一、成果简介

InMind旨在面向工业领域提供一站式智能应用研发与服务平台，提供从资源托管、数据治理、大模型研发到智能体构建与应用部署的一站式服务，助力企业低门槛、高效率构建工业智能应用，加速工业AI落地。平台统一管理工业数据、模型、工具和智能体等各类AI资源，目前已汇聚5万余个工业数据集、5千余个开源工业模型和6百余个工业工具，实现多类资源的集中管理、共享与复用；提供数据解析、清洗、合成与验证等数据处理工具，解决工业数据多源异构、高质量数据稀缺等问题；支持垂域大模型零代码在线微调、部署、评测及迭代优化，显著降低工业大模型研发与应用门槛；提供私域知识库构建、管理、检索与智能问答服务，促进企业私域知识高效沉淀、管理与复用；支持智能体零代码在线搭建与部署，使业务人员无需复杂开发，即可快速构建面向生产、研发、运维等核心场景的工业AI应用。依托该平台，团队已研发5个工业大模型、搭建12个工业智能体，依托相关成果已与华大九天、杭钢、成飞、杭州卓易德、云翼科技等企业开展合作及应用验证。

2026年，依托平台工业数据资源与治理技术及服务，InMind研发团队入选浙江省首批“科学数据官”试点名单（“智能制造”领域）。

二、成果介绍

1、所属领域

人工智能大模型、智能化软件开发、工业领域智能应用

2、市场痛点

大模型在工业领域的落地应用痛点如下：

（1）高质量工业数据匮乏，数据治理成本高。工业数据来源分散、格式异构、噪声较多，高质量训练数据天然稀缺；数据解析、清洗、标注与合成等环节高度依赖人工和专业经验，处理周期长、成本高，制约大模型训练效果与迭代效率。

（2）垂域大模型微调门槛高，企业自主研发能力不足。大模型微调对算法能力、工程经验和算力资源要求较高，传统研发模式专业门槛高、实施难度大。企业虽拥有明确的行业知识和业务需求，但难以自主完成大模型的领域适配与持续优化。

（3）模型部署链路复杂，应用与运维成本高。大模型从研发到上线需经历环境配置、推理优化、接口封装、服务监控等多个环节，对算力基础设施和工程能力要求较高，部署繁琐、推理与运维成本高，制约大模型的快速落地和规模化应用。

（4）工业数据敏感度高，安全可控要求严。设计图纸、工艺参数、仿真结果等工业核心数据具有较高的敏感性和保密要求，采用公有云大模型服务存在数据外传和隐私泄露风险。企业亟需支持私有化部署和数据本地化处理的技术方案，在发挥大模型能力的同时保障数据安全与合规。

（5）知识服务与智能体构建能力不足，复杂业务智能化水平低。企业积累的大量文档、日志和专家经验分散在不同载体与系统中，难以有效沉淀、检索和复用；同时，面向复杂工业场景的智能体构建与业务流程编排门槛较高，跨知识、工具和系统的协同调用能力不足，制约大模型向生产、研发、运维等核心业务环节深度渗透。

3、核心产品

工业智能应用研发与服务平台InMind（https://inmind-ai.com），包含五大核心能力。

 

图1 InMind平台

（1）资源统一管理：构建统一工业资源管理平台，实现数据集、模型、工具等资源的集中管理与高效复用，解决资源分散、数据管控难等行业痛点，促进企业知识沉淀与跨团队协同；平台已汇聚工业数据集超5万个、工业模型超5000个、工业工具超600个，覆盖EDA/CAD/CAE/工业数据分析等工业场景。

                                                                                             

图2 资源统一管理

（2）数据在线治理：构建“解析-清洗-合成-验证”全链路数据处理能力，实现复杂工业文档深度解析、数据自动去噪与标准化，并融合领域知识与生成式AI合成稀缺数据；平台已集成50余个专业工具，提升工业数据质量与可用性。

                                                                                               

图3 数据在线处理工具

（3）垂域大模型研发：提供全流程零代码研发工具链，支持数据构建、模型在线微调、部署、评测及迭代优化，显著降低工业垂域大模型研发与应用门槛。

                                                                                               

图4 大模型在线微调

（4）私域知识问答：智能解析私域文档、日志与专家经验，自动构建专属知识库，数据全程不出域，安全实现高效问答。

                                                                                               

图5 私域知识问答

（5）垂域智能体搭建：支持垂域智能体零代码在线搭建与部署，具备复杂任务规划、多工具调用与执行能力，无需复杂开发即可快速适配研发、生产、运维等核心场景的复杂业务流程。

                                                                                               

图6 智能体应用

依托InMind平台，团队已研发5个工业大模型、12个工业智能体，并形成以下典型应用成果：

①基于多智能体的端到端芯片设计（EDA）：支持从自然语言到GDSII的完整EDA设计流程；

② 基于UVM的芯片设计智能化验证：支持自动化生成UVM测试平台验证Verilog代码；

③CAE软件NASTRAN95逆向理解：通过代码大模型+程序分析+RAG+RLHF技术，成功提取功能模块与逻辑关系，生成详细设计文档；

④ 基于多智能体的复杂流体仿真：支持大模型与CAE工具链协同，实现端到端的仿真流程；

⑤ 工业机器人控制代码智能化生成：基于代码大模型实现六轴/七轴机械臂、移动机器人等工业场景的控制代码生成与仿真验证。

4、核心优势

（1）深耕工业领域，资源积累丰富：聚焦工业领域，持续沉淀工业数据、模型与工具资源，覆盖EDA、CAD、CAE、工业数据分析等典型工业场景，为工业大模型研发与场景应用提供丰富的资源支撑。

（2）工业数据智能治理，降低数据处理成本：平台提供在线数据处理工具，支持工业文档解析、多源数据清洗、稀缺数据合成、工业代码仿真校验等全链路能力，深度理解复杂工业文档，自动完成去噪、验证与标准化，显著提升数据处理效率，降低人力与时间成本。

（3）垂域大模型一体化研发，加速模型开发落地：支持模型微调、部署、评测及迭代优化全流程零代码操作，非专业用户无需编程即可完成领域模型定制；集成专属推理引擎，支持模型快速部署上线，显著降低工业大模型研发门槛，缩短从研发到应用的落地周期。

（4）零代码智能体搭建，实现复杂流程自动化：支持工业智能体零代码在线搭建与部署，具备垂域任务规划、多工具调用与执行能力，并支持多智能体分工协作，实现从自然语言指令、任务规划到执行反馈的全流程自动化，深度适配工业研发、生产等复杂业务场景。

（5）私有化部署，保障数据安全与自主可控：支持企业私有化部署与数据本地化处理，保障敏感工业数据安全，满足企业数据安全与合规要求；支持低资源环境高效运行，降低部署硬件门槛，并适配国产芯片与软件生态，满足企业自主可控需求。

5、应用场景

项目可广泛应用于工业领域的各个场景，包括但不限于电子设计自动化（EDA）、计算机辅助设计（CAD）、计算机仿真辅助（CAE）、工业软件研发辅助、芯片设计验证、工业数据处理、工业大模型微调、工业知识库等场景，同时依托“数据—模型—智能体”全链路平台化能力，可向其他垂直领域业务场景快速扩展。为工业企业、科研院所、政府主管部门、产业园区及行业开发者提供覆盖数据汇聚清洗、领域模型微调测评、业务智能体构建运营的全栈智能化支撑。

案例一：全链路芯片自主设计

针对芯片设计迭代周期长、依赖人工经验等问题，研发了基于多智能体的端到端芯片设计系统。系统融合EDA领域大模型、多智能体协作与工具链反馈驱动技术，打通逻辑综合至签核验证设计全链路，支持从自然语言到GDSII的完整流程，并通过时序、面积报告反馈自动迭代优化，有效提升了EDA设计开发效率与质量，为芯片设计智能化提供了技术支撑。       

 

图7 芯片设计全链路多智能体

案例二：芯片设计代码的智能化验证

针对UVM验证门槛高、周期长、依赖手工搭建等问题，研发了智能体驱动的UVM智能化验证系统。系统以UVM验证知识库为基座，通过语义解析、UVM生成、调试分析等智能体协同，根据RTL代码和需求描述自动生成含Agent、Sequence、Scoreboard的完整验证环境，打通编译仿真、覆盖率分析与调试定位全流，自动识别覆盖盲区并补充激励直至收敛，形成验证闭环，有效降低验证门槛、提升验证效率，为芯片验证智能化提供了技术支撑。  

图8 UVM测试平台智能化验证智能体

案例三：大规模CAE软件源码的逆向分析与理解

针对工业CAE软件代码庞大、文档缺失、理解改造困难等问题，研发了工业软件逆向理解与定制改造系统。系统采用代码大模型＋程序分析＋RAG＋RLHF技术路线，由源代码逆向推演生成详细设计、概要设计、需求设计三级文档，帮助开发者清晰全面理解目标代码库，又可融合代码、文档与定制场景生成定制功能代码，实现软件功能正向改造，为奠基性工业软件的消化、再吸收与自主化发展提供了技术支撑。  

图9 CAE软件代码逆向理解

案例四：面向复杂流体的智能化仿真

针对复杂流体仿真环节多、配置与排障困难、专业门槛高等问题，研发了基于多智能体的复杂流体仿真系统。系统通过大模型与CAE工具链协同，以任务规划、网格生成、文件编写、仿真执行、错误诊断、可视化六类智能体贯通端到端仿真流程，综合运用多索引检索、依赖感知文件生成与轨迹条件化迭代修复等技术，支持从自然语言到仿真结果可视化的完整流程，并在FoamBench平台通过110个模拟任务验证，有效降低仿真门槛、提升仿真效率，为工业流体仿真智能化提供了技术支撑。

图10 复杂流体智能化仿真智能体

案例五：工业机器人控制代码智能化生成

针对工业机器人编程依赖人工示教、门槛高等问题，研发了代码大模型驱动的工业机器人控制代码智能化生成系统。系统以移动机器人与六轴/七轴机械臂为平台，通过任务拆解编排、具身约束条件代码生成与场景图表达维护，结合语音识别、目标跟踪、语义地图构建与运动规划等云端智能能力，实现双机协同下用户自然语言指令直接驱动机器人自主完成导航、液体分装等现场工艺流程，有效降低编程门槛、提升工艺柔性，为工业机器人智能化应用提供了技术支撑。 

图11工业机器人控制代码智能化生成

三、团队介绍

1、团队负责人

孙海龙教授，博士生导师，北航杭州创新研究院智能化软件开发技术与环境平台负责人，入选国家级青年人才、教育部新世纪优秀人才和北京市科技新星等人才计划。研究方向为群体智能、智能软件工程、开源软件和分布式系统。主持国家重点研发计划项目2项、国家自然科学基金重点、面上项目多项，承担工信部高质量发展专项；发表论文130余篇，其中在OSDI、AAAI、ICSE等国际重要会议发表论文，获中国发明专利授权70余项、美国发明专利授权2项；出版《群智化数据标注技术与实践》教材，入选 “十四五”职业教育国家规划教材。曾获国家技术发明奖二等奖2项、教育部科技进步一等奖3项、北京市科技进步奖一等奖和中国电子学会科技进步一等奖等多项科技奖励。

2、核心团队

项目团队来自于北航杭州创新研究院智能化软件开发技术与环境平台，依托复杂关键软件环境全国重点实验室（杭州任务中心）开展工作。现有科研人员30余人，汇聚国家级青年人才6人，以国家级领军人才为带头人、以优秀青年人才为骨干，形成了强有力的科研攻关团队，具备科研创新、技术研发、应用验证到产业化实施的综合能力。团队可围绕不同应用场景，提供技术研发、平台建设、项目交付和部署服务。

四、合作方式

 （1）需求对接：面向包括但不限于工业大数据分析、工业研发设计（芯片设计和建模仿真等）、工业场景智能应用等领域的企事业单位，寻求有应用需求的合作伙伴，开展智能化开发环境定制、私有化部署及研发合作。

 （2）合作方式：包括但不限于合作研发、技术转移、专利转让等。

 （3）联系方式：sunhl@buaa.edu.cn