雪浪云提出「AI 总工程师」范式，构建工业 AI 基础设施

工业 AI 公司雪浪云近期提出「AI 总工程师」概念，主张将大模型推理能力与 CAD、CAE、PLM 等工业软件及物理验证体系打通，构建「需求提出—方案生成—仿真优化—实验验证—持续迭代」的工程闭环，使 AI 从辅助工具升级为可参与工程决策的智能系统。该体系强调 AI 与人类工程师协同，而非替代工程师。

制造业为何需要「AI 总工程师」

雪浪云董事长王峰指出，新一代智能制造面临三类挑战：复杂装备研发涉及机械、电子、材料、控制等多学科，跨领域协同门槛不断提高；高级工程师培养周期长，企业投入成本高；工业知识迭代加快，大量资深工程师积累的隐性经验若不及时转化为数字资产，容易随人员流动流失。传统依靠人才引进和长期培养的模式，难以将核心经验沉淀为组织级能力，「AI 总工程师」正是面向这一痛点提出的解决方案。

智能体需要的三项基础能力

雪浪云认为，面向工业研发的 AI 智能体需要具备三项基础能力：

• 工业基础模型驱动：通用大模型擅长处理文本与图像，复杂工程场景则需理解材料特性、结构关系与物理规律，需要专属工业基础模型将工业知识、专家经验与实时数据融合。
• 高保真数字空间：工业制造容错率低，AI 不宜在现实环境反复试错，需借助数字孪生与仿真模型，在虚拟环境中完成方案验证与优化推演。
• 物理世界交互能力：智能体需下沉到产线端与设备端，与真实生产环境交互，跨越从分析决策到执行控制的链路。

三层技术基础设施

围绕上述能力，雪浪云构建了覆盖模型、数字空间与算力的三层体系：

• 工业基础模型 MEM 系列：联合产业伙伴与高校推进机械工业基础模型，将流体力学、热力学、电磁学等物理定律融入工业基模。基于 MEM 构建的工匠 Cowork 智能体操作系统，可调度 CAD、CAE、MES、ERP、PLC 等工业软件与设备系统，自主规划任务并下发硬件指令。
• 雪浪 OS 智能制造数智底座：连接工业设备、边缘控制与现场多模态数据，通过工业本体、分布式计算、云三维渲染、CAX 联合仿真等技术，提供工业对象理解与虚实融合建模能力。在航空机务运维场景中，将百万页级维修资料转化为可推理知识资产，复杂故障排故周期缩短约 90%，故障定位由小时级缩短到分钟级。
• 雪浪 Mind 工业智能智算终端：联合国产芯片企业研发，覆盖设备级、产线级与工厂级三类算力。其中 MindEdge 设备级边缘终端已在柳工 125 吨级大型挖掘机上完成小批量部署，开展故障诊断、环境监测与无人作业试点。

已在设计、制造、运维场景落地

雪浪云披露了部分应用进展：

• 设计端：图零图纸分析与三维建模智能体实现单张图纸亚分钟级分析，参数提取效率提升 80%，标准图纸识别准确率达 95% 以上，已入选工信部人工智能赋能典型应用场景。
• 制造端：工艺智能体可基于数模文件生成装配工艺，单本编制周期由数天缩短至数小时，工艺文本准确率约 70%，工艺人员效率提升 5–10 倍。
• 运维端：融合设备运行数据与工业知识后，已在徐工、锡柴等装备企业落地故障定位与维保方案自动生成能力。
• 流程工业：联合华东理工大学等研发的硅智优化大模型应用于 40 万吨有机硅装置，关键调控参数稳定性提升 20% 以上，能耗降低约 0.8%，操作员劳动生产率提升 30% 以上。

雪浪云将「AI 总工程师」定位为工业 AI 基础设施层面的探索，目标是把工程师个体经验转化为企业可调用、可复用的数字资产，推动工业智能化向「可验证、可迭代、可迁移」的方向演进。