2025年6月，工信部在審議《工業(yè)和信息化部信息化和工業(yè)化融合2025年工作要點(diǎn)》時(shí)，明確提出要實(shí)施“人工智能+制造”行動(dòng)，加快重點(diǎn)行業(yè)智能升級(jí)，打造智能制造“升級(jí)版”。

這一表態(tài)不僅釋放出國(guó)家層面對(duì)“人工智能+制造”深度融合的高度重視，也為制造業(yè)在新一輪技術(shù)革命中指明了方向。

意味著，AI浪潮下，制造業(yè)正面臨深層次的結(jié)構(gòu)性挑戰(zhàn)與轉(zhuǎn)型壓力，站在“再定義”的門檻上。

一方面，全球產(chǎn)業(yè)鏈加速重構(gòu)、勞動(dòng)力結(jié)構(gòu)性短缺、質(zhì)量與效率的雙重壓力日益顯現(xiàn)；另一方面，人工智能正以前所未有的速度，滲透至從研發(fā)、生產(chǎn)到供應(yīng)鏈的各個(gè)環(huán)節(jié)，成為驅(qū)動(dòng)制造業(yè)高質(zhì)量發(fā)展的新變量。

在這樣的背景下，制造業(yè)不再是AI應(yīng)用的跟隨者，而是其落地的主戰(zhàn)場(chǎng)和主引擎。

然而，人工智能賦能制造，并不僅僅是為了提升效率、降低成本，它更深刻地作用于制造系統(tǒng)的邏輯結(jié)構(gòu)、組織方式與治理能力，推動(dòng)制造業(yè)從流程驅(qū)動(dòng)向數(shù)據(jù)驅(qū)動(dòng)、從自動(dòng)化向智能化、從人控系統(tǒng)向人機(jī)協(xié)同演進(jìn)。

因此，AI技術(shù)的嵌入，正開(kāi)啟一場(chǎng)對(duì)制造業(yè)的“再定義”。

PART.1

“人工智能+制造”的落地路徑：從感知到?jīng)Q策的五次迭代

隨著“人工智能+制造”深度融合的推進(jìn)，制造系統(tǒng)的底層架構(gòu)正在發(fā)生一場(chǎng)靜悄悄卻深刻的重構(gòu)。

傳統(tǒng)制造體系長(zhǎng)期沿用“感知-控制-執(zhí)行-運(yùn)營(yíng)-決策”分明的層級(jí)型架構(gòu)：傳感器采集數(shù)據(jù)，上傳至控制系統(tǒng)，指令驅(qū)動(dòng)執(zhí)行單元，自動(dòng)化系統(tǒng)進(jìn)行過(guò)程管理，決策層基于周期性數(shù)據(jù)分析進(jìn)行計(jì)劃與調(diào)整。

這種自上而下、中心控制的線性架構(gòu)曾支撐了大規(guī)模、標(biāo)準(zhǔn)化的工業(yè)化生產(chǎn)，但在當(dāng)下愈加復(fù)雜、動(dòng)態(tài)、多變的制造環(huán)境中，其局限性日益凸顯。

今天，制造業(yè)正從層級(jí)式架構(gòu)向平臺(tái)化、一體化、去中心化的系統(tǒng)重構(gòu)邁進(jìn)。感知、控制、執(zhí)行、運(yùn)營(yíng)與決策不再是彼此割裂的系統(tǒng)，而是在統(tǒng)一的技術(shù)平臺(tái)上協(xié)同運(yùn)行、實(shí)時(shí)互動(dòng)、智能閉環(huán)。

在這個(gè)架構(gòu)中，人工智能的能力不再是簡(jiǎn)單地插入某一環(huán)節(jié)，而是深度嵌入整個(gè)制造網(wǎng)絡(luò)的神經(jīng)中樞，成為系統(tǒng)智能的支撐。

這種范式的轉(zhuǎn)變，也勾勒出AI在制造業(yè)落地的五次迭代路徑：

1. 感知迭代：從“能看見(jiàn)”到“能理解”

制造的第一步，始于感知。隨著AI視頻分析、智能傳感器、工業(yè)物聯(lián)網(wǎng)的發(fā)展，制造現(xiàn)場(chǎng)的“眼睛”變得更加敏銳，也更具洞察力。

AI賦能的視頻分析系統(tǒng)，能夠自動(dòng)識(shí)別生產(chǎn)異常、故障預(yù)警、物品狀態(tài)變化，補(bǔ)足了傳統(tǒng)規(guī)則算法的局限性。在數(shù)據(jù)采集端，傳感器不僅采集數(shù)據(jù)，更通過(guò)邊緣AI實(shí)現(xiàn)初步分析與事件觸發(fā)，為后續(xù)控制與執(zhí)行提供實(shí)時(shí)依據(jù)。感知層的強(qiáng)化，是AI向制造系統(tǒng)全面介入的起點(diǎn)。

2. 控制迭代：從“規(guī)則控制”到“智能生成”

控制系統(tǒng)的智能化，正在重寫工業(yè)控制的邏輯。以軟件定義自動(dòng)化（SDA）為代表的新一代工業(yè)控制系統(tǒng)，打破了傳統(tǒng)控制系統(tǒng)中硬件與編程綁定的封閉結(jié)構(gòu)，構(gòu)建起開(kāi)放、模塊化、可重構(gòu)的控制平臺(tái)。

在此基礎(chǔ)上，AI助手工具的引入，讓PLC編程不再是工程師獨(dú)自完成的任務(wù)。通過(guò)自然語(yǔ)言描述控制目標(biāo)，AI可自動(dòng)生成控制邏輯、流程圖、語(yǔ)義注釋，甚至進(jìn)行調(diào)試與驗(yàn)證，實(shí)現(xiàn)從人寫代碼到人機(jī)共寫的躍遷，提升控制系統(tǒng)的開(kāi)發(fā)效率與迭代能力。

3. 執(zhí)行迭代：從“自動(dòng)化”到“智能協(xié)同體”

制造執(zhí)行層也正在發(fā)生變化。AI與工業(yè)機(jī)器人深度融合，推動(dòng)形成具備感知、判斷、執(zhí)行能力的“工業(yè)智能體”。

AI驅(qū)動(dòng)下的機(jī)器人不僅能完成重復(fù)性操作，還可實(shí)現(xiàn)自適應(yīng)路徑規(guī)劃、實(shí)時(shí)視覺(jué)識(shí)別與多機(jī)協(xié)同調(diào)度。通過(guò)數(shù)字孿生與仿真平臺(tái)，機(jī)器人在部署前可在虛擬環(huán)境中完成訓(xùn)練與驗(yàn)證，極大壓縮上線周期。從此，制造的“手腳”不再只是執(zhí)行指令，而是具備判斷力的智能執(zhí)行體。

4. 運(yùn)營(yíng)迭代：從“記錄管理”到“預(yù)測(cè)優(yōu)化”

制造過(guò)程管理系統(tǒng)也因AI的引入而全面重構(gòu)。人工智能正加速集成于MES、設(shè)備管理系統(tǒng)等生產(chǎn)過(guò)程核心平臺(tái)，成為制造優(yōu)化的智能引擎。

AI可對(duì)設(shè)備運(yùn)行數(shù)據(jù)進(jìn)行建模，提前識(shí)別潛在故障，實(shí)現(xiàn)預(yù)測(cè)性維護(hù)；通過(guò)實(shí)時(shí)數(shù)據(jù)流分析，優(yōu)化OEE表現(xiàn)；在質(zhì)量管理中，借助AI識(shí)別缺陷模式與根因，提升產(chǎn)品的一致性與合規(guī)性。制造過(guò)程管理正在從反應(yīng)式控制邁向預(yù)測(cè)式運(yùn)營(yíng)，實(shí)現(xiàn)進(jìn)程級(jí)、數(shù)據(jù)驅(qū)動(dòng)的智能優(yōu)化。

5. 決策迭代：從“周期滯后分析”到“實(shí)時(shí)智能決策”

制造企業(yè)的決策也正迎來(lái)智能化轉(zhuǎn)型。AI將逐漸具備輔助排產(chǎn)、庫(kù)存模擬、質(zhì)量預(yù)測(cè)等高復(fù)雜度決策任務(wù)的能力。

借助AI模型，企業(yè)可以進(jìn)行情景模擬，快速評(píng)估不同排產(chǎn)策略的資源占用與交付可能性；結(jié)合歷史與實(shí)時(shí)數(shù)據(jù)，AI可預(yù)測(cè)質(zhì)量波動(dòng)趨勢(shì)，提前調(diào)整工藝參數(shù)；在庫(kù)存管理中，AI可動(dòng)態(tài)推薦補(bǔ)貨策略，提升庫(kù)存周轉(zhuǎn)效率。制造決策從滯后響應(yīng)邁向前瞻洞察，成為企業(yè)敏捷性與韌性的關(guān)鍵支撐。

在這五次躍遷中，我們看到，人工智能不再是外置的工具，而是制造系統(tǒng)內(nèi)部的智能因子。它跨越傳統(tǒng)邊界，融入每一層級(jí)、每一節(jié)點(diǎn)，推動(dòng)制造系統(tǒng)從分層控制走向智能協(xié)同，從局部?jī)?yōu)化走向系統(tǒng)智能。

這場(chǎng)系統(tǒng)性重構(gòu)，正是“人工智能+制造”的內(nèi)涵所在。

PART.2

“人工智能+”時(shí)代的制造組織：需要什么樣的系統(tǒng)能力？

在制造業(yè)數(shù)字化轉(zhuǎn)型的浪潮中，一個(gè)共識(shí)正在形成：真正阻礙行業(yè)進(jìn)步的并非技術(shù)本身，而是掌握技術(shù)的人。據(jù)麥肯錫調(diào)研，超過(guò)70%的數(shù)字化轉(zhuǎn)型項(xiàng)目未能達(dá)到預(yù)期目標(biāo)，主要原因有三點(diǎn)，第一是企業(yè)平均擁有的應(yīng)用系統(tǒng)過(guò)多，但集成和數(shù)據(jù)流通受阻；第二是傳統(tǒng)自動(dòng)化流程無(wú)法適應(yīng)業(yè)務(wù)變化，維護(hù)成本高；第三點(diǎn)就是顯著的數(shù)字化人才短缺。

國(guó)家工信安全中心發(fā)布的白皮書顯示，中國(guó)2020年的人工智能人才缺口就已經(jīng)達(dá)到了30萬(wàn)人，智能制造領(lǐng)域今年的缺口將攀升到500萬(wàn)人。

智能制造需要更多人，而不是更少人。

這意味著，AI的廣泛應(yīng)用，并未帶來(lái)裁員潮，反而催生了對(duì)新型技能與復(fù)合型人才的強(qiáng)烈需求。

過(guò)去，AI更多被視為一種工具：用于輔助檢測(cè)、分析數(shù)據(jù)、生成報(bào)表。而如今，隨著AI模型在預(yù)測(cè)性維護(hù)、質(zhì)量控制、排產(chǎn)調(diào)度等環(huán)節(jié)的滲透，它正逐步從輔助判斷者演化為參與決策者。

這種演化不僅改變了技術(shù)角色，也重塑了組織結(jié)構(gòu)。制造企業(yè)正在從“以人決策、AI協(xié)助”的單向關(guān)系，轉(zhuǎn)向“人機(jī)共決策”的雙向協(xié)同模式。AI不再是后臺(tái)工具，而是嵌入業(yè)務(wù)流程、參與流程演化、觸發(fā)流程再造的智能要素。

這也意味著，企業(yè)對(duì)人才的要求正在發(fā)生質(zhì)變：不僅需要懂AI的工程師，也需要懂制造的AI人才。具備跨界能力、系統(tǒng)思維與業(yè)務(wù)理解力的AI通才型人才，將成為組織智能化轉(zhuǎn)型的關(guān)鍵支撐。

但制造業(yè)的復(fù)合型人才并非簡(jiǎn)單的技術(shù)堆砌，而是需要貫通工業(yè)工程、運(yùn)營(yíng)技術(shù)、AI等信息技術(shù)，這類人才既需要理解生產(chǎn)流程中的工藝痛點(diǎn)，又要能將AI算法、工業(yè)大數(shù)據(jù)轉(zhuǎn)化為車間中切實(shí)可行的降本增效方案，時(shí)下來(lái)看是不可多得的。

雖然中大型企業(yè)都在自研數(shù)字化人才培養(yǎng)體系，但內(nèi)部造血的模式存在明顯局限：一是周期長(zhǎng)，從學(xué)習(xí)到業(yè)務(wù)融合至少需要兩三年沉淀；二是培養(yǎng)成本高；三是流失風(fēng)險(xiǎn)，制造業(yè)的數(shù)字化人才可能會(huì)流向互聯(lián)網(wǎng)等高溢價(jià)行業(yè)。

疊加因素的“困境”在產(chǎn)業(yè)鏈協(xié)同中被進(jìn)一步放大。上游供應(yīng)商的數(shù)字化地基淺，下游企業(yè)就難以構(gòu)建全鏈條智能模型。人才短缺如同多米諾骨牌，正在拖慢整個(gè)制造業(yè)的智能化進(jìn)程。

而更深層的矛盾還在于培養(yǎng)機(jī)制。傳統(tǒng)教育體系下，工科生缺乏數(shù)據(jù)思維訓(xùn)練，AI+人才又對(duì)產(chǎn)線和工程實(shí)踐認(rèn)知模糊，高校教育和企業(yè)需求之間存在“斷崖”。今天的“AI+制造業(yè)”人才培養(yǎng)梯隊(duì)和體系，幾乎是一片無(wú)人區(qū)。

例子///AI賦能智能工廠再升級(jí)

廣州市番禺區(qū)的廣汽埃安智能生態(tài)工廠總裝車間，AI元素“無(wú)處不在”。600余臺(tái)機(jī)器人不停揮舞手臂，精準(zhǔn)地定位、抓取并拼裝各個(gè)模塊，僅用數(shù)秒就能完成玻璃、座椅、輪胎等零部件安裝；隨處可見(jiàn)的無(wú)人化智能移動(dòng)機(jī)器人往來(lái)穿梭，實(shí)現(xiàn)10公斤以上零部件100%全自動(dòng)搭載；3D視覺(jué)跟蹤技術(shù)代替人工肉眼，實(shí)現(xiàn)納米級(jí)精準(zhǔn)控制。

在寶武鋼鐵集團(tuán)熱軋生產(chǎn)線，一塊鋼坯制成鋼板需要經(jīng)過(guò)20道工序、涉及300多個(gè)參數(shù)。過(guò)去，工程師調(diào)整生產(chǎn)鋼板的種類和尺寸需要耗費(fèi)5天時(shí)間，如今，大模型能對(duì)最優(yōu)參數(shù)進(jìn)行預(yù)測(cè)，顯著降低調(diào)整時(shí)間，提高預(yù)測(cè)精度和鋼板成材率。

在福建東龍針紡有限公司紡織車間，“AI質(zhì)檢員”已逐漸代替人工質(zhì)檢。5G+經(jīng)編花邊瑕疵AI視覺(jué)識(shí)別檢測(cè)系統(tǒng)應(yīng)用以來(lái)，織機(jī)面料實(shí)現(xiàn)了在線100%全檢，平均檢出率達(dá)95%以上，遠(yuǎn)高于人工檢測(cè)水平，整體效率提升2～3倍，企業(yè)人工成本每年節(jié)約200多萬(wàn)元。

在施耐德電氣無(wú)錫工廠，基于AI技術(shù)的熱處理數(shù)字仿真系統(tǒng)，能夠通過(guò)算法優(yōu)化，使單臺(tái)設(shè)備能耗降低25%，氮?dú)庀臏p少36%；同時(shí)，利用暖通空調(diào)的AI動(dòng)態(tài)調(diào)控系統(tǒng)結(jié)合數(shù)字孿生技術(shù)，實(shí)現(xiàn)單位產(chǎn)品組用水量下降56%。

如今，像這樣的AI超級(jí)工廠已在全國(guó)各地“遍地開(kāi)花”?？梢钥吹剑癆I+制造”正在重塑制造業(yè)的生產(chǎn)模式，其影響不僅體現(xiàn)在生產(chǎn)效率的提升，更推動(dòng)著制造業(yè)加速向智能化、柔性化和綠色化方向轉(zhuǎn)型。

工業(yè)和信息化部發(fā)布的數(shù)據(jù)顯示，當(dāng)前我國(guó)智能工廠梯度培育提質(zhì)增效，全國(guó)已建成3萬(wàn)余家基礎(chǔ)級(jí)智能工廠、1200余家先進(jìn)級(jí)智能工廠、230余家卓越級(jí)智能工廠。這些類型的智能工廠覆蓋超過(guò)80%的制造業(yè)行業(yè)大類，工廠產(chǎn)品研發(fā)周期平均縮短28.4%，生產(chǎn)效率平均提升22.3%。

從“標(biāo)準(zhǔn)化生產(chǎn)”到“個(gè)性化定制”，從“勞動(dòng)密集”到“算法密集”，AI超級(jí)工廠的背后是制造業(yè)底層邏輯的變革。相較于一般的自動(dòng)化產(chǎn)線，在這里，工業(yè)機(jī)械臂進(jìn)化為更靈活、更智慧的具身智能，傳統(tǒng)語(yǔ)言模型升級(jí)為可自主分析、輔助決策的大模型，仿真技術(shù)融合物聯(lián)網(wǎng)、大數(shù)據(jù)和5G-A等技術(shù)，形成實(shí)時(shí)交互的數(shù)字孿生系統(tǒng)……這些技術(shù)的協(xié)同創(chuàng)新，持續(xù)推動(dòng)制造業(yè)向更高階的智能化躍遷。

PART.3

數(shù)據(jù)與模型：極難駕馭的“人工智能+制造”雙引擎

AI的引擎，只有在“數(shù)據(jù)”和“模型”同時(shí)高效運(yùn)轉(zhuǎn)時(shí)，才可能真正驅(qū)動(dòng)智能制造系統(tǒng)的持續(xù)演進(jìn)。

然而，在“人工智能+制造”的落地實(shí)踐中，企業(yè)往往陷入一個(gè)認(rèn)知誤區(qū)：認(rèn)為只要部署了AI算法，接入了工業(yè)數(shù)據(jù)，就能自動(dòng)獲得智能的決策與優(yōu)化結(jié)果。但現(xiàn)實(shí)是，許多制造企業(yè)在AI項(xiàng)目中“試點(diǎn)成功、復(fù)制失敗”，其根源恰恰在于數(shù)據(jù)與模型這兩個(gè)核心引擎未能真正啟轉(zhuǎn)。

1. 數(shù)據(jù)挑戰(zhàn)：制造企業(yè)擁有“最多的數(shù)據(jù)”，卻也是“最難用的數(shù)據(jù)”

2. 模型挑戰(zhàn)：工業(yè)智能，不能靠“通用大模型”一蹴而就

很多人以為，AI項(xiàng)目的關(guān)鍵是“找一個(gè)更強(qiáng)的模型”——ResNet、YOLO、DeepSeek、GPT-4o……一選定模型，剩下的就是部署。但實(shí)際上，在制造場(chǎng)景里，算法的作用僅占整體效果的不到30%。剩下的70%，在于：

• 數(shù)據(jù)是否真實(shí)反映現(xiàn)場(chǎng)？
• 語(yǔ)義是否符合工藝?yán)斫猓?
• 輸出是否對(duì)一線有價(jià)值？
• 是否能融入現(xiàn)有系統(tǒng)和節(jié)奏？

AI不是工具工程，而是系統(tǒng)工程。沒(méi)有“對(duì)的場(chǎng)景”和“真實(shí)需求”，再?gòu)?qiáng)的算法也只會(huì)空轉(zhuǎn)。

誤區(qū)一：AI是通用的，拿來(lái)即用就能降本增效

有的工廠認(rèn)為：GPT 很強(qiáng)，視覺(jué)識(shí)別很準(zhǔn)，我們只要“接入一個(gè)大模型”就能搞定智能化。但事實(shí)是——AI需要行業(yè)化、語(yǔ)境化、場(chǎng)景化訓(xùn)練。比如：“掉棒”是煙支？還是濾棒？是機(jī)臺(tái)異常？還是投料問(wèn)題？這些詞匯在通用語(yǔ)料中根本不存在。離開(kāi)行業(yè)知識(shí)，AI就成了不會(huì)說(shuō)方言的聰明人。它或許語(yǔ)言通順，卻無(wú)法理解現(xiàn)場(chǎng)真正的問(wèn)題。

誤區(qū)二：AI是替代人，只要模型好，就不需要培訓(xùn)工人了

這種觀點(diǎn)看似“效率導(dǎo)向”，實(shí)則忽略了制造的本質(zhì)。制造是人與系統(tǒng)的協(xié)同過(guò)程。一線員工擁有大量“弱結(jié)構(gòu)化經(jīng)驗(yàn)”，這些經(jīng)驗(yàn)正是模型無(wú)法即時(shí)替代的關(guān)鍵資源。真正的智能化是：

• 讓AI記錄經(jīng)驗(yàn)、輔助判斷
• 讓人保留決策權(quán)、掌控節(jié)奏
• 不是“人下崗”，而是“人上升”。

誤區(qū)三：AI只要看得見(jiàn)缺陷，就能自動(dòng)做決策

有企業(yè)誤以為：“有視覺(jué)檢測(cè)系統(tǒng)了，瑕疵就能處理?！钡嬲杏玫?，不是“發(fā)現(xiàn)瑕疵”，而是“發(fā)現(xiàn)根因”、“提供建議”、“避免再犯”。AI系統(tǒng)必須要具備跨數(shù)據(jù)分析、工藝?yán)斫?、歷史演化判斷的能力，而不是一個(gè)“自動(dòng)截圖報(bào)警系統(tǒng)”。發(fā)現(xiàn)是開(kāi)始，反饋和建議才是智能。

PART.4

寫在最后

根據(jù)最新調(diào)研，95%的制造企業(yè)將在未來(lái)五年內(nèi)投資人工智能。這不僅是一項(xiàng)技術(shù)投入，更是一場(chǎng)深層次的系統(tǒng)性重構(gòu)?？梢哉f(shuō)，人工智能正成為制造業(yè)第二增長(zhǎng)曲線的起點(diǎn)，重塑企業(yè)的生產(chǎn)邏輯、組織結(jié)構(gòu)與競(jìng)爭(zhēng)方式。

未來(lái)，制造企業(yè)的核心能力將不再是制造產(chǎn)品，而是構(gòu)建一個(gè)能自主感知、持續(xù)優(yōu)化、智能協(xié)同的系統(tǒng)。這場(chǎng)轉(zhuǎn)型的關(guān)鍵，不在于是否應(yīng)用AI，而在于能否以AI為引擎，重構(gòu)一個(gè)真正面向未來(lái)的制造體系。