上海发布制造业AI应用新指引

2026 年 7 月 17 日，上海出台促进“AI+制造”发展的系列举措，将工业大模型、智能体和资深技师经验数据列为重点领域。AI 正被引导从聊天界面走向实际生产环境。它不一定会立刻取代劳动者，却可能重新定义工作、技能和责任，调整普通人在工厂中的角色重要性。

2026 年 7 月 17 日，上海市经济和信息化委员会发布《上海市进一步推动“AI+制造”发展的若干措施》。

文件涵盖工业大模型、AI 编程模型、物理 AI、工业智能体、工业数据管理、高质量数据集、智能工厂、机器人、工业软件、算力开销和复合型人才培育等内容。

用通俗的话说，就是让 AI 不仅限于对话，而是融入企业实际运营：辅助工程师编写代码、调动生产数据、识别设备故障、支持质量评估，并将各部门信息整合起来。

不过，政策提出的支持、引导和激励，并不代表相关项目已全面铺开，更不意味着上海所有工厂都已部署 AI。文件中的资助上限是最高额度，并非每家企业都能获得，也不能直接等同于实际投资和最终成效。

可以确定的是，制造业讨论 AI，正从“采购几台机器人”转向改造数据、软件、流程和生产体系。岗位未必马上消失，但哪些工作更有价值、哪些技能更关键、出现问题谁来担责，可能率先发生变化。

专家观察现场、作出评估、记录规则、系统调用、工人复核的经验转化流程

文件中一个引人注意的方向，是开发“专家”经验数据。

工厂中有大量知识不在操作手册里。设备声音略显沉闷，可能预示部件即将失效；材料在不同温湿度下，参数需如何微调；产品表面出现一道细微划痕，是否算作质量瑕疵，熟练工人常常凭一看、一听就能判断。

这些能力源自多年的故障处理、返修和现场调整，却很难一次性描述清楚。经验数据化，就是逐步记录异常现象、相关指标、处理方式和最终结果，再把大量记录提炼成规则和数据，供系统辅助调用。

但这只是政策推动的方向，不能解读成所有企业都已完成经验采集和模型训练，更不能认为机器已经能复现专家技能。

现场经验经常依赖于难以采集的细节。传感器未记录的信息，系统无法捕捉；标签错误，模型可能学习偏差；遇到从未见过的异常，AI 也未必知道如何应对。

真正的转变在于：过去仅存在于个人头脑中的技艺，可能被企业视为可记录、可复用、可管理的生产资产。这有助于经验传承，也会引发新的权益问题——经验由员工长年积累，被整理成企业数据后，贡献如何认定、使用范围如何界定，都需要明确。

AI 对就业的影响，目前只能做谨慎评估，不能仅凭一份政策文件断言“大规模替代”已经发生。更现实的变化，可能不是整个岗位突然消失，而是一份工作被重新分解。

重复录入、固定巡检、标准化排程和简单报表，更可能交给系统；异常诊断、跨工序协调、质量争议处理和结果复核，则可能变得更重要。

过去，熟练工依靠记忆完成整套操作。以后，系统可能直接提示下一步该做什么。表面上工作变简单了，但系统一旦给错建议，现场人员能否发现错误、是否敢提出异议，反而更加关键。

由此可能出现分化：一部分工人从重复劳动转向设备管理、系统操作和异常处理；另一部分人如果长期只执行固定步骤，又得不到培训，工作空间可能被逐步压缩。

因此，问题不只是“AI 会不会抢走工作”，还要看企业把谁培养成系统的使用者、复核者和改进者，又让谁停留在最容易自动化的环节。同一项技术，在不同企业、车间和岗位上，结果可能完全不同。

AI 进入工厂后的四个观察维度，包括效率提升、数据授权、员工培训和责任划分

在场景适配、数据质量和系统部署有效的情况下，AI 有望减少重复录入、辅助发现设备异常、缩短排程时间，帮助企业降低成本。但企业效率提高，不代表劳动者一定同步受益。

如果员工获得培训，掌握设备管理、数据分析和异常处理能力，技术升级可能带来岗位升级。相反，如果企业只提高考核要求，却不给学习时间；系统持续采集员工操作数据，员工却不知数据如何使用；工作节奏被算法推得更快，出问题仍全部由一线人员承担，那么 AI 带来的也可能是新的压力。

首先要解决的是数据处理边界。生产数据可能涉及商业秘密，员工操作记录又可能被用于个人考核。哪些数据可以采集、依据是什么、采集前是否充分告知、保存多久、谁能查看、能否用于绩效评价，都需要明确边界。不能简单理解为“员工同意了就什么都能采”，也不能把“没有单独授权”直接等同于企业绝对不能处理；具体仍要结合劳动管理需要、规章制度、合同约定和相关法律要求判断。

经验数据同样如此。专家的判断被整理成企业数据集，有利于传承，但采集范围是否合理、贡献者能否得到署名、奖励或岗位认可，也应有清楚规则。只强调“把经验留下”，却不讨论经验提供者的权益，员工自然会有顾虑。

其次是培训。真正有效的培训不能只开一场讲座、发一份手册。不同年龄、岗位和教育背景的员工，学习节奏不同。企业要让人和系统协作，就应提供练习时间、真实场景和持续支持，也要允许员工在使用初期犯错，而不是一边要求快速上手，一边把试错成本全部压给个人。

最棘手的是责任划分。AI 建议调整参数，产品却出现质量问题，责任究竟在模型供应商、企业管理者、流程设计者，还是点击确认的一线工人？如果规则说不清，现场人员可能不敢使用系统，也可能为了免责而机械服从。

效果评估也不能只看产量和成本。误报率、事故风险、员工负担、培训效果以及岗位变化，都应纳入观察。否则，一套看似先进的系统，可能只是把原来的麻烦转移到了更难被发现的地方。

面对变化，普通人不必把自己逼成算法工程师，更实际的是守住两样东西。

第一，学会理解和质疑系统。了解它基于哪些数据给出结论、在哪些情况下容易出错、出现异常该找谁，以及如何把自己的现场判断反馈回去。未来更有价值的人，未必是最会服从系统的人，而可能是既能使用系统，又能在系统出错时指出问题的人。

第二，有意识地记录专业成果。处理过哪些故障，优化过什么步骤，减少了多少返工，提出的建议产生了什么效果，都尽量形成记录。不要让自己的贡献只停留在“他比较有经验”里，也不要在经验被采集时忽视授权范围、使用目的和权益安排。

上海这张“AI+制造”清单展示的，不只是无人化工厂的图景，更是一场关于数据、经验、岗位和责任的重新分配。

AI 可以接手重复步骤，但专业判断不能轻易交出去。真正需要警惕的，是效率被记录得越来越清楚，人的贡献却越来越模糊；系统持续升级，普通员工却没有获得同步学习的机会。

资料