1.人物简介
杨明毅(1986年)，中国科学院沈阳自动化研究所研究员，机器人与智能系统全国重点实验室成员。辽宁省杰青，兴辽英才计划“青年拔尖人才”，中国科学院青年创新促进会会员。研究聚焦工业人工智能与智能制造技术，在含能材料及高端装备智能制造领域取得一系列关键突破。
2.科研项目
主持国家科技重大专项、国家重点研发计划、装备预研、含能材料等专用领域基础科研专项、辽宁省杰出青年基金等国家及省部级项目10余项，横向20余项。
3.学术成就
面向含能材料及高端装备高安全高质量制造的国家重大需求，研制了国内首套工业AI驱动的含能材料制造过程安全风险与质量性能模型预测控制系统和首套专用高端装备安全生产与智能管控系统。入选中国智能制造十大科技进展、中国自动化领域最具影响力工程项目，发表SCI/EI等论文30余篇。
4.推广实效
研究成果应用于国家重大工程及多个关键装备的研制与规模化生产，建成专用领域首个“黑灯工厂”，大幅提升了危险工况的超前预警预防能力和产品质量性能，推动行业制造模式由“经验依赖型”转变为工业AI驱动的“预测优化型制造”。
一、工业AI落地实体经济的鸿沟：根源是系统性错位，出路是回归工业本质
提问：目前人工智能已经在各行各业开展应用，但在工业实体经济的应用还有较大差距，其中的原因具体是什么呢？您又是如何来解决这些问题的呢？
杨明毅：当前人工智能在消费互联网、服务业已实现快速普及，但在工业实体经济领域落地仍有明显差距。这并非单一技术问题，而是多维度的系统性错位。从技术层面上看，工业场景要求“安全稳定、可信可解释、连续运行”，通用AI无法直接适配。而且，工业现场数据天然存在多源异构、噪声多、缺失率高等特征，和实验室干净规整的训练数据差异极大，导致模型普遍“实验室性能达标，到现场就失准失效”。在人才方面，行业存在复合型人才缺口，很多项目交付后企业无法自主迭代运维。此外，工业生产是多要素高度耦合的复杂系统，现有AI多聚焦单点优化，难以适配全局耦合特性，导致规模化应用面临瓶颈。
要解决上述问题，需要回归工业本质，发展以场景需求为核心的工业AI专属技术体系。要坚持“数据+机理双驱动”来保证AI可信可控，筑牢标准化数据底座、培育“工业+AI”复合型人才，从小场景提炼可复制范式，推动工业AI从单点试点走向规模化应用。
二、工业AI重构质量安全管控范式，筑牢高端装备制造两大基石
提问：质量与安全对于高端装备制造的核心意义是什么？工业人工智能技术在质量和安全这两个方面，又具体能够发挥什么作用？
杨明毅：质量与安全是高端装备制造不可动摇的两大核心基石：高端装备技术密度高，对质量的可靠性、一致性要求极高，安全更直接关乎生命财产。工业AI的核心价值，是推动质量与安全管控完成从“事后被动补救”到“事前主动防控”的本质跨越，给高端装备制造装上智能“稳定器”与“安全阀”。
在质量管控层面，工业AI可解决传统“事后抽检、被动纠偏”的痛点，可实现全流程质量在线预测，提前捕捉工况微变的影响，在生产中动态调参，把不合格品消灭在萌芽状态，从根源上提升产品一致性，拉高质量基线。在安全防控层面，工业AI可实现“隐蔽风险早发现、本质安全能落地”，能提前捕捉风险早期征兆，实现从“事后处置”到“事前预警”的转变，从源头避免事故，支撑高危环节的无人化管控。
总的来说，工业AI本质上是把过去依赖经验、滞后被动的传统管控模式，转变为数据驱动、主动预防的智能模式，是推动智能制造落地的核心抓手之一。
三、数据与机理深度融合+数字孪生：支撑高端装备制造的范式级变革
提问：那么工业人工智能具体又是如何实现从“事后处理”到“事前预测”的跨越？在高端装备制造中，这种能力的价值体现在哪里？
杨明毅：从“事后处理”到“事前预测”，不是简单的监控技术升级，而是高端装备制造全生命周期管控的范式级变革，核心是走出一条适配高端装备场景的工业AI专属技术路线。在质量管控、安全管控、设备运维这三大核心方面，把原本隐藏在工艺、设备、工况中的隐性偏差和风险提前显性化，让工业机理与AI感知预测能力深度结合，推动高端装备制造从“被动应对”转向“主动防控”。其核心价值主要体现在三个方面：质量端拉高产品一致性、安全端实现本质安全、运维端降损提效。
四、机理知识引导+数据特征挖掘，精准识别含能材料早期风险微弱信号
提问：您研制了国内首套含能材料制造过程安全风险监测预警系统，面对这类对微小扰动都极度敏感的含能材料，AI模型是如何从温度、压力、振动等高噪声、强耦合的数据流中，精准识别出早期风险的微弱信号并迅速做出预警的？这套系统是否已具备自主学习与在线迭代的能力，以适应工况漂移和新型风险？
杨明毅：我们这套系统走的是机理知识引导+数据特征挖掘的技术路线，分两步实现精准识别：先将含能材料安全失稳过程、风险演化的成熟领域机理转化为模型先验约束，把高维多源传感器数据投影到和风险强相关的低维特征空间，提前过滤掉九成以上无关的耦合噪声，给AI“圈出”风险排查的核心范围；再用定制化小样本异常检测模型，在约束后的特征空间捕捉和正常工况偏离的微弱信号，大幅提升了早期风险的识别灵敏度。
针对工况漂移和新型风险的适配问题，这套系统内置了增量式半监督学习机制：不需要大规模人工标注新样本，就能自动跟踪正常工况的缓慢漂移，自适应更新模型决策阈值。既支撑了高危生产环节的本质安全，为高风险制造业的安全管控提供了可复制的技术方案。
五、AI模型预测控制+知识图谱赋能：精准调控含能材料产品质量性能
提问：您还研制了国内首套含能材料产品质量的AI模型预测优化控制系统。但含能材料制造过程非常复杂，涉及的原料、控制参数和生产工序也非常多，如何保证产品的质量一致性呢？
杨明毅：含能材料制造质量的一致性，是长期制约行业发展的核心痛点。传统制造模式受原料属性多变、上百个参数交叉耦合、多工序偏差累计和控制依赖人工经验等影响，导致产品质量波动大，难以满足高端装备性能稳定性的要求。
我们这套AI模型预测优化控制系统，从全链条破解痛点，使产品合格率和质量一致性均大幅提升，核心有三方面突破：一是机理降维+知识增强混合建模，以工艺机理为先验筛选核心参数降维，再融合领域知识图谱与大-小模型协同学习，实现产品质量在线精准预测。二是知识赋能闭环调控+精准溯源，构建“模型预测-动态优化-反馈校正”框架，打通多变原料条件下多工序多变量的控制断点，前序质量直接指导后序调参，并依托知识推理快速溯源偏差，从根源收敛质量波动。三是模型-图谱在线增量自更新，针对原料波动、设备老化带来的工况漂移，系统通过无监督在线增量学习自动更新模型与知识图谱，无需停产便可持续适配工况变化，保证控制精度长期稳定。
六、高危领域黑灯工厂：AI是全链条核心支撑，难点在系统性深度融合
提问：“黑灯工厂”是智能制造行业的标杆，在您领域的“黑灯工厂”建设过程中，AI究竟扮演了怎样的角色？您认为最具挑战性的环节是什么？“黑灯工厂”不仅需要智能算法，还需要高可靠的机器人、MES系统等软硬件支撑。请问杨老师团队是倾向于全线自主研发核心技术，还是与产业界优势企业合作开发？
杨明毅：“黑灯工厂”的核心目标和普通制造业有本质区别：我们追求的不仅是降本增效，更是实现“让人退出高危岗位”的本质安全，这是行业智能化转型的核心方向。
AI是贯穿黑灯工厂全链条的核心支撑：一是作为自主决策中枢，打破多环节信息孤岛，将人工经验转化为数据驱动决策，支撑全流程无人运行；二是作为动态调度神经，适配多品种批量生产特点，实现多设备动态协同，让固定产线升级为可快速换产的自适应系统；三是作为安全质量事前管控防线，将传统事后补救转为事前预警、动态调控；四是作为加速工艺优化迭代的枢纽，支撑数字孪生虚实推演大幅加速工艺迭代效率。
最具挑战性的环节是算法、工艺、硬件的系统性重构与深度融合，这要求我们必须从源头重构工艺流程，将AI决策逻辑嵌入工艺设计的每个环节，实现三者深度匹配，这是黑灯工厂建设最核心的门槛。
我们坚持“核心自主+产业协同”的方式，决策优化与自主推理等核心算法与关键系统全部自己研发，而成熟的通用软硬件则会和产业界优势企业合作开发。
七、工业AI产业化核心锚点：找准真痛点，不做实验室“展品”
提问：从实验室研发到落地应用，您认为工业AI成功产业化的最关键因素是什么？是技术成熟度、场景契合度，还是体制机制的支持？结合您的经验，给其他致力于硬科技转化的科研人员一点建议。
杨明毅：从我们团队落地实践来看，工业AI产业化和其他领域AI逻辑有本质不同，它是扎根工业现场的系统性工程，本质是解决行业真痛点。技术成熟度是落地基础，体制机制是转化保障，二者始终服务于场景落地，找准真需求才是产业化的核心锚点。结合多年实践，我给硬科技转化领域科研人员三点务实建议：
(1)以场景痛点为研发起点，拒绝“技术炫技”：要沉到生产一线挖出企业解决不了的真问题，坐在实验室想不出真实需求。
(2)打通“数据-模型-执行”完整闭环，让技术真正“用起来”：很多AI成果止步于“能预测、能预警”，但工业现场需要“能决策、能控制”。只有打通模型输出和产线执行端形成闭环迭代，技术才能持续产生价值，而非停留在论文报告中。
(3)坚持产学研深度协同，避免“闭门造车”：要坚持“核心技术自主可控，通用模块生态协同”，各方优势互补才能做成，单打独斗很难走通。
八、以产学研一体化育工业AI人才，赋能东北老工业基地智能转型
提问：工业人工智能人才培养面临哪些痛点？如何构建“产学研用”一体化的人才生态？作为沈阳市高层次人才，您如何看待东北老工业基地智能化转型的独特优势和当前机遇？
杨明毅：我个人角度来看，工业人工智能的发展，归根到底靠人才，而区域转型靠发挥自身优势。
在工业AI人才培养方面，有三点需要改进：一是要积极培养复合型人才；二是要结合真实场景需求来培养人才；三是结合产业化节奏不断迭代课程设置，
构建产学研用人才生态首先要打通知识壁垒，同步培养AI技术能力与工业知识素养；其次，要打通培养场景，让学生在工业现场打磨真能力；最后，要打建立“院所+高校+企业”协同机制，把产业需求嵌入培养全流程，实现供需无缝对接。
东北老工业基地智能化转型根脉深厚，大量传统生产线有真实升级需求，是工业AI技术研发迭代最好的试验场。其次，科研人才基础雄厚，有大批科研院所、顶尖高校的长期技术积累，也有几代人传承的高素质产业工人队伍，转型的人力资本基础非常扎实。
九、深耕核心赛道拓展高端场景：以知识数据融合驱动工业AI全链条升级
提问：未来3-5年，工业人工智能与高端装备智能制造的发展趋势是什么？您团队的布局重点是什么？是继续深耕现有领域，还是向其他高端制造领域拓展？
杨明毅：站在“十五五”开局的起点，未来3-5年正是工业AI能从“单点技术突破”走向“全链条产业重构”的关键阶段，工业AI与高端装备智能制造的演化，始终围绕“解决产业真问题”推进。
我出生在黑龙江省的边疆林场，对祖国有很深的感情，能用研究支撑祖国建设，是我从事科学研究的初心。未来我会继续坚守，深耕多尺度数字孪生、生成式工艺调控等根技术继续引领行业发展。同时，依托沉淀的通用技术，有序向航空、船舶等高端制造领域拓展，把复杂场景解决方案复制到更多行业。
图片来源：被采访者提供
文/季绍华、孟庆杨