青年报·青春上海见习记者 于晓明 记者 刘晶晶 

在新疆川宁生物的厂区里，生物发酵罐正进行着24小时不间断的生产。一套工业AI系统可以对温度、pH值、溶氧量、补料速率等参数进行持续分析和动态调控。将这套AI系统带入生产一线的，是上海交通大学教授、工业时序控制大模型ManuDrive研发团队负责人李金金。记者了解到，她和团队正帮助制造业企业寻找提质增效的路径，推动人工智能在实体经济中发挥真实的效用。

从“第一性原理”出发

让AI读懂生产过程

凝聚态物理专业出身的李金金，现任上海交通大学教授、人工智能与微结构实验室主任，同时也是上海金珵科技创始人。

在李金金看来，现代工业生产本身就是一个高维、非线性的复杂系统。物料、设备、环境和工艺参数并非彼此孤立，而是在时间推进中相互影响。以生物发酵为例，此刻进行的一次补料或温度调整，效果可能要在数小时后才会显现，并继续影响后续生产。模型不仅要判断眼前的状态，还要理解过去的操作如何形成现在，并预测一次调整将把生产过程带向何处。

这也是工业AI与通用大语言模型的重要区别。大语言模型生成了一段不准确的文字，可以修改或重新生成；而在闭环控制场景中，工业AI输出的控制策略会通过控制系统作用于设备，进而影响真实的生产过程。因此，它不能只提供一个在概率上“看起来合理”的答案，还必须符合工艺机理、设备边界和生产安全要求，并接受最终生产结果的检验。

基于长期积累，团队融合人工智能算法设计，打通第一性原理计算、量子力学等多类基础算法，创新构建大小模型协同进化深度学习框架，自主研发出工业时序控制大模型ManuDrive。它并非依靠“文生文”给出文字建议，而是将时间维度、动态反馈、工艺机理和生产数据纳入同一套技术体系，使系统能够持续判断生产状态、预测变化趋势并调整控制策略，推动AI从“看见问题、给出建议”，进一步走向在安全边界内参与生产过程的闭环优化。

从企业真实痛点出发

让技术走向更多产线

ManuDrive并不是每进入一座工厂，都重新开发一套模型。团队将十余年积累的工业AI能力沉淀为127个标准化通用功能模块，涵盖感知、规划、记忆等能力。进入一条新产线后，前沿部署工程师先找出企业需要解决的具体问题，再选取相应模块，并结合现场数据、工艺机理和设备边界进行组合与适配。经过真实产线验证的能力，可以在相似场景中继续复用，新的生产数据又会不断回流，推动模型持续迭代。长久以来，制造业现场积累了大量依赖经验判断的工艺知识。

李金金和驻厂工程师们在调研中发现，即使面对同一种产品、同一台设备，不同工程师的操作也可能有所差异；同一名工程师在不同时间作出的判断，也会受到精力、设备状态和原料批次等因素影响。正因如此，团队将资深工程师长期积累的操作经验、工艺规则和安全边界转化为模型能力，寻找人工操作中不易察觉的优化空间。

团队形象地将ManuDrive称为“AI老法师”——它把行业工艺专家的实操经验沉淀进算法体系，并在生产过程中实现自主感知、预判与闭环调控。

这种能力已经在真实的厂房里取得成效。川宁生物2025年年报显示，在相同物料投入下，AI调控实验罐的平均产量较对照组高3%至5%。相关能力还在向更多发酵产线延伸：青霉素发酵调控模型于2025年12月上罐，截至年报披露时已完成12批次托管验证；大量头孢生产发酵数据也已进入模型，等待后续托管实验。随着新批次数据不断回流，这名“AI老法师”仍在持续学习和迭代。

如今，依托底座强大的通用和泛化能力，ManuDrive泛化出了AI生物发酵工程师、AI图纸生成工具、AI刀具规划师、AI高炉智能调控师等十大标准化工业智能应用场景，现已落地服务数十家上市制造企业。

不仅是服务头部企业，这套技术也在向中小微企业加速普及。李金金认为，许多企业不需要、也不适合耗费巨资从零建设一套庞大的数字化AI体系，更现实的方式，是从一个关键工段、一条产线或一个高频痛点开始。她把这种方式形容为给生产设备装上“AI大脑”：软件负责分析与决策，原有设备成为AI进入生产过程的载体，也由此降低了企业前期改造的门槛。而让在中国工厂里“磨”出来的技术能力适应更多生产现场，则成为团队下一步探索的方向。

从真实项目实践出发

让青年工程师在一线成长

深耕一线多年的李金金清楚，工业AI不可能靠闭门开发完成落地。为此，团队搭建了一套协同体系：FDE，即前沿部署工程师，常驻生产一线，对接现场工况，完成需求梳理、模型调试和工艺适配；FDR，即前沿部署研究员，负责联动后方实验室，根据一线反馈持续迭代模型和算法，形成“一线落地优化—后方算法升级”的双向循环。

虞蒙萌就是团队中的一名FDE，同时也是金珵科技制造业项目负责人。数学专业出身的他，最初接触人工智能时，面对的主要还是理论和算法。真正进入工业现场后，他才发现，从“懂技术”到“解决生产问题”之间还隔着一道壁垒。在与上海电气开展智能重工装备设计合作时，虞蒙萌走进大型装备生产车间，与一线工程师梳理磨煤机等设备的设计流程、装配标准和实际卡点。

“光了解理论知识不够，光了解痛点也不够，必须真正上手去做，才能知道中间到底有什么问题。”虞蒙萌说。在他看来，从理论学习、走进现场，到上手开发并完成最终交付，才是一条完整的工程人才培养路径。

在这支团队中，物理、生物、数学、自动化、计算机、机械和材料等不同专业背景的年轻人共同工作。有人留在后方研究算法，也有人像虞蒙萌一样走进重装车间，和企业工程师一起把现场问题拆解成一项项技术任务。团队中还有来自尼泊尔、突尼斯等国家的留学生。来自尼泊尔的苏南曾随团队在新疆驻厂9个月，跟随一线师傅轮换白班、夜班。他也希望，未来能够把在中国积累的工程经验带回家乡。

“我从小就喜欢从后往前做试卷，先去解决那些最难的问题。”当被问及为何选择这条充满挑战的道路时，李金金笑着说。如今，她把这种“解题”习惯带到了工业一线。面对一道道复杂的制造业难题，她和团队仍在实验室与生产线之间往返，推动工业AI成为真正能够解决问题、创造价值的生产工具。

青年报·青春上海见习记者 于晓明 记者 刘晶晶

编辑：陆天逸

来源：青春上海News—24小时青年报