NIST 的 AI for Manufacturing 研究计划：面向人机协作的度量与标准

AI for Manufacturing 是一项研究计划，聚焦于测量科学与标准，以推动 AI 在制造业中的应用。该项目将四条研究主线整合为一个连贯议程：(1) 与产业界互动，识别真实用例与障碍；(2) 为人机协同开发基础度量指标；(3) 构建方法以认证操作人员对 AI 解决方案的理解；(4) 通过互操作性基准研究验证 AI 辅助的系统方法。该项目与 CESMII、MxD、America Makes、NIMBL 以及计划中的 AI for Resilient Manufacturing institute 等国家制造业研究所合作，目标是建立人机协同基准与评估方法，并通过 ISO、IEC 或其他专业协会为标准作出贡献。成果将为制造商、技术提供商和政策制定者提供基于证据的工具、指标和指南，以确保 AI 在制造业中的应用可靠、有韧性且可互操作，巩固美国在数字制造创新中的领导地位。

目标

开发必要的方法、指标、模型、工具和基于共识的标准，以可信且可互操作的高级数据基础设施和 AI 技术赋能下一代制造系统。更具体地说，该项目侧重于开发方法、数据集、工具和基准研究，使制造系统设计、运营和自动化中的人机协同可靠。

技术构想

该项目为选择适合制造应用用途的 AI 方法制定指南。为实现这一目标，我们的项目开发了一个整体性、与标准对齐的框架，包含基础模型、分类法和指标。通过若干深入案例研究，我们将展示该框架在制造业人机协同中的有效性，重点关注稳健评估和面向未来的互操作性。

将采用自上而下和自下而上两种策略来应对核心研究挑战。在自上而下方法中，人机协同研讨会将召集来自制造业、自动化、数字系统和研究机构的专家。该活动旨在收集专家驱动的用例、厘清挑战，并激发未来围绕标准开发的合作。

随后将系统性地收集和分析现场用例，并将其映射到既有的智能制造和 AI 参考模型上。这种映射将为开发人机协同有效性的稳健指标和分类法奠定基础。这些指标将通过深入案例研究进行验证，包括 AI 辅助生产调度、制造系统集成和预测性维护。

与此同时，自下而上方法将解决将 AI 应用于制造业中的紧迫实际问题。这一研究方向将支持标准界努力探究人机协同如何通过标准改进和简化制造系统工程。

研究计划

研究计划将四个相互关联的主题编织在一起。

利益相关方参与与用例动员

借助 TPO 资助，我们将组织一次专题研讨会和工作会，与来自制造业、自动化、数字系统及相关制造研究院所（例如 CESMII、MxD、America Makes、NIMBL、SMART、AI for Resilient Manufacturing）的利益相关方一起，收集、记录并分类真实用例，以突出人机协同和制造系统工程两方面的差距、需求与优先事项，并识别在制造工作流中采用 AI 所面临的技术、组织和标准相关障碍。

指标开发与分类法映射

我们将把已记录的用例整理成一个开放参考库，并映射到既有的智能制造参考模型和 AI 技术分类法。随后，我们将分析这些用例，以识别人机交互和集成流程在操作模型与错误模型方面的关键差距。基于这些发现，我们将开发并完善用于评估以下方面的指标：

人机协作有效性（HAC 指标）
AI 对不同制造任务的适用性
GenAI 应用中的团队协作、可解释性、可追溯性和信任
系统集成工作量、性能和语义正确性

并构建工具，支持在定性和定量评估中采集和使用这些指标。

方法开发与试点研究

该任务涉及开发正式的、模式驱动的访谈方法，用于需求引出，并使用为 AI 和人类理解分别定义的指标。我们将在模拟（GenAI 代理）和真实制造场景中试点这些测量方法——首先从生产调度或过程控制等目标应用开始。

我们还将开发并验证算法，用于自动生成与需求和操作员输入相关联的工程成果（V&V 图、功能流、审计追踪），并开展试点，以收集关于 AI 生成的制造解决方案在完整性、清晰性和可追溯性方面的详细指标。

在这些试点中，领域特定语言（DSL）和指标仪表板对 AI 与人类团队协作成功的影响将得到评估。我们将与合作伙伴一起，根据试点反馈迭代和完善方法，并记录用于标准工作的经验教训。

集成范式的比较基准测试

我们将使用一个增材制造 / MES 集成用例，对基于标准的、AI 生成的和混合的集成方法的有效性和效率进行基准测试。使用以下方式实施集成场景：

A. 基于标准的手动集成（例如 OPC UA、MQTT、REST）。
B. AI 生成的集成逻辑（尽量减少人工映射）。
C. 结合两种技术的 AI + 标准混合方法。

基于先前定义的通用指标，我们将定义并应用任务特定的综合指标：集成工作量（时间、资源、手动步骤）、性能（吞吐量、延迟、错误率）、语义正确性和可扩展性，以收集和分析数据，从而就每种方法的优势和权衡形成比较性的、基于证据的见解。

综合、报告与标准推进

我们将把所有任务的结果综合为结构化指导、标准建议和 NIST AMS 技术报告，包括：

向工作组（如 ISO/IEC JTC 1 SC42、制造业标准机构）分享指标框架和经验教训。
向制造商、技术提供商和合作研究机构传播建议和最佳实践。
制定并推广技术采用路线图，与国家人工智能战略和白宫人工智能行动计划保持一致。
促进持续的生态系统参与，以确保框架和指南与行业需求和技术进步保持同步。