优先考虑整体规划
01
新工厂 / 新产线 / 新装置
设备、控制、信息化与运营体系正在同步设计，有机会从源头统一对象、数据合同和系统边界。
02
重大扩建或系统换代
旧系统已难以承载新产能、新工艺或跨工厂协同，需要分阶段建立下一代架构。
03
集团级标准工厂蓝图
希望多个工厂复用同一套对象模型、数据规范、应用模块和 AI 治理方法。
AI-native smart factory · greenfield & major modernization
完整建设能力从零构建 ≠ 从零猜测
从第一张蓝图开始，构建可持续演进的 AI 原生智能工厂
面向新工厂、新产线和重大系统升级，统一规划现场连接、数据、语义、生产应用与 AI 能力。没有历史数据也可以启动，但每一步都必须有工程依据、验证证据和明确的控制边界。
AI 能力随工程设计、联调与生产数据逐步激活；DCS / PLC / SIS 的确定性控制职责始终独立。
适用场景
什么时候应该从 AI 原生蓝图开始
AI 原生不是为了推倒已有系统，而是在新建或重大升级的窗口期，把未来必需的数据、语义和治理能力一次规划清楚。
为什么不只做大模型 + 智能体外挂
智能体可以很强，但不能代替工厂的对象、数据、规则与责任体系
AI 原生架构同样使用大模型和智能体，只是把它们放在可替换的推理与编排层。真正长期建设的，是工业上下文、业务动作、确定性护栏与结果反馈。
POSITION旁路接入可以降低实施风险；如果能力只停留在聊天、检索和单点工具调用，就还没有形成可持续运行的制造架构。
比较维度仅做交互层外挂AI 原生制造架构
系统角色已有系统之外的问答或任务入口数据、应用、治理与 AI 共同组成的制造能力
上下文来源每次从文档、页面和 API 临时拼接共享工业对象、状态、事件与数据合同
集成方式每个智能体分别连接工具和解释字段不同应用与模型复用同一语义和动作接口
业务闭环输出答案、报告或一次工具调用建议、审批、受控执行、结果回写和复盘相连
治理责任主要依赖提示词和智能体策略权限、限值、审批、审计与回退独立于模型
长期演进模型、提示词与业务流程容易耦合模型可替换，企业对象、规则和决策记录继续积累
从蓝图阶段锁定的四项长期价值
少一次未来返工
对象、口径和接口在系统招标与建设期统一定义，减少投产后为每个 AI 场景重新接数和解释。
让生产自然形成可学习资产
业务发生时就保留对象关系、过程事件、人员裁决与结果，不依赖多年后再从碎片记录里还原。
让智能建议进入受控闭环
建议通过权限、审批、动作接口和审计进入原有责任体系，而不是停留在聊天窗口。
让模型升级不带走企业知识
模型与编排可以变化，工业语义、规则、证据和动作合同由企业长期保留。
这不是二选一：已有工厂可从只读旁路开始，逐步补齐共享语义、证据链与受控动作；新建项目则可以从第一张蓝图把同一套合同设计进完整系统。
完整五层能力
AI 不是外挂，而是建立在同一工程语义上的上层能力
五层能力按项目边界建设或集成，并以同一套对象、数据合同、权限和审计机制贯通。模型可以迭代，工程资产不随模型重写。
L5理解 · 推理 · 预警 · 建议
AetherC AI 与数字专家
面向质量、工艺、设备与运营场景形成白盒证据链、候选根因、风险预警和可复核建议。
- 数字专家
- 根因分析
- 工艺建议
- 知识助手
L4计划 · 执行 · 质量 · 协同
生产运营应用
按项目需要建设或整合生产执行、质量与实验室、设备、追溯、能源和运营协同应用。
- 生产执行
- 质量 / LIMS
- 设备与安全
- 追溯与审厂
L3对象 · 关系 · 规则 · 指标
工业语义与知识
把工艺单元、设备、物料、批次、指标与规则组织为统一语义源，供人、应用和模型共同使用。
- 工业本体
- 对象模型
- 指标口径
- 规则与知识
L2采集 · 治理 · 谱系 · 审计
数据与集成底座
连接实时、时序和业务数据，建立主数据、批次谱系、质量校验、权限以及不可抵赖的变更记录。
- 时序数据
- 主数据
- 批次谱系
- 接口与审计
L1边缘 · 协议 · 隔离 · 受控交互
现场连接与受控动作接口
通过边缘采集和协议适配连接仪表、设备与控制系统；默认只读，写入必须经过授权、审批和确定性约束。
- 边缘采集
- 协议适配
- 读写隔离
- 动作接口
无历史数据如何启动
没有历史数据，不等于没有可用知识
新工厂的起点不是训练一个“全自主模型”，而是把已有工程事实转成可计算、可验证的初始能力；随着联调和生产进行，再逐步学习。
投产前可用的工程依据
- P&ID 与设备清单
- 工艺包与设计参数
- 控制说明与因果矩阵
- 质量标准与检验规程
- SOP / HAZOP / 报警联锁
- 机理模型与工程计算
- 01设计期
规则与约束先行
把质量标准、设备边界、操作规程、报警与联锁条件转成版本化规则；先建立“不能做什么”和“必须检查什么”。
- 02工程期
机理与工程数据建立初始模型
利用物料衡算、能量衡算、设备曲线、设计工况和供应商数据，形成可解释的初始基线与软测量。
- 03调试期
仿真与联调产生可验证样本
通过数字仿真、FAT / SAT、冷态与热态联调覆盖正常和已知异常工况；仿真只用于验证假设，不伪装成真实生产证据。
- 04试生产
影子模式校准
AI 只观察、回放并给出建议，由工艺和质量人员核对；在准确性、稳定性和边界通过验收前，不进入关键动作链。
- 05运行期
随生产逐步学习
持续沉淀批次、工况、检验和处置结果，在版本治理下更新规则与模型；每次升级保留基线、验证和回退证据。
验收原则：规则看覆盖与冲突，机理看假设与偏差，模型看分场景验证；准确率与收益基于真实运行证据进行验证。
确定性控制与安全边界
把“智能建议”与“实时控制”明确分层
流程工业需要可预测、可验证的控制行为。AI 提供判断和建议，控制系统执行确定性逻辑，人员对关键业务动作负责。
AI / 运营层负责
- 跨批次、工艺、设备与质量信息分析
- 给出证据、置信度、候选根因与处置建议
- 触发业务工作流、复检、审批或维护任务
- 在授权范围内持续学习和版本迭代
DCS / PLC / SIS 负责
- 毫秒到秒级的确定性闭环控制
- 联锁、停车与紧急保护
- 安全完整性等级相关逻辑与验证
- 对现场执行机构的最终控制责任
关键动作的默认路径
- AI 发现与解释
- 人员复核
- 权限 / 审批
- 受控下发
- 控制系统执行
- 结果回写与审计
四阶段交付
从蓝图到投产，每一阶段都有可验收的工程产物
具体周期随工厂规模、系统范围和现场计划确定；四个阶段帮助项目团队对齐每一步的输入、产出与验收依据。
蓝图与边界
联合工艺、自动化、信息化与运营团队定义业务目标、五层架构、对象边界和控制责任。
产出：总体蓝图 · 系统边界 · 数据合同 · 场景路线图 · 验收框架底座与应用建设
按优先级建设现场连接、数据语义底座和核心运营应用，同步配置权限、审计和变更治理。
产出：可运行底座 · 核心应用 · 接口与主数据 · 规则资产 · 测试证据联调、影子运行与验收
配合 FAT / SAT 和试生产验证数据、流程与边界；AI 先影子运行，经人员复核后按场景逐步启用。
产出：联调记录 · 场景验证 · SOP · 安全边界 · 培训与回退方案投产与持续演进
完成运行交接，并以版本化方式扩展场景、更新规则与模型、复制到更多产线或工厂。
产出：运行基线 · 运营指标 · 模型 / 规则治理 · 扩展路线图
FAQ
常见问题
AI 原生智能工厂是否意味着替换 MES、DCS 或 SIS？
不是。AI 原生指从蓝图阶段统一规划数据、语义、应用和 AI 的协同方式。已有合适系统可以集成复用；DCS、PLC 和 SIS 的控制与安全职责保持独立。
为什么不只是在系统外接一个大模型和几个智能体？
这种方式适合知识问答和低风险辅助，但跨系统生产判断还需要共享对象语义、稳定数据合同、确定性规则、受控动作与结果回写。AI 原生不是排斥智能体，而是让智能体运行在这些可复用、可审计且独立于模型的工程资产之上。
新工厂没有历史生产数据，AI 能从哪里开始？
可以从规则、工艺机理、工程参数、设备曲线、质量标准、SOP 和仿真联调数据开始。投产后先影子运行，再用真实批次和处置结果逐步校准，不能用仿真结果替代生产验证。
AI 会自动调节阀门、修改设定值或触发停车吗？
默认不会。AI 主要提供预警、解释和建议。关键动作由人员确认并通过受控流程执行；AI 不绕过控制系统，不替代联锁或紧急保护。
必须一次建设完整五层吗？
不必。总体蓝图需要一次看全，但实施可以按投产计划和价值优先级分阶段推进。关键是先锁定对象、数据合同与系统边界，避免后续重复集成。
如何与设备商、设计院、自动化和信息化供应商协同？
我们以接口清单、对象模型、数据合同、责任矩阵和联合验收用例组织协同，明确谁提供数据、谁执行控制、谁负责业务确认以及异常如何回退。
这类项目如何验收？
分层验收：连接与数据看完整性和质量，应用看业务流程，语义和规则看一致性与可追溯，AI 场景看分工况验证与证据链，安全边界看权限、联锁、审计和回退演练。收益指标需基于现场基线共同定义。
Start from the blueprint
如果项目还在蓝图阶段，现在正是把 AI 能力规划进去的时候
带上项目建议书、工艺流程、P&ID、设备与系统清单中的任何一项，我们可以先梳理建设边界、数据起点和首批可验收能力。
收益指标将在现场诊断、数据体检和基线确认后共同设定。