2028年之后，模具车间里可能会出现这样的场景——AI设计助手自动调用CAD生成候选方案，试模Agent根据曲线数据推荐参数调整方案，具身智能机器人完成上下模操作。这不是科幻，而是中国模协白皮书对模具行业中长期技术演进的系统判断。

2023年以来，AI技术发生了几个关键变化，正在共同改变它在工业场景中的能力曲线。大语言模型（LLM）让AI第一次能“读懂”工艺规范、客户邮件、试模报告、CAD注释——过去AI只能处理数值和图像，现在它能理解文本语义，这意味着工艺知识不再是不可编码的“隐性知识”。视觉大模型（如SAM）让小样本/零样本视觉识别成为可能，视觉AI不再卡在“标注几万张图”的瓶颈上，模具行业多品种、小批量的特征尤其受益于这种“少样本学习”能力。智能体（Agent）+模型上下文协议（MCP）让AI可以主动调用CAD/CAE/MES/ERP等系统，完成多步任务——不再是被动的问答工具，而是能“做事”的数字员工。具身智能（Embodied AI/ROS2）让机器人开始具备视觉—语言—动作统一建模能力，柔性化车间不再只是设想。这些技术2026年仍处于“快速演进、部分可用”的阶段，对模具企业而言不是当前主战场，但2028年之后将逐步进入产业级落地。

白皮书将AI技术演进归纳为七大能力域，供企业判断技术方向、储备人才与数据。计算机视觉（CV）：视觉大模型、3D点云、异常检测等技术，在模具行业的潜在形态为缺陷检测、3D比对、试模视频监控，大致成熟节奏为2026已可量产、2028走向少样本/零样本。深度学习与时序建模（LSTM/Transformer、PINN机理+数据混合模型）：在工艺质量预测、寿命预测、模流代理模型方向，2026-2028试点深化。强化学习（RL：DQN/PPO、Safe RL、模拟器+RL）：在自适应加工、注塑参数自整定、排产优化方向，2027-2030进入受控落地——强化学习特别适合“试错成本高”的模具场景，通过在模拟器中训练策略再迁移到实际设备。大语言模型（LLM：通用/私有化大模型、行业微调）：在工艺规范问答、报价/报告生成、设计评审助手方向，2026已可量产（搭配RAG）。检索增强生成（RAG：向量库、嵌入模型、混合检索）：在案例库、3D相似检索、老师傅经验沉淀方向，2026已可量产。智能体+模型上下文协议（Agent+MCP：Function Calling、MCP、多Agent协作）：在设计助手、试模Agent、报价Agent、排产Copilot方向，2025-2026快速发展，2027+企业级落地。具身智能+ROS2（VLA模型、协作机器人、Sim-to-Real）：在上下模、模具搬运、装配辅助、柔性抛光方向，2027-2030试点，2030+规模化。

白皮书特别强调：MCP（模型上下文协议）是一个值得提前关注的趋势。MCP是由Anthropic推出的开放协议，让大模型以标准方式接入企业工具、数据、API——可类比为“AI的USB接口”。在MCP出现之前，每个AI应用调用企业系统都需要定制开发接口，成本高、周期长、难以规模化。MCP标准化了“AI如何调用工具”的方式，使得未来任何符合MCP标准的AI模型或Agent都能即插即用地接入企业系统。对模具企业而言，2026-2028年可以做的最有价值的“未来准备”，是把核心系统（CAD/PLM/MES/ERP）逐步具备API/MCP接入能力。这并不需要立刻上Agent，但会为未来5年的AI化扫除最大障碍。白皮书的判断是：MCP化的系统接口将成为2030年左右模具行业基础设施的标配——就像今天企业必须有网络一样，未来企业系统必须有MCP接口。

白皮书给出了四个时间窗口的行业形态判断。2026-2027（务实落地期）：多数企业从L1走向L2，AI应用集中在视觉检测、知识问答、设备监控，企业可观察到的变化是1-2个AI场景产生稳定业务价值。2028-2029（环节集成期）：头部企业进入L3，数据闭环初步形成，工艺参数推荐、寿命预测、AI排产开始落地，私有化大模型+RAG成为内部知识标配。2030-2031（Agent化期）：头部企业进入L4，“关键岗位+一位AI同事”开始出现，设计助手、试模Agent、报价Agent进入实际工作流，MCP化的系统接口成为基础设施。2032及以后（产业重塑期）：行业级L5形态出现，具身智能+ROS2在柔性工位试点，行业级缺陷库、共性模型、联邦学习生态成型。白皮书的核心建议是：别被远期愿景吓住，也别因短期紧迫而忽略它——把第八章作为“未来5年的方向尺”，把第一至七章作为“未来2年的施工图”，二者并行。

白皮书给出了“现在做/将来做”的对照表。数据层面：现在把试模、加工、质检、设备数据结构化进系统，未来形成企业级“模具知识中台”并对接行业数据资产。系统层面：现在让关键系统具备API/可被读取的能力，未来核心系统按MCP服务化，AI可跨系统调用。模型层面：现在上1-2个视觉/时序模型、把RAG知识库跑起来，未来引入私有化大模型、强化学习、具身智能。人才培养：现在培养既懂工艺又懂数据的“AI接口人”，未来形成AI工程师+工艺专家+Copilot编排者梯队。组织：现在建立AI项目机制、跨部门复盘，未来形成“AI助手×关键岗位”的新工作方式。核心逻辑是：今天的数据治理和系统接口建设，是未来承接AI技术演进红利的基础能力——不做今天的苦功夫，就没有明天的智能化。