推动AI与制造业深度融合 激发产业数字化转型新活力

以下是报告内容全文

推动AI与制造业深度融合 激发产业数字化转型新活力

中国工业互联网研究院院长 鲁春丛

（2026年5月28日 陕西咸阳）

人工智能是驱动新一轮科技革命和产业变革的核心力量。习近平总书记指出，要“紧紧围绕经济社会发展需求，充分发挥我国海量数据和巨大市场应用规模优势，坚持需求导向、市场倒逼的科技发展路径，积极培育人工智能创新产品和服务”“要推动人工智能科技创新与产业创新深度融合，构建企业主导的产学研用协同创新体系，助力传统产业改造升级，开辟战略性新兴产业和未来产业发展新赛道”。制造业是实体经济的命脉所在，2025年我国制造业增加值达到34.7万亿元，占GDP比重稳定在25%左右，连续16年位居全球首位，拥有超过600万家制造企业，是实施“人工智能+”行动的主阵地，具有巨大的发展潜力。

一、AI+制造浪潮蓬勃兴起

第一，人工智能产业蓬勃发展。全球科技领军企业在多模态大模型和基础算力方面持续突破，人形机器人的商业化应用不断推进，据联合国预测，到2033年全球人工智能市场规模将达到4.8万亿美元。过去两年间，全球日均Token消耗量增长近300倍，文生视频、智能购物等新兴AI应用如雨后春笋般涌现。截至2025年底，我国人工智能核心产业规模已超过1.2万亿元，企业数量超过6200家；智能算力规模达到1590EFLOPS。中国的大模型正走向全球，Qwen、DeepSeek等国产开源大模型下载量位居全球第一，引领全球开源生态发展。AI终端产品日益丰富，AI手机、AI电脑、AI眼镜等潮流新品不断涌现，我国企业推出的人形机器人超过300款，占全球总量的一半以上。

第二，人工智能应用正在快速向生产制造领域渗透。过去几年，提到大模型、人工智能产业，外界的第一印象往往还是“训练成本高昂”。但最新数据显示，2025年我国用于人工智能训练和推理的数据总量为199.48EB，同比增长42.86%；其中“推理”数据量首次超过“训练”数据量，达到101.34EB。这标志着人工智能进入“训练与推理并重、应用驱动迭代”的新阶段。全球各行业已有超过3000万个AI智能体协同工作，深入生产、制造、金融等核心环节。据麦肯锡预测，生成式AI每年有望为全球制造和供应链领域带来2750亿至4600亿美元的增量价值。目前，我国规上制造业企业人工智能技术应用普及率已超过30%。人工智能应用已覆盖钢铁、有色、电力、通信等重点行业，逐步深入到产品研发、质量检测、客户服务等关键环节。无人产线、人机协同在工厂已成为“趋势”，显著提升了各环节的质量和效率。

第三，AI正在引发工业领域的深刻变革。生产模式的变革，从传统的“经验依赖、流程驱动”向“数据驱动、智能自治”转变，机器不再仅仅是执行工具，而是具备理解与决策能力的“同事”。价值逻辑的变革，从单纯的“制造硬件”向“硬件+软件+智能服务”延伸，产品交付不再是价值的终点，而是数据收集和模型迭代的起点。产业生态的变革，打破了传统的链式分工，大企业开放模型与算力，中小企业调用接口进行场景微调，正在形成大中小企业融通创新的网状智能生态。

二、AI+制造的政策体系

近年来，我国已经构建了从中央到部委再到地方的完善政策体系。中央层面高位统筹。《“十五五”规划建议》明确强调，“全面实施‘人工智能+’行动……抢占人工智能产业应用制高点，全方位赋能千行百业”，为我们未来五年的工作指明了方向。2026年的《政府工作报告》中也明确提出，“深化拓展‘人工智能+’，促进新一代智能终端和智能体加快推广”。2025年8月国务院印发《关于深入实施“人工智能+”行动的意见》，明确提出“推动工业全要素智能联动，加快人工智能在设计、中试、生产、服务、运营全环节落地应用”。部委层面系统推进。工信部等部门今年年初密集出台《“人工智能+制造”专项行动实施意见》《工业互联网和人工智能融合赋能行动方案》，启动工业数据筑基行动、“模数共振”行动，加快推动“人工智能+制造”。地方层面因地制宜。各地积极响应国家号召，目前有29个省市结合自身产业禀赋出台配套政策。

“人工智能+制造”专项行动的实施，总的来讲就是做好“567”。“5”即五个目标，到2027年，推动3－5个通用大模型在制造业深度应用，形成特色化、全覆盖的行业大模型；推出1000个高水平工业智能体；打造100个工业领域高质量数据集；推广500个典型应用场景；培育2－3家具有全球影响力的生态主导型企业和一批专精特新中小企业，选树1000家标杆企业。“6”即“六大任务”，夯实人工智能赋能底座、拓展推广高价值应用场景、打造人工智能发展和赋能应用主力军、加强资源配置优化、筑牢应用赋能安全保障、塑造国际合作竞争新优势。“7”即“七个一批”，以制造业为主战场、应用牵引为主线，发布一批“人工智能+”高价值场景，探索一批典型应用，建设一批特色智能体，提供一批新型智能终端，研制一批新标准，培育一批产业应用人才，打造一批优质企业，推动人工智能与制造业深度融合。

三、AI+制造的六级架构

工业应用场景覆盖了从单个设备到产业生态的多重层级，客观上形成了一个自下而上、贯穿OT（控制技术）与IT（信息技术）的“六级架构”。

L1设备单元层：核心是“感知执行”，主要包括数控机床、工业机器人等设备、注塑机、冲压机等生产装置，及加工、装配、质检、仓储等生产单元。通过为设备加装传感器、嵌入式AI芯片，实现单体设备的智能化。L2产线层：核心是“智能控制”，主要包括PLC、DCS、HMI等工业控制系统设备，将各个生产单元按工艺构成自动化流水线。通过云化PLC、DCS等技术，实现产线级的协同与优化。L3车间层：核心是“监控优化”，主要包括SCADA系统及车间生产管理系统。利用边缘云、AGV等技术，实现车间内物料、人员、设备的智能调度。L4工厂层：核心是“制造管理”，主要包括各类计算机辅助技术软件如CAD、产品生命周期管理系统PLM、生产执行系统MES、能源管理系统EMS等。通过建设企业云、数字孪生平台，实现工厂级的全局资源优化。L5企业层：核心是“经营管理”，主要包括企业资源计划系统ERP、供应链管理系统SCM、客户关系管理系统CRM等。打通研发、生产、供应链、财务等数据，实现企业级的智能决策。L6生态层：核心是“产业协同”，主要涉及产业集群和产业链数字化转型两个方面。通过构建产业云、可信数据空间，实现产业链上下游的高效协同与价值共创。 在这一架构中，越往上层（L4—L6）越偏向信息化和“大脑”，大模型等AI技术在数据分析、资源调度等IT环境中较易发挥优势，应用相对容易；越往下层（L1—L3）越偏向自动化控制和“小脑、四肢”，对可靠性和低时延要求极高。通过纵向打通从设备到企业的控制系统，横向集成从研发到销售的业务系统，为AI应用铺设了畅通的高速公路。

四、推进AI+制造的重点任务

任务一，发展智能装备

智能装备是“AI+制造”的物理载体。推进传统装备的“唤醒”与升级。针对存量老旧设备，加快加装智能传感器、边缘AI网关和智能控制器（如支持AI算力的PLC），让传统的“哑设备”具备数据采集和初步的端侧推理能力，实现预测性维护和参数自适应。突破核心智能部件与底层算法。集中力量攻克多模态感知融合、高精度运动控制等“卡脖子”技术，研发具备强算力的工业级芯片、高精度伺服系统和智能视觉模组，提升装备的“感官”敏锐度。布局具身智能与新型机器人。加快发展高负载、高精度的工业机器人。特别是要抢抓人形机器人发展机遇，推动在复杂装配、危险环境巡检、物流搬运等工业场景的先导应用，实现AI大脑与机械躯体的协同演进。

任务二，建设数智基础设施

破解“联不稳”“算不快”的数字基建瓶颈，为海量工业数据实时处理和规模化应用提供坚实支撑。建设新型工业网络。工业网络技术主要包括工业以太网、现场总线与无线网络三类，2025年，工业以太网的市场份额已增长至76%（现场总线已降至17%，工业无线技术受限于价格、稳定性等因素，市场规模仍保持在10%以下）。工业网络发展面临着一系列新形势。传统工业网络用于传递仪表信息，带宽在100KB—100MB，而高清相机、AI终端的应用让带宽需求提升了千倍以上；传统固网拆线重组需10天以上，而柔性产线换线要求压缩到2—3天，AGV等设备对移动网络提出低时延、高可靠、大并发的刚性要求（控制指令时延＜10ms，安全指令时延＜5ms，网络丢包率＜0.1%）。要打破传统ISA-95五层金字塔结构，构建“端—边—云”扁平化、控网算一体的新型工业网络。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。边缘云，部署在生产现场，实现“就近计算、快速响应”。企业云，承载生产调度、经营决策等应用，实现“智能仿真、辅助决策”。产业云，提供大模型训练等大算力服务，提升全产业链“跨域调度、高效畅通”能力。通过“三云互联”，实现算力分层、协同与高效利用。

任务三，推进工业互联互通

AI要有“米”下锅，首先要解决“采不上”“看不懂”的数据源头难题（比如一家工厂里，老旧机床用传统串口，新产线用千兆网口；有的设备用Profinet、有的设备用Modbus，协议不通如同用“方言”各说各话；再比如ERP的“订单”、MES的“工单”、SCADA的“批次号”，常常指的是同一件事，但如果AI无法读懂背后的业务语义，就会造成新的孤岛）。重点要推动“人机料法环测”等工业全要素的泛在互联。人，通过5G/Wi-Fi、可穿戴设备，获取工作人员身份、位置、技能状态。机，接入传感器、物联网，传输设备运行状态、参数、故障码。料，加装无源标签、标识解析，实现原材料、在制品等全流程追溯。法，应用MES、数字孪生，将工艺规程、作业指导书数字化。环，部署各类环境传感器、智能终端，采集安全生产、作业环境数据。测，通过机器视觉、在线测量仪，检测质检结果等数据。我们要打通异构设备、系统间的“语言障碍”，才能获得有效数据，把哑设备变成在线节点。

任务四，建设工业高质量数据集

有了原始数据，不等于有了价值。我在调研时发现，许多智能化改造项目中，数据工程的投入占比高达五到六成。这说明数据是痛点，也是价值点。激活它们的关键，就在于挖掘数据的共性价值，充分发挥数据要素报酬递增、低成本复用的特点。我们要按照“分类分级、标准引导、集中管理、分步部署”的思路，加速建设工业高质量数据集。

具体而言，要重点建设三类核心数据：第一类是产业链数据，反映重点产业链各环节企业实体信息，支撑强链补链；第二类是企业经营数据，汇聚订单、采购、库存、财务等信息，支撑资源动态优化；第三类是企业生产数据，反映设备信息、工艺参数、产能良率等。同时，要打造可信数据空间，基于隐私计算等技术，在“数据集物理不出域”前提下，通过“可用不可见”模式满足多主体数据流通与使用需求。

任务五，发展工业智能体

智能体是能够感知环境并与环境交互完成特定任务的实体，模型则为智能体提供认知与推理能力。工业场景极其复杂，既需要全局的统筹规划与海量知识处理，又要求生产现场具备极高的实时性、可靠性与安全性。这就需要构建“大小模型协同”的底层架构，以云端大模型作为“大脑”负责复杂推理，以边缘侧专业小模型作为“小脑”保障低延迟的精准执行。

目前产业界已经围绕工业核心环节，形成了一批典型的工业智能体。研发设计环节部署“设计智能体”，辅助生成材料配比与拓扑优化结构，大幅缩短研发周期；中试验证环节部署“仿真智能体”，在虚拟空间开展多物理场耦合仿真，用“数字试错”替代“物理试错”；生产制造环节部署“生产控制智能体”，实现异常状态自动检测、工控代码自动生成与下发，达到排产与能耗的全局最优；运营管理环节部署“决策辅助智能体”，打通孤立系统，进行利润预测与供应链风险预警，推动企业管理迈向“智能自治”；产业链协同环节部署“生态协同智能体”，实时感知上下游产能与库存波动，自动触发补货指令与物流调度，形成极具韧性的高效协同生态。

任务六，构筑工业安全防护屏障

“AI+制造”深度融合也带来了多元交织、相互叠加的新风险。模型安全方面，算法“黑箱”导致决策逻辑难以追溯，输出偏差可能直接威胁生产安全，还面临模型投毒等外部威胁；网络安全方面，智能终端与云端频繁交互增加了网络入侵风险，传统工控协议与AI接口融合带来新攻击路径；数据安全方面，核心工艺参数面临泄露风险，深度合成技术滥用可能形成虚假数据误导决策。

化解这些“看不清风险”“防不住攻击”的顾虑，需要构建全方位、多层次的安全防护体系。要健全安全评估和风险共享机制；建设风险监测预警体系做到早发现、早处置；实施工控网与AI应用网分区隔离，部署安全大模型辅助威胁检测；通过知识库优化降低模型“幻觉”，添加内容标识确保可溯源，对训练数据进行全生命周期保护。

中国工业互联网研究院在“人工智能+制造”领域开展了大量扎实工作。目前，我院正支撑工信部实施工业数据筑基行动，联合汽车、铝、煤机装备等重点行业龙头企业，开展高质量数据集建设。牵头建设的产业链培育服务平台，形成覆盖全国6000多万家企业的基础数据库，并对企业进行产业链精准定位，仅在陕西就汇聚了32条重点产业链、180万家企业信息。打造AI基础平台，推动工业数据和知识的语义统一，服务数据互联互通；构建了专业测评体系，完成了近200家国内外企业大模型能力评估；并打造了集聚3500家企业的AI供需对接平台，平台汇聚优质供需资源超5000余项，覆盖百余个典型应用场景，相关优质资源信息被豆包、Deepseek、Claude等主流大模型收录，成为生成式搜索引擎权威信源，助力产品及服务出海。