2025年6月，工信部在審議《工業和信息化部信息化和工業化融合2025年工作要點》時，明確提出要實施“人工智能+制造”行動，加快重點行業智能升級，打造智能制造“升級版”。

這一表態不僅釋放出國家層面對“人工智能+制造”深度融合的高度重視，也為制造業在新一輪技術革命中指明了方向。

意味著，AI浪潮下，制造業正面臨深層次的結構性挑戰與轉型壓力，站在“再定義”的門檻上。

一方面，全球產業鏈加速重構、勞動力結構性短缺、質量與效率的雙重壓力日益顯現；另一方面，人工智能正以前所未有的速度，滲透至從研發、生產到供應鏈的各個環節，成為驅動制造業高質量發展的新變量。

在這樣的背景下，制造業不再是AI應用的跟隨者，而是其落地的主戰場和主引擎。

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的邏輯結構、組織方式與治理能力，推動制造業從流程驅動向數據驅動、從自動化向智能化、從人控系統向人機協同演進。

因此，AI技術的嵌入，正開啟一場對制造業的“再定義”。

PART.1

“人工智能+制造”的落地路徑：從感知到決策的五次迭代

隨著“人工智能+制造”深度融合的推進，制造系統的底層架構正在發生一場靜悄悄卻深刻的重構。

傳統制造體系長期沿用“感知-控制-執行-運營-決策”分明的層級型架構：傳感器采集數據，上傳至控制系統，指令驅動執行單元，自動化系統進行過程管理，決策層基于周期性數據分析進行計劃與調整。

這種自上而下、中心控制的線性架構曾支撐了大規模、標準化的工業化生產，但在當下愈加復雜、動態、多變的制造環境中，其局限性日益凸顯。

今天，制造業正從層級式架構向平臺化、一體化、去中心化的系統重構邁進。感知、控制、執行、運營與決策不再是彼此割裂的系統，而是在統一的技術平臺上協同運行、實時互動、智能閉環。

在這個架構中，人工智能的能力不再是簡單地插入某一環節，而是深度嵌入整個制造網絡的神經中樞，成為系統智能的支撐。

這種范式的轉變，也勾勒出AI在制造業落地的五次迭代路徑：

1. 感知迭代：從“能看見”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、工業物聯網的發展，制造現場的“眼睛”變得更加敏銳，也更具洞察力。

AI賦能的視頻分析系統，能夠自動識別生產異常、故障預警、物品狀態變化，補足了傳統規則算法的局限性。在數據采集端，傳感器不僅采集數據，更通過邊緣AI實現初步分析與事件觸發，為后續控制與執行提供實時依據。感知層的強化，是AI向制造系統全面介入的起點。

2. 控制迭代：從“規則控制”到“智能生成”

控制系統的智能化，正在重寫工業控制的邏輯。以軟件定義自動化（SDA）為代表的新一代工業控制系統，打破了傳統控制系統中硬件與編程綁定的封閉結構，構建起開放、模塊化、可重構的控制平臺。

在此基礎上，AI助手工具的引入，讓PLC編程不再是工程師獨自完成的任務。通過自然語言描述控制目標，AI可自動生成控制邏輯、流程圖、語義注釋，甚至進行調試與驗證，實現從人寫代碼到人機共寫的躍遷，提升控制系統的開發效率與迭代能力。

3. 執行迭代：從“自動化”到“智能協同體”

制造執行層也正在發生變化。AI與工業機器人深度融合，推動形成具備感知、判斷、執行能力的“工業智能體”。

AI驅動下的機器人不僅能完成重復性操作，還可實現自適應路徑規劃、實時視覺識別與多機協同調度。通過數字孿生與仿真平臺，機器人在部署前可在虛擬環境中完成訓練與驗證，極大壓縮上線周期。從此，制造的“手腳”不再只是執行指令，而是具備判斷力的智能執行體。

4. 運營迭代：從“記錄管理”到“預測優化”

制造過程管理系統也因AI的引入而全面重構。人工智能正加速集成于MES、設備管理系統等生產過程核心平臺，成為制造優化的智能引擎。

AI可對設備運行數據進行建模，提前識別潛在故障，實現預測性維護；通過實時數據流分析，優化OEE表現；在質量管理中，借助AI識別缺陷模式與根因，提升產品的一致性與合規性。制造過程管理正在從反應式控制邁向預測式運營，實現進程級、數據驅動的智能優化。

5. 決策迭代：從“周期滯后分析”到“實時智能決策”

制造企業的決策也正迎來智能化轉型。AI將逐漸具備輔助排產、庫存模擬、質量預測等高復雜度決策任務的能力。

借助AI模型，企業可以進行情景模擬，快速評估不同排產策略的資源占用與交付可能性；結合歷史與實時數據，AI可預測質量波動趨勢，提前調整工藝參數；在庫存管理中，AI可動態推薦補貨策略，提升庫存周轉效率。制造決策從滯后響應邁向前瞻洞察，成為企業敏捷性與韌性的關鍵支撐。

在這五次躍遷中，我們看到，人工智能不再是外置的工具，而是制造系統內部的智能因子。它跨越傳統邊界，融入每一層級、每一節點，推動制造系統從分層控制走向智能協同，從局部優化走向系統智能。

這場系統性重構，正是“人工智能+制造”的內涵所在。

PART.2

“人工智能+”時代的制造組織：需要什么樣的系統能力？

在制造業數字化轉型的浪潮中，一個共識正在形成：真正阻礙行業進步的并非技術本身，而是掌握技術的人。據麥肯錫調研，超過70%的數字化轉型項目未能達到預期目標，主要原因有三點，第一是企業平均擁有的應用系統過多，但集成和數據流通受阻；第二是傳統自動化流程無法適應業務變化，維護成本高；第三點就是顯著的數字化人才短缺。

國家工信安全中心發布的白皮書顯示，中國2020年的人工智能人才缺口就已經達到了30萬人，智能制造領域今年的缺口將攀升到500萬人。

智能制造需要更多人，而不是更少人。

這意味著，AI的廣泛應用，并未帶來裁員潮，反而催生了對新型技能與復合型人才的強烈需求。

過去，AI更多被視為一種工具：用于輔助檢測、分析數據、生成報表。而如今，隨著AI模型在預測性維護、質量控制、排產調度等環節的滲透，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角色，也重塑了組織結構。制造企業正在從“以人決策、AI協助”的單向關系，轉向“人機共決策”的雙向協同模式。AI不再是后臺工具，而是嵌入業務流程、參與流程演化、觸發流程再造的智能要素。

這也意味著，企業對人才的要求正在發生質變：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、系統思維與業務理解力的AI通才型人才，將成為組織智能化轉型的關鍵支撐。

但制造業的復合型人才并非簡單的技術堆砌，而是需要貫通工業工程、運營技術、AI等信息技術，這類人才既需要理解生產流程中的工藝痛點，又要能將AI算法、工業大數據轉化為車間中切實可行的降本增效方案，時下來看是不可多得的。

雖然中大型企業都在自研數字化人才培養體系，但內部造血的模式存在明顯局限：一是周期長，從學習到業務融合至少需要兩三年沉淀；二是培養成本高；三是流失風險，制造業的數字化人才可能會流向互聯網等高溢價行業。

疊加因素的“困境”在產業鏈協同中被進一步放大。上游供應商的數字化地基淺，下游企業就難以構建全鏈條智能模型。人才短缺如同多米諾骨牌，正在拖慢整個制造業的智能化進程。

而更深層的矛盾還在于培養機制。傳統教育體系下，工科生缺乏數據思維訓練，AI+人才又對產線和工程實踐認知模糊，高校教育和企業需求之間存在“斷崖”。今天的“AI+制造業”人才培養梯隊和體系，幾乎是一片無人區。

例子

AI賦能智能工廠再升級

廣州市番禺區的廣汽埃安智能生態工廠總裝車間，AI元素“無處不在”。600余臺機器人不停揮舞手臂，精準地定位、抓取并拼裝各個模塊，僅用數秒就能完成玻璃、座椅、輪胎等零部件安裝；隨處可見的無人化智能移動機器人往來穿梭，實現10公斤以上零部件100%全自動搭載；3D視覺跟蹤技術代替人工肉眼，實現納米級精準控制。

在寶武鋼鐵集團熱軋生產線，一塊鋼坯制成鋼板需要經過20道工序、涉及300多個參數。過去，工程師調整生產鋼板的種類和尺寸需要耗費5天時間，如今，大模型能對最優參數進行預測，顯著降低調整時間，提高預測精度和鋼板成材率。

在福建東龍針紡有限公司紡織車間，“AI質檢員”已逐漸代替人工質檢。5G+經編花邊瑕疵AI視覺識別檢測系統應用以來，織機面料實現了在線100%全檢，平均檢出率達95%以上，遠高于人工檢測水平，整體效率提升2～3倍，企業人工成本每年節約200多萬元。

在施耐德電氣無錫工廠，基于AI技術的熱處理數字仿真系統，能夠通過算法優化，使單臺設備能耗降低25%，氮氣消耗減少36%；同時，利用暖通空調的AI動態調控系統結合數字孿生技術，實現單位產品組用水量下降56%。

如今，像這樣的AI超級工廠已在全國各地“遍地開花”。可以看到，“AI+制造”正在重塑制造業的生產模式，其影響不僅體現在生產效率的提升，更推動著制造業加速向智能化、柔性化和綠色化方向轉型。

工業和信息化部發布的數據顯示，當前我國智能工廠梯度培育提質增效，全國已建成3萬余家基礎級智能工廠、1200余家先進級智能工廠、230余家卓越級智能工廠。這些類型的智能工廠覆蓋超過80%的制造業行業大類，工廠產品研發周期平均縮短28.4%，生產效率平均提升22.3%。

從“標準化生產”到“個性化定制”，從“勞動密集”到“算法密集”，AI超級工廠的背后是制造業底層邏輯的變革。相較于一般的自動化產線，在這里，工業機械臂進化為更靈活、更智慧的具身智能，傳統語言模型升級為可自主分析、輔助決策的大模型，仿真技術融合物聯網、大數據和5G-A等技術，形成實時交互的數字孿生系統……這些技術的協同創新，持續推動制造業向更高階的智能化躍遷。

PART.3

數據與模型：極難駕馭的“人工智能+制造”雙引擎

AI的引擎，只有在“數據”和“模型”同時高效運轉時，才可能真正驅動智能制造系統的持續演進。

然而，在“人工智能+制造”的落地實踐中，企業往往陷入一個認知誤區：認為只要部署了AI算法，接入了工業數據，就能自動獲得智能的決策與優化結果。但現實是，許多制造企業在AI項目中“試點成功、復制失敗”，其根源恰恰在于數據與模型這兩個核心引擎未能真正啟轉。

1. 數據挑戰：制造企業擁有“最多的數據”，卻也是“最難用的數據”

2. 模型挑戰：工業智能，不能靠“通用大模型”一蹴而就

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

• 數據是否真實反映現場？
• 語義是否符合工藝理解？
• 輸出是否對一線有價值？
• 是否能融入現有系統和節奏？

AI不是工具工程，而是系統工程。沒有“對的場景”和“真實需求”，再強的算法也只會空轉。

誤區一：AI是通用的，拿來即用就能降本增效

有的工廠認為：GPT 很強，視覺識別很準，我們只要“接入一個大模型”就能搞定智能化。但事實是——AI需要行業化、語境化、場景化訓練。比如：“掉棒”是煙支？還是濾棒？是機臺異常？還是投料問題？這些詞匯在通用語料中根本不存在。離開行業知識，AI就成了不會說方言的聰明人。

它或許語言通順，卻無法理解現場真正的問題。

誤區二：AI是替代人，只要模型好，就不需要培訓工人了

這種觀點看似“效率導向”，實則忽略了制造的本質。制造是人與系統的協同過程。一線員工擁有大量“弱結構化經驗”，這些經驗正是模型無法即時替代的關鍵資源。真正的智能化是：

• 讓AI記錄經驗、輔助判斷
• 讓人保留決策權、掌控節奏
• 不是“人下崗”，而是“人上升”。

誤區三：AI只要看得見缺陷，就能自動做決策

有企業誤以為：“有視覺檢測系統了，瑕疵就能處理。”但真正有用的，不是“發現瑕疵”，而是“發現根因”、“提供建議”、“避免再犯”。AI系統必須要具備跨數據分析、工藝理解、歷史演化判斷的能力，而不是一個“自動截圖報警系統”。發現是開始，反饋和建議才是智能。

PART.4

寫在最后

根據最新調研，95%的制造企業將在未來五年內投資人工智能。這不僅是一項技術投入，更是一場深層次的系統性重構。可以說，人工智能正成為制造業第二增長曲線的起點，重塑企業的生產邏輯、組織結構與競爭方式。

未來，制造企業的核心能力將不再是制造產品，而是構建一個能自主感知、持續優化、智能協同的系統。這場轉型的關鍵，不在于是否應用AI，而在于能否以AI為引擎，重構一個真正面向未來的制造體系。