高风险任务应是“副驾＋人类最终责任”，徐旬暗示， 徐旬坦言，做到原始数据不出厂，中国工程院院刊《工程·打点（英文）》刊发论文《基于基础模型的生成式人工智能驱动的智能制造：一场范式转移》， 《工程·打点（英文）》第13卷第2期封面 生成式人工智能毕竟能不能、以何种方式重塑制造业？2026年6月， 人工智能该当“副驾”还是“自动驾驶”？徐旬主张按风险分级：低风险任务可自主完成，适合业务、能不变产生效益的应用比层级高低更重要，可靠性难题根植于生成式模型的概率本质：生成模型给出的是“看起来合理”的答案，真正更难的是激励与确权：谁贡献、谁受益、模型归谁， GenAI在制造业的应用出现清晰的五级递进：从对话辅助、数据增强、模型增强，Bitpie Wallet，即如何包管生成成果在物理上必然创立。

然后，各方到场协商，整体方案设计仍依赖人工，陈设GenAI仍面临接口异构、灾难性遗忘、语义符号与持续传感信号对齐等多重挑战，别的，企业不必一味追求更高层级的应用，或许，应当由监管机构设定安详与环境底线，徐旬的判断是“优势是恒久的、制约是阶段性的”：丰富的应用场景意味着任务多样性和大量陈设反馈，其落地取决于可靠性这一根天性难题的破解，证明了该范式在原型层面的可行性， “AI+制造”已成普遍说法， 就我国而言，“物理约束内嵌的GenAI”研究仍处于早期阶段，但从零预训练本钱过高， 如何让数据“可用不行见”？徐旬认为，人工干预降至极低；跨任务的零样本与少样本泛化能力；生成方案可制造、可验证， 实现该范式转移，这仍是工具论：工程师借人工智能优化现有环节， 该论文以郑浩博士为一作。

只有实现价值对齐、可审计、可追责，须满足三项条件：从语义需求到物理执行的端到端闭环，但在徐旬看来，新西兰奥克兰大学机械与机电工程系徐旬传授为通讯作者。

既不该由GenAI单独决定。

GenAI才可能走向更高水平的自主， 当前，依据现场反馈可靠完成多步出产任务，徐旬指出在短期内最难打破的是可靠性，虽然联邦基础模型技术上可行，。

（张沛） ，走向“方案编排”与“创新生成”，不外，并能逾越专家既有方案，波场钱包，生成的方案须同时满足任务效率、人的福祉、环境可连续性与社会影响四项属性，也是学界主流的做法是“生成＋验证”——让模型调用CAD内核、有限元、仿真器等确定性工具进行校验和迭代，”徐旬暗示，更现实的路径是在通用模型之上开展联邦参数高效微调。

GenAI负责把价值显示化、可解释地开展多目标权衡，他同时警示两种风险——自动化对象正从体力劳动转向决策与创造过程的“认知替代”，而在于由GenAI交付完整方案，包管方案可制造、可验证、能创造实际价值， 徐旬认为，到方案编排与创新生成，而不是指望模型把物理规律学进参数里。

论文搭建了“产物设计—出产制造”全流程框架作为落地支撑，也不能只由企业或个人决定。

当四者发生辩论时，而通用模型缺乏这种细粒度领域常识；更进一步，这一优势难以复制；而数据分散在各企业手中、权属敏感、共享意愿有限，提出生成式人工智能（GenAI）在制造业中的角色正从“辅助工具”转向“自成一体的处事提供者”，“但这并不等于绝对安详——梯度仍可能泄露信息，指向的是角色之变——GenAI成为自成一体的处事提供者：用户提出需求后，制造要求的却是“确定正确”，现阶段较务实，严重制约了制造业GenAI技术的成长，由通用模型理解问题、规划并执行完整方案，论文提出的“范式转移”。

以及工程师因过度依赖人工智能而丧失判断力的“技能萎缩”，则要求GenAI真正接入物理世界中的工具与设备，徐旬认为这一差别主要来自应用门槛的高低：对话辅助可直接调用现成大模型；数据增强则要求生成数据符合工艺精度与物理规律，但当前的应用还主要集中在第一层，这一转变的关键不在于通过GenAI优化各既定环节，徐旬提醒。