摘 要:在“人工智能+”行动持续深入推进背景下，人工智能对制造业的赋能重心，正从单点技术突破转向全产业链的深度集成，其影响范围已由生产局部环节扩散至全生命周期，贯穿研发设计、生产制造与运维服务全过程的行业实践不断丰富。在研发设计、生产制造及运维服务等环节，形成可复制的创新模式。“人工智能+制造”，在研发设计环节聚焦数据与人才壁垒的突破，在生产制造环节着力夯实基础设施并提升技术适配性，在运维服务环节贯通数据链条与建立信任体系，从而形成覆盖全链条全生命周期的系统性方案。
关键词:人工智能 制造业 数智化转型 实体经济
【中图分类号】F426;TP18 【文献标识码】A
“十五五”规划纲要提出“全方位推进数智技术赋能”“促进实体经济和数字经济深度融合”。[1]数字经济与实体经济深度融合，是推进中国式现代化、建设现代化产业体系的必由之路。习近平总书记指出，要“推进互联网、大数据、人工智能同实体经济深度融合，推动制造业产业模式和企业形态根本性转变”。[2]制造业是实体经济的主体与根基，人工智能是新一轮科技革命影响未来发展的关键变量。人工智能与制造业的深度融合，是加快推进新型工业化、发挥制造大国与网络大国叠加效应的必然要求，也是拓展经济新空间、构筑国际竞争新优势、加快建设制造强国的关键路径。
作为引领新一轮科技革命的关键力量，人工智能的快速发展贯穿于国家战略的系统性顶层设计之中。2015年，《国务院关于积极推进“互联网+”行动的指导意见》将“‘互联网+’人工智能”纳入重点行动之一，[3]我国开始从战略层面培育发展人工智能新兴产业。2017年，国务院出台《新一代人工智能发展规划》提出“以提升新一代人工智能科技创新能力为主攻方向，发展智能经济，建设智能社会”。[4]同年工业和信息化部印发《促进新一代人工智能产业发展三年行动计划（2018—2020年）》，通过聚焦智能制造、智能服务机器人等重点产品，将宏观规划转化为具体的产业落地路径。[5]随着生成式人工智能与通用大模型的集群式突破，技术通用性与赋能潜力大幅提升，政策重心开始从“技术培育”向“全域赋能”转变。2024年政府工作报告提出“深化大数据、人工智能等研发应用，开展‘人工智能+’行动，打造具有国际竞争力的数字产业集群”。[6]2025年政府工作报告提出“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，支持大模型广泛应用，大力发展智能网联新能源汽车、人工智能手机和电脑、智能机器人等新一代智能终端以及智能制造装备。”[7]在此基础上，《国务院关于深入实施“人工智能+”行动的意见》提出“人工智能+”科学科技、产业发展、消费提质等六大重点行动，并明确2027年新一代智能终端、智能体等应用普及率超70%、2030年超90%的量化目标。[8]制造业作为实体经济的根基，成为“人工智能+”行动落实的关键领域。为加快推进人工智能技术在制造业的融合应用，打造新质生产力，全方位、深层次、高水平赋能新型工业化，2025年12月，工业和信息化部等八部门联合制定《“人工智能+制造”专项行动实施意见》，为不同细分行业和企业提供具体“路线图”与“操作手册”，[9]实现从国家宏观顶层设计向行业微观应用场景的精准传导，“人工智能+制造”步入全方位、系统化应用阶段。
人工智能对制造业的赋能重心正从单点技术突破转向全产业链的深度集成
在“人工智能+”行动持续深入推进背景下，人工智能对制造业的赋能重心正从单点技术突破转向全产业链的深度集成，其影响范围已由生产局部环节扩散至全生命周期，贯穿研发设计、生产制造与运维服务全过程的行业实践不断丰富。
人工智能通过对行业标准与研发经验的深度集成，将隐性知识转化为可调用的数字资产，驱动研发范式向数据驱动型转变。以人工智能在汽车领域的应用为例，中汽数据针对汽车主机厂在试验领域面临的知识结构化困难、检索效率低下、精准度不高等共性痛点，构建起“数据治理+大模型+业务场景”的全链路赋能体系，实现传统试验系统的智能化升级。在数据治理维度，中汽数据打造了多模态语料预处理智能体工具链；在应用场景维度，通过将碎片化信息转化为结构化、可利用的知识，实现在试用场景中自然语言驱动的智能问答，并利用大模型的语言理解和生成能力，实现试验报告的自动校核与可视化决策分析。[10]再以人工智能在钢铁行业的应用为例，在山东钢铁集团日照公司4300产线，转钢环节曾是长期制约生产效率的“拦路虎”——钢坯温度高达900℃～1100℃，操作人员需通过肉眼观察配合操作台手动调整辊道参数，劳动强度大且控制精度不足，直接导致生产节奏不稳定。为解决这一难题，山钢日照公司设备部与中厚板厂自主研发并上线“利用AI机器视觉赋能4300粗轧机自动转钢”技术。该技术通过人工智能算法，实时识别钢坯轮廓与角度，动态调整转钢速度；并与轧制控制系统实现毫秒级闭环联动，使工人劳动强度降低80%以上，实现从“人工经验判断”到“数据算法决策”的跨越。[11]
人工智能与自动化技术深度融合，构建柔性、高效、自决策的智能生产范式，驱动制造过程实现全面优化与高度协同。以人工智能在汽车领域的应用为例，广汽埃安针对汽车消费者个性化需求激增、多车型共线生产调度复杂以及生产节拍受限等痛点，深度集成人工智能与数字化技术，建立智能生态工厂，构建智慧、高效的现代制造范式。通过线上互动式定制，消费者需求被大数据云平台迅速分解为2000多个零部件信息，全厂600余台机器人协同覆盖冲压、焊接、涂装及总装等环节。[12]再以人工智能在电子信息领域的应用为例，海康威视针对物联感知产品需求碎片化、订单小单化以及生产换线频繁等行业共性痛点，深度融合物联感知与人工智能算法，打造领航级智能工厂，构建“感知—决策—执行”闭环超级智能体。工厂1500余台移动机器人与人工智能视觉机械手构成“灵活执行手脚”，实现从物料收货、无序抓取到跨楼层配送的全流程无人化管理，并通过构建近万平方米的“黑灯仓库”，实现物料精准配送到工位，为电子制造行业的数字化转型提供了可复制的先进范式。[13]
人工智能驱动后市场服务从被动响应向主动预测转变，通过数据闭环实现设备全生命周期价值增值，重构制造业服务生态。以人工智能在工业互联网领域的应用为例，三一集团针对后市场服务中设备监控难、维修周期长、客户黏性低等痛点，打造“三一客户云”平台，构建了连接主机厂、代理商与客户的数字化后市场生态圈。平台利用大数据实现配件销售的精准推荐与闲置设备的共享租赁，在降低配件销售成本的同时，有效缓解客户资金还款风险，开拓了基于数据驱动的后市场盈利模式。
“人工智能+制造”面临的现实挑战
当前，人工智能与制造业深度融合的创新实践多集中于头部企业与特定场景，尚未形成普惠效应。从研发设计到生产制造、再到运维服务，人工智能的规模化落地仍面临着一定挑战。
研发设计环节。首先，制造业数据呈现高度异构性，协议不统一、标准不兼容导致底层接口难以互联。同时，受限于区块链等价值度量手段的缺失，跨企业共享机制尚不成熟，核心工艺数据难以跨越经营主体边界。模型训练局限于“小样本、窄领域”，难以在离散度高的产业链中实现跨场景迁移。以电子及机械行业为例，其产业链上下游极其分散，订单高度离散，需处理海量且非连续的“孤岛式”数据。[14]现有数据多侧重于设备监控，蕴含运行机理的时序数据利用率不足10%。其次，数据质量和行业知识供给不足，直接制约模型性能提升。碎片化、低质量的数据难以支撑大模型所需的深度挖掘，直接影响模型的鲁棒性，即系统在面对内部结构或外部环境变化时仍能维持功能稳定运行的能力。[15]行业机理与人工智能存在范式冲突，通用大模型缺乏对物理常识、工艺边界等行业机理的系统认知，在执行故障诊断或工艺优化等任务时，易产生违背物理规律的“幻觉”或决策错误。再次，复合型人才较为短缺，研发设计智能化人才基础薄弱。一方面，技术跨界鸿沟难以逾越。人工智能工程师大多缺乏对行业机理与设计规范的深度认知，而资深工艺师普遍不具备算法建模能力。这种认知断层使技术应用长期处于“两张皮”状态，导致智能化改造仅能触及外围场景，难以深入核心业务。另一方面，人才培养周期远长于技术迭代速度。工业经验的习得依赖长期沉淀，而人工智能技术演进极快，导致打通“算法+工艺”壁垒的跨界人才极度稀缺。这使企业陷入两难困境：要么外购算法导致模型与实际场景“水土不服”，要么内部团队缺乏持续迭代能力，使智能化项目陷入“建而不用、用而不优”的困局。
生产制造环节。首先，智能设备基础薄弱制约工厂系统接入，高昂的智能设备改造投入使多数工厂望而却步，加之控制器型号繁杂、通信协议封闭且标准接口缺失，导致底层数据难以直接接入人工智能控制系统。其次，智能模型难以满足生产线对实时性的要求，高速生产线要求毫秒级闭环响应，而复杂智能模型架构导致的推理延迟远超严苛的时间阈值，难以支撑在线质检与动态调控。边缘算力配置普遍不足，受限于本地算力，模型多被迫部署于云端，云端传输带来的网络延迟与信号抖动制约人工智能在关键工序中的深度嵌入与闭环应用。再次，模型泛化能力难以满足柔性制造对时效性的要求，面对多品种、小批量的快速换产需求，基于固定工况训练的模型容易失效。模型的重训、标注往往需要冗长周期，导致模型应用滞后于柔性制造生产线小时级的切换节奏。同时，数据贯通能力制约智能排产，由于订单、产能、物料等数据散落在异构系统中，难以实现实时匹配与动态跟踪，导致排产模型因输入缺位而输出失真，无法有效指导生产实践。此外，质量检测在复杂工况下稳定性不足，人工智能在识别微小或内部隐蔽缺陷时精度受限，且易受光照、粉尘等生产环境干扰，导致误检漏检率难以达标。企业迫于安全标准不得不保留人工复检，智能化带来的效率增益被大幅稀释。
运维服务环节。首先，全生命周期数据割裂，导致预测性维护深度不足。研发、制造与运维环节的数据互不相通，导致人工智能难以构建完整的设备健康档案，预测精度与诊断能力受限。由于缺乏贯通的数据支撑，预测性维护仍局限于常规设备，核心机组多沿用传统维保模式，突发故障风险难以根除。其次，商业模式转型滞后，企业缺乏从“卖产品”向“卖服务+算法”转型的清晰路径，尚未建立成熟的数据驱动定价体系或按效付费模式。加之客户对软件增值服务的付费意愿普遍偏低，导致服务性收入占比增长缓慢，制约制造业企业向服务型制造业转型的步伐。再次，人工智能决策的“黑箱”特性，与行业对安全性的追求形成矛盾。在高危、连续性生产领域，深度学习模型难以提供可追溯的逻辑推演，面对严苛的工艺安全边界，任何决策偏差都可能引发严重后果。这导致企业不敢将核心环节的自主决策权移交人工智能，导致人工智能在企业的技术应用长期停留在辅助层面。最后，网络安全威胁与法规责任缺位，抑制企业对技术积极投入。云端化部署使生产系统脱离封闭边界，增加了产线停机与参数篡改的风险。更为关键的是，由于生产中缺乏覆盖数据采集至指令下发的全流程存证链条，一旦事故发生则难以厘清人为失误与算法缺陷。这种责任界定的权责真空与极高的合规风险，制约了人工智能向核心业务的深度融合。
“人工智能+制造”的推进路径
深入推进“人工智能+制造”，需结合不同环节的具体情况和实际需求，有计划、有重点、有针对性地采取措施。在研发设计环节，聚焦数据与人才壁垒的突破；在生产制造环节，着力夯实基础设施并提升技术适配性；在运维服务环节，重在贯通数据链条与建立信任体系，从而形成覆盖全链条全生命周期的系统性方案。
突破数据与人才壁垒。在研发设计环节，构建行业数据空间，创新人才培养与协作机制。建立统一标准与互联协议，推动行业联盟或龙头企业牵头制定标准接口，降低设备互联门槛。推广隐私计算与区块链结合的底层架构，在“数据可用不可见”基础上，利用智能合约自动记录调用轨迹与贡献权重，构建透明的利益回馈机制，从技术与制度双重层面激励企业联合建模。强化机理模型与数据双驱动，将物理方程、材料属性等先验知识作为约束注入神经网络，从算法结构上抑制违背物理规律的“幻觉”，确保任务输出符合行业逻辑。推行复合型人才培养计划，支持有条件的高校加强人工智能与制造业相关学科交叉融合，探索建立微专业、双学位项目和交叉培养计划；支持有条件的企业建立算法、工艺、设备等岗位双向交流和联合实训机制，培养兼具工艺理解力与数字化能力的复合型人才。构建低代码、无代码人工智能开发平台，为工艺工程师提供图形化建模工具，将复杂算法封装为标准模块，降低技术应用门槛。组建混合团队，由工艺专家与算法工程师共同负责模型迭代与优化，确保人工智能技术与核心业务实现深度耦合。
夯实基础设施与提升技术适配性。在生产制造环节，推进柔性化、经济化的智能基础设施改造，提升模型泛化能力与系统贯通性。推行轻量化改造方案，通过部署低成本边缘智能网关，为现有设备加装传感器与计算模块，实现数字化接入。加快研发适用于行业场景的轻量化算法，借助模型压缩、知识蒸馏等技术精简大模型，并结合专用人工智能芯片，将推理延迟从秒级缩短至毫秒级，以满足产线闭环控制对实时性的要求。建立端云协同分工机制，将高频、实时的推理任务部署在边缘端，将复杂的模型训练与迭代任务保留于云端，以降低网络延迟风险，提升系统的稳定性与可靠性。发展小样本学习与领域自适应技术，针对多品种、小批量换产需求，使模型仅需极少样本即可快速适配新产品，将迭代周期从周级缩短至小时级。打通全链路数据，构建数字孪生工厂，集成企业资源计划（ERP）、制造执行系统（MES）等，建立统一数据底座，引入区块链技术对关键工艺参数与排产指令实时存证，确保孪生工厂与物理实体交互真实可信。同时，通过动态模拟物料与设备状态，为人工智能排产提供实时支撑，实现动态调度。增强多模态检测与模型鲁棒性，融合多种传感技术弥补单一视觉在内部质量识别上的不足，并在训练中引入光照、背景等复杂工况样本，强化模型在实际生产环境下的抗干扰能力与检测稳定性。
贯通数据链条与建立信任体系。在运维服务环节，贯通全生命周期数据，驱动服务模式创新，打造可解释、可信赖、有保障的人工智能应用环境。构建设备数字孪生与全生命周期档案，打通研发、生产与运维数据，基于完整健康档案提升剩余寿命预测的精度，预测性维护覆盖至更多关键设备。探索新型商业模式，鼓励制造企业由单纯销售设备向提供运行保障、性能优化和综合运维服务延伸，探索基于设备可用率、运行时长、加工产出或服务效果的增值服务模式，引导客户为算法价值付费，释放后市场潜力。发展可解释性人工智能技术，针对高安全敏感场景研发可解释算法，使决策逻辑透明可追溯，提升人工智能在关键环节的可信度。构建全方位安全防护体系，建立模型防御机制并部署安全防护设施，保障生产网络数据安全与系统边界完整。完善责任追溯与风险分担机制，利用区块链不可篡改与全流程溯源特性，构建决策全周期电子证据链。针对高风险场景探索“区块链存证+商业保险”模式，依据链上证据进行自动化核赔与责任划分。
注释
[1]《中华人民共和国国民经济和社会发展第十五个五年规划纲要》，《人民日报》，2026年3月14日，第1版。
[2]《习近平出席中国科学院第十九次院士大会、中国工程院第十四次院士大会开幕会并发表重要讲话》，中国政府网，2018年5月28日。
[3]《国务院关于积极推进“互联网+”行动的指导意见》，中国政府网，2015年7月4日。
[4]《国务院关于印发新一代人工智能发展规划的通知》，中国政府网，2017年7月20日。
[5]《促进新一代人工智能产业发展三年行动计划（2018—2020年）》，工业和信息化部网站，2017年12月15日。
[6]《政府工作报告——二〇二四年三月五日在第十四届全国人民代表大会第二次会议上》，《人民日报》，2024年3月13日，第1版。
[7]《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，第1版。
[8]《国务院关于深入实施“人工智能+”行动的意见》，中国政府网，2025年8月21日。
[9]《“人工智能+制造”专项行动实施意见》，中国政府网，2025年12月25日。
[10]中国信息通信研究院：《2025年度制造业数字化转型典型案例集》，中国信通院网站，2025年9月26日。
[11]《一线探新 | 数智鼎新“淬炼”钢铁新动能——山东钢铁以数智化赋能内涵式发展的实践探索》，人民论坛网，2026年3月27日。
[12]《这家智能工厂，五十三秒下线一台车（探一线）》，《人民日报》，2025年3月1日，第8版。
[13]《“超级智能体”实现海量个性化定制》，《科技日报》，2026年1月5日，第6版。
[14]《“AI+制造”如何释放乘数效应》，《科技日报》，2026年2月2日，第7版。
[15]《以“智”提“质”：工业人工智能赋能新型工业化迈上新台阶》，中国网，2026年2月11日。
责编：石 晶／美编：石 玉