摘  要:在“人工智能+”行動持續深入推進背景下，人工智能對制造業的賦能重心，正從單點技術突破轉向全產業鏈的深度集成，其影響范圍已由生產局部環節擴散至全生命周期，貫穿研發設計、生產制造與運維服務全過程的行業實踐不斷豐富。在研發設計、生產制造及運維服務等環節，形成可復制的創新模式。“人工智能+制造”，在研發設計環節聚焦數據與人才壁壘的突破，在生產制造環節著力夯實基礎設施并提升技術適配性，在運維服務環節貫通數據鏈條與建立信任體系，從而形成覆蓋全鏈條全生命周期的系統性方案。

關鍵詞:人工智能  制造業  數智化轉型  實體經濟

【中圖分類號】F426;TP18                       【文獻標識碼】A

“十五五”規劃綱要提出“全方位推進數智技術賦能”“促進實體經濟和數字經濟深度融合”。[1]數字經濟與實體經濟深度融合，是推進中國式現代化、建設現代化產業體系的必由之路。習近平總書記指出，要“推進互聯網、大數據、人工智能同實體經濟深度融合，推動制造業產業模式和企業形態根本性轉變”。[2]制造業是實體經濟的主體與根基，人工智能是新一輪科技革命影響未來發展的關鍵變量。人工智能與制造業的深度融合，是加快推進新型工業化、發揮制造大國與網絡大國疊加效應的必然要求，也是拓展經濟新空間、構筑國際競爭新優勢、加快建設制造強國的關鍵路徑。

作為引領新一輪科技革命的關鍵力量，人工智能的快速發展貫穿于國家戰略的系統性頂層設計之中。2015年，《國務院關于積極推進“互聯網+”行動的指導意見》將“‘互聯網+’人工智能”納入重點行動之一，[3]我國開始從戰略層面培育發展人工智能新興產業。2017年，國務院出臺《新一代人工智能發展規劃》提出“以提升新一代人工智能科技創新能力為主攻方向，發展智能經濟，建設智能社會”。[4]同年工業和信息化部印發《促進新一代人工智能產業發展三年行動計劃（2018—2020年）》，通過聚焦智能制造、智能服務機器人等重點產品，將宏觀規劃轉化為具體的產業落地路徑。[5]隨著生成式人工智能與通用大模型的集群式突破，技術通用性與賦能潛力大幅提升，政策重心開始從“技術培育”向“全域賦能”轉變。2024年政府工作報告提出“深化大數據、人工智能等研發應用，開展‘人工智能+’行動，打造具有國際競爭力的數字產業集群”。[6]2025年政府工作報告提出“持續推進‘人工智能+’行動，將數字技術與制造優勢、市場優勢更好結合起來，支持大模型廣泛應用，大力發展智能網聯新能源汽車、人工智能手機和電腦、智能機器人等新一代智能終端以及智能制造裝備。”[7]在此基礎上，《國務院關于深入實施“人工智能+”行動的意見》提出“人工智能+”科學科技、產業發展、消費提質等六大重點行動，并明確2027年新一代智能終端、智能體等應用普及率超70%、2030年超90%的量化目標。[8]制造業作為實體經濟的根基，成為“人工智能+”行動落實的關鍵領域。為加快推進人工智能技術在制造業的融合應用，打造新質生產力，全方位、深層次、高水平賦能新型工業化，2025年12月，工業和信息化部等八部門聯合制定《“人工智能+制造”專項行動實施意見》，為不同細分行業和企業提供具體“路線圖”與“操作手冊”，[9]實現從國家宏觀頂層設計向行業微觀應用場景的精準傳導，“人工智能+制造”步入全方位、系統化應用階段。

人工智能對制造業的賦能重心正從單點技術突破轉向全產業鏈的深度集成

在“人工智能+”行動持續深入推進背景下，人工智能對制造業的賦能重心正從單點技術突破轉向全產業鏈的深度集成，其影響范圍已由生產局部環節擴散至全生命周期，貫穿研發設計、生產制造與運維服務全過程的行業實踐不斷豐富。

人工智能通過對行業標準與研發經驗的深度集成，將隱性知識轉化為可調用的數字資產，驅動研發范式向數據驅動型轉變。以人工智能在汽車領域的應用為例，中汽數據針對汽車主機廠在試驗領域面臨的知識結構化困難、檢索效率低下、精準度不高等共性痛點，構建起“數據治理+大模型+業務場景”的全鏈路賦能體系，實現傳統試驗系統的智能化升級。在數據治理維度，中汽數據打造了多模態語料預處理智能體工具鏈；在應用場景維度，通過將碎片化信息轉化為結構化、可利用的知識，實現在試用場景中自然語言驅動的智能問答，并利用大模型的語言理解和生成能力，實現試驗報告的自動校核與可視化決策分析。[10]再以人工智能在鋼鐵行業的應用為例，在山東鋼鐵集團日照公司4300產線，轉鋼環節曾是長期制約生產效率的“攔路虎”——鋼坯溫度高達900℃～1100℃，操作人員需通過肉眼觀察配合操作臺手動調整輥道參數，勞動強度大且控制精度不足，直接導致生產節奏不穩定。為解決這一難題，山鋼日照公司設備部與中厚板廠自主研發并上線“利用AI機器視覺賦能4300粗軋機自動轉鋼”技術。該技術通過人工智能算法，實時識別鋼坯輪廓與角度，動態調整轉鋼速度；并與軋制控制系統實現毫秒級閉環聯動，使工人勞動強度降低80%以上，實現從“人工經驗判斷”到“數據算法決策”的跨越。[11]

人工智能與自動化技術深度融合，構建柔性、高效、自決策的智能生產范式，驅動制造過程實現全面優化與高度協同。以人工智能在汽車領域的應用為例，廣汽埃安針對汽車消費者個性化需求激增、多車型共線生產調度復雜以及生產節拍受限等痛點，深度集成人工智能與數字化技術，建立智能生態工廠，構建智慧、高效的現代制造范式。通過線上互動式定制，消費者需求被大數據云平臺迅速分解為2000多個零部件信息，全廠600余臺機器人協同覆蓋沖壓、焊接、涂裝及總裝等環節。[12]再以人工智能在電子信息領域的應用為例，海康威視針對物聯感知產品需求碎片化、訂單小單化以及生產換線頻繁等行業共性痛點，深度融合物聯感知與人工智能算法，打造領航級智能工廠，構建“感知—決策—執行”閉環超級智能體。工廠1500余臺移動機器人與人工智能視覺機械手構成“靈活執行手腳”，實現從物料收貨、無序抓取到跨樓層配送的全流程無人化管理，并通過構建近萬平方米的“黑燈倉庫”，實現物料精準配送到工位，為電子制造行業的數字化轉型提供了可復制的先進范式。[13]

人工智能驅動后市場服務從被動響應向主動預測轉變，通過數據閉環實現設備全生命周期價值增值，重構制造業服務生態。以人工智能在工業互聯網領域的應用為例，三一集團針對后市場服務中設備監控難、維修周期長、客戶黏性低等痛點，打造“三一客戶云”平臺，構建了連接主機廠、代理商與客戶的數字化后市場生態圈。平臺利用大數據實現配件銷售的精準推薦與閑置設備的共享租賃，在降低配件銷售成本的同時，有效緩解客戶資金還款風險，開拓了基于數據驅動的后市場盈利模式。

“人工智能+制造”面臨的現實挑戰

當前，人工智能與制造業深度融合的創新實踐多集中于頭部企業與特定場景，尚未形成普惠效應。從研發設計到生產制造、再到運維服務，人工智能的規模化落地仍面臨著一定挑戰。

研發設計環節。首先，制造業數據呈現高度異構性，協議不統一、標準不兼容導致底層接口難以互聯。同時，受限于區塊鏈等價值度量手段的缺失，跨企業共享機制尚不成熟，核心工藝數據難以跨越經營主體邊界。模型訓練局限于“小樣本、窄領域”，難以在離散度高的產業鏈中實現跨場景遷移。以電子及機械行業為例，其產業鏈上下游極其分散，訂單高度離散，需處理海量且非連續的“孤島式”數據。[14]現有數據多側重于設備監控，蘊含運行機理的時序數據利用率不足10%。其次，數據質量和行業知識供給不足，直接制約模型性能提升。碎片化、低質量的數據難以支撐大模型所需的深度挖掘，直接影響模型的魯棒性，即系統在面對內部結構或外部環境變化時仍能維持功能穩定運行的能力。[15]行業機理與人工智能存在范式沖突，通用大模型缺乏對物理常識、工藝邊界等行業機理的系統認知，在執行故障診斷或工藝優化等任務時，易產生違背物理規律的“幻覺”或決策錯誤。再次，復合型人才較為短缺，研發設計智能化人才基礎薄弱。一方面，技術跨界鴻溝難以逾越。人工智能工程師大多缺乏對行業機理與設計規范的深度認知，而資深工藝師普遍不具備算法建模能力。這種認知斷層使技術應用長期處于“兩張皮”狀態，導致智能化改造僅能觸及外圍場景，難以深入核心業務。另一方面，人才培養周期遠長于技術迭代速度。工業經驗的習得依賴長期沉淀，而人工智能技術演進極快，導致打通“算法+工藝”壁壘的跨界人才極度稀缺。這使企業陷入兩難困境：要么外購算法導致模型與實際場景“水土不服”，要么內部團隊缺乏持續迭代能力，使智能化項目陷入“建而不用、用而不優”的困局。

生產制造環節。首先，智能設備基礎薄弱制約工廠系統接入，高昂的智能設備改造投入使多數工廠望而卻步，加之控制器型號繁雜、通信協議封閉且標準接口缺失，導致底層數據難以直接接入人工智能控制系統。其次，智能模型難以滿足生產線對實時性的要求，高速生產線要求毫秒級閉環響應，而復雜智能模型架構導致的推理延遲遠超嚴苛的時間閾值，難以支撐在線質檢與動態調控。邊緣算力配置普遍不足，受限于本地算力，模型多被迫部署于云端，云端傳輸帶來的網絡延遲與信號抖動制約人工智能在關鍵工序中的深度嵌入與閉環應用。再次，模型泛化能力難以滿足柔性制造對時效性的要求，面對多品種、小批量的快速換產需求，基于固定工況訓練的模型容易失效。模型的重訓、標注往往需要冗長周期，導致模型應用滯后于柔性制造生產線小時級的切換節奏。同時，數據貫通能力制約智能排產，由于訂單、產能、物料等數據散落在異構系統中，難以實現實時匹配與動態跟蹤，導致排產模型因輸入缺位而輸出失真，無法有效指導生產實踐。此外，質量檢測在復雜工況下穩定性不足，人工智能在識別微小或內部隱蔽缺陷時精度受限，且易受光照、粉塵等生產環境干擾，導致誤檢漏檢率難以達標。企業迫于安全標準不得不保留人工復檢，智能化帶來的效率增益被大幅稀釋。

運維服務環節。首先，全生命周期數據割裂，導致預測性維護深度不足。研發、制造與運維環節的數據互不相通，導致人工智能難以構建完整的設備健康檔案，預測精度與診斷能力受限。由于缺乏貫通的數據支撐，預測性維護仍局限于常規設備，核心機組多沿用傳統維保模式，突發故障風險難以根除。其次，商業模式轉型滯后，企業缺乏從“賣產品”向“賣服務+算法”轉型的清晰路徑，尚未建立成熟的數據驅動定價體系或按效付費模式。加之客戶對軟件增值服務的付費意愿普遍偏低，導致服務性收入占比增長緩慢，制約制造業企業向服務型制造業轉型的步伐。再次，人工智能決策的“黑箱”特性，與行業對安全性的追求形成矛盾。在高危、連續性生產領域，深度學習模型難以提供可追溯的邏輯推演，面對嚴苛的工藝安全邊界，任何決策偏差都可能引發嚴重后果。這導致企業不敢將核心環節的自主決策權移交人工智能，導致人工智能在企業的技術應用長期停留在輔助層面。最后，網絡安全威脅與法規責任缺位，抑制企業對技術積極投入。云端化部署使生產系統脫離封閉邊界，增加了產線停機與參數篡改的風險。更為關鍵的是，由于生產中缺乏覆蓋數據采集至指令下發的全流程存證鏈條，一旦事故發生則難以厘清人為失誤與算法缺陷。這種責任界定的權責真空與極高的合規風險，制約了人工智能向核心業務的深度融合。

“人工智能+制造”的推進路徑

深入推進“人工智能+制造”，需結合不同環節的具體情況和實際需求，有計劃、有重點、有針對性地采取措施。在研發設計環節，聚焦數據與人才壁壘的突破；在生產制造環節，著力夯實基礎設施并提升技術適配性；在運維服務環節，重在貫通數據鏈條與建立信任體系，從而形成覆蓋全鏈條全生命周期的系統性方案。

突破數據與人才壁壘。在研發設計環節，構建行業數據空間，創新人才培養與協作機制。建立統一標準與互聯協議，推動行業聯盟或龍頭企業牽頭制定標準接口，降低設備互聯門檻。推廣隱私計算與區塊鏈結合的底層架構，在“數據可用不可見”基礎上，利用智能合約自動記錄調用軌跡與貢獻權重，構建透明的利益回饋機制，從技術與制度雙重層面激勵企業聯合建模。強化機理模型與數據雙驅動，將物理方程、材料屬性等先驗知識作為約束注入神經網絡，從算法結構上抑制違背物理規律的“幻覺”，確保任務輸出符合行業邏輯。推行復合型人才培養計劃，支持有條件的高校加強人工智能與制造業相關學科交叉融合，探索建立微專業、雙學位項目和交叉培養計劃；支持有條件的企業建立算法、工藝、設備等崗位雙向交流和聯合實訓機制，培養兼具工藝理解力與數字化能力的復合型人才。構建低代碼、無代碼人工智能開發平臺，為工藝工程師提供圖形化建模工具，將復雜算法封裝為標準模塊，降低技術應用門檻。組建混合團隊，由工藝專家與算法工程師共同負責模型迭代與優化，確保人工智能技術與核心業務實現深度耦合。

夯實基礎設施與提升技術適配性。在生產制造環節，推進柔性化、經濟化的智能基礎設施改造，提升模型泛化能力與系統貫通性。推行輕量化改造方案，通過部署低成本邊緣智能網關，為現有設備加裝傳感器與計算模塊，實現數字化接入。加快研發適用于行業場景的輕量化算法，借助模型壓縮、知識蒸餾等技術精簡大模型，并結合專用人工智能芯片，將推理延遲從秒級縮短至毫秒級，以滿足產線閉環控制對實時性的要求。建立端云協同分工機制，將高頻、實時的推理任務部署在邊緣端，將復雜的模型訓練與迭代任務保留于云端，以降低網絡延遲風險，提升系統的穩定性與可靠性。發展小樣本學習與領域自適應技術，針對多品種、小批量換產需求，使模型僅需極少樣本即可快速適配新產品，將迭代周期從周級縮短至小時級。打通全鏈路數據，構建數字孿生工廠，集成企業資源計劃（ERP）、制造執行系統（MES）等，建立統一數據底座，引入區塊鏈技術對關鍵工藝參數與排產指令實時存證，確保孿生工廠與物理實體交互真實可信。同時，通過動態模擬物料與設備狀態，為人工智能排產提供實時支撐，實現動態調度。增強多模態檢測與模型魯棒性，融合多種傳感技術彌補單一視覺在內部質量識別上的不足，并在訓練中引入光照、背景等復雜工況樣本，強化模型在實際生產環境下的抗干擾能力與檢測穩定性。

貫通數據鏈條與建立信任體系。在運維服務環節，貫通全生命周期數據，驅動服務模式創新，打造可解釋、可信賴、有保障的人工智能應用環境。構建設備數字孿生與全生命周期檔案，打通研發、生產與運維數據，基于完整健康檔案提升剩余壽命預測的精度，預測性維護覆蓋至更多關鍵設備。探索新型商業模式，鼓勵制造企業由單純銷售設備向提供運行保障、性能優化和綜合運維服務延伸，探索基于設備可用率、運行時長、加工產出或服務效果的增值服務模式，引導客戶為算法價值付費，釋放后市場潛力。發展可解釋性人工智能技術，針對高安全敏感場景研發可解釋算法，使決策邏輯透明可追溯，提升人工智能在關鍵環節的可信度。構建全方位安全防護體系，建立模型防御機制并部署安全防護設施，保障生產網絡數據安全與系統邊界完整。完善責任追溯與風險分擔機制，利用區塊鏈不可篡改與全流程溯源特性，構建決策全周期電子證據鏈。針對高風險場景探索“區塊鏈存證+商業保險”模式，依據鏈上證據進行自動化核賠與責任劃分。

注釋

[1]《中華人民共和國國民經濟和社會發展第十五個五年規劃綱要》，《人民日報》，2026年3月14日，第1版。

[2]《習近平出席中國科學院第十九次院士大會、中國工程院第十四次院士大會開幕會并發表重要講話》，中國政府網，2018年5月28日。

[3]《國務院關于積極推進“互聯網+”行動的指導意見》，中國政府網，2015年7月4日。

[4]《國務院關于印發新一代人工智能發展規劃的通知》，中國政府網，2017年7月20日。

[5]《促進新一代人工智能產業發展三年行動計劃（2018—2020年）》，工業和信息化部網站，2017年12月15日。

[6]《政府工作報告——二〇二四年三月五日在第十四屆全國人民代表大會第二次會議上》，《人民日報》，2024年3月13日，第1版。

[7]《政府工作報告——2025年3月5日在第十四屆全國人民代表大會第三次會議上》，《人民日報》，2025年3月13日，第1版。

[8]《國務院關于深入實施“人工智能+”行動的意見》，中國政府網，2025年8月21日。

[9]《“人工智能+制造”專項行動實施意見》，中國政府網，2025年12月25日。

[10]中國信息通信研究院：《2025年度制造業數字化轉型典型案例集》，中國信通院網站，2025年9月26日。

[11]《一線探新 | 數智鼎新“淬煉”鋼鐵新動能——山東鋼鐵以數智化賦能內涵式發展的實踐探索》，人民論壇網，2026年3月27日。

[12]《這家智能工廠，五十三秒下線一臺車（探一線）》，《人民日報》，2025年3月1日，第8版。

[13]《“超級智能體”實現海量個性化定制》，《科技日報》，2026年1月5日，第6版。

[14]《“AI+制造”如何釋放乘數效應》，《科技日報》，2026年2月2日，第7版。

[15]《以“智”提“質”：工業人工智能賦能新型工業化邁上新臺階》，中國網，2026年2月11日。

責編：石 晶／美編：石 玉