2025工程智能白皮书.docx

2025

工程智能白皮书
AI for Engineering White Paper

同济大学工程智能研究院
Institute of AI for Engineering (IAIE), Tongji University
上海（同济）工程智能研究院（筹）
Shanghai (Tongji) Institute of AI for Engineering (Preparatory)

工程智能白皮书 AI for Engineering White Paper

序一： 凝聚合力， 久久为功

郑庆华
（中国工程院院士、同济大学党委书记）
工程智能的发展，不仅是一场技术层面的跨界融合，更是一次关乎工程学科 未来、关乎产业发展方向的深刻变革。今天， 当我们梳理过往探索、展望前路征 程，愈发坚定了这样的判断：工程智能，正在成为驱动经济社会高质量发展的核 心力量。
最初提出“工程智能”这一概念时，不少人对其内涵与价值尚存疑惑，认为 不过是人工智能在工程领域的简单应用。但随着研究的深入、实践的推进， 我们 愈发清晰地认识到，工程智能绝非技术的叠加，而是以改造世界为核心目标，衔 接科学智能与产业应用的跨学科体系，是解决工程领域非确定性问题、实现规模 化赋能的全新范式。
这些年，我们见证了太多鼓舞人心的变化。战略层面， 国内外对工程智能的 重视达到了前所未有的高度，中国将“人工智能+”行动写入政府工作报告，把 工程智能作为建设数字中国的重点领域；美国、欧盟纷纷出台专项政策与法律框 架，加大研发投入、规范发展路径，全球范围内的战略布局与协同创新已然形成。 技术层面，大语言模型实现从表层流畅到深层认知的跨越，数字孪生、时空多模 态基础模型与工程场景深度融合，工程智能操作系统的核心架构逐步成型，让曾 经的技术构想正在变为现实。应用层面， 智能建造的生成式设计、智能制造的预 测性维护、智慧城市的动态调度等场景， 已从实验室走向产业一线，用实际成效 证明了工程智能的巨大价值。
这一切现象表明，工程智能的发展大潮势不可挡，它既是科技革命与产业革 命深度融合的必然产物，也是工程领域自身转型升级的内在需求。在创新驱动发 展的前沿阵地，我们正与众多高校、机构及企业并肩作战， 探索工程智能规模化 发展的有效路径，希望能为全国乃至全球工程智能的高质量发展提供可借鉴的实 践方案。
但我们也深知，这条道路没有现成的地图可循。工程智能作为开创性领域，

©同济大学工程智能研究院版权所有。如需引用，请注明出处。
i

工程智能白皮书 AI for Engineering White Paper
核心技术研发、规模化落地路径等诸多问题， 都需要我们在实践中不断探索、逐 步完善。
而驱动我们必须攻坚克难的，正是这个时代赋予工程领域的崭新命题。放眼 今日中国，从 C919 大飞机翱翔蓝天，到“深海一号”能源站矗立碧波； 从“中 国天眼”遥测宇宙，到“东数西算”织就算力网络；再到“祝融号”登陆火星、 “嫦娥号”月背探秘， 一项项新时代的重大工程，其规模之宏大、系统之复杂、 学科交叉之深度，都远超以往。这些超级工程早已不是单一学科知识的线性延伸， 而是需要融合材料、信息、控制、能源、生命等多学科知识的庞大异构系统。如 何实现跨领域知识的高效整合与涌现创新，如何应对极端工况与未知环境下的动 态不确定性，如何确保超大规模系统在全生命周期中的极致安全、高效与可持续， 这些时代之问，为传统的工程技术范式带来了根本性的挑战，也为工程智能的应 用和发展标定了最广阔、最迫切的需求场景。
正是基于这样的初心与担当，我们梳理了多年来的系统性的经验与思考，形 成了这份关于工程智能的白皮书。书中聚焦工程智能的核心， 详细阐述了从单点 突破到规模化赋能的实现路径。我们希望通过这份白皮书， 为工程智能领域的研 究者和从业者提供一套系统的认知框架与实践参考，更希望能吸引更多有志之士 加入进来，共同破解难题、凝聚共识。
工程智能是新质生产力的重要载体，是教育强国、科技强国建设的关键支撑。 作为同济人，我们始终坚信，大学不仅是知识创新的高地，更应是服务国家战略 的前沿。我们愿以这份研究成果为纽带， 与学界同仁、行业伙伴、青年学子一道， 以开放包容的心态、求真务实的作风，探索工程智能发展的新路径、新可能。
期待更多人能读懂工程智能的价值，更多人能投身这一伟大的事业。让我们 以协同创新凝聚合力，以久久为功攻克难关，牢牢把握这百年一遇的发展机遇， 让工程智能在服务中国式现代化建设的征程中，绽放出更加耀眼的光芒！

2025 年 10 月 24 日
于上海

©同济大学工程智能研究院版权所有。如需引用，请注明出处。
ii

工程智能白皮书 AI for Engineering White Paper

序二： 从先进技术到新质生产力

华先胜
（同济大学工程智能研究院执行院长、同济大学长聘特聘教授、IEEE Fellow）
人类文明的每一次跃迁，都与工程领域的突破紧密相连。从金字塔到空间站， 从蒸汽机到互联网，工程不仅是塑造物质世界的强大能力，更是推动社会进步的 基石引擎。然而， 当我们步入一个日益复杂、高度互联的时代， 传统工程学正面 临前所未有的挑战：系统规模的指数级增长、多学科交叉的深度融合、全生命周 期管理的极致要求，以及对安全性、可靠性和可持续性的严苛标准。这些挑战， 已然超出了传统方法和人类智力的极限。我们迫切需要一种新的力量，来驾驭这 份复杂，洞悉其规律，优化其进程。人工智能，无疑是这个时代最响亮的回答。
这便是我们探索工程智能（AI for Engineering） 的第一个动因： 工程学科的 发展，亟需人工智能的深度赋能。将 AI 的感知、认知、决策与生成能力，注入 到工程的策划设计、建造制造、运维养护乃至全生命周期中， 有望破解困扰我们 已久的难题，实现效率与质量的飞跃。
然而，故事并非仅此而已。当我们投身于这项事业时， 一个更为深刻且常被 忽视的洞见浮现出来：这并非一条单行道。正如工程需要 AI， 人工智能的未来， 同样亟需工程智能为其开辟规模化之道路。
为何如此断言？因为当前的人工智能，尽管声势浩大、发展迅猛， 本质上仍 是一种“先进技术”，距离成为真正的“生产力”尚有漫漫长路。纵观历史， 无 论是蒸汽机还是电力，任何一项革命性技术，唯有在实现规模化应用后，才真正 转化为推动社会变革的生产力。一项技术若只能在实验室、在少数专家的手中、 针对少数问题创造“奇迹”，那它便只是珍稀的“炼金术”，而非普惠的“工业 革命”。
人工智能今日之困境，正在于此。其规模化之路面临两大根本性障碍： 一是 生产力的问题，即如何将 AI 的能力系统性、可靠性、低成本、规模化地应用于 千行百业的核心场景；二是生产关系的问题，即如何构建与之匹配的商业模式、 工作流程、组织架构与价值链条。在这本白皮书中，我们聚焦于前者，并坚信， 其核心解决路径之一，便是构建一个强大的“工程智能操作系统”。这个系统，

©同济大学工程智能研究院版权所有。如需引用，请注明出处。
iii
工程智能白皮书 AI for Engineering White Paper
将成为连接 AI 基础能力与工程核心应用的坚实桥梁，是实现 AI 规模化的关键基 础设施。
那么，工程智能究竟将带来怎样的范式变革？我们常常谈论这个词，但它真 正的内涵是什么？于工程智能而言，范式变革并非一句空洞的口号，它具象为四 个紧密相连的“规模化”：
. 学科或行业 AI 技术研发的规模化： 改变当前学科或行业 AI 能力开发高度依 赖顶尖专家的“手工作坊”模式。通过工程智能平台， 将成熟的 AI 能力封 装为可复用、可组合的工具与组件， 并且通过 AI 技术研发平台， 可以快速 构建适用于工程领域众多场景的新技术。
. 学科或行业创新的规模化：让最懂业务的工程领域专家，成为创新的主角。 他们无需成为 AI 专家， 便可利用工程智能平台提供的工具，像使用 CAD 或 MATLAB 一样，快速、高效地解决领域内的核心问题， 从而激发源源不断的 内生创新动力。
. 人才培养的规模化： 打破 AI 与工程之间的知识壁垒， 培养兼具两方面素养 的复合型“新工科”人才。工程智能平台本身就是最佳的教学与实践环境， 它将加速新一代工程师的成长，为产业的未来储备核心力量。
. 产业落地的规模化： 确保 AI 解决方案不仅在技术上可行， 更能在商业上成 功。通过标准化的流程、可靠的验证与可信的部署， 将 AI 应用从“九死一 生”的探索，提升为“十之八九”的成功，真正产生可衡量的产业价值与社 会效益。
要实现如此宏大的变革，我们必须找到正确的实现路径。幸运的是， 技术的 发展为我们指明了方向。大型语言模型， 多模态大模型与智能体技术的崛起，构 成了工程智能的核心驱动力。大模型以其强大的知识融合、逻辑推理与自然语言 交互能力，成为了理解和处理工程领域复杂信息的“认知内核”；而智能体则扮 演了“超级执行者”，它能够自主规划、调用工具、协同系统， 将认知转化为行 动，完成复杂的工程任务。二者的结合， 为构建工程智能操作系统提供了前所未 有的技术基石。
当然，徒有先进技术而无正确的方法论，犹如手握利器而无章法，终将误入 歧途。因此，我们在探索中凝练出三大一体化方法论作为指导原则：

©同济大学工程智能研究院版权所有。如需引用，请注明出处。
iv
工程智能白皮书 AI for Engineering White Paper
. 点-线-面一体化： 这是战略演进的路径图。工程智能并不只是用人工智能技 术赋能解决某个或某几个工程问题。更重要的是， 我们从解决具体的、有价 值的“点”问题入手，在实践中提炼共性，构建可服务于一类问题的“线” 平台，最终将多条“线”汇聚，形成覆盖整个领域的“面”生态。
. 产-学-研一体化： 这是创新生态的生命线。产业提供真实场景与数据，学界 贡献前沿理论与人才，研究机构则攻克核心技术难题。三者必须在一个共同 的平台上无缝衔接、同频共振， 形成从理论到实践再到理论的闭环反馈， 以 及产学研三者高效相辅相成的态势。
. 人-模型-系统一体化：这是未来工作模式的终极形态。工程智能不是为了取 代人， 而是为了与人协同， 达到“一加一大于二”的效果。模型提供强大的 计算智能， 系统提供稳固的执行框架， 而人则贡献创造性思维、非逻辑思维 与最终的价值判断。我们的系统设计， 必须为人留下空间，赋能人； 不是用 AI 技术完全替代人，而是人与智能系统长久地共同成长。
这本五万多字的白皮书，是我们团队对上述思考的系统性梳理与阶段性总结。 它既是一份蓝图，也是一份邀请。我们坚信：智能驱动，工程焕新；智工融合， 创见未来。
这项事业的宏伟，远非任何单一学科或团队所能独立完成。在此， 我诚挚地 呼吁人工智能与工程学科的专家们，能够携起手来，打破学科的壁垒，发挥各自 的长处，弥补彼此的局限，通力合作，共同构建工程智能这座通天塔。让我们一 起，推动人工智能完成从先进技术到新质生产力的伟大转变，共同塑造一个更智 能、更高效、更美好的未来。

2025 年 10 月 24 日
于上海

©同济大学工程智能研究院版权所有。如需引用，请注明出处。
v

工程智能白皮书 AI for Engineering White Paper

摘要

《工程智能白皮书》全面阐述了同济大学工程智能研究院与上海（同济）工 程智能研究院（筹）对发展工程智能这一前沿交叉领域的战略理念与核心愿景， 深度剖析了工程智能的发展现状、时代机遇与核心挑战， 前瞻性地提出了以“工 程智能操作系统”为核心的实现框架与核心共性技术体系，并展望工程智能的核 心趋势与未来发展。
随着人工智能技术与传统工程领域加速融合，工程智能应运而生。它是推动 工程领域智能化转型的关键驱动力，也是应对日益复杂工程挑战的全新范式。工 程智能的核心目标，是通过平台化架构实现对工程领域规模化赋能，涵盖技术研 发、领域创新、人才培养与产业落地四个规模化维度， 推动从“点”上的单一场 景突破，扩展到“线”上的共性问题覆盖，最终构建“面”上的学科平台重塑。 这一进程不仅将极大提升传统工程的效能与范畴，更为人工智能的规模化应用提 供了不可或缺的真实世界场景和价值闭环锚点，推动其从先进技术真正转变为驱 动产业变革的新质生产力。
当前，人工智能虽已逐步渗透至工程项目全生命周期的策划、设计、验证、 建设、运营与维护等各环节， 在汽车、建造、交通、信息工程等领域取得初步应 用成效，但整体发展仍呈现“点状突破”的特征，存在碎片化、高度定制化、关 键环节依赖人力的局限，这既揭示了人工智能的巨大潜力，也正印证了对实现工 程智能“规模化赋能”的迫切需求。
发展工程智能恰逢其时。当前正处于政策、产业与技术三重机遇的交汇点： 一方面，国家层面的积极政策为产业智能化提供了重要的顶层牵引；另一方面， 我国完备的产业链为工程智能的应用落地提供了得天独厚的沃土；同时，以大模 型为代表的新一代人工智能技术突破，为工程智能在各工程领域的全面渗透提供 了强大的技术驱动力。
然而，实现工程智能规模化赋能的进程并非坦途。核心挑战在于如何跨越工 程领域固有的专业壁垒，满足其对可靠性的严苛要求，解决人工智能技术落地时 面临的效率与成本问题、系统融合与协同问题等瓶颈。此外， 人才培养、治理机 制与生产关系等配套体系尚不完善，也为规模化发展带来复杂挑战。
为抓住机遇、应对挑战， 白皮书前瞻性地提出构建“工程智能操作系统”这

©同济大学工程智能研究院版权所有。如需引用，请注明出处。
vi
工程智能白皮书 AI for Engineering White Paper
一核心实现路径。该系统旨在针对多学科、多环节、差异化的工程需求， 将分散 的各项技术能力进行高效整合与协同，通过打造统一的基础设施、数据资源、基 础模型与智能体能力等平台，为实现工程智能的规模化价值提供坚实的平台化支 撑。这一系统的构建，依赖于工程智能时空全模态基础模型关键技术、工程智能 推理决策关键技术、工程智能体关键技术等核心共性技术上的持续突破。
展望未来，工程智能的发展将呈现从知识问答走向工程推演决策、从碎片化 响应走向人模系统一体化及共生智能、以及最终的从单点技术走向规模化赋能的 核心趋势。它不仅将重塑工程范式、催生新产业与新业态，还将建成健全规范、 动态演进的治理体系与安全框架，为国家重大战略工程的实施提供关键支撑，引 领工程领域迈入全新的智能化时代。

©同济大学工程智能研究院版权所有。如需引用，请注明出处。
vii

工程智能白皮书 AI for Engineering White Paper

目录

序一：凝聚合力，久久为功 i
序二：从先进技术到新质生产力 iii
摘要 vi
一 绪论 1
1.1 工程智能的背景 1
1.2 工程智能的定义 2
1.3 工程智能的规模化愿景 3
1.4 工程智能的核心价值与社会影响 5
1.5 工程智能的典型应用场景 7
二 工程智能的发展现状 9
2.1 工程智能研究现状 9
2.1.1 策划与设计阶段的工程智能 10
2.1.2 验证与建设阶段的工程智能 12
2.1.3 运营与维护阶段的工程智能 14
2.2 工程智能产业现状 16
三 工程智能的发展机遇 22
3.1 积极的政策推动 22
3.2 有力的产业支撑 25
3.3 人工智能技术进步的驱动 26
3.4 工程智能的规模化机遇 27
四 工程智能的规模化挑战 28

©同济大学工程智能研究院版权所有。如需引用，请注明出处。
viii
工程智能白皮书 AI for Engineering White Paper
4.1 专业性挑战 28
4.2 可靠性挑战 29
4.3 效率与成本挑战 30
4.4 系统融合与协同挑战 31
4.5 人才培养挑战 32
4.6 治理与合规性挑战 33
4.7 生产关系挑战 33
五 工程智能操作系统 35
5.1 工程智能操作系统概述 35
5.2 基础设施层 37
5.3 数据资源层 38
5.4 工智模型层 40
5.5 工智智能体层 41
5.6 规模化实践层 43
六 工程智能核心共性技术体系 45
6.1 工程智能时空全模态基础模型关键技术 45
6.1.1 时空全模态统一表征技术 45
6.1.2 时空全模态数据生成技术 48
6.2 工程智能推理决策关键技术 50
6.2.1 面向工程智能的推理增强技术 50
6.2.2 面向工程智能的可靠性增强技术 51
6.3 工程智能体关键技术 53
6.3.1 工程智能体快速生产技术 53
6.3.2 工程智能体持续演进技术 54

©同济大学工程智能研究院版权所有。如需引用，请注明出处。
ix
6.3.3 面向工程领域的多人多智能体协同机制 55
七 工程智能的核心趋势与未来展望 57
7.1 核心趋势 57
7.1.1 从知识问答走向工程推演决策 57
7.1.2 从碎片化响应走向人模系统一体化与共生智能 58
7.1.3 从单点技术走向规模化赋能 59
7.2 未来展望 60
编撰信息与声明 62
参考文献 63

©同济大学工程智能研究院版权所有。如需引用，请注明出处。
x

工程智能白皮书 AI for Engineering White Paper

一 绪论

随着新一轮科技革命和产业革命的深入发展，以大语言模型（Large Language Models, LLMs）为代表的新一代人工智能技术与传统工程领域加速融合，催生了 “工程智能（AI for Engineering） ”这一前沿交叉技术范式。它不仅是推动工程 领域智能化转型的关键驱动力、为解决日益复杂的工程系统挑战开辟了崭新路径， 更为人工智能的规模化应用提供了至关重要的真实世界场景和价值闭环锚点。本 章将围绕工程智能的背景、定义、规模化愿景、价值影响以及典型应用五个方面 展开论述，系统性地勾勒出工程智能的核心图景。
1.1 工程智能的背景

以大语言模型为代表的新一代人工智能技术正以史无前例的速度迅猛发展， 在自然语言理解、代码生成和复杂推理等方面的能力上取得了跨越性的进步， 能 从表面流畅转向深层认知功能，通过人机交互、自主规划、动态执行、调用工具 等智能体能力完成人类交付的复杂任务，正被深度集成到各类工作流程中，掀起 了生产力和效率的革新。这场由人工智能驱动的技术变革不但正在重新定义诸多 行业的工作方式，还将深刻地变革科研、教育、产业等众多领域的生产与发展模 式，在深层次上推动了社会经济结构的转型。
面对人工智能带来的巨大机遇，国际社会高度重视人工智能的发展。美国国 家科学基金会（NSF）每年投入超过 7 亿美元用于加速人工智能在各个科学与工 程领域的应用探索， 推动下一代突破成果的产生[1]； 在 2024 年 1 月启动了国家 人工智能研究资源（NAIRR）试点项目， 旨在连接美国研究人员与人工智能研究 和发现所需的计算、数据、软件、培训和教育资源。该项目由 NSF 牵头， 联合 了其他 10 家联邦机构以及 25 家私营、非营利及慈善组织（如微软、英伟达） 的 资源，明确提出了支持 AI 赋能科学和工程领域的前沿探索[2]。欧盟也通过其《人 工智能法案》建立了世界上首个全面的人工智能法律框架[3]， 并在 2025 年 4 月 启动的《人工智能大陆行动计划》中，明确了即将推出《人工智能应用战略》， 旨在加速人工智能技术在公共和私营领域的普及应用，充分整合欧洲雄厚的工业 基础和人才储备，增强确保欧盟在关键工业领域和科学领域的战略自主性[4]。
我国也已将人工智能发展提升到国家战略高度。2024 年 1 月， 国务院常务

©同济大学工程智能研究院版权所有。如需引用，请注明出处。 1
工程智能白皮书 AI for Engineering White Paper
会议在部署推动人工智能赋能新型工业化工作时强调，要以人工智能和制造业深 度融合为主线，加快重点行业智能升级，高水平赋能工业制造体系，为加快形成 新质生产力提供动力。随后， 2024 年政府工作报告中， 正式提出开展“人工智 能+”行动，进一步凸显了人工智能在国家经济发展战略中的重要地位[5]。到 2025 年，中国已发布建设数字中国的行动计划，明确了“人工智能+”应用、基础设 施升级、数据产业和数字人才发展等重点领域[6]。同时， 外交部提出的“人工智 能赋能全球行动计划”，将促进人工智能基础设施互联互通，赋能工业制造、农 业、绿色转型等各个领域， 提升人工智能素养，确保人工智能的安全、可靠和可 控。
尽管人工智能技术取得了迅猛发展并受到各国战略重视，其在诸多工程领域 的应用仍处于起步且分散的阶段，虽涌现出了多个单点应用案例，但尚未形成规 模化、系统化的效应。与此同时， 工程领域普遍面临着将人工智能的巨大潜力转 化为实际生产力的挑战，例如，工程仿真平台 SimScale 在 2025 年发布的报告中 指出，高达 93%的工程领导者预期人工智能能在设计和仿真工作流程中带来生产 力提升，但仅有 3%的受访者表示已实现显著收益。这种预期与实际之间的差距， 以及数据孤岛、对传统工具的依赖等障碍， 凸显了对一个更具系统性、针对性的 人工智能方法论的迫切需求。
正是在这样的背景下，为了充分释放人工智能在复杂工程系统中的巨大潜力， 并系统性地解决其应用所面临的挑战，一个专注于人工智能与工程深度融合的跨 学科概念“工程智能”应运而生。工程智能处于科学发现、技术创新与产业应用 的关键交汇点，是衔接科学智能与产业应用之间的高效桥梁，有望在未来几十年 内重塑整个工程学科体系与产业格局，使工程活动在智能技术的驱动下实现从传 统模式向更加高效、精准和安全的全新范式转变。提前布局并规划工程智能的整 体框架与基础平台，为即将到来的生产力变革提供前瞻性的技术引领、顶层设计 以及平台支撑具有极为重要的战略意义。在国际竞争格局中， 率先开展工程智能 研究并取得突破，能占据未来工程技术制高点，保障国家在关键工程领域的自主 可控与技术领先地位，增强国家在全球产业链中的话语权、影响力和安全性， 对 于推动国家制造强国、科技强国战略目标的实现，具有不可替代的战略支撑作用。
1.2 工程智能的定义

科学与工程，两者在人类文明进程中相辅相成，却有着本质区别：科学以“认 识世界”为目标，致力于探索自然规律、构建理论体系， 其方法论核心在于理论

©同济大学工程智能研究院版权所有。如需引用，请注明出处。 2
工程智能白皮书 AI for Engineering White Paper
推导与实验验证；而工程则以“改造世界”为目标，聚焦于将科学理论转化为现 实的产品、设施或解决方案，其方法论核心在于可行性验证与实践优化。这一“理 论”与“实践”的分野，正是理解工程智能定义的逻辑起点。
基于此， 本文所指之“工程 ”具有双重含义。狭义上，它指代机械、土木、 电气等特定工程学科领域，强调运用专业知识和技术方法解决具体技术问题；广 义上，它泛指人类改造客观世界的实践性活动，其核心在于结合先进技术与工具， 将科学理论转化为有形价值，是典型的“实践导向”与“成果落地”驱动。
相应地， 本文所指之“智能 ”特指人工智能技术。其核心能力体现在感知、 认知、决策、自适应等方面， 具体通过机器学习、深度学习、自然语言处理、计 算机视觉等技术路径，使机器能够从海量数据中学习规律、识别模式、进行推理 判断，并最终以近似甚至超越人类的方式解决复杂问题。在工程语境下， 区别于 传统的自动化技术，这种“智能”的价值尤其体现在它解决了传统自动化无法应 对的非确定性问题，是改进流程、优化决策和驱动创新的关键技术引擎。
当“工程”的实践使命与“智能”的技术引擎相结合，便构成了本文的核心 概念： 工程智能 （AI4E， AI for Engineering） 。工程智能是人工智能与工程实践 深度融合，利用人工智能技术深入解决工程领域核心问题、实现对工程实践的规 模化赋能的变革性技术范式。它绝非人工智能技术在工程领域的简单叠加或单点 应用，而是一个前瞻性的跨学科体系。工程智能的根本目标是借助人工智能更好 地“改造世界”，更强调“实践可行性验证”，这与科学智能（AI4S，AI for Science） “认识世界”的目标以及“理论正确性验证”的原则形成显著差异[7, 8]。
1.3 工程智能的规模化愿景

工程智能的核心愿景，在于通过平台化架构实现对工程领域的规模化赋能。 此处所提之“规模化”，其核心可凝练为三个关键词，分别是：“四个维度”“三 个层次”与“工程智能操作系统”[9]。本小节将重点阐述“四个维度”和“三个 层次”的深层内涵，而 “工程智能操作系统”，即实现工程智能规模化的统一 技术平台，将在第五章中进行详细阐述。

©同济大学工程智能研究院版权所有。如需引用，请注明出处。 3
工程智能白皮书 AI for Engineering White Paper

图 1-1 工程智能规模化的“四个维度”示意
工程智能的“ 四个维度 ”。工程智能的规模化有着丰富的内涵， 为便于具体 描述与系统衡量，本书将其归纳为以下四个关键维度（如图 1-1 所示）：
（1） 技术研发规模化：是指行业或学科中人工智能技术的研发过程， 逐步 摆脱对大量人工智能专家的重度依赖，实现更广泛、高效率的开展， 以应对现实 世界中多样化、多难度层级的工程问题。
（2） 领域创新规模化：是指行业或学科内的从业者无需深入掌握人工智能 技术细节，便可通过使用成熟的工程智能平台与工具，更快速、更好地完成本领 域的创新，提升研发效率和效果。
（3） 人才培养规模化：是指培养更多既懂人工智能技术、又通晓各行业或 学科领域知识的复合人才，以应对工程智能在规模化进程中面临的人才结构性短 缺问题。
（4） 产业落地规模化：是指人工智能技术在真实产业场景中实现广泛、有 价值、有效益的落地应用， 真正推动产业能力升级与模式转型，而非仅停留于理 论探索、标杆案例或吸引眼球的层面。
除了上述四个关键维度外，工程智能的规模化还体现在其他方面，如行业或 学科覆盖的宽度（即能支持多少行业或学科）、问题解决的深度（即能覆盖多少 不同级别的问题）以及服务用户的广度（即能服务多少不同类型的用户）等，共 同构成工程智能个发展的完整图景。

©同济大学工程智能研究院版权所有。如需引用，请注明出处。 4
工程智能白皮书 AI for Engineering White Paper

图 1-2 工程智能规模化的“三个层次”示意
工程智能的“三个层次 ”。如图 1-2 所示，为有序推进工程智能的发展及其 在工程领域的规模化赋能，可将其严谨路径划分为三个递进层次：
（1） 点上的工程智能 （Level 1）： 实现人工智能与特定工程学科中具体问 题的深度融合。在此过程中， 人工智能专家与工程学科专家携手合作，共同借助 人工智能有效解决相关的单点问题。
（2） 线上的工程智能 （Level 2）： 人工智能的应用从解决单一问题扩展至 解决某一类共性问题。人工智能专家和学科专家共同构建通用性较强的平台或系 统，赋能更广泛的工程研究和技术人员，使其能够更高效、更深入、更具创新性 地解决此类问题。
（3） 面上的工程智能 （Level 3）： 在多个线上工程智能系统的基础上，构 建特定工程学科完整的研究和创新平台，为工程研究和技术人员在更大范围乃至 跨学科范围内进行相关领域的研究、创新、教学以及产业落地提供全面的支持。
1.4 工程智能的核心价值与社会影响

工程智能的规模化实现，不仅是推动生产力发生根本性变革的关键引擎，更 在应对人类社会严峻挑战、重塑未来工程范式与全球竞争格局中， 体现出不可替 代的战略价值与深远社会意义。
工程智能的核心价值在于两个方面：
第一，工程智能对生产力的显著提升以及对创新模式的根本性改变。通过自 动化、优化和智能化决策， 工程智能能够大幅提高工程策划、设计、实施、优化、

©同济大学工程智能研究院版权所有。如需引用，请注明出处。 5
工程智能白皮书 AI for Engineering White Paper
运营、维护等各个环节的效率、质量和安全性。例如， 在企业工作流中，生成式 人工智能已成为不可或缺的工具，显著提升了生产力和效率，使专业人士能够将 精力从重复性任务转向更具战略性和创造性的工作。这种效率的提升远不止于削 减成本与缩短研发周期，它更深层的价值在于重塑了创新的模式，使企业能够将 资源聚焦于突破性技术的探索和更高维度的市场竞争。
第二，工程智能的价值还在于其有助于解决人类社会的部分严峻挑战。在公 共安全领域，它通过对桥梁、电网等关键基础设施进行预测性维护， 将风险管理 从“被动响应”转变为“主动预防”， 从而拯救生命、避免灾难。在社会公平层 面，工程智能可以辅助优化城市规划，设计无障碍的公共空间，或确保公共资源 （如交通、水力） 得到更公平的分配， 以此弥合发展鸿沟。尤其是在可持续发展 方面，它能够设计出消耗最少资源、产生最少废料的建筑与产品， 并以前所未有 的精度优化能源使用，成为推动实现碳中和与循环经济的技术引擎。
与此同时，工程智能的社会影响主要体现在：
首先，工程智能的实现将深刻变革劳动力市场，并催生新的职业类别、工程 教育形态与人机协同关系。首先， 尽管工程智能和自动化可能取代部分传统工作 岗位，但同时也将创造更多与工程智能紧密结合的新岗位，这种变化在人工智能 发展所新兴的职业中已经初见端倪，包括人工智能伦理学家、提示词工程师以及 人机交互设计师等。其次，工程智能还将革新工程教育形式，通过个性化学习、 高保真仿真实践等，显著提升人才培养的质量和效率。更进一步地，人类与智能 的协作将逐步演化为“共生智能”的新模式，在此模式下，人工智能的目标不再 是完全替代人类的“完美机器”，而是作为“灵魂搭档”激发人类创造力和智慧， 实现人机优势互补与共同进化，让高价值、高难度的工程创新成果从偶然变为必 然[10]。
其次，工程智能的快速发展也带来了复杂的伦理、安全和治理挑战。工程智 能系统可能从训练数据中吸收社会偏见，导致性别歧视、种族歧视或能力歧视的 输出，在工程领域可能带来诸如设计、建设上的伦理问题。此外， 工程智能工具 在缺乏适当治理的情况下被员工使用，以及人工智能模型生成的代码可能不符合 当前安全标准，都可能带来新的网络安全漏洞，而工程领域尤其是建设生产阶段， 不安全性将会带来巨大的产业风险。因此， 确保工程智能的安全、可靠和可控至 关重要。
综上，工程智能不仅是技术创新的前沿，更是推动社会经济转型、形成新质 生产力的关键引擎。它在带来巨大机遇的同时， 也对伦理、安全和治理提出了新

©同济大学工程智能研究院版权所有。如需引用，请注明出处。 6
工程智能白皮书 AI for Engineering White Paper
的要求，促使全球各国在激烈的科技竞争中寻求合作与平衡，共同构建一个负责 任、普惠且可持续的智能工程未来。
1.5 工程智能的典型应用场景

工程智能的广泛应用正在深刻改变传统工程领域的面貌，从根本上提升项目 效率、优化系统性能并催生全新的解决方案。本节将通过具体示例， 简要介绍工 程智能在多个典型工程学科中的应用场景，而更完整的工程智能发展现状将在第 三章进行详细阐述。
智能建造典型应用场景。在建筑与土木工程领域，工程智能贯穿项目的策划、 设计、实施与维护全过程。在策划与设计阶段，人工智能通过生成式设计算法， 能够基于预设的性能需求快速生成多样化的建筑形态，并优化建筑能耗模型，显 著缩短设计周期，识别出最具成本效益和环境友好的方案。在实施与优化环节， 工程智能通过机器学习模型预测项目持续时间、成本超支和劳动生产率， 从而实 现高效的排程、资源分配和风险管理。计算机视觉系统能够实时监控工地， 追踪 工人动态和设备使用情况， 自动检测安全违规行为并提供实时警报，显著提升现 场安全性和生产力。此外， 自动驾驶土方机械和机器人砌砖工等自动化设备，正 进一步提升施工过程的效率和精确性。在运营与维护方面， 人工智能驱动的仪表 盘能够整合物联网（IoT）传感器和建筑信息模型（BIM）数据，进行预测分析， 优化建筑设施的运行和维护计划。
智能制造典型应用场景。在制造领域，工程智能的深刻作用贯穿于产品设计、 生产实施、供应链管理和设备维护的各个阶段。在机械产品设计中， 生成式人工 智能能够基于预定义需求快速生成多样化的设计方案，实现材料和结构形式的优 化，从而在保持性能的前提下，减少材料使用并降低成本。在运营环节， 人工智 能驱动的实时监控和预测分析彻底改变了工厂运营，能够以更快的速度检测和缓 解缺陷，显著提高产品良率。同时， 人工智能驱动的预测性维护通过预测设备故 障，减少计划外停机时间。此外， 人工智能还优化了供应链管理，能够整合全球 经济指标和实时消费者行为数据，以高准确率预测需求波动，从而实现生产计划 的动态调整和风险的有效识别。
智慧城市典型应用场景。工程智能的应用正延伸至城市基础设施的全面优化 与管理，旨在构建更高效、更宜居的未来城市。通过理解复杂的城市规划图纸， 分析海量地理信息系统（GIS）数据、人口密度、交通模式及环境因素，评估城 市更新方案的合理性与潜在影响，从而辅助规划师制定更科学、可持续的城市发

©同济大学工程智能研究院版权所有。如需引用，请注明出处。 7
工程智能白皮书 AI for Engineering White Paper
展策略。实时 AI 驱动的仪表盘整合来自物联网传感器和城市信息模型的数据， 结合预测分析，能够智能调度公共服务、优化能源分配、管理废物处理， 并预测 基础设施的维护需求，提升城市运行的整体效率和响应速度。
智慧交通典型应用场景。工程智能在交通领域的核心应用在于提升交通系统 的安全性和通行效率。通过对实时交通数据（如车流量、路况、信号灯状态） 的 深度分析，人工智能能够动态调整交通信号配时、优化路线规划、预测交通拥堵、 识别与归因交通事件等，从而实现交通流的智能化管理，显著提升通行效率。在 公共交通调度中，人工智能可优化车辆调度和班次安排，减少乘客等待时间。此 外， 在航空领域， 人工智能辅助关键决策， 尤其在自主飞行操作中， AI 能比人 类更快地处理复杂问题并提供理想结果，同时通过 AI 助手提高飞行安全性，减 少人为错误。
智能汽车典型应用场景。智能汽车是工程智能在车辆设计、控制与维护领域 的集中体现