模具行业AI应用路线图白皮书

基 础 系 统 是 地 基 · 数 据 治 理 是 钢 筋 · A I 模 型 是 楼 层 · 业 务 价 值 是 顶 层 关于本白皮书 编写单位（排名不分先后） 武汉益模科技股份有限公司华中科技大学材料成形与模具技术全国重点实验室一汽模具制造有限公司广东美的精密模具科技有限公司东江模具（深圳）有限公司浙江凯华模具有限公司四川成飞集成科技股份有限公司广州中望龙腾软件股份有限公司珠海平成精密模具有限公司 声明：本白皮书所引行业数据来自公开行业报告、协会调研与一线访谈研判；具体实施需企业结合自身资源、客户结构、人才储备与数字化基础做定制化判断。本报告不构成投资或采购建议；引用请注明来源。 执行摘要 60%L1初探级企业占比（MDAM-5） 10%L3集成级企业占比 25%L2单点级企业占比 1%L5引领级企业占比 4%L4智能级企业占比 9章白皮书章节体系 模具被誉为"工业之母"，支撑汽车、电子、家电、航空航天等制造业的质量与交付。中国是全球重要的模具制造与消费国，产业规模大、企业数量多，但在高端化、短交期、强定制趋势下，行业普遍面临设计周期长、试模成本高、加工质量波动、经验传承难、设备非计划停机、排产复杂等挑战。 人工智能（AI）技术已进入可工程化落地阶段：计算机视觉、时序分析、知识检索与生成、优化决策等能力，能够在"有数据、有指标、有责任边界"的前提下，为模具企业带来可量化的效率与质量收益。本白皮书借鉴《制造业数字化转型路线图》的分阶段思想，聚焦AI技术在模具行业的应用，提出"四维度场景—应用原则—四阶段路径—数据与工具—生态协同"的路线图，帮助企业以场景驱动、小步快跑、闭环验收的方式推进智能化升级，避免"为 AI 而 AI"。 与此同时，考虑到2023年以来大语言模型、多模态视觉模型、智能体（Agent）框架、模型上下文协议（MCP）、具身智能等技术接连取得突破，本白皮书在第八章专设"AI技术演进与中长期愿景"章节，给出2028–2032年模具行业的方向指引；既不让企业被前沿概念冲击当下行动节奏，也不让前瞻视角缺位。 关键词：模具；人工智能；智能设计；智能加工；试模工艺；预测性维护；排产优化；数据治理；成熟度；AI 技术演进 白皮书核心结论 1.AI已从概念走向产线实践。缺陷视觉检测、三维相似检索、试模曲线分析、智能排产等场景在龙头企业与专精特新企业中已出现可复制的工程化案例，关键在于场景边界清晰与验收指标明确。 2.当前行业仍以"初级AI应用"为主，不必焦虑、但要起步。协会调研显示，多数模具企业的AI应用集中在"问答式工具尝试+局部视觉检测试点"阶段，距离形成稳定业务闭环仍有距离。第一步是先把单点场景跑通，而不是直接追逐 Agent、具身智能等前沿形态。 日志等数据的完整性与一致性；路线图把"数据先行"写进原则与阶段能力要求中。3.数据资产是落地成效的分水岭。相比算法本身，企业更常卡在试模记录、加工履历、质检结论、报警 4.分阶段推进是最稳妥路径。建议遵循"单点试点→环节集成→全流程智能化→行业协同智能（愿景）"的递进逻辑：先证明价值，再打通闭环，最后再做平台化与生态化扩展。 5.人机协同是长期常态。AI更适合定位为工程师、编程员、试模技师的"副驾驶"，把经验结构化、把判断辅助化；质量责任与安全边界仍需制度与流程兜底。 6.开放协作将显著降低试错成本。在合规前提下，通过案例库、术语与标签规范、基准数据集与评测机制等生态协作，可帮助中小企业少走弯路、提升方案可比性。 7.远期看，AI 将从"单点工具"走向"业务的能力体系"。以视觉大模型、大语言模型（LLM）为能力底，以智能体（Agent）为应用形态，以模型上下文协议（MCP）为系统连接方式，以具身智能为物理交互延——这些不同层级的技术正逐步形成组合能力，2028年后有望系统性重塑模具行业的协作方式、知识方式与决策方式。企业应在做短期落地的同时，预留长期能力建设的接口（数据资产、系统 API、人才储备），详见第八章。 行业AI成熟度基准（2026） 下表用于企业快速对照"我在哪里、下一步往哪走"；数值为行业研判口径，企业可按细分赛道与产品结构自行校准。 目录 第01章行业背景与 AI 价值综述 行业背景与 AI 价值综述 模具被誉为'工业之母'，其生产呈多品种、小批量、强定制特征。本章界定模具行业的运行特征、痛点全景，以及 AI 能在其中创造可量化价值的边界。 1.1行业运行特征与典型痛点 模具行业普遍呈现"多品种、小批量、强定制、短交期"的运行特征。项目型交付叠加客户频繁变更，使企业长期处于高不确定环境。结合行业调研与领先企业实践，典型痛点可归纳为六类，并对应到经营影响： 上述痛点无法靠单一工具"一次性解决"，但共同指向竞争力来源：数据化经验、可复制流程、快速闭环迭代。 1.2产业环境与技术趋势（面向企业决策的简要判断） 从需求侧看，下游行业对精度、外观、轻量化、短交期的要求持续提升，模具企业被迫在设计、工艺与制造之间更高频协同。从供给侧看，工业传感器、边缘算力、开源与可私有化部署的大模型、低代码建模工具等逐步成熟，使中小企业也能以可控成本引入AI能力。对企业而言，更关键的不是追逐概念，而是选择数据可得、指标可验收、责任可界定的场景作为切入点。 边界说明：涉及安全、质量责任认定、客户索赔与合同条款的场景，应采取"人机协同"的制度设计——模型输出用于辅助，关键签核仍由人完成。 1.4定义与范围 定义：模具行业AI应用，是指在模具及相关制造环节中，围绕设计、加工、检测试模、运维排产等核心业务，综合使用机器学习、计算机视觉、时序分析、知识图谱、检索增强生成（RAG）、优化与强化学习等 AI 技术，以提质、降本、缩短周期、提升可追溯性与可复制性为目标的工程化应用。 范围包含：与模具本体及成型工艺强相关的数据采集、特征工程、模型服务、系统集成与流程改造；面向工程师/技师的可解释辅助决策。 范围不包含：将传统台账与报表包装为"AI"；与模具业务弱相关的通用聊天应用；缺乏数据口径、验收指标与运维机制的"大模型试点"。 模具行业AI应用现状基线与成熟度参照 多数模具企业仍处于'问答式工具试用 + 单点视觉检测试点'阶段。本章给出MDAM-5五级参照与行业占比估算，帮助企业回答'我在哪、下一步去哪'。 MDAM-5 2.1行业现状盘点：大多数企业仍处于"初级AI应用"阶段 协会面向会员单位的调研、走访与场景征集结果显示，当前模具企业的 AI 应用呈现以下特征： 结论：行业整体AI化处于"问答式工具普及+单点视觉检测试点"的初级阶段，距离形成稳定业务闭环仍有较大空间。这不是问题，而是产业升级的真实起点——白皮书所给出的路线图，正是为帮助大多数企业从这个起点稳步前行而设计。 2.2模具企业AI成熟度五级参照（MDAM-5） 引入成熟度模型不是为了"评级贴标签"，而是为了帮助企业定位当前最该补的是数据、流程、人才还是平台，避免投入顺序倒置。 给企业的现实建议： 多数企业 2026 年的合理目标是从 L1 进入 L2（让 1–2 个场景产生连续业务价值）。已在 L2 的企业 2027–2028 年的合理目标是进入 L3（打通环节数据闭环）。L4 / L5 是行业头部企业引领的方向，普通企业不必焦虑、但应预留接口——这正是第八章"中长期愿景"的意义。 AI应用场景全景图（四维度路线图） 把 AI 场景按'智能设计 · 智能加工 · 智能检测试模 · 智能运维排产 · 智能经营与知识管理'五条主线铺开，并标注每个场景的当前成熟度。 建议在对外材料中用"路线图主轴图"呈现：横轴为订单到交付生命周期；纵轴为四类AI能力域。本章按维度给出可验证的代表场景（企业可按工艺路线替换增删）。每个场景标注当前成熟度（可量产/试点/早期），便于企业按自身阶段选择。 3.1智能设计 目标：把风险前移、把复用做实、把迭代加速。 1.三维模型相似度检索与结构重用【可量产】：从历史三维模型与相似订单出发，通过特征检索快速调出参考结构与工艺方案；建议优先从"家族件变型"切入。 2.DFM（面向制造）智能分析【可量产 / 部分需定制】：对薄壁、尖角、倒倒扣、拔模角、加工可达性等进行规则与模型结合的自动检查，输出可解释问题清单。 3.AI 辅助模具结构生成与变型【试点】：基于参数化模板与历史结构，半自动生成候选方案。 4.模流/仿真加速（代理模型等）【试点】：在积累足够仿真样本后，用神经网络代理模型缩短单次分析等待，支撑更多方案对比；需明确适用范围与安全边界。 3.2智能加工 目标：稳定质量窗口，降低对个体经验的绝对依赖。 1.刀具磨损实时识别与寿命预测【可量产 / 试点】：基于振动、电流等信号识别磨损状态。 2.加工现场视觉防错【可量产】：装夹、上料、刀具调用的视觉识别与防错。3.CAM 路径智能优化【试点】：结合机床能力、刀具与材料特性优化路径策略，降低颤振风险并提升加工效率。4.数控机床自适应控制【试点】：利用负载、振动、温度等信号，在许可范围内微调进给等参数，应对余量不均、硬度波动等工况。5.电火花等特种加工参数推荐【试点】：以电极材料、表面粗糙度目标、蚀除量为约束，从历史参数—结果数据学习推荐区间。 3.3智能检测与试模 目标：从"事后检验"走向"过程可控"，缩短调试闭环。 1.模仁/型腔表面缺陷视觉检测【可量产】：划痕、塌陷、烧伤等典型缺陷的 AI 识别。2.注塑/压铸件外观 AI 质检【可量产】：替代或辅助人工目检。3.模内传感 + AI 缺陷/异常实时识别【试点】：对压力、温度、振动等时序信号建模，识别短射、飞边、困气等异常模式；需统一异常定义与标注责任。4.试模曲线智能分析【试点】：将试模曲线与模次结论、调整动作关联，形成可检索案例，缩短下一次定位原因的时间。5.注塑工艺参数自整定/推荐【早期到试点】：在材料批次、模具履历与质量指标约束下，推荐起点参数与安全边界。 3.4智能运维与排产 目标：降低非计划停机，提高交付确定性。 1.设备故障预警【可量产】：对主轴、伺服、液压等关键子系统建立基线与残差模型，实现提前预警与工单联动。2.模具寿命预测【试点】：综合合模次数、保养记录、尺寸漂移、磨损信号等支持计划维修与备件准备；需统一寿命口径（经济寿命/质量寿命）。3.AI 排产与动态调度【试点】：在订单、工序、资源、日历与外协约束下生成可执行排程，并支持插单重排；建议保留可解释排程以便现场沟通。 3.5智能经营与知识管理 目标：让知识沉淀、新人培养、对外协作更高效。 1.工艺/设计知识库问答（RAG）【可量产】：基于企业自身文档建立可对话的知识库。2.客户 RFQ / 需求邮件智能解析【可量产】：自动提取要点、对齐报价模板。3.报价单/合同/技术协议草稿生成【可量产】：作为初稿，由责任工程师审定。4.AI 评审/复盘助手【早期】：基于历史评审记录辅助新项目评审。 说明：3.5 节是大多数企业最容易短期见效的方向，建议作为"低门槛切入口"之一。 AI应用原则（企业自检条款） 数据先行 · 场景驱动 · 人机协同 · 小步快跑 · 可运维与可审计 · 生态协作 · 预留长期接口——七条企业自检条款。 1.数据先行：没有可追溯数据就没有可靠模型；优先治理试模记录、报警履历、质检结论、关键工艺参数口径。2.场景驱动：从高频痛点与可量化指标切入（试模次数、一次合格率、停机时长、延期率），避免概念化投入。3.人机协同：AI 定位为工程师与技师的"副驾驶"，关键决策责任到人、到制度。4.小步快跑：单点试点（常见 4～12 周）→复制到同类模具家族/同类产线→再平台化扩展。5.可运维与可审计：建立模型版本、数据版本、告警阈值变更记录；明确误报/漏报的处理流程。6.生态协作：在合规前提下共建缺陷字典、样本规范与案例库，提升产业链协作效率。7.预留长期接口：在做短期落地的同时，把