通信世界网消息（CWW）党的二十届四中全会通过的《中共中央关于制定国民经济和社会发展第十五个五年规划的建议》强调“全面实施‘人工智能+’行动，以人工智能引领科研范式变革，加强人工智能同产业发展、文化建设、民生保障、社会治理相结合，抢占人工智能产业应用制高点，全方位赋能千行百业”。制造业是实体经济的根基，是“人工智能+”行动的主战场。近日，工业和信息化部等八部委联合印发《“人工智能+制造”专项行动实施意见》，在数智基建、场景推广、产品创新、主体培育、生态建设、安全护航、国际合作等方面部署了系列任务，为加快推进人工智能在制造业融合应用提供了系统指引。
一、把握“人工智能+制造”历史机遇
当前，以智能化为代表的新一轮科技革命和产业变革浪潮席卷全球，正在系统重构全球产业格局。工业智能体、具身智能在制造业各环节加速渗透，正在成为企业重塑竞争优势的新动能。产业竞争的焦点已不再是行业本体技术的领先，而是数智技术与实体经济融合应用的效率和规模。能否做强“人工智能+制造”，将直接决定我国制造业的全球地位和长远竞争力。
（一）“人工智能+制造”是赢得国际竞争主动的战略选择
制造业年产值超过16万亿美元，约占全球GDP的15%。这意味着，通过人工智能技术对工业技术、知识、数据、人才等全要素重组，以及研发、生产、管理等全链条的深刻重塑，每带来1%的效率提升，就将创造年均超1600亿美元的经济增长。面对如此巨大的战略价值，世界主要国家纷纷将人工智能作为重塑竞争力的核心领域，美欧发达国家相继出台国家级AI战略，意图重构产业竞争优势、抢占制造业发展制高点。国际工业巨头纷纷与人工智能企业加大合作力度，入局工业AI，推动AI在仿真设计、自适应制造、供应链管理以及智能工厂等领域的深度应用，推动工业自动化领域的AI变革。在这场关乎未来发展的全球竞争中，我们不进则退、慢进亦退，必须抢抓这一历史机遇，牢牢掌握发展主动权。
（二）“人工智能+制造”是发挥我国独特优势的内在要求
2024年我国制造业增加值超过33亿元，占GDP的比重近25%，对全球制造业增长的贡献率超过30%。我国还拥有全球最完整、门类最齐全的工业体系，这构成了人工智能技术最宝贵的“全场景”应用土壤和广袤的数智转型“蓝海”。更重要的是，我国拥有支撑数智转型的坚实基础设施和服务体系。算力规模全球第二、以5G、千兆光网为核心的“数字大动脉”实现全国有效覆盖。据测算，2025年人工智能企业数量超6000家，形成了涵盖基础底座、模型框架、行业应用的完整产业体系，核心产业规模破万亿。供需两端的产业基础，为人工智能在制造业应用和迭代提供了全球最富集的资源禀赋。这决定了我国推进“人工智能+”的关键路径，在于将人工智能技术深度融入制造业的广阔场景，催生海量高价值的工业数据，在数智基础设施的有力支撑下，驱动技术迭代和应用创新，形成技术供给与产业需求互促共进的良性循环，将我国应用场景优势、规模优势和基建优势，转化为难以复制的产业发展“非对称优势”。
（三）“人工智能+制造”是加快新型工业化的重要引擎
我国拥有超600万家制造业企业，既有引领行业的龙头标杆，也有深耕细分领域的中小企业，是推进新型工业化的主体力量。到2035年基本实现新型工业化，客观上要求企业在质量效益、驱动要素、业态模式等方面实现系统性跃迁，这离不开“人工智能+”的技术赋能。实践证明，人工智能正在推动生产方式从“人控”走向“智控”，决策模式从“经验驱动”走向“数智驱动”，产业人才从“工匠”转为“智匠”。国内领先企业已率先行动，将大模型应用于电子、钢铁、汽车等领域，实现智能化运营，助力生产效率提升。在全国已建成的230余家卓越级智能工厂中，产品研发周期平均缩短28.4%，生产效率平均提升22.3%，不良品率平均下降50.2%，碳排放平均减少20.4%。这些数字背后，是生产力的深刻变革和生产关系的系统性调整，是生产要素的创新型配置，是新质生产力的集中体现。我们必须牢牢把握人工智能这一驱动力量，加速技术突破与产业应用的双向奔赴，为我国制造业开辟范式转换和能力跃升的新赛道，为新型工业化注入强劲动力。
二、把握“人工智能+制造”特征和体系
“人工智能+制造”具有多元化、时代化、融合化的基本特征。应用场景多元化。我国制造业既有引领产业升级的高精尖领域，也有正在加速转型的传统产业，既有全球领先的领航级智能工厂，也有亟待改造的“手工作坊”，这为人工智能与制造的深度融合提供了全球最为丰富、无可比拟的实践场景和创新空间。现有制造环节的生产设备、工艺流程、信息系统呈现复杂多样，涵盖从传统机床到工业机器人、从单一生产单元到全链条供应链、从定制化业务软件到大型工业操作系统，形成了多层次、多维度的技术生态与产品适配体系。技术演进时代化。制造业一直以来都是人工智能技术的“试验场”，从早期基础算法“嵌入”单一设备、单一环节，解决质检等具体场景的效率问题，到大数据、深度学习技术落地，实现生产过程的数据驱动优化，再到当前大模型、具身智能等技术兴起，推动人工智能从“单点智能”向“全流程协同智能”、从“机器辅助”向“人机协同决策”演进，加速制造体系从“经验驱动”向“数据智能驱动”跃迁。推动“人工智能+制造”融合应用，既需紧跟人工智能技术演进趋势，也要把握制造业转型需求，实现互促融合。转型赋能融合化。技术层面，推动人工智能与信息技术（IT）、通信技术（CT）、控制技术（OT）、制造工艺技术（MT）的“多技术融合”，打破技术壁垒，重构制造技术体系。产业层面，人工智能作用于研发设计、生产制造、仓储物流、营销服务、供应链协同等制造全链条，渗透到设备单元、产线、车间、工厂、产业生态等多层级，催生工业智能终端、智能装备、智能工业软件等新产品，壮大个性化定制、服务型制造等新业态。
加快推动“人工智能+制造”的融合应用，需把握其基本特征，按照“场景牵引、技术适用、一体赋能”的体系化思路，从设备、产线、车间、工厂、企业到产业生态，逐级推进“人工智能+制造”实践。
（一）人工智能+设备，优化设备管理方式
经过数字化改造后的通用机床、手动成型机、常规窑炉等传统设备和本身具备数据采集、自主控制能力的工业机器人、全自动成型机、智能检测设备等智能装备，嵌入人工智能算法模块后，能够基于振动、温度等时间序列数据实现预测性维护，提前识别设备故障，避免意外停机。也能够通过人工智能算法优化设备运行参数，强化工业装备控制的智能化，提升加工精度和产品合格率。例如，生成式AI可以为工业机器人或PLC（可编程逻辑控制器）自动生成控制代码，简化自动化系统的调试和部署过程，还可被用于缺陷分析报告的自动生成和操作手册等技术内容的创建，显著提高工程师的工作效率。
（二）人工智能+产线，提升工艺优化能力
针对以机械加工、电子组装为代表，具有工序分散、物料流转复杂等特征的离散型产线，和以电解铝生产、锂电池极片加工为代表，需实时、严格控制工艺参数的流程型产线，结合各类产线生产实际，构建产线智能管控系统，运用自动排产算法、自动化质量检测、工艺参数优化等人工智能技术，实现产线排产时间从小时级压缩至分钟级、降低缺陷漏检率、提升生产效率。例如，企业可通过模拟产线运行数据，依托AI模型预测产线关键设备的健康状况，提前识别出潜在的瓶颈和故障风险，并推荐相应的维护调度计划，降低停机成本。
（三）人工智能+车间，变革生产作业形态
对核心生产、质量检测、公辅能源和物料转运等各类车间进行智能化改造，构建车间级智能管控体系，主要包括：全域资源调度，通过人工智能技术优化AGV路径、设备负荷与人员配置，降低生产车间等待时间，减少现场管理人员数量；能源精准调控，基于生产需求动态匹配能源系统供给，减少能源损耗；跨工序协同，打通车间内各生产单元数据链路，实现联动响应，提升车间整体运营效率。例如，发电装备制造企业在汽轮机厂车间构建数字孪生系统，整合设备参数、工艺路径等全量数据，通过智能体生成最优加工路径并动态调整生产计划，同时部署AGV智能搬运机器人与AR工艺指导系统，实现工序间无缝衔接，提升了百万千瓦级汽轮机转子加工效率，降低加工能耗。
（四）人工智能+工厂，改进生产资源调度
开发工厂级智能体，整合全要素数据，整合研发、生产、质量、能耗、物流和运营全链路数据，搭建工厂级智慧运营平台，实现生产计划、能耗优化等全局最优决策。构建场内智能安监体系，在厂内关键区域、危险作业点部署视频监控设备，通过人体姿态识别、区域入侵检测算法，实时监测工人安全帽佩戴、防护装备使用情况及危险区域闯入行为，建立分级预警与快速响应机制。部署智能巡检机器人、自动控制等系统，减少人工干预，打造“黑灯工厂”。例如，钢铁冷轧厂通过“工厂大脑”实现各生产车间远程监控，车间内行车、机器人等设备全自主运行，仅需少量操作人员监控数十块屏幕，提升生产效率，大幅降低吨钢能耗与污染物排放。
（五）人工智能+企业，创新经营管理手段
通过整合技术研发、生产经营等数据，依托企业云搭建企业级智能决策平台，基于企业产品数据库、材料性能参数、制造工艺约束等数据，打造设计智能体，输入产品功能需求、性能指标、成本预算等核心参数，自动生成多套优化设计方案，并通过仿真模拟验证方案可行性，形成“需求输入－方案生成－仿真迭代－最优输出”的研发闭环。建立智能风险防控系统，实现合规、资源统筹配置与运营效率提升。例如，彩电生产企业整合供应商数据，打造智慧供应链管理平台，实现物料需求实时预测，将彩电物料需求提报至供应商的时间从“天级”缩短至“小时级”，提升了订单响应速度。
（六）人工智能+产业链，优化产业协同模式
立足产业生态层面，产业链核心企业汇聚产品联合开发、产业协同策略、产业链管理、跨企业资源调度、碳排放管控等产业链上下游数据，构建智能协同平台，部署供需匹配分析、供应链协同等产业级大模型，实现智能协同与风险联防，解决产业链协同低效、资源配置失衡、风险联防不足等问题，降低产业链采购成本、缩短协同研发周期、供应链断供风险实时预警，实现产业资源高效联动与高质量发展。例如，汽车企业通过整合产业链内企业数据与工业知识，构建“工业互联网平台+超级智能体”体系，部署排产、仓储、质检等多类智能体，实现跨领域协同决策，推动产业链上下游企业降本、减排，形成“技术－场景－数据”的产业生态循环。
三、把握“人工智能+制造”实施路径
加快推进“人工智能+制造”，企业是主体。让“人工智能+制造”扎根于企业，服务于场景，成长于生态，是企业抓住新工业革命机遇的关键。
（一）建设数智基础设施
破解“联不稳”“算不快”的数字底座瓶颈，构建云边协同、控网算一体的新型基础设施，为海量工业数据的实时处理和智能应用的规模化部署提供坚实支撑。建设新型工业网络。基于“端－边－云”扁平化网络协同架构，综合运用工业5G、硬实时无线控制、工业确定性网络、无源物联、工业光网等技术，实现工业现场网络无缝覆盖和灵活组网，为工业控制、生产、经营、管理全流程海量多模态异构工业数据提供统一承载。将AI技术嵌入网络各环节，通过“算力路由”和“在网计算”等机制，提高工业网络资源动态调度、故障自愈与智能运维水平。布局工业算力体系。打造边缘云、企业云、产业云“三云”协同智算能力，扩展端侧智能，部署边缘智算节点，集成数据预处理、模型训练、安全隔离等功能，实现生产的“就近计算、快速响应”。强化企业全域算力按需扩展、模型和智能体快速训练与迭代部署，承载生产调度优化、财务预测等场景化应用，满足企业经营的“智能仿真、辅助决策”算力需求。推广全局算力调度，提供大规模仿真、数字孪生、大模型训练等高算力服务，提升全产业链“跨域调度、高效畅通”能力。
（二）推进工业要素互联互通
解决“采不上”“看不懂”的数据源头难题，打通异构设备、系统与协议间的壁垒，实现工业全要素的泛在互联，为上层智能应用提供高质量的数据输入。增强终端网联与智能。提升终端设备联网率和智能化能力，加快推动嵌入式AI发展，通过集成轻量级AI算法，传感器在端侧进行实时特征提取、异常识别和初步决策，大幅减少原始数据上传的带宽压力，实现亚毫秒级的本地智能响应。推广身份识别、作业记录等领域智能终端，提升生产设备/检测仪器的智能传感器配置比例，增强传统设备的自感知、自分析、自决策能力。强化数据采集与互通。依托PLC、DCS等通用控制器，或传感器采集工业设备原始数据，通过MQTT、OPCUA等中间件协议适配转换实现OT层设备数据标准化接入。基于数据同步、数据虚拟化等集成技术实现数据接入与整合，支撑工业设备泛在互联与异构数据流转。采用OPCUA等统一协议实现多品牌设备数据采集，建立信息模型解决语义冲突，打通设备间协议转换的“语言障碍”。通过多源异构数据清洗、聚合及语义对齐、多模态数据智能标注、增强与合成等预处理技术，提升数据质量。
（三）发展高质量数据集
破解“数据多但质量低”“有数据但不会用”的数据要素瓶颈，对海量、多源、异构的工业数据进行汇聚、治理和流通，转化为可信、可用、可流通的高价值数据资产。分类建设。构建分级分类的数据目录，形成“数据地图”。产业链主体数据，聚焦重点产业链与产业集群，全面梳理链上各环节的企业实体信息，包括企业基本情况、主营业务、核心产品、产能规模、技术能力等。产业管理数据，聚焦政府在履行管理职能时，要求企业填报的各类经营与管理信息。具体包括技术改造项目投资、研发经费、新产品产值、能耗与碳排、安全生产、人才结构、数字化水平自评估等。链主企业运行数据，聚焦龙头企业与产业链关键节点的内部实时运行数据。主要包括反映供需波动的供应链数据（订单、采购、库存、物流等）和反映生产流程的制造过程数据（设备状态、工艺参数、产能、良率等）。应用推广。探索建设工业高质量数据集中试验证平台，开展数据集质量与模型性能评测，构建“数据—模型—应用”闭环优化体系，确保数据好用、管用。强化顶层设计，研制工业数据采集、治理、质量评估及安全保障等标准规范，统一数据存储与交互格式，促进跨系统、跨企业互联互通。聚焦装备、电子、钢铁等重点行业，加速数据开发利用，推动数据集产品化与市场化流通，提升数智赋能成效。
（四）发展工业智能体
解决“用在哪”“怎么用”的价值落地难题，将数据资源和算力基础转化为能够自主感知、分析、决策并执行的智能体应用，加速从“单点智能”向“全局智慧”跃升。分层部署应用。部署故障诊断、寿命预测、工艺优化等设备级工业智能体，实现单点自主感知与控制；部署异常检测、能耗计算、工控代码生成等产线/车间级智能体，保障生产的连续性与高效性；部署物料调度、仓储优化、风控预警等工厂层智能体，推动资源优化配置和高效执行；部署利润预测、财务管理、碳排优化等企业层智能体，促进经营决策效能提升；部署供需智能匹配、产业链供应链管控等生态层智能体，实现产业链协同与生态联动。强化多智能体协同。构建云边协同的多智能体协作体系，在边缘侧，面向设备、产线和车间部署预测性维护、实时质量检测和柔性工艺调整等任务智能体，构建“感知—决策—执行”闭环，推动控制体系由自动化向自主化升级；在云侧，依托统一的智能体交互机制，推动生产计划、供应链调度与能耗管理等智能体交互协作，提升跨部门协同和决策响应能力。
（五）构筑安全防护屏障
化解“看不清风险”“防不住攻击”的发展安全顾虑，构建覆盖数据、模型、网络和终端的全方位、多层次、系统性安全防护体系，为“人工智能+制造”的深度融合与健康发展保驾护航。健全安全管理机制。制定企业人工智能应用分类分级和安全评估管理制度。建立安全风险信息上报与共享机制，畅通与产业链上下游、行业机构及监管部门的信息沟通渠道。增强风险预警能力。建设人工智能安全风险监测预警体系，加强对生产制造关键环节、系统和数据的风险识别，实现风险早发现、早预警、早处置。夯实安全防护基础。企业应使用经过安全测评认证的智能终端设备，实施工业控制网络与人工智能应用网络的分区隔离，部署工业安全大模型辅助威胁检测与响应处置。完善数据安全管理机制，建立训练数据全生命周期保护策略，对核心工艺数据实施分类分级管控，采用深度合成鉴伪技术识别和拦截虚假数据。提升系统防护水平。从数据、模型、终端等层面构建系统性安全防护体系，通过知识库优化、训练语料纠错，从数据源头提升模型输出的准确性、减少错误信息传播。添加人工智能生成合成内容标识，确保生成内容可溯源、可识别。
中国工业互联网研究院基于国家工业互联网大数据中心，建设工业可信数据空间，在钢铁、石化、有色、纺织等重点行业打造了一批高质量工业数据集。开展人工智能测评，对100余个大模型、智能体在工业应用效果进行测试。研发工业智能体平台，为汽车、材料等行业提供工业智能体服务。建设国家人工智能赋能新型工业化供需对接平台，提供涵盖技术咨询、方案设计、智能应用部署和运维优化在内的端到端服务，为3000余家企业精准匹配制造业需求，缩短智能化方案落地周期。
