AI时代，工业大模型长啥样——海智智造工业基础模型 HAI 1.0 正式发布

2026 年 10 月 12 日，第 26 届中国国际工业博览会在国家会展中心（上海）开幕，海智智造工业基础模型 HAI 1.0 正式首发，AI LAB 同步启动。

发布现场，海智智造首席科学家、上海交通大学博士生导师，国家高层次青年人才，前美国字节跳动（ByteDance）Seed团队高级研究科学家——李彦玮系统介绍了 HAI 1.0 的三项核心能力：把需求说清楚、把方案做出来、让经验留得住，以及这些能力怎样建立、怎样验证。以下为演讲完整内容。

现场演示文稿 第 1 页

从需求到制造方案，AI 能缩短多少距离

各位来宾，各位产业界的朋友，大家好。我是李彦玮。

今天想和大家聊一个很实际的问题：从一句“我想做这样一个零件”，到一份可以执行的制造方案，AI 能帮我们缩短多少距离？

这也是我们做海智 HAI 1.0 想回答的问题。我们正在做一个自进化的工业基础模型，主要建立三部分能力：把需求说清楚，把方案做出来，让经验留得住。

接下来，我会用机器狗的腿部零件作例子，讲讲模型需要具备哪些能力、这些能力怎样建立、又怎样验证。希望工程经验能在一次次任务中积累下来，帮助下一次做得更好。

先从一个具体的制造需求说起。

把分散的资料，组织成可以执行的任务

客户已经有样品，也有初始图纸，希望找到合适的制造方案——有了这些资料，任务就完整了吗？往往还需要把一些条件问清楚。

第一类是需求信息。先确认样品和图纸是不是同一个版本，已有资料说清了什么、还缺什么。模型要能把缺少的内容转成具体问题，继续向用户追问。

第二类是工程要求。这个零件怎样装配，尺寸和材料有什么要求？哪些已经确定，哪些允许在一定范围内调整？这些条件会直接影响后面的工艺判断。

第三类才是制造决策。模型要基于这些条件，提出工艺、成本和候选厂家，并说明依据。比如批量改变了，原来的工艺选择和成本就可能需要重新检查。

所以，模型要解决的是信息之间的联系——样品、图纸和制造要求能够对得上，才能把一个需求组织成可以执行、可以检查的任务。

现场演示文稿 第 2 页

从输入看，常见有两种情况。

第一种，普通用户不会画 CAD，可以描述一个想做的东西，或者提供一张草图。这时候模型先理解用途，追问缺失的信息，再根据确认的要求生成或修改 CAD 设计，让设计可以通过参数继续调整。

另一种情况，专业用户已经有图纸或 CAD 文件，就可以直接进入制造分析，有需要再补充信息或调整设计。我们希望模型能支持不同类型的用户，从各自已有的能力继续往前走。

这两类入口背后，是同一套模型能力：先把需求讲清楚，再按任务需要处理设计，进而分析工艺、核价和制造能力，最终输出候选工艺路线、成本区间和候选厂家。有了这样的输出，工程反馈就可以进入后续的学习。

整个过程中，所有环节都围绕一份共享的工程信息运转：材料、公差、数量、交期、版本和确认状态，都要跟着任务一起传递。

工业基础模型的意义也在这里：连接不同用户的需求、参数化 CAD 的设计，以及工艺选择与制造输出，服务不同零件、不同任务。

现场演示文稿 第 3 页

什么是“自进化”？

我们说的自进化，有一个很具体的目标：在当前任务中经过验证的经验，能改善模型在后续新任务上的表现。

先看工程反馈。工具可能报告某一步失败了，工程师可能发现一项要求被遗漏了，制造现场也可能提出新的限制。收到反馈后，要先核对来源、弄清原因，以及这条经验适用于什么条件。

接下来，要明确更新哪些可复用的能力：可能补充一条知识，让模型下次能查到；可能调整工具使用策略，让某项检查提前发生；也可能积累合格样本，用于更新模型参数。

最后，换一个独立的新任务来检验——比如把机器狗零件换成不同的机械臂部件：系统是否更早识别了问题？建议是否更符合当前要求？原来已有的能力有没有受到影响？

我们要用这些可观察的结果，判断经验是否有效，再决定是保留还是继续修正。

现场演示文稿 第 4 页

要实现这样的协同，系统里有几个角色需要分开看。

一是知识检索。把查到的资料——包括工艺规则、历史案例及其适用条件——作为模型知识的参考输入，也就是常说的 RAG。

二是工业基础模型本身，主要负责理解需求、组织任务、提出候选。

三是专业执行工具。模型会调用它们完成具体工作：通过 CAD 内核构造几何，调用核价工具做计算，查询厂家能力库做条件核对。工具的结果还要返回模型，帮助它决定下一步。

这些角色能协同，靠的是那份共同使用的工程信息。它回答三个问题：现在处理什么对象？有哪些要求？判断依据从哪里来？

对象，对应零件、特征和图纸版本；要求，要区分已确认、待确认和允许调整；依据，则要记录信息来源、工具结果，以及条件变化会影响哪些后续判断。

举个例子。当机器狗的一项装配要求调整后，模型需要找到关联参数，调用 CAD 工具重建；重建完成，还要检查原来的工艺和成本判断是否适用；如果缺少资料，就把问题明确提出来，交给用户或工程师确认。

模型组织任务，工具执行与检查，工程专家把关关键要求和重要判断——整个过程才能往前走。

现场演示文稿 第 5 页

十一年的业务积累，怎样成为学习样本

这些能力要建立起来，需要数据。海智十一年的业务积累，留下了很多类型的材料：图纸和技术要求、工艺和专家记录、询报价与订单，还有厂家能力资料。这些材料要成为模型的学习样本，首先得把它们之间的关系整理出来。

一个完整的工程任务，要回答几个问题：当时收到什么要求？哪些信息已经知道，哪些还缺？过程中做了什么，为什么这样做？最后得到什么结果，又改了哪里？

这里尤其要对齐零件和版本。同一个零件，修改前后的图纸可能不一样；同样的工艺，批量不同，成本条件也会变化。

任务关联好以后，会形成不同样本：有的用于图纸解析和工艺推理，有的用于核价和能力匹配，还有需求与 CAD 程序的配对样本。原始资料要经过授权、清洗和专家校核；仍有缺失的地方，也要保留标记。

这项工作只能逐步完成——有些记录可以直接整理，有些还要补齐。我们希望模型最终学到的，是条件、动作和结果之间的关系，让已有业务经验能为新的工程判断提供帮助。

现场演示文稿 第 6 页

有了工程样本，模型怎样学习？我们会根据任务与数据条件，组合三类训练方法：读材料、看示范、练任务。

第一，读材料，也就是持续预训练。把清洗后的工业图文继续用于训练，让模型熟悉工业术语、图纸语义和制造知识。比如，同一个精度要求，在文字和图纸中分别怎样表达，它又会影响哪些制造判断。

第二，看示范，也就是监督微调（SFT）。把任务输入和专家审核过的操作、输出配成样本：需求应该怎样澄清，约束明确后应该怎样组织 CAD 操作、调用工具。模型从这些示范中学习做事的方法。

第三，练任务，也就是强化学习（RL）。让模型在可执行的任务环境中尝试，把工具检查的结果转成奖励信号，用来改进生成和选择方案的策略。

资料质量、示范质量和反馈质量，要分别把关。这里还要分清三件事：程序能运行、几何有效、已确认的约束满足。运行成功，不能代替后两项检查；检查器没有覆盖的要求，也不能算作通过。

我们目前的候选基座，包括 Qwen3-VL 等。选哪一个、怎样训练，都要用任务结果来判断。

现场演示文稿 第 7 页

先把要求问清楚，再把设计做出来

面对不完整的输入，模型怎样把要求问清楚？

用户的需求很直接：“已有机器狗腿部结构件草图，帮我选择合适的工艺制造。”模型先要判断，这份资料够不够支持下一步。我们希望它先把要求理清楚，再形成候选方案。

工程约束，可以理解为做这件事必须遵守的条件，分成三类：哪些不能动，哪些允许动，哪些还要问。

固定要求，包括已确认的装配关系和尺寸，后面要保持。允许调整，是工程师已经确认可以变化的参数范围。待确认信息，则包括缺失尺寸、使用条件和配合要求——模型要把这些缺项主动提出来。

确认以后，相关信息再进入设计和制造分析。把这些状态记录清楚，后面修改时，模型才知道哪里可以调整、哪些要求必须复核。

现场演示文稿 第 8 页

要求明确以后，下一步就是把修改意图变成工具能够执行的操作。

用户提出修改后，模型负责生成建模程序或操作序列；CAD 内核——也就是实际构造几何的软件引擎，负责执行这些操作并返回结果。

以一个孔径调整为例。假设工程师已经确认，这个孔径允许变化，其他固定装配约束必须保持。现在要把孔径从原来的值 d0 调整到新的目标值 d1。

第一步，理解修改：找到是哪一个孔，以及它对应的参数。第二步，生成操作：设置目标值，组织重建所需的动作。第三步，由 CAD 内核执行：成功时返回几何实体，失败时返回错误信息——模型需要知道失败发生在哪一步，才能定位原因、调整操作，再交给工具执行。第四步，检查与反馈：孔径有没有达到目标值？固定的装配约束有没有保持？这次修改影响的其他条件，有没有重新检查？

我们希望建立的，就是这种可执行、可复核的修改能力。

现场演示文稿 第 9 页

几何重建成功，还不等于能走向生产。从能执行的设计到可用于生产的设计，需要分层检查——把不同问题交给相应的方法验证，并保留各自的依据。

几何与尺寸，检查实体是否有效，尺寸关系和固定约束是否满足；功能与装配，检查连接、空间和配合；工艺与制造，检查材料、成形和加工条件是否适用；工程表达，则检查视图、标注和技术要求，能不能把制造所需信息说清楚。

如果初始图纸不完整，先把缺项保留为待确认，再追问、补齐资料，或者调整候选方案，最后按照确认后的条件和检查结果复核。带着这套明确的条件和检查依据，模型就可以进一步组织工艺路线。

现场演示文稿 第 10 页

工艺、核价与厂家匹配，每一步都要有依据

工艺路线，就是为完成一个零件，安排需要哪些工序、按什么顺序做、使用哪些资源。模型需要把零件要求和制造条件连接起来，提出可以比较、可以检查的候选方案。

第一步，联合解析：结合图纸、零件信息和已有知识，整理几何、材料、公差，以及订单和装配要求。

第二步，寻找知识与依据：检索工艺规则和历史案例，核对它们适用的材料、结构和资源条件——有相似案例，并不意味着可以直接照搬。

第三步，形成候选路线：给出工序与顺序、所需资源，说明为什么这样选、哪些条件仍待确认。同一个任务可能有多种方案，模型要把它们放在同一套要求下比较。

第四步，工程复核：关键要求有没有覆盖，工艺是否合理，实际资源能不能支持。

如果发现冲突，就补充条件，或者重新比较候选方案。工艺推理需要同时交付两样东西：怎么做，以及为什么这样做。这里留下的条件和依据，还会继续用于核价和厂家匹配。

现场演示文稿 第 11 页

接下来是核价。这里最重要的，是把数字背后的条件说清楚。零件图纸换了版本，材料、精度、数量或交期变了，成本口径就可能跟着变。所以第一步，先对齐零件与订单信息。

条件明确以后，再把成本拆开：材料要看毛坯、用量和损耗；加工要看准备时间、加工工时和费率；后处理、检验和外协，也要单独计入。比如同样的准备成本，分摊到不同批量，每件承担的部分就不同。每一项都要能回到输入条件和计算依据，工程师才能判断估算是不是合理。

模型给出的输出包括成本区间、最影响成本的因素，以及计算用了哪些假设；信息还没确认的，保留不确定项供后续修改。

这里要分清三个概念：成本估算、厂家报价和成交价格。模型提供的是有依据的估算，便于工程讨论和后续核实。

现场演示文稿 第 12 页

有了这套条件，下一步是找到能承接的厂家。厂家能力匹配，要先问一个问题：这项制造要求，厂家到底能不能满足？材料、工艺、精度，以及必要的设备和资质，都要逐项对应。

以三个匿名候选为例：第一家，必须条件满足，信息也有来源，可以进入比较；第二家，发现明确冲突，先排除；第三家，资料不完整，需要补充核实。

筛出可行候选以后，才比较工艺适配、成本和交付条件。推荐时，要一起给出匹配依据，以及还需要确认的信息——过去做过类似零件，不等于现在就有产能、能够接单。

这样，每个候选都有依据，用户也知道下一步该和谁沟通、确认什么。如果工程条件调整了，匹配也要重新核对。

现场演示文稿 第 13 页

一条反馈，驱动两个闭环

前面讲的是完成一次任务。一次任务中的反馈，又怎样带来后续改进？我们希望一条工程反馈产生两层价值：第一层是工程闭环，把这次任务改对；第二层是学习闭环，让下次遇到相关问题时，系统能用上经过校核的经验。

工程闭环，就是前面介绍的过程：模型依据需求生成方案，调用工具执行，通过工程检查定位问题；发现问题以后，只调整允许变化的部分，然后重新复核。这个循环关注当前零件、当前版本，它的结束标准是：目标问题经过检查得到解决，其他已确认的要求也得到保持。

学习闭环，从整理校核记录开始：把任务条件、问题原因、修改过程和检查结果放在一起，判断这条反馈适合更新知识、工具策略，还是用于模型训练。更新要明确发生在哪里，并留下版本，才知道后续变化由什么带来。更新以后，还要拿独立的新任务来评估，检查经验能不能正确迁移，同时复测已有能力。只有评估支持这项改进，才把更新保留下来。

工程闭环回答的是：这次有没有改对。学习闭环回答的是：这条经验，下一次能不能用、在什么条件下能用。

现场演示文稿 第 14 页

同一份工程记录，可以提供不同的学习材料。我们保留原始约束、候选方案、问题原因、专家修正和检查结果，再按学习目标来组织。

第一类是示范样本：给出任务输入和约束，配上专家确认的目标输出。比如遇到缺项应该怎样追问，发现问题应该怎样修正。这类材料用于监督微调，让模型学习合适的做法。

第二类是比较：在同一组条件下，保留不同候选，以及专家选择了哪一个、为什么这样选。这里不能只留一个“更好”的标签，还要留下判断依据——模型需要学习的是条件下的取舍：哪些要求必须满足，哪些因素可以权衡。

第三类是可验证的反馈结果：工具是否执行成功，几何是否有效，已确认的约束是否满足。这些检查可以形成强化学习中的反馈信号。

这三类材料分别回答：怎样做、怎样选、有没有做到。同时，有些经验适合进入知识库，有些适合变成工具检查策略——它们都要保留来源和适用条件，方便后面的任务核对。

现场演示文稿 第 15 页

最后，用一个独立的新任务，具体看看我们希望模型学到什么。

这一次，把机器狗换成一个机器人机械臂部件，输入和工具条件保持一致，比较更新前后的差别。

先看待确认项：更新前的系统可能遗漏配合与涂装检查；我们希望更新后的模型能主动识别——有哪些配合要求，哪些部位涉及涂装，哪些信息还需要确认。

再看工序建议：我们希望模型意识到这些条件可能影响工序安排，并提示候选顺序和适用条件。这里不能套用一条固定顺序，具体怎么做，仍要结合零件结构、装配要求和实际工艺条件复核。

第三是判断依据：模型需要引用经过校核的经验来源，同时核对它是否适用于这次任务。

要检验这些变化，就必须分开训练和测试，进行工程复核，并复测已有能力。

现场演示文稿 第 16 页

从图纸起步，缩短用户到制造的路径

最后，把今天讲的内容收回到推进方向上。

一是优先推进图纸理解、工艺路线、工程核价和厂家匹配：先让典型任务里的结构、要求、条件和依据连接起来，形成模型原型，并在典型场景中验证。

二是并行探索需求澄清、参数化设计的生成与编辑，以及工程校核和工具反馈。对自进化来说，重点是整理反馈，明确更新知识、策略还是模型，再通过独立任务验证有没有改进。

今天用机器狗零件作例子，背后的能力要服务更多工业任务。

让需求更容易表达，让专业制造能力更容易获得——这就是我们希望 HAI 1.0 带来的价值。

谢谢大家。

现场演示文稿 第 17 页

标签：