(zhì)檢方式，升級為大模型驅(qū)動的質(zhì)檢；其二，開展工業(yè)具身智能研究，推動大模型與機器人深度融合；其三，進一步探索大模型在工業(yè)編程領(lǐng)域的應(yīng)用——例如，能否讓大模型生成PLC程序，從而實現(xiàn)對整條產(chǎn)線的優(yōu)化？這是我們項目初期確立的幾個重點問題。

傳統(tǒng)模型在具有明確工藝機理、且受成本制約的工業(yè)場景中，存在一定的缺陷。我們通過梳理發(fā)現(xiàn)，現(xiàn)有數(shù)據(jù)往往缺乏對工業(yè)機理、工業(yè)約束與成本約束的控制；同時，模型的訓練與推理也面臨算力與效率的雙重挑戰(zhàn)。這些不足，正是我們開展此項新研究的出發(fā)點。

接下來，我將以點線結(jié)合的方式，向大家匯報我們近一年來的研究進展及最新思考。我們主要針對三大挑戰(zhàn)展開攻關(guān)：一是行業(yè)應(yīng)用中的數(shù)據(jù)短缺問題；二是工業(yè)模型重訓練與微調(diào)時算力網(wǎng)絡(luò)資源的不足；三是工業(yè)場景對推理效率的嚴苛要求。圍繞這些挑戰(zhàn)，我們在四個方向進行了布局：數(shù)據(jù)制備、模型規(guī)劃、分布式訓練以及推理加速，其中特別聚焦于以視覺語言模型（VLM）、視覺語言動作模型（VLA）為代表的具身模型的加速。

首先是工業(yè)跨場景數(shù)據(jù)的生成與融合。這里我主要以具身智能與工業(yè)場景結(jié)合為例?，F(xiàn)有數(shù)據(jù)多通過遙操、工廠記錄等方式采集，成本高、局限性大，且難以嵌入背后的工業(yè)機理知識。

為此，我們提出了虛實融合的數(shù)據(jù)制備智能體框架，旨在實現(xiàn)低成本、高質(zhì)量的合成數(shù)據(jù)生成。項目周期為三年，目前已完成約三分之一。

我們主要在以下三方面取得了進展：一是物理可靠場景的重建，經(jīng)歷了從影視、聲音、網(wǎng)絡(luò)至3D高斯的進展；二是結(jié)構(gòu)化場景的生成與編輯；三是探索利用大模型進行場景泛化與數(shù)據(jù)生成。相關(guān)工作已發(fā)表為論文，考慮到今天可能大部分觀眾來自產(chǎn)業(yè)界，在此選取部分內(nèi)容展開說明。

我們首先探索了利用NeRF（神經(jīng)輻射場）等隱式神經(jīng)表征來刻畫工業(yè)場景所需的多模態(tài)數(shù)據(jù)。這類表征具有跨模態(tài)兼容性強的優(yōu)點，能夠統(tǒng)一表達音頻、時序、3D及2D數(shù)據(jù)，但其缺點是速度慢，因此我們的工作重點圍繞加速展開，包括優(yōu)化3D數(shù)據(jù)采樣方向、以及針對2D數(shù)據(jù)重點進行減枝與優(yōu)化，從而顯著提升了隱式神經(jīng)表征的效率。

然而，3D隱式神經(jīng)表達的速度瓶頸依然突出。為此，在第二階段，我們將重心聚焦于可視化3D數(shù)據(jù)，并將研究范式從影視聲音表達過渡到3D高斯表征，但3D高斯模型體量較大，對大范圍場景進行表征和傳輸時，仍面臨存儲與帶寬的壓力。

我們在現(xiàn)有工作基礎(chǔ)上進行了拓展：當前研究大多集中于提升失真性能，卻難以在給定存儲大小限制下重建場景，我們重點解決了這一問題。

此項工作主要包含幾個部分：首先，通過測量分析，我們明確了3D高斯重建中與模型大小最相關(guān)的超參數(shù)及其影響關(guān)系，從而改變了傳統(tǒng)“先重建后優(yōu)化”的范式，轉(zhuǎn)向在訓練中直接針對高敏感度參數(shù)進行優(yōu)化。同時，我們在算子層面也進行了加速。圖中展示了我們的實驗效果，其核心優(yōu)勢是能將模型壓縮到足夠小。

在當前一味追求重建質(zhì)量的紅海競爭中，我們從延遲、帶寬與設(shè)備限制角度對3D高斯進行優(yōu)化，這一思路獲得了ACM  Multimedia評委會的認可，成為1500余篇投稿中入選最佳論文候選的6篇之一。

我們相信，這項技術(shù)不僅可用于預(yù)訓練數(shù)據(jù)制備，也將推動沉浸式多媒體體驗的發(fā)展，其核心挑戰(zhàn)依然是帶寬與質(zhì)量之間的平衡。

前兩項工作主要關(guān)注數(shù)據(jù)的底層表征。在獲得表征后，還需將其編排成完整場景。為此，我們開發(fā)了基于大模型的結(jié)構(gòu)化場景生成與編輯方法。

首先，我們嘗試將場景結(jié)構(gòu)化為JSON或XML等格式，進而利用大模型進行編輯。當然，這不可避免地會產(chǎn)生“幻覺”問題。我們引入了一種力引導結(jié)構(gòu)來消除違背常識的布局，例如防止沙發(fā)嵌入墻體或物體姿態(tài)不合理。經(jīng)過優(yōu)化，我們能生成既真實又多樣化的場景布局。

擁有了場景和物體資產(chǎn)后，下一步便與本次會議的主題緊密相連：我們能否制備出真正有用的數(shù)據(jù)？這是對我們已有多個模塊的綜合應(yīng)用。核心問題很直接：能否不通過人工示教或遙操，就讓機器自主運動并完成任務(wù)？既讓語言類模型已經(jīng)有了泛化能力，我們又可以相對比較真實、快速地生成數(shù)據(jù)，這是我們的初衷。

這個初衷想達到什么樣的效果？

我們拍攝一張實驗室真實場景的照片，不進行任何示教，就憑空仿真去生成一系列的這個行為記錄，用行為記錄數(shù)據(jù)對VLA模型進行微調(diào)，它能否工作？

我們測試了這一流程的可行性。結(jié)果表明，該流程充滿希望，盡管目前仍存在一些邊界案例。模型已能識別操作點并泛化出運動軌跡，但偶爾仍會出現(xiàn)不滿足物理約束或動作不合理的情況。

在實驗室環(huán)境下，這樣生成的示教數(shù)據(jù)已經(jīng)具備實用價值。

例如圖示，完全無需人工示教，雖然生成的動作在重心平衡、操作點定位上存在偏差（如澆花時未考慮水杯滿溢狀態(tài)的重心變化），但模型成功率從零提升到了75%。我們甚至發(fā)現(xiàn)，遙操100條數(shù)據(jù)與我們自動生成1000條數(shù)據(jù)所能達到的效果是相近的。

這是我們在不同場景下的實驗結(jié)果。目前受限于實驗室本體與場景的規(guī)模，我們希望未來能對此框架進行更大范圍的擴展。我們已經(jīng)部分解決了生成速度、任務(wù)泛化與場景編排的問題。展望未來，在不同本體協(xié)作的背景下，是否會產(chǎn)生新的有趣現(xiàn)象？我們也期待與各位同行深入交流。

在數(shù)據(jù)制備的最后部分，我們還探索了智能體級別、決策級別的數(shù)據(jù)制備。具體場景是：在具身智能研究中，多個智能體需協(xié)作完成任務(wù)，如何制備這類數(shù)據(jù)？我們搭建了一個仿真環(huán)境，讓多個智能體在同一3D場景中協(xié)作，并記錄其交互數(shù)據(jù)，作為未來訓練智能決策的基礎(chǔ)。

在此過程中，我們重點解決了智能體間的協(xié)作維護問題，設(shè)計了一種分布式信念結(jié)構(gòu)，以實現(xiàn)高效通信?；诖?，智能體能夠以盡可能少的通信量，協(xié)同完成打掃、收納、偵查、巡檢等任務(wù)。

第二部分，是針對工業(yè)機理約束的大模型設(shè)計。需要澄清的是，我們不是做基模的設(shè)計，而是研究如何利用大模型來編排策略、工具鏈及其他智能體。工業(yè)場景的核心約束之一是成本，這不僅指推理成本，更包括所串聯(lián)工具鏈本身的運行成本。為此，我們研究了融合拓撲約束與成本反饋的高效任務(wù)規(guī)劃方法。

這是我們的總體框架。傳統(tǒng)大模型調(diào)用工具也能完成任務(wù)，但其產(chǎn)生的動作序列成本可能較高，例如導致機械臂不必要的彎折或調(diào)用高算力算法。

為控制成本，我們進行了兩方面設(shè)計：一是將各類工具Token化，使其能被語言模型像處理詞匯一樣進行編排；二是將任務(wù)執(zhí)行產(chǎn)生的成本消耗轉(zhuǎn)化為獎勵信號，通過強化學習過程來優(yōu)化工具調(diào)用策略。

大家可能會問：將大模型用于娛樂對話尚可，但在視頻處理、工業(yè)控制等嚴肅場景，其成本與延遲是否可接受？為此，我們與字節(jié)跳動合作了一個項目，針對視頻服務(wù)場景，研究大模型在帶寬預(yù)測、碼率優(yōu)化等任務(wù)中的實際效能。

基于真實數(shù)據(jù)的測試，我們發(fā)現(xiàn)了一些規(guī)律：

首先，大模型確實具備良好的泛化能力，能夠適應(yīng)網(wǎng)絡(luò)領(lǐng)域的任務(wù)，我們對碼率自適應(yīng)、任務(wù)調(diào)度、帶寬預(yù)測三類任務(wù)進行了驗證。其次，在網(wǎng)絡(luò)任務(wù)中，模型性能似乎存在某種“縮放定律”提前飽和的現(xiàn)象，未必需要特別大規(guī)模的模型。此外，我們提出了大模型路由機制：并非所有任務(wù)都需經(jīng)過大模型處理，常規(guī)任務(wù)可直接由傳統(tǒng)規(guī)則或算法處理；只有當任務(wù)超出傳統(tǒng)算法能力范圍時，才路由至大模型，從而在某種程度上保證軟性的延遲上限。

第三部分，是關(guān)于弱算力、弱網(wǎng)絡(luò)環(huán)境下的分布式訓練。這部分研究起步稍晚，目前我們已完成流水線規(guī)劃和梯度壓縮方面的工作，目標是在算力網(wǎng)絡(luò)資源受限的條件下，更高效地利用資源對模型進行后訓練或微調(diào)，以適應(yīng)不同場景需求。

這兩部分工作理論性較強。

我們改進了Top-k梯度壓縮方法，該方法雖能有效減少通信量，但在非獨立同分布數(shù)據(jù)場景下性能可能下降。我們提出了一種新的壓縮機制，使其在聯(lián)邦學習等場景下能達到與未壓縮相當?shù)氖諗啃阅堋?/p>

無論模型是預(yù)訓練還是微調(diào)得來，最終都需在類工業(yè)或工業(yè)場景中快速部署。我們重點針對具身智能模型（如OpenVLA框架）進行加速優(yōu)化。與通用語言模型相比，這類模型包含幾個顯著模塊：視覺感知、視覺語言理解（VLM）以及策略生成（通?；跀U散模型）。我們的工作可概括為對這三部分分別進行優(yōu)化，手段包括參數(shù)量化、輸入量化、通道剪枝以及KV Cache優(yōu)化。

首先，在視覺感知部分，其輸出數(shù)據(jù)受模型參數(shù)與輸入數(shù)據(jù)通道的共同影響，我們發(fā)現(xiàn)模型結(jié)構(gòu)與輸入數(shù)據(jù)之間存在耦合關(guān)系。因此，我們提出了一種多維度聯(lián)合輕量化方法，針對感知模塊進行加速：對于某些數(shù)據(jù)，在數(shù)據(jù)層面進行剪枝對后續(xù)任務(wù)影響更?。欢鴮τ谄渌麛?shù)據(jù)，則更適宜在模型層面進行過濾，這些特性能夠在我們框架中被自動學習。感知數(shù)據(jù)輸入后，需經(jīng)VLM處理。我們對此也進行了優(yōu)化，主要發(fā)現(xiàn)時間與空間維度可以聯(lián)合壓縮：在VLM感知階段，Token序列具有關(guān)聯(lián)性，不可隨意混排；同時，不同Token的重要性也不同。我們據(jù)此提出了時空聯(lián)合壓縮優(yōu)化框架。

接下來是策略生成部分的擴散模型加速。

值得一提的是，在我們實驗室的測試中，前端的感知與VLM部分耗時約占3%，策略生成部分約占1%，但兩者均有加速空間。對于擴散模型，我們主要通過緩存機制，以存儲換計算。我們的特點是將KV Cache的粒度細化至“塊”級別，這雖然增加了緩存單元的數(shù)量，但也為優(yōu)化提供了更細的指導。我們摸索出了“塊”在時序上的參考規(guī)律。

初步實驗表明，在算法相同的情況下，僅優(yōu)化“塊”緩存策略就能帶來顯著的速度提升。

進一步地，我們不僅利用“塊”在時序上的參考性，還探索了同一transformer模塊內(nèi)不同“塊”之間的空間參考性。我們發(fā)現(xiàn)，同一空間內(nèi)的“塊”也具備相似性，可相互參考，從而進一步節(jié)省計算，我們還觀察到一個有趣現(xiàn)象：在動作生成過程中，只需參考后續(xù)的部分“塊”，而對前面序列的參考可以大幅減少。

下面簡要介紹我們在專項任務(wù)中開展的應(yīng)用場景示范。

首先，針對智能產(chǎn)線機器人。我們?nèi)诤鲜窘虜?shù)據(jù)與生產(chǎn)數(shù)據(jù)對模型進行微調(diào)，再結(jié)合前述加速技術(shù)，逐步解決單點問題，最終集成為復雜的工程系統(tǒng)，使其能在真實產(chǎn)線場景中可靠工作。

第二，針對質(zhì)檢任務(wù)。我們利用大模型進行工具調(diào)用。在某些行業(yè)企業(yè)中，質(zhì)檢部門已積累了成百上千個檢測工具，我們的方法能結(jié)合成本考量，智能調(diào)用這些現(xiàn)有工具鏈。

最后是總結(jié)與展望。

我們的工作是從通用大語言模型向工業(yè)大模型過渡的探索。我們發(fā)現(xiàn)，工業(yè)大模型在數(shù)據(jù)層面需要融合3D信息與物理約束，場景需多樣化；在訓練層面需適應(yīng)弱網(wǎng)弱算環(huán)境；在訓練與推理層面，均受到效率與具體場景的嚴格限制。

我們承擔的重點專項隸屬于國家基金委工業(yè)互聯(lián)網(wǎng)方向。結(jié)合工業(yè)互聯(lián)網(wǎng)與邊緣網(wǎng)絡(luò)的發(fā)展趨勢，我們未來兩至三年的重點攻克方向包括：模型加速、語義通信、網(wǎng)絡(luò)自主化以及多智能體協(xié)同等。

以上是我今天的分享內(nèi)容，涵蓋了我們團隊的開源項目進展及實驗室成果轉(zhuǎn)化情況。

謝謝大家。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。