2026年11月5日
一、轮胎看起来简单，工程问题却极难
车辆在高速公路上行驶时，驾驶员通常只感受到方向盘、制动和路面状况，很少想到轮胎这一层橡胶正在经历复杂的力学变化。它既要承受载荷，又要传递驱动力与制动力，还要面对温度、路面湿度、磨损和材料老化带来的性能变化。更麻烦的是，这些关键状态通常无法直接从汽车仪表盘上完整看到。11月4日，米其林与普瓦捷大学、格勒诺布尔阿尔卑斯大学、Grenoble INP及法国国家科学研究中心宣布成立I-TireLab联合实验室，四年计划投入约450万欧元，研究轮胎状态估计、车辆控制、橡胶制造优化与柔性材料流体控制四个方向。这个预算与大型制造企业的资本开支相比并不夸张，研究目标却贯穿产品服役、工厂生产和新材料应用。[1]
米其林把轮胎机理、生产工艺和真实试验条件，与大学实验室的建模、控制理论放到同一项研究中。合作方LIAS与GIPSA-lab在系统状态估计、控制方法和复杂系统建模领域具备学术积累，企业则提供产品使用知识、实验场地和工业数据。双方此前已有多年研究基础，如今以联合实验室延续合作。工业AI项目要在现场站住脚：模型可以很快写出来，但获取高质量工况、复现失败样本、获得工厂工程师信任往往需要多年积累。
二、第一件事：不加新传感器，推测轮胎到底怎么样了
I-TireLab的第一个研究方向，是从现有车载传感器的数据推测轮胎磨损和路面抓地状态，尽量不依赖新增专用硬件。米其林在2026年5月展示的Touch Intelligence轮胎数字孪生，已经提出结合车辆传感器信息和自身轮胎模型，实时估计胎压、磨损、载荷及抓地能力，并尝试兼容不同品牌与型号。汽车上已有轮速、加速度、转向、制动与稳定控制等测量信号，它们虽然不直接代表胎面磨损，却受到轮胎与地面相互作用的影响。通过适当的动力学模型与状态估计，有可能从这些间接信号中推断不可直接观察的变量。[1]
问题在于同样的轮速变化可能由多种原因造成：路面湿滑、轮胎压力不足、车辆载荷变化、驾驶习惯甚至传感器误差都可能产生类似信号。研究者需要在有限且噪声较大的观测条件下区分这些原因，再用不同车速、路面、温度和轮胎老化阶段的数据反复校验。状态估计领域常用物理模型、滤波器和数据驱动方法融合不同信息，具体采用何种算法还要以团队后续论文为准。模型如果只能在实验室的一类轮胎上表现良好，商业价值会受到限制；车辆跨品牌、跨季节、跨轮胎配方之后还能否保持稳定，才是大规模应用的难点。高频数据可以让系统及时更新估计结果，但估计的不确定度同样应被报告给上层车辆控制系统。
三、从知道抓地力，到决定何时刹车
第二个方向进一步把轮胎状态估计纳入车辆控制，研究在不同抓地潜力下优化制动和稳定性。制动指令发出后，控制器还要处理轮胎与路面的动态变化。轮胎与地面接触区可承受的纵向和横向力存在耦合，转弯时大幅制动可能影响侧向稳定，湿滑路面的允许力范围又随时间变化。状态估计系统如果能给出可信的抓地能力范围，控制器就有机会更早调整制动力分配或稳定性策略，改善车辆控制的稳健性。估计结果需要先经过约束计算，才能用于制动动作；黑箱模型不能直接连接制动执行器。[1]
安全相关的工业智能尤其需要严格分层。传感器层提供轮速和惯性数据，估计层融合机理与历史信息，控制层根据约束计算动作，车辆系统还必须保留独立的安全保护逻辑。任何模型输出都应包含时效性、置信范围和失效条件，并由现有的汽车功能安全机制限制其作用。需要验证的工况包括积水、突然变道、紧急制动、长期磨损及传感器丢失；平均性能、最差情况和极端事件都要纳入观察。米其林此次公布的是研究方向，尚未发布装配该技术的新制动产品。正因这一技术触及安全关键控制，其研究进展比一项单纯的预测分数更需要长期实车证据。
四、第三件事：把橡胶生产线变成可以预测的系统
相比公路上的轮胎，橡胶工厂里的智能控制可能更容易首先产生可计量的经营收益。I-TireLab第三项研究是建立制造设备的仿真和控制工具，预测生产设备运行状态，优化参数设定，以保持橡胶质量一致并降低原料浪费与能耗。轮胎生产涉及复杂材料配比、混炼、挤出、成型和硫化等过程，部分质量结果要到后续检验阶段才充分显现。工艺工程师可能知道某个温度、时间或速度变化会影响性能，但实际设备存在迟滞、热惯性、批次差异和操作约束，简单的数据拟合难以涵盖全部机制。把材料机理、设备动力学和历史产线数据结合起来，才能为提前预测、调整工艺参数建立可靠基础。[1]
这种建设路线与许多制造企业正在探索的工业智能体相通。先把产线的数据采集、批次追溯和工艺标准做扎实，再建立可复用的仿真模型，随后让优化算法在安全范围内寻找新的参数组合。模型提出的配方或设备设定应由工艺工程师审批，经过小批量验证后才进入常规生产。评价既看预测误差，也看废品率、材料单耗、能耗、批次一致性、清洗停机时间和质量异常响应速度。假设生产线节省了部分原料但增加了设备停机频次，整体经营收益可能反而不佳，因此需要把所有工序的成本放到同一张账本里。项目目前尚未披露量产节能率或良率提升的验收数据，这些指标应成为未来观察重点。
五、第四项研究最特别：让材料形状主动影响空气与水流
米其林提出的第四项研究并不局限于轮胎，而是面向能够变形的柔性复合材料，研究通过控制部件形状改变周围空气和水流。柔性结构和流体之间存在双向作用：流动造成结构形变，形变又会改变局部压力、分离与阻力，问题涉及流体动力学、结构力学和主动控制的耦合。对于传统CFD仿真，单个固定几何形状的计算已经具有不小成本；如果材料在运行过程中不断变化，模型就需要追踪几何、材料特性和控制输入的共同演化。联合实验室希望开发相应的建模和控制方法，为未来的柔性装备提供设计依据。[1]
米其林在公告中还把这一方向与Wisamo充气、可收放自动翼帆联系起来。Wisamo利用风力辅助船舶推进，目标是降低部分航行条件下的燃料消耗，企业表示首套翼帆当时处于交付阶段。相关科研可能帮助今后优化翼帆形态及其控制；目前没有I-TireLab具体节油幅度的公开数据。研究橡胶和轮胎积累的材料模型、控制技术和试验设施，可能继续服务海运、建筑和柔性机构。基础研究能否产生第二条产品线，往往取决于跨业务部门共享模型、数据和工程人员的组织能力。
六、数字孪生应当是一套“随时会被现实纠正”的模型
轮胎数字孪生的有用输出可能只是一组状态量：胎压、温度、载荷、抓地潜力及不确定范围；橡胶工厂数字孪生的核心也可能是一组能够解释工艺变化的模型。复杂的3D界面并非前提。系统需要及时接收真实测量，按新数据修正状态，并在模型偏离实际时发出提示。真实设备会老化，传感器会漂移，工艺原料会换批次；一套长期有效的孪生系统，需要明确版本管理、参数校准、在线验证和模型退役规则。I-TireLab把数据、机理与实验验证放在一个研究计划中，为这类持续校准提供了研究场景。[1]
在工程实施上，可以为每类孪生模型建立“有效工况清单”：样本覆盖的载荷、速度、温度、轮胎型号或生产批次分别是什么，超出范围后系统是否降级。对于用于建议的模型，可以允许相对宽松的探索；对于直接参与控制的模型，则应定义故障安全模式和回退路径。软件运行时还需要保存每次预测的模型版本、输入数据、置信度和最终处理结果，方便事后分析。物理模型与统计模型结合，便于解释和监测：数据驱动部分发现复杂规律，物理约束排除违反基本机理的异常结果，而现场试验决定能否投入生产。长期运行中，这三部分需要持续互相修正。
七、450万欧元应该怎样花，才能形成可继承的工业能力
四年450万欧元的公开投入，折合每年约112.5万欧元；各年的实际分配及各课题预算尚未披露。对于覆盖大学与企业的联合研究，这笔钱主要对应持续研发组织：实验仪器、试验时间、科研人员、软件工具、数据整理及跨团队协同。短期能够形成的成果可能是新的状态估计算法、控制器原型、标准化测试用例和论文；企业最关心的长期成果还包括可复用数据集、经过验证的模型库、工程设计方法以及熟悉工业现场的研究人才。若每次合作结束后数据和模型只能留在单个研究人员电脑里，下一项目还得从头开始，联合实验室的价值就会显著打折。
建设共享资产时还需要处理商业秘密与科研发表之间的边界。轮胎配方、制造设备参数与车辆测试数据具有不同的保密要求，企业可能只愿公开经过处理的参数或仿真场景，学者却希望发表可以复现的研究结论。好的合作会把原始受限数据、可用于论文的匿名数据、验证脚本和模型接口分层管理，既让学术成果经得起同行检验，也保护企业长期积累的工艺知识。对中国制造企业与大学合作的中试项目来说，这样的制度设计往往比购买最新GPU更能决定成果是否留得住。要让成果留在组织内部，还得把它转化成公司员工能够维护的工程工具。
八、从轮胎到泵阀、钢管和海工装备，可以借鉴什么
米其林的路径并非只适合汽车行业。泵阀运行中需要估计气蚀、磨损、效率衰退和密封状态；钢管焊接产线希望根据电流、电压、速度与材料变化预测焊缝质量；海上装备需要根据载荷、振动和环境条件安排维护计划。几类问题都有共同结构：关键状态无法轻易直接测量，但过程设备已经产生大量间接信号；物理机理提供边界，历史数据帮助校准，优化算法需要在安全和工艺约束下工作。因此可以从一条生产线或一类产品入手，先把状态估计做准，再拓展到工艺建议与控制，最后交给智能体组织跨系统协同。
在这一路线上，工业智能体适合作为使用入口与工作流协调者：自动读取试验数据和模型结果，调用有限元或工艺仿真软件，整理异常机理，依据企业标准产生验证建议，形成可追溯报告。实时闭环控制仍由经过验证的控制系统承担，工程师保留最终参数批准权。这样既发挥语言模型在跨专业信息理解和软件调用上的优势，也避免让它替代已有PLC、DCS及安全控制机制。业务平台应把机理模型、现场知识、历史案例和工程师判断接起来，让旧设备的数据进入可追溯的工作流程。
工业模型还需要把“实验室准确”和“现场可靠”分开验收。研究阶段可以用高精度仪器记录完整状态，生产阶段却未必允许安装同样的测量设备，因此必须检验模型对低成本传感器、数据缺失和温度漂移的适应能力。对于轮胎状态估计，验证要同时考察平均误差与急刹、长期磨损、不同路面下的置信区间覆盖情况；对于橡胶工艺优化，则要观察配方变化、设备维护后是否需要重新标定，以及模型推荐的工艺参数能否被现有生产制度接受。把这些边界写进项目验收标准，既能减少不成熟技术过早上线，也能让科研人员明确下一阶段最值得解决的问题。
九、工业AI下一阶段的竞争，不在宣传片里
I-TireLab值得长期追踪的结果有三类：轮胎状态估计能否跨车型与工况稳定使用，制造过程优化是否形成明确的物料和能源收益，柔性结构控制研究能否产生新的工程样机和应用。团队能否公开可重复的实验方法、工况覆盖范围与失败边界，同样决定外界怎样评价成果。由于研究才刚进入新的组织阶段，当前最可靠的信息是四年投入、合作机构、四个研究方向和现有技术基础，规划中的节能与安全效果仍待实验证实。
我们认为，这项合作的可借鉴之处在于，一家成熟制造企业把物理学、材料学、控制理论与数据技术放在同一张工程图上，并为反复实验预留足够时间。工业AI往往难在现场“脏活累活”：找对传感器、解释波动、发现模型失配、更新参数、把新方法交给生产团队。这些工作做扎实，人工智能才能成为日常工程能力。轮胎项目也因此为工业智能落地提供了具体的研究路径。
参考资料
- Michelin：《Inauguration of the I-TireLab joint laboratory》，2026-11-04。用途：合作方、450万欧元、四项方向、Touch Intelligence和Wisamo背景。https://www.michelin.com/en/publications/group/inauguration-of-the-i-tirelab-joint-laboratory
- Michelin：《The Michelin universal tire digital twin: whispering words of wisdom to your vehicle to keep everyone safe on the road》，2026-05-20。用途：Touch Intelligence的公开技术背景与无需新增专用轮胎传感器的目标。https://www.michelin.com/en/publications/products-and-services/the-michelin-universal-tire-digital-twin
- Michelin法文新闻稿：《Inauguration du laboratoire commun I-TireLab》，2026-11-04。用途：项目法文原始表述和合作机制交叉核验。https://www.michelin.com/publications/groupe/inauguration-du-laboratoire-commun-i-tirelab
说明：文中状态估计、控制与部署方案为基于公开研究方向的分析，具体算法和量产收益尚待披露。