万字长谈丨同济工智院华先胜：工程智能，是AI的「成人礼」
今天的 AI 已经足够耀眼。它能在几秒钟内写出文章、生成代码、绘制图像，也能像助手一样拆解任务、调用工具、给出方案。对很多人来说，AI 的未来似乎已经清晰可见：更高效率、更低成本、更少人力，以及越来越自动化的生产流程。
但同济大学工程智能研究院的华先胜院长看到的则是另一面。
在他看来，AI 真正的挑战不在于能不能“说得像人”，而在于能不能进入那些不能靠语言流畅度解决的真实系统。工程世界就是这样的系统，它关乎楼宇是否安全、桥梁是否可靠、交通是否顺畅、能源能否稳定调度、城市能否持续运行。
这里没有简单的标准答案，也不能用幻觉冒充创造力。一个 AI 模型即使能写出完美方案，也不意味着它理解了工程现场。
所以，工程智能要回答的第一个问题是：AI 如何从数字世界走向物理世界？
华院长认为，工程智能不是 AI 与工程的简单相加，它既要用已有 AI 技术解决工程问题，也要从复杂工程系统中倒逼新的 AI 理论和方法，更要把这些能力沉淀为平台、模型、智能体和操作系统，让工程智能从单点突破走向规模化复制。
这也是他从微软、阿里、城市大脑一路走到同济工程智能研究院后形成的判断：AI 落地不能只靠“拿着锤子找钉子”，也不能只靠一个个项目堆起来。 真正的工程智能，必须长在产业现场，也必须长成一套体系。
而更深层的是，华先胜并没有把工程智能仅仅看成产业效率工具。他同时追问了另一个更难的问题：当 AI 越来越强，人会不会被系统边缘化？
如果 AI 只沿着替代人的方向发展，它可能带来岗位替代、认知退化和精神操控。但如果换一条路，让 AI 成为人的共创伙伴，让模型/智能体的能力和人类的非逻辑创造力彼此激发，AI 就不再只是“完美机器”，而可能成为一种共生智能。
于是，工程智能在这里获得了双重含义：一方面，它是 AI 进入复杂工程系统的技术路径；另一方面，它也是重新设计人机关系的一次尝试。
基于这些判断，雷峰网与华院长进行了一次系统对话。对话从“工程智能究竟是什么”开始，一路延伸到复杂工程系统、产业规模化落地、工程智能操作系统、灵感计算、人机互信，以及 AI 时代人的位置。
某种意义上，这不仅是一场关于工程智能的访谈，也是一场关于 AI 未来路径的再追问。
01
工程，是 AI 的试金石
雷峰网：工程智能对很多人来说还是一个比较新的词。您能否先解释一下，它到底在解决什么问题？
华先胜： 要解释工程智能，首先要讲清楚“工程”在这里指什么。今天很多人讲工程，尤其是做计算机的人讲工程，更多想到的是 software engineering，也就是软件工程。但我们讲工程智能时，“工程”至少有两层含义。
第一层是传统工程，也就是推动人类社会进步和发展的那些基础设施与产业系统。比如建造房子、楼宇、桥梁，属于建造；制造本身也是非常大的范围；交通是交通工程，能源有能源工程，材料、医学、海洋等领域里也都有工程问题。
如果稍微收窄一点，可以理解为传统工科所关注的工程问题，包括建造、制造、能源、汽车、交通、海洋等。很多时候，科学和工程之间的边界并不只是看题目本身，而是看推动这个领域发展的方式。比较偏工程方法的，都可以归入工程范畴。
第二层则更接近过去讲的软件工程，但我们不简单称之为软件工程，而是称为“硅基工程”。人工智能要真正实现产业规模化落地，也需要工程能力。
也就是说，当我们用 AI 方法解决了传统工程中的难点问题之后，怎样让它走向规模化？这就需要构建系统、平台和工具，让更多人能够使用，而不是每一个工程问题都必须由顶尖 AI 专家和顶尖工程专家坐在一起才能解决。这个世界上的工程问题太多了，如果都只能依靠少数顶尖专家一对一解决，就很难形成规模化。
所以，工程智能可以有一个比较正式的定义： 人工智能与工程实践的深度融合，利用人工智能技术深入解决工程领域的核心问题，实现对工程实践规模化赋能的变革性技术范式。
不过这个定义比较书面，我更愿意从三个层次来解释。
第一层叫 “工程 + 智能” 。也就是用今天相对成熟的人工智能技术去解决传统工程中的具体问题。例如，在建造领域，设计一栋楼、一座桥时，能不能用 AI 辅助设计，让设计速度更快、方案更合理、更有创意？一栋楼已经建成之后，能不能用 AI 对楼宇健康状况进行预测？在交通领域，能不能用 AI 提升城市交通效率和交通安全？这些都属于工程 + 智能。
它当然也是工程智能的一部分，但还不是最核心的部分。因为这一层往往不一定会对人工智能本身提出非常高的新要求，更多是在已有技术基础上做一些增量创新，解决某个具体领域问题。
第二层才是 真正作为一个词的“工程智能” 。它不是工程和智能的简单相加，而是因为传统工程领域中存在大量今天技术难以直接解决的问题。
工程系统往往非常复杂，比如建一座桥、优化一座城市的交通、调度一个城市的能源或电力系统，这些都是复杂系统。今天的 AI 技术还不能直接解决这些核心问题，于是它反过来会给人工智能提出新的理论和方法要求。
我们发展新的 AI 理论与方法去解决这些工程问题，一方面推动工程学科和工程技术的发展，另一方面也推动人工智能技术本身的发展。到这个阶段，它就成为一个新的领域，放在学校里讲，也可以说是一个新的学科。
第三层是 工程智能操作系统 。我们希望把那些看起来高大上的技术，变成大家都能使用的工具。就像今天我们用 Windows、Office、PowerPoint，不需要微软工程师和我们一起写文档、做幻灯片；医生用 CT 做诊断，也不需要理解 CT 机内部如何成像、如何重建，只要会使用设备，就能做诊断、制定治疗方案。工程智能也要走到这个阶段，才能真正被规模化使用。
这三个层次不是先后割裂的。我们现在同时在做三件事：第一，用现有技术去看工程问题；第二，针对工程里的难点问题发展新的方法；第三，从现在开始构建平台系统，今天能解决多少问题，就把多少能力放进系统里。系统变成开放系统之后，更多人也可以一起贡献。
我还经常用“点、线、面”来解释工程智能。 点，是解决某一个具体问题。 比如某一个蛋白质结构预测，或者某一个作物的育种问题，都是点。 线，是能解决一类问题 ，例如不仅能做大豆育种，也能做水稻、玉米等作物育种，形成一个加速育种的平台。 面，或者体，是在一个领域里能解决一组相互关联的问题 ，比如农业里不仅做育种，还能做精准种植、农业机械化、加工等。
如果只做点，很难形成一个领域或学科；至少做到线，才可能成为一个领域，成为一个平台，成为一种赋能工具。我们的目标是从点到线，再到面。当然，从点到线相对容易，走到面需要很多年的积累。
雷峰网：您过去做过城市大脑、视觉智能，也做过 AI 的平台化和系统化。现在推动工程智能，背后的判断是什么？为什么是现在？
华先胜： 过去其实也在做，只是还没有那么成体系。今天把工程智能这件事提出来，是因为技术和产业发展到了一个可以更深入、更大规模推进的阶段。
第一个维度是 工程本身的需要 。工程非常重要，真正改变世界的很多东西其实是工程。当然，工程很多时候来自科学突破，科学理论再进入工程应用，推动人类改造和适应世界。
城市建设、大陆桥梁、飞机、大型水电站、大型建筑，本质上都是工程。中国本身也是工程大国，但今天的工程系统越来越复杂。大型水电站、飞机制造、大型建筑等系统一旦出问题，很多时候是灾难性的，因此迫切需要新的方法来保证可靠性和安全性。
我们过去一段时间做了很多探索，后来发现这和钱学森先生当年讲的 “开放复杂巨系统” 非常相关。
工程里的很多系统本质上就是开放复杂巨系统：组件非常多，耦合度非常高，相互依赖非常强；同时它不是封闭系统，而是在不断演进，并且与外部环境持续交互。比如电站会受到环境变化、水流变化、能量输入输出的影响；城市交通更是一个不断变化的开放系统。
这类系统还有涌现性。涌现就是从量变到质变，很多规律不是用以往方法能轻易计算出来的。今天大模型也有涌现，但老实说，背后的机制也还没有真正弄明白。
复杂工程系统也是这样：难以建模，模型建不好，就更谈不上推演、预测和优化。因此，工程需要人工智能去辅助、去赋能。
第二个维度是 人工智能本身的需要 。人工智能从深度学习时代发展到 2022 年底之后的大模型、智能体时代，速度非常快，威力也非常强。但它在数字世界里很强，在物理世界里仍然步履维艰。
今天机器人可以打拳、扭秧歌、跳舞，甚至可以跑马拉松，但你让它真正完成一个任务，哪怕不是特别复杂的任务，也并不容易。让它照顾老人、照顾小孩，或者到大街上帮你取一个东西回来，这些都没有那么容易。更不用说真正的工程场景。
如果人工智能要真正成为改变产业的生产力，就不能只成为数字世界的生产力，还要进入物理世界。我们说人工智能是新质生产力，但它只有被规模化使用，才会真正成为现实的生产力。
工业革命也是一样，如果一项技术只停留在少数领域、样板领域，就不会推动产业革命。人工智能接下来除了数字世界，还要进入物理世界；除了样板，还要走向真正的规模化。
第三个维度是 技术已经具备了基础 。大模型、智能体、物联网、算力，以及过去十几年产业数据化的实践，虽然有成功也有教训，但都为规模化工程智能提供了必要基础。
产业界、政府和社会对人工智能的接受度也比过去高，尤其在中国，大家更愿意尝试。过去十几年，AI 落地往往只解决了一部分核心问题，很多产业核心问题其实没有真正解决，这也是难以规模化的重要原因。
此外还有 国际竞争格局 。很多人把一些国际计划理解为偏科学智能，但仔细看，其中也包含制造等工程内容。贝索斯较早提出 Physical AI，要投入巨额资金做这件事。
本质上，这也是工程智能的一部分，只是他更多讲制造，我们讲的范围更广。他的做法可能是把传统产业买下来直接改造，而我们更希望提供平台和工具，让产业自己在工具上完成改变。
雷峰网：您刚才提到，人工智能要从数字世界进入物理世界，真正成为现实生产力。但如果 AI 越来越强，会不会也带来新的风险？比如工作被替代、人的能力退化，甚至被算法操控？
华先胜： 这是一个必须正视的问题。我们在全速拥抱 AI 的同时，也要看到它发展路径里存在几重暗礁。
第一重是 生存的替代 。大模型和智能体已经开始改变岗位结构，特别是初级岗位、重复性岗位，受到的冲击会更明显。第二重是 认知的退化 。如果一个人习惯把思考、写作、判断都外包给 AI，大脑就会越来越少经历真正的训练。第三重是 精神层面的操控 。算法比你更了解你的喜好和弱点，它可以不断投喂你想看的东西，让人困在信息茧房里。
所以，问题不只是 AI 技术本身有多强，而是我们到底沿着什么路线发展 AI。如果我们追求的是一个“完美机器”，让它在越来越多场景中 100% 替代人，人就会被逐渐边缘化。它看起来提高了效率，但也可能带来岗位、认知和精神层面的长期风险。
我更关心的，是能不能用技术去解决技术带来的问题。也就是说，不只是靠伦理提醒、靠使用者自律，而是在系统设计之初就避免走向单纯替代人的路径。工程智能要进入物理世界、进入产业核心，就更不能只是做一个替代人的机器，而应该成为激发人类智慧和能力的合作伙伴。
02
工程智能，必须长在产业现场
雷峰网 (公众号：雷峰网) ：您经历过淘宝以图搜图这类超大规模 to C 场景，也经历过城市大脑这类 to B、to G 的复杂系统级 AI 工程。站在今天回看，这些经历让您对 AI 进入工程世界有了哪些不同判断？
华先胜： 人工智能领域有很多了不起的团队和人才，他们推动了技术和应用的发展。但如果要把“从技术到产业”这条路真正走通，需要一种综合能力：既要有算法研究能力，对算法原理有深入理解；也要有工程化能力，能够把技术转化为稳定可靠的系统和产品；同时还需要围绕真实业务和应用场景，持续打磨系统架构、产品体验和商业落地路径。
算法、系统、产品、产业落地之间不是一条简单的线，而是高度耦合的关系。 过去很多讨论是在说，到底是锤子找钉子，还是钉子找锤子：是先有算法再找场景，还是先有需求再找算法。
经过这些年的经历，我现在想做的事情不是判断到底谁找谁，而是让所有钉子都能有合适的锤子，所有锤子都能找到合适的钉子。更准确地说，是构建一个更大范围的架构， 让“找”的问题不再成为问题 。
如果总在纠结先做技术还是先找需求，就会一直停留在原来的问题里。我的想法是，把大的构想和系统架构设计出来，锤子和钉子都在里面，就可以直接用。
工程智能之所以强调认知，是因为认知会决定做法。为什么要区分“工程 + 智能”和“工程智能”？为什么要强调点、线、面？为什么要构建工程智能操作系统？这些都是过去二十多年经历逐渐沉淀出来的。
从微软搜索、必应搜索相关技术，到阿里拍立淘、城市大脑、医疗健康，再到今天做工程智能，很多理念是一脉相承的。只是今天技术和产业发展到了新的阶段，我想布一个更大的局，让人工智能技术和产业之间的 gap 在设计之初就被缩小，甚至不再成为最难的问题。
雷峰网：这是否也可以理解为同济大学工程智能研究院的核心定位和出发点？
华先胜： 可以这么理解。从学校层面看，最早的初衷是新的工程学科建设需要人工智能介入。做工程智能其实有两拨人：一拨是做工程的人往人工智能方向走，另一拨是做人工智能的人往工程方向走。
这两拨人各有优势和短板。工程领域的人对工程本身的认知非常深，这是他们的专业，也是非常重要的优势，否则你甚至不知道真正应该做什么问题。但他们不一定擅长 AI。做 AI 的人 AI 能力强，但对工程本身问题的认知不够。
两边甚至可能互相觉得对方做得不够好： AI 人可能觉得工程方法太简单，工程人可能觉得 AI 人没有做到正确的问题上。 工程智能研究院要解决的一个问题，就是让这两拨人不要割裂开做，而是在一起做。
同济的工程学科是优势，我来到同济做工程智能，也是希望发挥同济工程学科的底座，把工程智能真正变成一个词，而不是两个领域的松散拼接。更大的层面上，就是让人工智能从数字世界走向物理世界，真正成为生产力。