【摘要】人工智能作为引领科技革命和产业变革的战略性技术，正通过在制造业典型场景中的深度应用，助推中国制造业向生产智能化、管理数智化和服务创新化发展。同时需看到，人工智能技术赋能制造业数智化转型过程中，仍面临场景数据不优质、场景协同不充分、场景支撑不健全等挑战，为此，政府和制造企业应协同发力，从提升数据可用性、强化协同合作和完善支撑保障等方面着手，推动人工智能技术与制造业深度融合，助力“中国智造”高质量发展。
【关键词】人工智能 制造业 场景应用 数智化转型 【中图分类号】F42 【文献标识码】A
当前，人工智能（AI）成为赋能传统制造业转型升级，推动“中国制造”迈向“中国智造”的关键引擎和技术支撑。党的二十届三中全会通过的《中共中央关于进一步全面深化改革、推进中国式现代化的决定》提出：“加快推进新型工业化，培育壮大先进制造业集群，推动制造业高端化、智能化、绿色化发展。”①2025年《政府工作报告》强调，“持续推进‘人工智能+’行动，将数字技术与制造优势、市场优势更好结合起来”。②人工智能技术在制造业场景中的深度应用，可有效推进传统制造业向生产智能化、管理数智化和服务创新化转型。
人工智能技术在制造业典型场景中的深度应用
制造业场景是指制造企业或产业链创造价值的过程中，特定技术、流程或业务需求所对应的应用环境或情境，主要包括研发设计、生产制造、运维服务、经营管理、供应链管理及跨环节协同等典型场景。AI技术可以根据不同场景的独特需求，精准地发挥监测与安全、感知与识别、分析与预测、协同与交互、决策与优化、学习与创新等多样化的功能，驱动传统制造业数智化转型（如图所示）。
研发设计场景应用。即采用AI技术、数智化仿真、模型驱动设计等数智技术和工具，开展产品样品或服务样例的设计和仿真，主要包含产品平台化设计、产品协同测试验证、产品工艺虚拟仿真等细分场景。在产品设计场景，基于生成式人工智能的创成式设计工具，通过模型驱动设计范式突破传统工程路径限制，在满足工业参数与约束条件下，快速生成多模态产品结构方案。在验证测试场景中，通过数字孪生技术构建的数字样机，结合AI技术的机器学习能力，企业可在虚拟环境中对制造产品性能进行模拟和测试，快速定位潜在问题，降低中试成本。在工艺仿真场景中，AI技术和大数据算法能够根据产品特征和生产要求，模拟产线运行和产品实际生产过程中的工艺参数，实现工艺过程快速设计优化。
生产制造场景应用。即借助AI技术、物联网等数智技术和工具，将原材料、零部件、能源、信息等智能转化为产品或服务，主要包含生产流程优化、质量智能检测、安环监测与监管等细分场景。首先，采用深度强化学习算法构建动态流程优化模型，企业可对制造执行系统（MES）采集的时序数据进行特征挖掘与模式分析，识别生产中存在的潜在问题，提供改进建议，从而提高生产效率和产品质量。其次，AI技术基于卷积神经网络（CNN）与迁移学习框架构建的视觉检测系统，通过高分辨率工业相机与激光扫描仪的多模态数据融合，对生产线上的产品进行实时、高效的缺陷检测和质量控制，提高了检测效率和准确性。另外，通过AI、传感器和物联网技术，能够实时监测生产设备的运行状态、物料消耗等关键数据，动态感知危化品的泄露与处置、污染物的排放与处理等各类安环风险，形成覆盖“感知—诊断—处置”全链路的智能安环监管体系。
运维服务场景应用。即通过互联网和数智服务等，实现工业设备健康管理、产品售后跟踪与服务，主要包含设备在线监测维护、产品运维及后市场服务等细分场景。一方面，通过AI和物联网技术，企业可以实时采集、呈现和分析生产设备温度、压力、振动等参数的运行数据，提前预测预警生产设备潜在故障。如某车企在其冲压产线上部署智能预测性维护系统，利用物联网和AI技术，对压机设备进行状态监测和故障隐患预测，提升故障预警准确率并降低平均维护响应时间。另一方面，基于知识图谱与强化学习构建的产品服务化平台，通过需求语义解析与服务链智能重组技术，持续优化用户体验，探索产品服务化、工程服务化和知识服务化等创新服务模式，制造业企业可以实现从设备全生命周期管理到增值服务延伸的范式跃迁。
经营管理场景应用。即凭借数智工具和管理系统，实现对企业经营过程中的人员、财务及营销等的智能化管理。在人员智能化管理中，通过对企业的人力资源状态及业务需求进行分析，基于自然语言处理（NLP）的智能招聘系统构建岗位胜任力图谱，与人力资源数字孪生模型，可实现人才特征向量与岗位需求矩阵的智能匹配。基于AI算法构建的绩效评估模型能对员工的绩效进行客观评估，提供个性化的激励方案。在财务智能化管理中，AI技术能结合企业的实际财务数据，依托多模态财务知识图谱构建智能分析系统，自动生成包含关键财务指标的定制化分析报告，并通过分析历史数据和市场趋势，提高财务预测的准确性，为管理层提供准确及时的决策支持。在营销智能化管理中，基于客户全息画像的深度强化学习算法，通过整合消费行为时序数据与社交媒体情感分析，不仅可以构建精准的客户画像，实现个性化营销策略，而且可以模拟和预测市场销售趋势，合理制定排产计划和营销计划。
供应链管理场景应用。即利用AI技术和企业资源计划（ERP）、供应链管理（SCM）、客户关系管理（CRM）等系统，实现从原材料采购到产品质量追溯全流程智能化管理，主要包含供应商管理、无人仓储及智能物流、供应链产品质量追溯、供应链断链预测预警等细分场景。首先，AI技术基于多模态数据融合的决策支持系统，通过构建供应商能力评估指标体系（可涵盖交付准时率、质量合格率、成本弹性系数等多项关键指标），实现供应商动态分级管理，帮助企业选择和匹配表现更佳的供应商。其次，依托深度强化学习框架构建的智能调度系统，通过3D云建模与路径规划算法的协同优化，AI技术不仅可以实现货物的自动存储和检索，减少人工操作，提高仓储效率，而且能实时监控物流状态，降低运输成本并提高运输效率。再次，AI和区块链技术打通了从原材料到制造加工、再到供应链运输的数据，通过智能合约实现原材料批次数据、工艺参数与物流信息等的不可篡改记录，以保障产品的合规性、质量可控性和安全性，实现实时共享与透明。此外，AI技术基于供应链韧性评估模型，通过融合供应商财务健康度指数、产能波动系数与市场风险溢价参数，可提前预测断链风险，构建“数据感知—风险量化—策略生成”的智能供应链治理范式。
跨环节协同场景应用。即应用数据集成、模型贯通等方式，联通企业不同业务和管理环节，实现企业不同业务和管理场景的跨环节协同优化，主要包含基于模型的系统工程（Model-Based Systems Engineering，MBSE）的产品全生命周期管理、基于从消费者到生产者（Customer to Manufacturer，C2M）的定制化生产等细分场景。一方面，AI技术基于MBSE构建虚拟模型，支持各类产品模型在需求、设计、分析、验证等全场景贯通，实现需求定义、功能逻辑、物理架构等多层级模型的语义贯通，完成基于全生命周期数据和模型集成融合的智能决策。另一方面，依托深度强化学习算法构建的C2M协同优化系统，通过智能排产调度引擎与客户需求预测模型的动态耦合，形成“需求感知—产能配置—工艺适配”的闭环决策链，在精准识别客户需求的基础上，实时调度生产节拍和流程，确保生产任务与客户需求的动态匹配，灵活应对不同客户的定制化需求。
人工智能助推我国制造业向生产智能化、管理数智化、服务创新化转型
目前，AI技术正以多元化的功能形态深度融入制造业各关键场景中，助力我国制造业向生产智能化、管理数智化和服务创新化转型发展，推动制造业增品种、提品质、创品牌，打造名品精品、经典产业。③
人工智能技术助推制造业向生产智能化方向发展。生产智能化指制造业通过AI技术的感知与识别、分析与预测、监测与安全及决策与优化等功能，在研发设计和生产制造等场景减少人工干预，提升效率与质量，实现生产过程的自动化、柔性化和自适应优化。制造业企业将工业机器人与新兴的AI大模型技术融合，可以形成智能工业机器人，该智能体能够在复杂特定的场景中更加自主、灵活地执行任务，并具备一定的运动规划、运动控制和人机交互的能力，显著提升制造业的自动化水平。同时，AI技术赋予制造业生产线快速响应市场需求的能力，通过分析订单数据，AI技术可动态调整产线配置，如更换模具或切换工艺参数，从而优化设备利用率，支持多品种、小批量的柔性生产。此外，AI技术不仅通过实时数据分析与反馈机制采集设备状态、环境温湿度等数据，预测设备故障并提前维护，而且还能在复杂工况下自主寻找最优策略，显著提升资源利用效率，实现生产过程的自适应优化。
人工智能技术助推制造业向管理数智化方向发展。管理数智化指制造业利用AI技术的分析与预测、协同与交互及决策与优化等功能，在经营管理和供应链管理场景重构企业管理体系，实现数据驱动的管理透明化、决策实时化和职能协同化。一则，AI技术通过整合工业物联网、大数据平台与云计算技术，在工厂设备上加装传感器实时采集生产、能耗、质量等数据，AI算法清洗整合后生成可视化看板，并基于区块链记录不可篡改的生产日志，在一定程度上打破了传统制造业操作的“黑箱”，使管理者可透视车间状态、工艺瓶颈及资源消耗。二则，AI技术能够及时处理和分析大量数据，其驱动的知识图谱、自然语言处理等技术能够收集和整理各个场景的数据，提升跨场景数据关联响应速度，帮助企业构建涵盖全链条、全场景的信息化管理体系，提高了企业的决策效率和准确性，实现数据的无缝对接与决策实时化。三则，AI技术通过数据驱动的智能系统，有力地缓解了各职能部门间的“数据孤岛”问题，帮助制造业企业能够提前识别潜在问题并协调各部门及时应对，降低了部门沟通成本与生产延误，实现研发、生产、营销等职能的紧密协同，从而提升企业整体运营效率和协同速度。
人工智能技术助推制造业向服务创新化方向发展。服务创新化指制造业借助AI技术的分析与预测、协同与交互及学习与创新等功能，从“产品主导”向“产品+服务主导”的商业模式转型，实现服务效率化和服务增值化，推动“全生命周期服务”的价值跃迁。一方面，AI技术通过重构制造业服务链路，系统性提升服务效率：如基于设备运行数据的机器学习模型，可以提前识别客户维保需求，使服务响应周期从“故障后救援”转向“预测性干预”，效率得以大幅提升。自然语言处理（NLP）系统与工业知识图谱结合，将专家经验转化为可复用的智能诊断系统，形成服务能力的指数级进化。另一方面，AI技术打破工业知识图谱的行业壁垒，催生“制造+金融”“设备+产能租赁”等跨界融合服务生态；提炼转化生产过程数据为工艺优化、能效管理等知识服务产品，构建第二增长曲线；封装行业Know-how为智能决策模块，向产业链输出标准化工业大脑服务等，AI技术使制造服务从成本中心进化为利润引擎，推动制造业向服务熵增的新生态演进。
人工智能技术在制造业场景应用中面临的挑战
截至2024年4月18日，我国已培育421家国家级智能制造示范工厂④，从专利数量、运营成本降幅、生产效率提升、维护成本降幅、综合成本降幅、产量增幅等制造业主要经营指标看，智能制造企业都表现出明显优势。但也需看到，AI技术应用于制造业场景尚存在场景数据不优质、场景协同不充分、场景支撑不健全等问题，影响我国制造业的数智化转型。
场景数据不优质。当前制造业不同场景之间存在数据不统一、不完整、不准确、不标准等问题，导致其难以被有效整合和利用，限制了AI模型的训练数据量和学习效果，影响模型对复杂问题的理解、泛化能力。在研发设计场景，制造业需要大量高质量数据进行模型训练和验证，而研发设计场景涉及的多种数据，分散在不同的部门和系统中，且格式各异，如文本、图像、表格等，导致数据难以被整合和利用，使AI模型的训练数据量受限，难以充分学习和理解复杂的研发设计问题，影响模型的性能和泛化能力。制造业生产制造场景涉及多个工序和环节，不同产品的生产流程差异较大，且生产过程中可能会受到多种因素的影响，如设备故障、原材料质量波动、人员操作失误等，导致获取的数据存在不完整、不准确等问题，影响AI模型的训练效果和可靠性。在运维服务场景中，制造业设备多样，不同品牌、型号设备的运行数据差异大，单一模型难以通用，设备故障可能存在小样本和低频问题，导致模型无法充分学习到设备在各种工况下的运行特征和故障模式，使其对故障的识别和预测能力受限，泛化能力不足，难以适应复杂多变的运维场景。
场景协同不充分。目前制造业企业内部存在系统不一致、数据分散和缺乏协调机制等问题，且由于行业标准缺失，导致供应链上下游数据整合难、协同成本高，进而影响了AI技术的应用效果。如经营管理场景通常涉及多个部门，各部门可能使用不同的信息系统，数据格式和标准不一致，如财务部门使用专业的财务软件，其数据格式以结构化的财务报表为主，而销售部门则使用客户关系管理系统，数据多为非结构化的客户交互信息，这种异构性导致数据难以被整合和利用；企业内部缺乏跨部门的协调机制和流程，各部门在目标和利益上存在差异，导致在AI技术应用过程中难以形成合力，无法充分发挥其协同优势。如供应链管理场景涉及多个环节和不同参与者，数据分散在不同的主体和地域，如原材料的数据集中在生产地，供应链上下游数据掌握在各企业内部，而销售终端的数据则可能分布在全球各地的客户手中，数据的分散性导致其难以被共享和整合。如跨环节协同场景因行业标准和数据标准的缺失，研发、生产、物流等场景的技术差异带来数据格式、通信协议差异巨大等问题，阻碍了数据贯通，导致人工智能协同开发成本增加，降低了不同场景的协同度。
场景支撑不健全。这主要反映制造业企业在组织架构、管理制度及人才短缺等方面的问题。一是制造业企业传统层级式垂直化组织结构尚未充分适配AI技术应用的需求，致使数据和信息传递与决策过程延迟和失真，实际应用效果大打折扣，AI技术的应用难以有效落实。二是目前不少制造业企业的管理制度过于刚性，难以适应快速变化的技术环境和业务需求，如企业的绩效考核机制不能够评估AI技术带来的无形价值，缺乏对新技术的包容和适应。三是企业中人员的数智素养和复合型人才匮乏，员工习惯于传统的生产方式和工作流程，对AI技术的理解和应用能力不足。企业中既懂AI技术又掌握制造工艺且擅于管理的跨界人才相对缺乏。人力资源和社会保障部2020年发布的《新职业——人工智能工程技术人员就业景气现状分析报告》指出，根据测算，我国人工智能人才目前缺口超过500万，国内的供求比例为1:10，供需比例严重失衡。⑤人才短缺制约AI技术在企业中的推广和应用。
搭建人工智能赋能“中国智造”的良性生态体系
提升数据可用性，筑牢人工智能技术应用根基。数据是AI技术在制造业场景广泛应用的核心要素和底层逻辑，其数量与质量直接影响AI技术应用的成效。国家层面需主导制定制造业场景数据采集、存储、利用、交换的行业标准，提高数据质量和可用性，加快形成工业领域统一的AI数据格式规范和具体行业标准，促使制造业与关联产业达成数据资产的交易，确保制造业数据能够实现高质量共享和整合。制造业企业层面，加强场景数据治理是关键，这不仅包括规范场景数据记录和更新流程，还包括推动企业间、部门间的数据整合与共享，如引入工业互联网平台及建立企业级数据仓库，实现多系统场景数据集成，为AI技术应用提供高质量的数据资源。此外，人工智能技术提供商应针对制造业细分场景，开发低代码、高泛化能力的AI技术组件和模块，降低技术门槛，使更多企业受益。提供数据清洗、标注、存储、脱敏服务，进一步提升数据有效性和可用性，为AI技术在制造业场景的深入应用奠定坚实基础。
强化协同合作，发挥人工智能技术联动效能。高效协同是制造业利用AI技术实现跨部门、跨地区、跨行业联动效能的关键所在。从国家层面来看，需构建多主体协同创新体系，引导政产学研联合攻关行业级通用人工智能模型，统筹建设标准化工业数据生态系统，打破供应链上下游企业之间的“数据围墙”。同步完善数据治理安全相关法律法规，建立分级分类数据共享机制，以制度创新保障参与主体的合法权益，降低数据安全风险，夯实协同信任基础。对于制造业企业而言，构建全域数据融合架构是基础，对内通过应用程序编程接口（API）标准化与中间件技术实现跨部门数据互联，对外形成产学研用协同创新网络，联合数据服务商、科研机构及产业链伙伴，开展场景驱动的AI联合建模与算法优化。同时，人工智能技术提供商应研发支持分布式协同的智能决策系统，重点突破异构系统间的无缝对接技术，开发基于知识图谱的行业智能中枢平台，构建覆盖全供应链、全生命周期、全场景的协同分析框架，实现制造资源动态配置优化与智能决策支持，全面提升制造业协同效率与智能化水平。
完善支撑保障，护航人工智能技术应用进程。健全的支撑体系，是保障AI技术与制造业场景深度融合并发挥最大效能的基础所在。从政府层面而言，一方面，国家亟需完善AI技术治理框架，重点构建包含科技伦理准则、算法透明度规范、全周期监管机制的三维治理体系，为AI技术应用划定安全边界；另一方面，鉴于我国制造业对AI和复合型人才的需求呈现出数量增加和质量提升的双重趋势，政府需推动“人工智能+”学科交叉教育，尤其注重新工科背景下交叉学科复合型人才培养，以提升人才的数智化素养。制造业企业自身则需建立适应AI技术的组织架构和管理制度，统筹技术应用和管理，例如设立专门的数智化转型部门或岗位，负责推动企业内部的数智化变革和AI技术的应用实施。同时，企业应加强人才培养和引进力度，构建涵盖在职培训、岗位轮换、绩效考核三位一体的人才发展系统，促进从业人员数智技术和知识结构的升级。此外，人工智能技术提供商应与制造业企业合作，根据制造业的具体需求和业务特点，搭建学习平台，为制造业从业员工提供丰富的AI学习资源和培训课程，涵盖AI基础理论、算法模型、编程语言、工具使用以及行业应用案例等，帮助其能够将AI技术应用于实际工作中。
（吉林大学商学与管理学院硕士研究生张思懿、马周对此文亦有贡献）
【注：本文系国家社会科学基金重大项目“我国制造业数智化转型与国际竞争力提升研究”（项目编号：22&ZD101）阶段性成果】
【注释】
①《中共中央关于进一步全面深化改革 推进中国式现代化的决定》，《人民日报》，2024年7月22日。
②李强：《政府工作报告——2025年3月5日在第十四届全国人民代表大会第三次会议上》，《人民日报》，2025年3月13日。
③《最全！50个动态场景看2025<政府工作报告>全文》，中国政府网，2025年3月13日。
④《工信部副部长单忠德：已培育421家国家级智能制造示范工厂 三方面推进人工智能与制造业深度融合》，中国工业新闻网，2024年4月18日。
⑤《新职业——人工智能工程技术人员就业景气现状分析报告》，中华人民共和国人力资源和社会保障部网站，2020年4月30日。
责编/陈楠 美编/王梦雅
声明：本文为人民论坛杂志社原创内容，任何单位或个人转载请回复本微信号获得授权，转载时务必标明来源及作者，否则追究法律责任。
