听·讲座｜AI如何重新定义先进制造
2026年10月31日，中山大学岭南学院专硕教育中心主办的“前沿智汇”系列讲座之“机器会学习，产线会思考——AI如何重新定义先进制造”在深圳开讲。本次活动特邀中山大学先进制造学院博导、国家重点研发计划项目负责人、中山大学“逸仙学者”新锐学者杭伟副教授主讲，为同学们带来一场人工智能与先进制造深度融合的学术盛宴，帮助大家洞察时代趋势、理解AI赋能制造的前沿动态。
讲座现场
1 讲座分享
从图灵测试到Transformer：AI走过的七十年
杭教授从1950年图灵测试的提出讲起，梳理人工智能的发展脉络：1956年达特茅斯会议正式确立“人工智能”概念，随后感知机、专家系统、BP反向传播算法等关键节点接连突破。
一系列里程碑事件串联起技术跃迁：1997年IBM“深蓝”战胜国际象棋冠军，展现计算机的算力优势；2006年辛顿提出深度学习算法，为AI爆发奠定算法基础；2012年AlexNet推动计算机视觉大规模应用；2016年AlphaGo战胜围棋高手，印证AI在复杂决策中的潜力；2017年Transformer架构发布，成为今天大模型的基石。
讲座现场
三类学习范式与典型网络结构
围绕AI工作原理，杭教授讲解了机器学习与深度学习的基础概念，并介绍了三类主流范式：有监督学习、无监督学习和强化学习，分别用于图像识别、机床工况分类和AlphaGo自我对弈等场景。
杭教授还梳理了多层感知机、卷积神经网络、Transformer、循环神经网络和生成对抗网络等典型结构，并强调“Harness（缰绳）工程”在AI Agent系统中的关键地位——它如同操作系统，通过任务拆解、工具调用和循环校验，保障大模型执行复杂任务时的稳定与可靠。
讲座现场
物理信息神经网络：给AI装上“物理约束”
针对先进制造中纯数据驱动AI建模的痛点，杭伟教授引入“物理信息神经网络”：将物理机理约束与数据驱动结合，降低模型对大规模数据集的依赖，提升在制造场景中的可信度与物理解释性。
落地案例：从预测模型到加工路径规划
化学机械抛光去除率预测模型：输入17维工艺参数，神经网络有效预测去除率，破解加工“黑箱”。刀具寿命预测模型：融合切削力、振动、温度时序信号与刀具图像，监督学习精准识别磨损状态，辅助优化换刀时机。
深度强化学习路径规划：智能体自主试错学习最优走刀轨迹，初步提升加工效率。
未来方向：感知、优化与协同
展望AI在先进制造的未来，杭教授认为其将在感知检测、预测与工艺优化、智能仿真与执行等方面发挥更大作用，重点研究方向包括多模态状态感知、物理约束与跨工况迁移、制造智能体与人协同等。
2 互动与收获
问答环节，现场同学就模型选择、算力消耗、AI智能体适用范围及模型迁移等问题踊跃提问，与杭教授深入探讨。杭伟教授耐心解答，并分享团队研究中的宝贵经验与思考。本次讲座内容丰富、视野开阔，既加深了同学们对人工智能发展与应用的认知，也激发了对AI赋能先进制造的浓厚兴趣，为大家未来的学术研究、职业发展提供了宝贵启示。
现场互动
中山大学岭南学院数字经济硕士项目“前沿智汇”系列讲座持续围绕人工智能、数据要素、数字金融等前沿话题，邀请业界领袖与学术大咖，搭建产学研深度对话的高端交流平台。
心得体会
赖朝华（26PS班）
杭伟老师的人工智能讲座，先是做了一次 AI 基础概念的扫盲，在老师的讲解和视频演示下，那些曾经听着迷迷糊糊的名词——CNN、Transformer、MLP、Sigmoid 函数、梯度消失等等，一下子清晰起来；同时我也初次接触到PINN（物理信息神经网络）和harness engineering（驾驭工程）等概念。这些对我接下来要考的人工智能训练师证书很有帮助。在AI+应用案例中，刀具寿命预测很有意思。原来什么时候磨刀、什么时候停刀换刀，对生产线的影响这么大。通过监督学习里的回归任务来进行刀具剩余寿命预测，虽说离真正上产线还有一段路，但应用潜力巨大，值得关注。最后杭老师在展望制造智能的未来方向时，提到了人机协同。现阶段人机协同融合程度有限，智能制造尚未达到高度自主化水平，领域内仍存在大量技术落地与优化空间。但也正是因为如此，我期待AI 时代奇点的到来。
陈美玲（26PS班）
杭老师的《人工智能与先进制造》讲座帮我理清了一条线索：从深蓝、AlphaGo到Transformer、DeepSeek，算力、算法、数据叠加才形成这轮“寒武纪大爆发”；中美走了两种路径：一边追求算力上限，一边靠场景落地。作为初学者，我原以为难点在模型，而“Harness”的比喻让我改观：模型只是逐词采样，真正决定质量的是模型之外的规划、工具调用与校验这一整套约束。最触动我的是三个案例：抛光去除率预测、刀具寿命监测、加工路径规划，把三类学习范式从公式变成车间里的效率；PINN（物理信息神经网络）用物理残差约束损失函数，补上纯数据驱动可解释性差的短板。AI的价值不在参数规模，而在能否读懂场景约束。下一步我想补物理信息建模的底子。
雷雨恬（26PS班）
整场讲座，使我印象最深刻的是控制工程中“Harness”这个词——大模型是“千里马”，Harness 是缰绳，靠规则、检查与边界约束，确保它执行任务时不跑偏。这正是与我产品运营策略管理机器相关的内容，我的工作职责就是控制产品运营策略，为业务套上“合规的缰绳”，在效率与风险之间守住边界。而“物理约束”PINN给了我更大的启发：运营策略制定不能只做“事后检查”，更该像把物理机理写进模型那样，把制度红线内嵌到流程前段，实现事前预防、事中拦截。至于“需求—规划—生成—验证”的循环，本质就是策略制定全流程闭环的AI版本。这场讲座让我确信：AI对许多传统业务内容不是取代，而是升级为从“人盯流程”走向“规则+数据”双驱动的智能管控。
