综述:《制造业中应用人工智能的综述:用于制造业的混合物理系统中的新兴人工智能模型》 作者:莱昂妮尔德·瓦雷拉(Leonilde Varela)、戈兰·D·普特尼克(Goran D. Putnik)、路易斯·费雷拉(Luis Ferreira)、维贾亚·库马尔·马努帕蒂(Vijaya Kumar Manupati)、佩德罗·皮涅罗(Pedro Pinheiro)、卡蒂亚·阿尔维斯(Catia Alves)、保罗·阿维拉(Paulo Avila)和埃利奥·卡斯特罗(Helio Castro)

《Future Internet》:A Review of Applied Artificial Intelligence in Manufacturing: Emergent AI Models in Cyber–Physical Systems for Manufacturing Leonilde Varela, Goran D. Putnik, Luis Ferreira, Vijaya Kumar Manupati, Pedro Pinheiro, Catia Alves, Paulo Avila and Helio Castro

【字体: 大 中 小 】 时间:2026年05月12日 来源:Future Internet 3.6

编辑推荐:

  摘要 人工智能(AI)的整合是工业4.0的基石,极大地推动了自动化、效率和改进适应性的提升。与此同时,制造环境正在演变为信息物理系统(CPS),其中物理过程与计算智能深度融合。尽管机器学习和深度学习技术在制造CPS中已成为标准实践,但诸如强化学习、基于代理

  摘要 人工智能(AI)的整合是工业4.0的基石,极大地推动了自动化、效率和改进适应性的提升。与此同时,制造环境正在演变为信息物理系统(CPS),其中物理过程与计算智能深度融合。尽管机器学习和深度学习技术在制造CPS中已成为标准实践,但诸如强化学习、基于代理的AI系统、大型语言模型以及神经符号方法等先进和基础AI模型的出现带来了新的机遇和挑战,这些机遇和挑战尚未完全被理解。本文对制造信息物理系统中AI的应用进行了全面的系统文献综述(SLR),特别关注了新兴AI模型的作用、成熟度及工业适用性。遵循PRISMA 2020指南,在Scopus和Web of Science中进行结构化搜索,共找到了4200多篇出版物,经过严格的多阶段筛选和资格认证后,最终保留了172篇出版物。我们通过互补的描述性、纵向分析和映射综合方法分析了这些文献,以识别出版物趋势、范式演变以及AI范式与制造功能之间的关系。研究结果表明,从基于规则和传统的机器学习方法正在向更具适应性、去中心化和以学习为主导的AI范式转变。然而,尽管这些新兴AI模型在概念上适用于复杂和动态的制造环境,但它们大多局限于实验性、混合型或决策支持场景,且在核心制造操作中的集成程度有限。研究指出了这些模型在工业适用性方面的关键研究空白,特别是在集成框架、实证验证、安全性和可信度方面。此外,该研究还概述了推进下一代智能和自主制造CPS的未来研究方向。总体而言,这项综述强调了该领域的快速增长和当前的分散状态,强调了在制造CPS的发展中需要更加集成和适用于生产的AI框架。

1. 引言
1.1 背景与动机
制造系统正经历由数字化、连接性和人工智能推动的深刻变革。在工业4.0的范式之下,传统生产系统逐渐演变为信息物理系统(CPS),其中物理过程通过紧密集成的计算和通信组件被持续监控、控制和优化。这种转变实现了整个制造生命周期中的实时感知、自适应控制和数据驱动决策[1,2,3]。信息物理系统(CPS)可以理解为其操作由计算和通信核心监控、协调、控制的物理和工程系统,从而实现网络与物理组件之间的闭环交互。在制造环境中,这一概念通常扩展到信息物理生产系统(CPPS),强调分布式智能、互操作性和生产资源及网络之间的实时协调[4,5]。迈向CPS和CPPS的演变被广泛纳入工业4.0范式,该范式强调了数字技术、先进自动化和智能系统在整个制造价值链中的整合[1,6]。在这一背景下,CPS通过实现物理过程与计算智能之间的紧密耦合,在支持实时监控、控制和制造优化方面发挥着核心作用[7,8]。因此,现代制造系统越来越依赖去中心化的决策、适应性和全系统协调来管理复杂性和变异性[3,4]。
人工智能作为这一变革中的关键技术,支持了广泛的制造应用,包括预测性维护、质量检查、过程优化和生产计划。过去十年中,由于数据可用性的增加、传感技术的进步以及工业连接的增强,机器学习和深度学习技术在制造CPS中得到了广泛应用[3,9,10]。

1.2 制造业中的人工智能:从数据驱动的自动化到新兴智能
尽管传统AI方法取得了显著进展,但现代制造CPS仍然面临着高复杂性、不确定性和动态行为的挑战,这限制了静态的、基于规则的和反应式模型的应用。这些限制激发了对更先进AI范式的兴趣,包括强化学习、多代理系统、认知架构,以及最近出现的基礎模型和大型语言模型[11,12,13,14,15]。这些新兴AI模型展现了超出特定任务学习的能力,如适应性、泛化能力、推理能力和以人为中心的交互。原则上,它们符合下一代制造CPS的需求,后者要求自主性、可扩展性和无缝的人机协作。然而,这些模型在工业环境中的有效集成引发了与安全性、可解释性、实时性能和可信度相关的重要挑战。
文献中一致记录了人工智能在制造业中的重要性,多项研究将其视为工业4.0范式中智能制造系统的关键推动力[16,17]。最近的调查进一步强调了从传统自动化向数据驱动和智能制造的转变,这主要由基于机器学习的方法驱动[18]。此外,最近的综述强调了在应对工程和工业应用的复杂性方面,知情和混合机器学习技术的重要性日益增加[19]。

1.3 需要一种系统和综合的视角
尽管关于制造业中AI的文献非常丰富,但现有的研究和综述往往聚焦于特定技术或孤立的应用,如预测性维护或质量控制。明确针对制造CPS的综述往往侧重于架构或控制方面的内容,而关于新兴AI模型的最新研究则经常脱离了工业制造环境的实际约束和要求[3,20,21]。因此,缺乏综合性和系统的分析来探讨新兴AI模型在制造CPS更广泛演变中的位置,这些方法的成熟度以及阻碍其工业应用的差距。这种碎片化使得研究人员和从业者难以评估当前的技术水平和确定连贯且可操作的研究方向。尽管如此,相关工作中已经探索了工业4.0时代制造和管理范式的互补见解[22]。现有综述经常提供重要的见解,但存在一些局限性。许多综述仅关注特定的AI范式(如机器学习或深度学习),而没有考虑混合或新兴方法,如神经符号AI。其他综述则强调概念架构,但没有解决实施挑战或工业部署问题。此外,很少有研究系统地评估所提出解决方案的成熟度或其适用于实际制造环境的程度。

1.4 本研究的目标和贡献
为了解决这些局限性,本文对制造信息物理系统中的人工智能进行了大规模的系统文献综述,特别关注先进和新兴AI模型。研究的目标是:
- 分析制造CPS中AI范式的出版物趋势和演变;
- 将AI模型映射到核心制造功能;
- 评估新兴AI方法的成熟度和工业适用性;
- 识别关键的研究空白和未来研究方向。
通过结合172篇基于PRISMA方法的精选文献的证据,本研究提供了关于制造CPS中新兴AI作用的系统化和最新的视角,为开发智能、自适应和可靠的制造系统提供了理论见解和实际意义。
与以往通常聚焦于孤立AI技术或特定CPS层面的综述不同,本研究提供了对制造中基于AI的信息物理系统的综合和系统分析,明确关注了多个功能领域的工业成熟度和开发准备情况。
本文的其余部分结构如下。第2节描述了系统文献综述的方法论,包括研究设计、搜索策略、选择标准和证据综合过程。第3节展示了综述结果,涵盖了出版物趋势、制造信息物理系统中AI范式的演变以及AI模型对核心制造功能的映射。第4节讨论了主要发现,强调了成熟度水平、研究空白以及对研究和工业实践的影响。最后,第5节总结了本文并提出了未来研究的方向。

2. 材料与方法
2.1 系统文献综述方法论
本研究采用了系统文献综述(SLR)协议,以确保透明度、可重复性和最小化选择偏差。综述过程的报告遵循PRISMA 2020声明和系统综述的流程逻辑,为识别、筛选、资格认证和纳入阶段提供了结构化且广泛接受的框架[23]。为了进一步加强搜索过程的透明度和可重复性——特别是关于搜索字符串、限制和数据库覆盖范围——该综述还符合PRISMA-S扩展规范[24]。这确保了搜索策略可以被复制和批判性评估。
SLR的设计和执行借鉴了在应用工程和管理研究中常用的证据综合方法,强调结构化规划、系统执行和严格的综合阶段[25,26]。特别是Tranfield等人[25]提出的方法论框架以及Kitchenham等人[26]引入的软件和工程研究中的系统文献综述指南提供了主要的方法论基础。这些方法论得到了Petersen等人[27]描述的系统映射原则的补充,以及最近在工业4.0和制造系统背景下应用的SLR研究所证明的PRISMA方法在工业和研究领域的适用性[28]。总体而言,遵守PRISMA 2020指南确保了整个综述过程的方法论严谨性、透明度和可重复性[23]。
搜索策略使用了针对Scopus、Web of Science和IEEE Xplore的特定数据库查询字符串。搜索词结合了与“人工智能”、“信息物理系统”和“制造”相关的关键词,并使用布尔运算符来确保全面覆盖,以便回答以下研究问题。

2.2 研究问题的构建
指导这项系统文献综述的研究问题使用了SPIDER框架——样本、感兴趣的现象、设计、评估和研究类型——该框架特别适合在复杂的社会技术和工程领域进行定性和混合方法的证据综合[29]。这一框架支持超越传统PICO方法的结构化和包容性搜索,能够适应异构的研究设计和跨学科的证据。
基于这一框架,综述的主要研究问题(RQ)定义为:
RQ:先进和新兴的人工智能范式在制造信息物理系统中是如何应用、集成和验证的?它们的当前成熟度和工业适用性如何?
为了操作化这一总体问题并支持文献的系统性综合,制定了以下子研究问题(SRQs):
SRQ1:随着时间的推移,制造CPS中的人工智能研究在数量、主题重点和出版物出口方面的演变情况如何?
SRQ2:制造CPS中的AI范式是如何从基于规则和数据驱动的方法演变为更具适应性和新兴模型的?
SRQ3:不同的AI范式是如何映射到CPS的核心制造功能中的,哪些功能仍然未得到充分探索?
SRQ4:关于制造CPS中新兴AI模型的成熟度、验证和工业适用性有哪些证据?
SPIDER元素的实例化如下:
样本(S):使用CPS或CPPS的制造系统和工业环境;
感兴趣的现象(PI):应用于制造CPS的先进和新兴AI模型(例如,深度强化学习、多代理系统、基礎模型、大型语言模型和神经符号AI);
设计(D):经过同行评审的实证、方法论和调查/综述研究;
评估(E):报告的贡献、益处、限制以及融入制造CPS的证据;
研究类型(R):定性、定量和混合方法研究。
这种构建确保了研究范围集中且具有包容性,直接符合AI支持的制造CPS的跨学科性质,以及随后结果和讨论部分采用的分析结构。

2.3 数据库、搜索时间和搜索策略
2025年10月,根据预定义的综述协议,在Scopus和Web of Science(WoS)这两个主要索引数据库中进行了全面的文献搜索。选择这些数据库是因为它们涵盖了大量的高质量同行评审期刊和会议论文,涉及工程、计算机科学和工业管理领域。
定义了一个代表性的搜索查询结构:
(“信息物理系统” OR CPS OR CPPS OR “信息物理生产系统”)AND(AI OR “人工智能” OR “机器学习” OR “深度学习” OR “强化学习” OR “多代理” OR “基礎模型” OR “大型语言模型*”)AND(制造* 或生产 或车间*)。
* 时间范围限制在2010至2025年之间,以便捕捉到与早期工业4.0相关的贡献以及与新兴AI范式相关的最新发展。**资格标准**
研究的资格通过明确的纳入和排除标准来界定。
**纳入标准:**
- 在Scopus或Web of Science中索引的经过同行评审的期刊文章和会议论文;
- 明确关注与制造相关的CPS(网络物理系统)或CPPS(认知物理系统);
- 清晰使用或讨论与CPS智能相关的人工智能范式,包括新兴模型;
- 英文语言的出版物。

**排除标准:**
- 来自非制造领域且缺乏可转移工业相关性的CPS研究;
- 仅涉及概念性人工智能研究,缺乏制造或CPS背景;
- 编辑部文章、注释和其他非同行评审材料;
- 在合理检索尝试后仍无法获取全文的重复记录和研究。

如果研究不关注制造背景、缺乏足够的方法学细节,或未明确探讨人工智能在CPS环境中的集成,则被排除在外。

**2.5. 研究选择和PRISMA工作流程**
研究选择过程遵循PRISMA工作流程——识别、筛选、资格评估和纳入——以系统地记录决策并减少选择偏差[23]。最初在Scopus和Web of Science中进行了搜索,共找到了4263条记录。去除重复项后,剩余2814篇独特出版物,并对其标题和摘要进行了筛选。随后,根据预定义的纳入和排除标准对386篇全文文章进行了资格评估。经过这一详细的全文评估后,有172篇研究被选为后续定性和定量综合分析的核心系统文献综述(SLR)数据集(见图1)。

**图1. 基于PRISMA的系统文献综述流程图**
筛选过程分多个阶段进行,包括标题和摘要筛选,然后是全文评估。两位独立评审者对研究进行了评估,通过建设性讨论解决了分歧,以确保评分者间的一致性和减少偏见。

**2.6. 数据提取和证据综合**
为了确保方法学的一致性和分析深度的逐步深化,证据综合在三个互补的层面上进行,每个层面都与相应图表的范围和目的相匹配,并遵循系统映射原则[27]。

**描述性综合(n = 2814):**
初始筛选阶段后保留的所有非重复记录被用来分析按年份和出版商划分的总体出版趋势。这个更广泛的数据集捕捉了全球研究活动的演变,构成了图2中呈现的时间和出版商基础分析的基础。

**图2. 2010年至2025年各年份的出版物数量及研究领域主题分布**
横轴表示每年的出版物数量,便于识别不同研究主题的时间趋势。

**范式演变综合(n = 172):**
经过全文资格评估后保留的最终研究集(见图1)被用来分析应用于制造网络物理系统的人工智能范式的纵向演变。这个核心SLR数据集支持图3中呈现的范式导向分析。

**图3. 制造网络物理系统中的人工智能范式**
开发了一个结构化的编码协议,根据人工智能范式和制造功能对每项研究进行分类。研究根据编码框架(代码册)中定义的明确标准被分配到一个或多个类别,确保一致性和分析严谨性。

**功能映射综合(n = 172):**
相同的172篇研究数据集在更细的层次上进行进一步分析,将人工智能范式映射到制造网络物理系统中的制造功能。这确保了最详细的综合阶段基于严格筛选的研究集,为图4中呈现的映射分析提供了基础。

**图4. 人工智能范式与制造功能的映射**
这种逐步的综合策略确保了基于PRISMA的选择过程(图1)与图2、图3和图4的分析深度之间的一致性,同时实现了从高层次研究趋势到详细功能洞察的结构化过渡,而不会丧失方法学严谨性或代表性[27]。

**2.7. 可靠性和报告严谨性**
为了加强方法学严谨性并确保可重复性,该评审协议采用了明确且一致的应用选择标准,透明记录了符合PRISMA-S建议的搜索策略和过滤器[24],以及符合PRISMA 2020报告指南的可追溯综合程序[23]。系统映射原则的使用进一步支持了跨异质研究的证据分类和聚合[27]。这些措施共同增强了研究结果的可靠性,并为后续部分的结果和讨论提供了坚实的方法论基础。

**3. 结果**
本节根据来自172篇出版物的核心数据集,展示了描述性、主题性和映射分析的结果。结果反映了研究的定量分布、制造网络物理系统中人工智能范式的演变,以及人工智能模型与核心制造功能之间的关联。

**3.1. 制造系统中人工智能驱动研究的演变**
文献的描述性分析显示,2010年至2025年间,针对制造网络物理系统中人工智能的研究呈现稳步且显著的增长,2018年后增速明显加快。这一趋势与工业4.0概念的广泛采用、CPS架构的成熟以及在工业工程环境中工业数据的日益增长相吻合[1,2,10]。人工智能在更广泛的工业工程领域的角色也在不断扩展,增强了其跨学科的相关性和影响力[11]。

**图2**展示了主要科学出版物的出版物时间分布。结果显示,Elsevier、IEEE和Springer在该领域占据主导地位,反映了该主题强烈的技术和工程导向性。此外,Taylor & Francis和Wiley & Sons也在相关领域贡献了大量出版物,尤其是在工业工程、制造系统和应用人工智能方面。同时,MDPI期刊(包括Applied Sciences)的出版物数量近年来持续增加,表明跨学科和应用驱动的研究社区对此表现出日益浓厚的兴趣。

在之前研究中对智能制造和数字化转型倡议的演变进行的研究中也报告了类似的增长趋势,进一步证实了人工智能驱动方法在工业环境中的成熟度和相关性[16,17]。虽然2018年后整体研究活动显著加剧,但专注于制造CPS的新兴和基础人工智能模型的研究仍相对较少。这一观察表明,尽管增长迅速,这些先进的人工智能范式仍处于工业应用的早期阶段,强调了需要在实际制造环境中进行进一步研究和验证的必要性。

**图2**基于系统文献综述,展示了2010年至2025年间制造系统中主要人工智能相关研究主题的定量演变。y轴代表每年与每个研究主题相关的出版物数量,x轴对应出版年份。每条颜色线条代表随时间跟踪的特定研究主题。
蓝色线条代表关于网络物理系统(CPS)和工业4.0基础的研究,包括系统集成、连接性、自动化、互操作性和参考架构。尽管这一主题在早期年份的出版物数量较多,但2018年后的相对下降反映了CPS和工业4.0概念的成熟和巩固,这些概念越来越多地作为基础设施而非研究的主要焦点。
绿色线条对应于制造中的机器学习和深度学习应用,如预测性维护、质量检验、异常检测和过程优化。这一主题在整个时期表现出强劲且持续的增长,证实了其在现代制造系统中实现数据驱动智能的核心作用。
橙色线条表示与强化学习和多智能体系统相关的研究,重点关注自适应控制、分散决策、调度和自主协调。出版物数量的稳步增加突显了基于学习的自主性和分布式智能在复杂生产环境中的重要性。
红色线条反映了新兴的人工智能范式,包括基础模型、大型语言模型和神经符号方法。近年来的出版物数量激增表明,研究趋向于更高层次的推理、可解释性、人机协作和跨功能集成。

**图2**总体而言,表明研究从以基础设施为导向向更具自主性、适应性和认知增强的制造智能的清晰转变。这些描述性结果证实,制造CPS中的人工智能已从一个小众研究领域发展成为了一个成熟且不断扩展的研究领域,得到了工程、计算机科学和工业管理领域多样化期刊和会议的支持。

**3.2. 制造网络物理系统中人工智能的范式方法**
对人工智能范式的纵向分析揭示了应用于制造网络物理系统的渐进方法学方法的转变,如图3所示。早期研究主要依赖于基于规则和专家系统,反映了早期工业控制环境的确定性、自动化中心化特性以及数据驱动能力的有限可用性。随着工业系统变得越来越智能化和联网,这些基于知识的方法逐渐被数据驱动的人工智能技术所补充乃至取代。

**图3**展示了随时间应用于制造网络物理系统的人工智能范式的渐进转变。它强调了从早期基于规则和专家系统向数据驱动的机器学习和深度学习方法的转变,随后出现了强化学习、多智能体系统,以及最近的基础模型和大型语言模型。该图强调了不同时期多种人工智能范式的共存,并说明了系统复杂性、自主性和适应性要求的提高如何推动了更先进人工智能方法的采用,同时表明新兴范式仍处于工业应用的早期阶段。

大约从2014年开始,随着数据采集、传感器技术的进步和数字化制造基础设施的广泛采用,机器学习方法变得越来越重要。随后,深度学习方法在感知相关任务(如故障检测、质量检验和过程监控)中取得了进展,这些任务可以利用大量数据和复杂模式。

最近的研究强调了强化学习和多智能体系统,这与现代制造网络物理系统的去中心化、自适应和动态特性相契合。这些范式实现了自主决策、分布式控制和实时优化,在复杂生产环境中解决了静态和集中控制解决方案的局限性。

当前观察到的机器学习和深度学习方法的主导地位与之前的系统文献综述一致,这些综述认为监督学习和无监督学习技术是制造应用中最广泛采用的人工智能方法,包括故障诊断、质量检验和预测性维护[30,31]。工业数据的日益增加和计算能力的提升进一步加强了深度学习模型在制造环境中的采用。

最后,结果突出显示了2020年后基础模型和大型语言模型的出现。尽管它们在制造网络物理系统中的应用仍有限,但这些方法在概念性、实验性和混合框架中得到了越来越多的探索。这一趋势表明,尽管处于工业应用的早期阶段,新兴人工智能范式可能在未来的制造系统中发挥重要作用,支持更高层次的推理、抽象和人机协作。

**3.3. 人工智能范式与制造功能的映射**
映射分析基于提供足够实施细节和背景信息的研究子集,探讨了主要人工智能范式与制造网络物理系统中核心制造功能之间的关系。该分析旨在识别不同人工智能方法在操作、战术和战略制造功能中的位置。

**图4**展示了制造网络物理系统中主要人工智能范式与核心制造功能之间的结构化映射。结果显示,机器学习和深度学习在成熟的应用中占据主导地位,特别是在数据驱动的分析和优化方面。

具体来说,机器学习和深度学习方法主要应用于:
- 预测性维护;
- 质量控制和检验;
- 过程监控和优化。

相比之下,强化学习和多智能体系统更常与动态、分散和决策密集型制造功能相关联,包括:
- 生产计划和调度;
- 自适应过程控制;
- 供应链协调;
- 分布式和网络化制造系统。

这些范式特别适合于存在不确定性、实时决策需求和多个系统组件之间复杂交互的环境。

新兴的人工智能范式,包括基础模型和大型语言模型,主要应用于:
- 人机协作;
- 决策支持系统;
- 知识密集型和语义任务。

然而,它们在核心操作制造功能中的应用仍有限。这种有限的采用反映了技术挑战以及与信任、可解释性、鲁棒性和与现有工业系统集成相关的问题。因此,映射突出了新兴人工智能范式的潜力与其在制造网络物理系统中当前应用水平之间的明显差距。

总体而言,系统文献综述的结果表明,过去十年里,制造网络物理系统中的人工智能研究显著扩展。分析结果证实,人工智能(AI)的发展已经从基于规则的确定性方法明确地转向了适应性和基于学习的范式,其中机器学习和深度学习在核心操作应用中巩固了其主导地位。同时,强化学习和多智能体系统也被越来越多地采用,以应对现代制造信息物理系统(CPS)的复杂性、去中心化以及动态行为。尽管诸如基础模型和大型语言模型之类的新兴AI范式在高级推理和人机交互方面展现出巨大潜力,但它们在工业制造应用中的采用仍然有限。这些发现共同为下一节中讨论的研究空白、挑战和未来研究方向提供了结构化和基于证据的基础。

4. 讨论
多尺度建模视角被提出作为一种有效手段,用于应对跨越多个时间和空间层次运行的信息物理系统的固有复杂性[32]。基于这一视角,系统文献综述的结果提供了关于应用于制造信息物理系统(CPS)的人工智能的演变、当前状态和局限性的全面视图。通过综合考虑描述性出版趋势、范式演变和功能映射,本讨论批判性地评估了该领域的成熟度,并指出了推动本研究的研究空白。

为了系统地评估所识别方法的实际相关性,定义了一个成熟度框架,考虑了诸如验证环境、工业发展水平、实时能力、安全考虑以及在CPS架构中的集成等因素。

4.1. 制造CPS中AI的成熟度和巩固
描述性结果确认,制造CPS中的人工智能已经从探索性研究课题发展成为了一个成熟且快速扩展的领域。2018年后发表论文数量的显著增加反映了工业4.0计划的实施、广泛的认识提升以及数据驱动决策制定的进步[1,2]。尽管如此,这些文献在各种AI范式之间的分布仍然不均。虽然机器学习和深度学习方法在学术研究和工业应用中占据主导地位,但更先进的范式(如强化学习、多智能体系统和新兴AI模型)相对较少得到关注。这种不平衡表明,制造CPS中AI的成熟度是异质的,某些应用领域已经达到巩固阶段,而其他领域仍处于开发的早期阶段,尤其是在考虑多尺度建模视角时[32]。

4.2. AI范式的演变:强化学习和多智能体系统
纵向分析揭示了从基于规则的确定性自动化向适应性、基于学习的智能的明确范式转变。早期的制造CPS严重依赖专家系统和预定义的控制逻辑,这限制了系统在不确定性下的灵活性和响应能力。机器学习和深度学习的采用标志着重大进步,使基于历史数据的预测性维护、异常检测和质量检查成为可能。同时,AI规划技术也被探索用于支持信息物理系统中的决策制定。然而,这些方法往往主要是反应性的,因为它们主要依赖于监督学习和静态模型。

对强化学习(RL)和多智能体系统(MAS)的兴趣日益增加,反映了人们越来越认识到现代制造CPS需要自主性、去中心化和持续适应。这些范式本质上与当代生产环境的动态性和分布式特性相一致。然而,尽管在概念上有所契合,RL和MAS在工业应用中仍面临重大障碍,包括训练效率、可扩展性、安全保证和实时约束等方面的挑战[33]。尽管基于智能体的工业系统提供了有前景的基础,但它们与先进学习范式的集成仍是一个开放的研究课题[34]。与训练效率和与现有系统的集成相关的额外限制进一步限制了它们在工业环境中的部署[11,12,13,20]。

4.3. 新兴AI模型
本综述最显著的发现之一是新兴AI模型在制造CPS中的新兴角色。正如映射分析所强调的那样,这些模型主要在与人机协作、决策支持和知识密集型任务相关的背景下进行探索。最近在人工智能领域的进展带来了基础模型、大型语言模型和神经符号方法的出现,这些模型在表示学习、推理和人机交互方面展示了增强的能力[35,36]。神经符号AI通过结合神经网络的学习能力和符号系统的推理能力,代表了一个有前途的方向。这种混合方法提高了可解释性、鲁棒性,并适用于安全关键的制造环境。

相关的研究在机器人技术中也进一步强调了意识和认知能力作为自主系统基础元素的作用。然而,这些方法在制造CPS中的应用仍然主要是探索性的,持续面临与可解释性、安全和与工业CPS要求对齐相关的挑战[14,37]。它们在核心操作制造功能中的有限存在突显了重要的研究和应用差距。这种差距主要不是由于缺乏潜力,而是由于未解决的问题,例如[38]:
- 在安全关键环境中的可解释性和信任问题;
- 实时性能限制;
- 工业环境中的数据治理和保密性问题;
- 与CPS验证和确认要求的对齐问题。

特别是,与大规模基础模型相关的高计算负荷和固有的延迟对实时控制构成了重大障碍。此外,它们非确定性的“黑盒”特性阻碍了获得严格工业安全认证所需的透明度,因此目前的应用仅限于高级决策支持和人机交互。因此,新兴AI模型目前仍处于概念性和实验性的前沿,而不是制造CPS的量产解决方案。

4.4. 框架的碎片化和缺乏集成
另一个关键观察是现有方法的碎片化。文献经常针对孤立的问题(如维护、质量或调度)进行讨论,而没有提供统一AI模型、CPS架构和制造过程的集成框架。这种碎片化限制了提出解决方案的可扩展性和可转移性,并阻碍了从概念验证实现向工业部署的过渡。对于新兴AI模型而言,缺乏统一的集成框架尤其成问题,因为它们的有效使用需要跨数据、控制、认知和人为交互层进行协调。此外,文献一致强调,在安全关键的工业环境中,黑盒AI模型难以验证、认证和信任,这突显了对可解释和可验证AI解决方案的需求[39,40]。因此,可解释性已被确定为工业环境中可信AI系统的关键要求[40]。此外,未解决的安全性和鲁棒性问题仍然是制造CPS中部署自主AI驱动系统的主要障碍[20,41]。

4.5. 研究空白和本研究的动机
根据综合证据,可以识别出几个关键的研究空白:
- 新兴AI模型在制造CPS架构中的集成有限,尤其是在决策支持和人机界面之外;
- 缺乏系统地结合CPS原理与先进和新兴AI范式的结构化框架;
- 在真实或现实的制造环境中对新兴AI方法的实证验证不足;
- 在工业CPS中部署先进AI时,缺乏解决信任、验证和安全性的方法论。

这些空白突显了本研究的及时性和相关性,它直接解决了文献中确定的需求。

4.6. 对研究和实践的启示
从研究角度来看,这些发现强调了需要超越对现有AI技术的渐进式改进,走向能够支持自主性、适应性和人机协作的整体性、考虑CPS的AI框架。从工业角度来看,结果表明,虽然AI在制造领域的采用已经在进行中,但下一阶段的转型将取决于新兴AI模型的负责任和经过验证的集成,这需要有明确的架构原则和操作指南。

4.7. 本研究的定位
在本文背景下,本研究通过以下方式回应了所识别的空白:
- 通过大规模的系统性文献综述整合分散的知识;
- 强调当前在制造CPS中AI应用的局限性;
- 激发对能够支持工业环境中新兴AI模型的结构化集成框架的需求。

这种定位使本研究区别于现有的综述,因为它明确关注将新兴AI模型集成到制造CPS中,而不仅仅是单独讨论AI或CPS。虽然之前的综述已经广泛映射了机器学习和深度学习在工业4.0中的标准应用[11,31],但本研究指出了2024年之后文献中的关键转变。与通常将AI视为预测性维护或质量控制静态工具集的现有调查不同,我们的分析展示了信息物理生产系统(CPPS)与基础模型、神经符号AI和去中心化基于智能体的系统等先进范式之间的新兴融合[42]。通过涵盖截至2025年的时期,本研究填补了关于生成式AI和LLM在制造环境中的“工业就绪性”方面的文献空白。因此,本综述的独特贡献不仅在于其更新的时间范围,还在于其综合方法,它描绘了这些新兴AI模型如何从理论计算智能过渡到分布式、安全和可扩展的制造CPS中的操作资产。

5. 结论和未来研究方向
针对指导本研究的研究问题,结果表明,先进和新兴的人工智能范式在制造信息物理系统中得到了越来越多的探索,但在大规模工业部署中仍然集成不均衡且验证不足。通过结合描述性趋势分析、范式演变和功能映射,本研究提供了关于过去十年制造CPS中AI研究如何演变、巩固和多样化的结构化和基于证据的概述[1,2,10,16,17]。结果表明,制造CPS中的人工智能已经从探索性研究课题发展成为成熟且快速扩展的领域。机器学习和深度学习方法在预测性维护、质量检查和过程优化等核心操作应用中巩固了其主导地位,这一点在文献中得到了一致报道[31]。同时,强化学习和多智能体系统作为解决现代制造环境中的去中心化、适应性和动态特性的合适范式变得越来越突出[33,34]。然而,尽管它们在概念上与CPS原则高度契合,但这些范式仍面临与可扩展性、安全保证、实时性能和工业部署相关的重要挑战[11,12,13,20,33]。

本综述最相关的发现之一是新兴AI范式的有限但不断增长的角色,包括基础模型、大型语言模型和神经符号方法。尽管这些模型在高级推理、决策支持和人机协作方面展现出巨大潜力[35,36],但它们在核心制造CPS中的应用仍然主要是探索性的。分析表明,这一差距主要是由于可解释性、信任、安全保证、数据治理和与现有CPS架构的集成等未解决的问题[14,37,38]。从科学角度来看,这些发现强调了需要超越孤立和特定应用的AI解决方案,转向能够系统结合多种AI范式的集成、考虑CPS的框架。这样的框架应明确解决多尺度系统行为、跨决策层次的互操作性以及数据驱动、基于学习和基于知识的方法的共存问题,这与先前的多尺度建模、CPS集成和可信AI研究相一致[32,39,40]。从工业角度来看,结果表明,制造的下一阶段数字化转型将不仅取决于更先进AI技术的采用,还取决于它们负责任、经过验证和可信的集成到生产系统中。清晰的架构原则、操作指南和验证方法对于在真实制造环境中安全部署自主和智能的CPS至关重要[20,41]。分布式智能在CPS中的重要性也在最近关于AI驱动的多智能体协作的研究中得到体现,其中可扩展性、安全性和协调性成为关键挑战。结合AI智能体与去中心化基础设施和区块链技术的新兴方法进一步说明了该领域未来研究的方向,以加强支持CPS演变中的协作决策[42]。

基于识别的研究空白,可以概述几个未来的研究方向。这些方向包括开发结合CPS原则与新兴AI范式的集成框架;设计用于在安全关键制造环境中验证和认证先进AI模型的方法论;进行大规模实证研究,评估新兴AI方法在真实或现实工业环境中的性能、鲁棒性和可扩展性;以及探索增强信任、透明度和决策效果的人机协作机制[38,43]。因此,未来的研究应该例如解决以下关键问题:
- “如何在资源受限的CPS环境中高效开发AI模型?”
- “将可解释AI集成到实时工业系统中的最有效策略是什么?”
- “如何定量评估不同制造领域的成熟度和就绪性?”

总之,通过明确解决新兴AI范式在制造信息物理系统中的应用、集成和验证问题,本研究为指导研究的问题提供了结构化和基于证据的答案。通过关注新兴人工智能范式与CPS(可编程控制系统)集成之间的交叉点,本文不仅全面总结了该领域的现状,还为未来的研究提供了明确的方向,旨在推动下一代智能、自适应且值得信赖的制造系统的发展。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号