加快推动“人工智能+制造”深度融合发展

摘  要：在科技革命与产业变革加速背景下，人工智能成为制造业范式重塑的关键变量。基于《“人工智能+制造”专项行动实施意见》提出的到2027年关键核心技术安全可靠供给、通用大模型深度应用、工业智能体与高质量数据集培育及典型场景推广等目标，本文从新质生产力视角分析行业大模型、工业智能体、数据要素与算力底座的演进趋势，提出原材料、装备制造、电子信息等重点行业的差异化转型路径。针对工程鲁棒性、数据安全合规性、人才供给与互操作性不足等约束，提出“数字底座—能力内核—治理环境”协同推进策略。

关键词：全人工智能+制造；新质生产力；工业大模型；工业智能体；新型工业化；深度融合

近年来，人工智能大模型、工业互联网、数字孪生与边缘计算等技术持续突破，推动制造业数字化转型由“设备互联与数据可视化”加速迈向“模型驱动与智能决策”。与此同时，全球产业链供应链重构、绿色低碳约束强化以及需求波动加大，对企业在研发效率、生产柔性、质量一致性与运营韧性等方面提出更高要求。在此背景下，“人工智能+制造”不再是单点技术叠加，而是以数据要素、算法模型与算力底座为支撑的系统性变革，需要在政策牵引下形成可复制、可推广的融合路径。

一、战略背景与重要意义：重塑工业生产新范式

从国际竞合态势看，各主要经济体均将智能制造与人工智能作为提升产业竞争力的重要抓手。德国以“工业4.0”推进制造业数字化与网络化转型，美国通过“先进制造伙伴计划（Advanced Manufacturing Partnership）”等机制强化先进制造关键技术与产业生态，日本以“互联工业（Connected Industries）”促进跨企业、跨行业协同，韩国推进“制造业创新3.0（Manufacturing Innovation 3.0）”加快企业数字化与智能化升级。在此背景下，我国印发《“人工智能+制造”专项行动实施意见》（以下简称《实施意见》），加快推进人工智能技术在制造业融合应用，打造新质生产力，全方位、深层次、高水平赋能新型工业化。这标志着人工智能与制造业融合发展进入统筹谋划、系统推进的新阶段，具有重要战略意义。

（一）“人工智能+制造”是突破全要素生产率增长瓶颈的重要路径

改革开放以来，我国制造业形成了显著的规模与体系优势，但在效率边界、成本约束与要素驱动可持续性方面，现实压力不断上升。随着劳动力成本上升、资源环境约束趋紧、全球竞争加剧，单纯依靠要素投入扩张的增长方式难以为继。人工智能能够对生产运行数据进行分析、预测与优化，从而提升研发设计、工艺优化、排产调度、质量检测与设备运维等环节的效率与稳定性。《实施意见》将“加速全流程转型升级”作为重要方向，强调推动大模型技术深度嵌入生产制造核心环节。从国际经验看，麦肯锡基于全球“灯塔工厂”实践指出，在吞吐、质量、交付等关键指标上实现20%~60%量级改善在一定条件下具有可达性。在预测性维护等典型场景中，先进分析与AI应用可将停机时间降低30%~50%。对制造业大国而言，上述改进若能规模化复制，将为生产率提升与成本结构优化提供可观空间。

（二）“人工智能+制造”是培育新质生产力的重要引擎

新一轮科技革命和产业变革下，制造业竞争是否具有优势越来越取决于协同能力，特别是数据要素组织、算法模型迭代与算力资源配置能否形成合力。人工智能可增强对复杂工艺机理与多变量系统的刻画能力，也能提升过程优化与控制水平，从而带来以高技术、高效率、高质量为特征的生产力增量。《实施意见》将“打造新质生产力，全方位、深层次、高水平赋能新型工业化”作为政策目标之一，明确了以AI推动产业迈向价值链中高端的导向。相较于传统改进多为线性累积，智能化能力一旦进入可迭代、可扩散的组织机制，边际收益更可持续释放。这为我国制造业由“规模优势”向“质量效率与创新优势”跃迁提供了关键支撑。

（三）“人工智能+制造”有助于构建“模数共振”的内生增长机制，形成可持续竞争优势

《实施意见》部署“开展‘模数共振’行动”。一方面，提出梳理适配行业模型需求的数据资源清单，推动将基础数据转化为高质量行业数据集，实现“以模引数”。另一方面，指导企业加强数据工程能力建设，探索建立“数据协同、模型训练、应用开发、安全保障”一体化机制，实现“用数赋模”。其核心逻辑是以模型需求牵引数据治理与资产化，再以高质量数据反哺模型训练与评测迭代。通过持续迭代，可提升模型在工业场景中的可靠性、鲁棒性与可迁移性。随着“数据—模型—应用”闭环强化，企业与产业链更容易沉淀行业知识资产与工程能力。在安全治理与标准体系约束下，上述能力还可实现规模化扩散，从而构筑更稳固的长期竞争优势。

二、核心趋势：技术演进驱动体系重构

根据《实施意见》设定的目标，到2027年，我国将推动3~5个通用大模型在制造业深度应用，推出1000个高水平工业智能体，打造100个工业领域高质量数据集。这些量化指标的背后，是人工智能技术在制造领域应用范式的深刻变革。如图1所示，未来三年的技术演进将围绕行业模型体系、工业智能体、算力底座与软硬件协同、智能化与绿色化协同四大趋势展开，形成相互支撑、循环迭代的演进格局。

（一）行业模型体系加速“垂直化+轻量化”，走向“云—边—端”协同

通用大模型在知识表达与交互生成方面具备显著优势，但制造业场景对实时性、可靠性与安全性提出更高要求，这决定了其落地不能简单“照搬移植”，而需要围绕工艺机理、设备特性与业务流程进行行业与场景的适配。《实施意见》明确提出：开发适应制造业实时性、可靠性、安全性特点的高性能算法模型，培育重点行业大模型，发展“云－边－端”模型体系；打造面向工业细分场景的小模型，鼓励大小模型协同创新，推动模型轻量化部署，加快在工业场景落地应用。由此可见，未来一段时期工业大模型的主线趋势将是：以行业模型增强专业性，以小模型提升确定性与可验证性，并通过“云—边—端”架构在效率与可靠性之间实现工程化平衡。

（二）工业智能体从“功能插件”迈向“任务单元”，推动制造过程更高水平的闭环优化

智能体正在成为大模型与工业现场之间的关键“执行层”。《实施意见》提出“推出1000个高水平工业智能体”，并强调在重点领域中研发面向工业互联网等基础设施的数据集、大模型与智能体，推进人工智能技术在基础设施规划、建设、运营、维护等环节深入应用。这表明政策所指的“工业智能体”，并非局限于传统意义上的单一算法模块，而更强调面向任务的组合能力：将感知、理解、推理、规划、控制与反馈融为一体，在明确的安全边界与工程约束下，为设备运维、质量检测、工艺优化、排产调度与预测性维护等典型环节提供可持续迭代的闭环优化能力。需要强调的是，在工业高安全性与高可靠性要求下，智能体能力提升往往呈现“从辅助决策到协同决策，再到受约束自治”的渐进路径，其核心不在于追求无边界自治，而在于可验证、可追溯、可控的增量智能。

（三）算力底座与关键软硬件协同成为规模化落地的“先决条件”

人工智能在制造业的广泛应用，离不开算力供给、工程平台与关键软硬件的体系化支撑。《实施意见》在“强化人工智能算力供给”中明确提出：推动智能芯片软硬协同发展，支持突破高端训练芯片、端侧推理芯片、人工智能服务器、高速互联、智算云操作系统等关键技术；有序推进高水平智算设施布局，加快建设全国一体化算力网络监测调度平台，促进算力资源高效利用；开展智算云服务试点，推动大模型一体机、边缘计算服务器、工业云算力部署，提升智算资源供给能力。这一系列部署意味着，面向制造现场的AI能力供给将更多体现为“云端训练/协同+边缘推理/控制+端侧感知/执行”的一体化工程体系。其战略要义在于：通过可调度、可扩展、可安全治理的算力与平台底座，把“模型能力”转化为可持续交付的“工业能力”。

（四）“智能化+绿色化”协同强化：以能效与碳约束倒逼制造智能升级

制造业绿色转型与智能升级正在形成相互促进的双向关系。《实施意见》在总体要求中明确提出加快制造业“智能化、绿色化、融合化”发展，意味着“人工智能+制造”的绩效评价将不再局限于效率与质量，也将更强调能效优化、资源利用与绿色合规能力。国际权威研究亦表明，能源管理的系统化推进能够带来持续的效率改进，而数字化与人工智能等新进展可进一步在更大规模、更快速度上释放能效管理收益。与此同时，国际贸易规则的绿色约束趋势显著增强，例如欧盟已通过并实施碳边境调节机制（CBAM）相关法规，并在后续执行阶段强化其与进口产品隐含排放核算与合规要求的衔接。在此背景下，面向能耗与碳排放的过程感知、优化控制、核算追溯与合规报告能力，将日益成为我国制造企业参与国际竞争的重要基础能力，“绿色智能制造”也将从“加分项”转变为“准入性能力”。

三、落地路径：重点行业的差异化转型

制造业门类众多、工艺体系差异显著，推动“人工智能+制造”深度融合必须坚持因业施策、分类推进，避免“一刀切”导致投入与成效错配。《实施意见》明确提出：参考《人工智能赋能制造业重点行业转型指引》，分类制定“人工智能+制造”行业应用全景图和转型路线图，加快赋能原材料、装备制造、消费品、电子信息、软件和信息技术服务等制造业相关重点行业，加快标杆解决方案和经验推广应用。

基于上述政策导向，不同行业的落地路径应围绕其核心矛盾（研发效率、制造柔性、良率与可靠性、安全与能效等）配置模型体系、数据工程与智能体能力，形成“场景牵引—数据治理—模型/智能体迭代—规模化复制”的差异化转型路线。

（一）装备制造行业：聚焦智能研发、工艺优化与柔性生产组织

装备制造是现代工业体系的“骨架”，产品复杂度高、研发周期长、工艺与供应链耦合紧密，人工智能落地宜优先发力研发设计与生产组织两大环节。《实施意见》提出推动大模型技术深度嵌入生产制造核心环节，改造研发设计（含工业设计）、中试验证、生产制造、营销服务、运营管理等全流程，提升辅助设计、仿真模型构建、排产调度、设备预测性维护等能力，装备制造的“研发—制造—运维”闭环优化提供了政策抓手。

在研发设计环节，可将行业大模型与结构/流体/多体动力学等工程仿真工具、知识库与规范体系耦合，形成“需求解析—方案生成—约束校核—仿真评估—设计迭代”的智能辅助研发流程，提升方案探索广度与迭代效率；在中试验证环节，利用虚拟仿真、多模态融合等技术推进中试智能化改造，提高试验效率、降低试验成本。

在生产制造环节，应面向多品种小批量、交付波动等特征，强化排产调度、工艺参数优化、质量在线检测与产线状态感知等能力，通过“云—边—端”协同实现柔性切换与稳定运行。

在预测性维护方面，行业实践表明，面向设备状态的数字化与分析能力可显著降低非计划停机时间并提升吞吐效率；在跨行业场景中，机器停机时间降低30%~50%等改进并不罕见。

此外，《实施意见》在“产品突破：构建智能新产品新业态”中强调加快工业母机、工业机器人等各类工业装备搭载应用智能体，研制新一代人工智能数控系统，提示装备制造应同步推进“智能装备迭代—产线智能升级—运维体系重构”的协同演进。

（二）电子信息行业：突破设计验证效率与精密制造良率瓶颈

电子信息产业迭代快、工程复杂度高、质量一致性要求严苛，AI落地的关键在于缩短“设计—验证—制造爬坡”周期、提升良率与可靠性。《实施意见》提出在研发设计、中试验证与生产制造等环节推进智能化升级，并在生产制造环节强调深化AI在工艺优化、排产调度、机器视觉质检、产线实时监测与预测性维护中的应用，为电子信息行业的“高节拍+高良率”提供明确方向。

在芯片与复杂电子系统的设计验证侧，可引入面向EDA流程的机器学习与生成式方法，提升布局布线、规则检查与问题定位效率。以芯片物理设计为例，国际顶刊研究表明，基于深度强化学习的方法可在数小时内生成芯片平面规划方案，对比传统高度依赖工程师经验、耗时较长的流程，展示了AI在关键设计阶段提效的潜力（但工程落地仍需满足可解释性、可复现性与安全合规要求）。

在精密制造侧，应围绕关键工序构建“在线计量—视觉质检—异常检测—根因分析—参数回调”的闭环：一方面通过机器视觉与多模态质量检测提升缺陷检出与追溯能力；另一方面通过工艺优化与过程控制模型提升一致性与良率，并以产线实时监测与预测性维护保障高节拍连续生产。

（三）原材料行业：推进全流程智能优化与安全风险预警，兼顾能效与稳态运行

钢铁、石化、新材料等原材料行业通常流程长、连续性强、工况耦合复杂且安全风险高，人工智能应用宜以“全流程稳态优化+安全监测预警”为主线。《实施意见》明确提出深化AI在工业核心流程控制、工艺优化、排产调度等环节的应用，强化产线实时监测和预测性维护，并实现安全生产风险预警与事件告警；同时强调在绿色制造领域推进AI融合应用，针对能源和碳排放管理、资源循环利用等场景需求，研发推广智能化绿色化协同解决方案。

原材料行业的落地路径可概括为三类能力建设。其一，构建覆盖原料配比、关键工序控制、质量检验与能效管理的动态模型体系，实现过程变量的协同优化与“以稳态为目标”的自适应调参；其二，面向关键设备与关键工序建立异常检测、风险评估与联动处置机制，将监测预警嵌入DCS/SCADA等生产控制体系，在严格的权限与安全边界内实现“可验证、可追溯、可干预”的风险治理；其三，将能耗与碳排放约束纳入优化目标函数，推动智能化与绿色化协同提升，实现降本、提质与减排的统一。

（四）消费品与软件信息服务业的共性路径

除上述三类行业外，《实施意见》同时将消费品行业与软件和信息技术服务业纳入重点赋能范围，提示应以“需求侧牵引+规模化复制”为特征推进落地：消费品行业侧重个性化设计、柔性供应链与全渠道服务；软件和信息技术服务业侧重工业软件与AI深度融合、平台化工具链与可复用组件沉淀，以支撑跨行业场景的快速交付与安全治理。

四、现实挑战与结构性矛盾

（一）技术成熟度与工程鲁棒性仍是规模化应用的首要瓶颈

制造业现场具有强耦合、多扰动、强约束等典型特征，对人工智能系统的实时性、可靠性与“失效安全（fail-safe）”提出高要求。一方面，数据分布随设备状态、原料批次、环境条件与工况切换而变化，导致训练阶段与部署阶段出现“分布漂移/域偏移”，模型在噪声干扰、数据缺失或异常工况下可能发生性能衰减甚至输出不稳定。这一问题已被机器学习领域关于分布漂移与OOD（Out-of-Distribution）数据处理的系统研究所揭示，并被视为影响安全与可靠应用的关键挑战之一。

另一方面，跨设备、跨产线、跨工厂的模型迁移与复用存在显著工程摩擦。不同企业在传感器配置、采样频率、数据口径、工艺窗口与控制策略方面高度异构，这使得“在A工厂有效”的模型到B工厂往往需要重新标定、再训练或进行域自适应改造，从而抬升了规模化推广的边际成本。国际权威框架亦强调，应持续评估AI系统的可靠性与鲁棒性，并在超出知识边界或出现异常时具备安全降级与监测响应能力，以满足高风险场景的可控运行要求。

（二）数据安全与合规治理压力上升，企业在“可用”与“可控”之间面临张力

与消费互联网数据不同，工业数据往往深度嵌入企业核心工艺机理、设备运行参数、质量控制逻辑与经营管理流程，具有显著的商业秘密属性与产业安全敏感性。数据一旦泄露或被不当推断，可能造成核心竞争优势受损，甚至引发供应链与产业链层面的安全隐患。我国已通过《中华人民共和国数据安全法》《中华人民共和国个人信息保护法》等上位法确立数据处理与安全保护的基本制度框架，并在工业和息化领域进一步出台《工业和信息化领域数据安全管理办法（试行）》，对数据分类分级、数据全生命周期（收集、存储、加工、传输、提供、公开等）安全管理提出明确要求，为数据开发利用与安全保护提供了制度依据。

但在实践层面，制造企业仍面临一组“操作性难题”：例如，跨企业/跨平台数据共享与联合建模涉及数据分级分类落地、权限边界、责任划分与审计追溯；模型训练与推理过程中可能产生对工艺机理或敏感特征的“间接泄露”风险；同时，多源异构数据的标准化与高质量治理成本较高，导致“合规可用”的数据资产供给不足。为此，工业和信息化部办公厅印发《工业数据分类分级指南（试行）》，明确工业数据范围与分类分级方法，旨在提升企业数据管理能力并为合规治理提供可执行路径。

此外，“决策信任”问题同样不容忽视。在关键工序控制、质量判定与安全预警等高责任场景中，若模型输出难以解释或追溯其依据，现场人员往往倾向于保守使用或回退到经验规则，从而削弱AI系统的实际效用。国际AI风险管理框架普遍将透明性、可靠性与持续监测作为提升信任与可治理性的关键要素，强调对系统性能与风险的周期性评估，并在失效情况下具备可控处置机制。

（三）复合型人才短缺与标准互操作不足叠加，形成“扩散速度受限”的结构性约束

“人工智能+制造”具有强交叉属性：既要求从业人员掌握机器学习、数据工程与软件工程能力，又要求其理解工艺机理、控制逻辑与现场约束。此外，复合型人才培养周期长、供给弹性不足，人才供给已成为转型扩散的重要约束之一。

在人才结构性短缺背景下，企业更依赖可复用的平台工具链与标准化解决方案来降低实施门槛。然而，制造业长期存在设备、系统与平台“多厂家、多协议、多口径”的客观现实，数据语义、接口协议、模型评测与系统集成等方面的互操作性不足，容易形成新的信息孤岛，抬高中小企业导入成本与不确定性风险。需要强调的是，“标准缺失”并非指我国缺少标准化工作基础。相反，国家层面已发布《国家智能制造标准体系建设指南（2024版）》，并提出到2026年制修订100项以上国家标准与行业标准的目标，同时工业互联网领域亦发布《工业互联网综合标准化体系建设指南（2021版）》，均旨在以标准体系支撑互联互通与高质量发展。

但从“人工智能+制造”的新需求出发，标准体系仍面临持续迭代压力。例如工业数据流通与可信共享、工业模型与智能体的互联互通、跨平台迁移与一致性评测等方向仍需进一步形成可落地的技术规范与行业共识。与此相呼应，《实施意见》提出研制开放协同的智能体协议和接口、提升智能体互联互通互操作效率等任务，表明标准与生态协同将成为下一阶段规模化扩散的关键抓手。

五、对策建议：系统性推动转型落地

为保障《实施意见》有效落地并实现“人工智能+制造”深度融合的战略目标，有必要构建“三层同构”的实施路径。如图2所示，该框架从数字底座、能力内核、治理环境三个层面协同发力，以“数据要素可用、模型智能可信、应用扩散可控”为核心目标，形成数据驱动、能力协同、生态反哺的闭环机制。《实施意见》围绕算力供给、行业模型、数据集建设、标准引领、安全治理、人才引育与服务体系等方面已作出系统部署，因而对策设计应在政策框架内突出工程化可操作性与跨主体协同效率。

（一）夯实“数字底座”：以高质量数据与弹性算力破解瓶颈

数据是制造业人工智能应用的关键基础要素。围绕《实施意见》提出的“模数共振”行动及数据工程能力建设要求，应将数据治理从“采得全”转向“用得好”，并以高质量数据集带动行业模型与智能体的持续迭代。总体上可按“标准化治理—高质量数据集—可信共享”三步推进。

1.以标准化治理提升数据可用性与一致性

在推进数据管理能力成熟度贯标的基础上，建议面向重点行业形成可落地的数据采集规范、口径统一规则、标注体系、质量评估方法与版本管理机制，推动工业数据从“可采集”迈向“可训练、可复用”。

2.以高质量行业数据集为抓手，构建可持续供给机制

依托高质量数据集建设指南与数据集建设目标，建议形成“行业公共数据集+企业专属数据集”的双层供给体系：公共数据集用于共性能力训练、评测基准构建与跨企业对齐；企业专属数据集用于场景化调优、持续迭代与专有知识沉淀。

3.以隐私计算支撑跨主体协同建模，在安全前提下释放数据价值

对涉及商业秘密、关键工艺与敏感参数的数据，建议在合规边界内采用联邦学习、隐私保护聚合与安全多方计算等方式开展协同训练与联合分析，实现“数据不出域、模型可协作”，降低跨组织数据共享的安全与合规成本。

算力方面，面向制造现场“低时延、高可靠、可持续”的需求，应形成“云端训练/协同+边缘推理/控制+算力网调度”的弹性供给体系，并强化容灾、冗余与调度机制，实现平急两用（平时支撑生产与迭代，应急支撑关键任务快速接管与资源调配），以提升智能制造体系的韧性与安全性。

（二）健全“能力内核”：以中试验证、评测基准与可解释性提升技术供给质量

制造业场景对实时性、可靠性与安全性要求高，人工智能方案需要经历“算法/模型—工程化—场景验证—迭代优化”的全过程。针对工业场景“落地难、复用难、可信难”的共性问题，建议从中试平台、评测体系与可信机制三方面补齐能力短板。

1.加强面向制造业的“应用中试—验证—复现”公共能力建设

以国家人工智能应用中试基地等载体为核心，构建可复用的中试环境与测试流程，使模型在投入生产前完成鲁棒性、边界条件与失效模式验证，降低企业尤其是中小企业试错成本，并提升方案可复制与可迁移水平。

2.以评测基准与权威榜单解决“好不好用、能否复用”的问题

围绕典型工业任务（设备健康、质量检测、工艺优化、排产调度、安全预警等）建立统一指标体系与数据切分规范，形成可公开、可复现、可对比的评测基准，避免“单点演示优、跨场景落地弱”的评价偏差，并用持续评测牵引模型迭代与工程优化。

3.以可解释与可信机制缓解“黑箱”信任障碍

在工业关键环节，应将可解释性从“可选项”转变为“工程约束”：通过证据链呈现、关键特征贡献度说明、知识边界提示与不确定性标识等方式增强透明度，并将解释性输出与现场处置流程、权限控制和安全联锁机制相衔接，使一线人员能够在可理解、可追溯的基础上开展协同决策与责任闭环。

（三）完善“治理环境”：以标准、安全与生态协同保障规模化扩散

规模化落地不仅是技术问题，更是治理与生态问题。应围绕标准体系、风险治理与产业生态三条主线，降低互操作成本、明确责任边界、提升扩散效率。

1.以标准体系提升互联互通与可复制性

重点推进工业数据语义、接口协议、智能体互操作、模型评测与安全测评等标准落地，降低系统集成成本，提升解决方案跨企业迁移能力，并鼓励企业参与标准制定与国际标准对接，增强规则塑造力。

2.以“柔性治理+风险评测”探索创新应用的可控试点

在“柔性治理机制”框架下，可在重点园区与重点行业探索“分级分类、受控试点”的应用验证机制：对高风险工业场景（如涉及安全生产、关键工艺控制、关键基础设施运行等）设置更严格的准入条件、过程审计与第三方评测要求，并建立异常处置与退出机制；对低风险场景适度扩大试点范围与迭代频率，推动形成可回溯、可审计、可持续迭代的治理流程。

3.以“链主带动+服务商体系”降低中小企业门槛

鼓励龙头企业开放应用场景，培育一批“懂智能、熟行业”的专业服务商，提供行业模型调优、数据治理、安全保障与工程实施服务，向中小企业输出低成本、易部署、可运维的工具链与轻量化方案，支持中小企业以“小步快跑、迭代升级”的方式推进转型。

4.以人才体系建设形成长期供给

支持高校院所优化学科专业布局，推进产教融合与校企协同，依托产教融合创新平台、卓越工程师培养载体等培养既懂人工智能又懂制造业应用的复合型人才，并通过岗位培训与认证体系提升企业全员的数智化素养与技能水平。

六、结语

“人工智能+制造”并非技术叠加，而是以数据、模型与算力为基础，对研发设计、生产组织、质量控制与运维服务等环节进行系统性重构的生产方式变革。面向《实施意见》确定的目标任务，需在夯实数据与算力底座的基础上，强化行业模型与工业智能体的工程化供给，完善标准、安全与人才体系，通过重点场景示范带动规模化复制，推动制造业向智能化、绿色化、融合化方向持续升级，从而提升产业链供应链韧性与产业核心竞争力。

/*本文部分内容（图片）来源于网络，若牵涉版权请联系删除。

——欢迎登陆www.zhuzaotoutiao.com发表您的作品