“人工智能+制造”提速

　　“人工智能 + 制造”正以政策为引领、技术为核心、场景为载体，掀起制造业的系统性变革。在制造业全链条场景里，从个性化定制满足多元需求，到供应链智能体优化库存与物流，再到数字孪生体实现全流程虚拟管控，AI正全方位重塑制造业研发、生产、运营、服务的价值创造逻辑。

　　“人工智能+制造”专项行动实施

　　在宁德时代宜宾基地的一个车间里，过去，更换电池产线型号需要6位老师傅花费3小时调整设备，而如今，只需按下按钮，AI系统便能在15分钟内完成调整，甚至螺丝钉的松紧度都能自动校准;在海康威视的生产工厂中，“AI质检员”能通过识别手部取料动作，判断配件是否拿齐，一旦检测异常，会立即声光报警并拦截产品;在美的荆州洗衣机工厂里，通过“美的工厂大脑”的加持，AI眼镜辅助工人实现了根据市场问题、首检历史数据进行易错点提醒，并能基于视觉技术形成研发到品质智能体的完整闭环——根据物料的信息自动获取研发系统的图纸，并与拍照的实物进行比对，检验结果返回到品质智能体，首检效率由15分钟减少到30秒……

　　从中可以看出，目前，AI技术已经广泛应用于工业制造的多个生产场景中，成为制造企业提升运营效率、降低生产成本，以及强化安全保障的重要驱动力。

　　数据显示，中国工业企业应用大模型及智能体的比例从2024年的9.6%提升到2025年的47.5%;工业机器人产量由2015年的3.3万套增长至2024年的55.6万套，应用于国民经济71个行业大类、236个行业中类。制造业智能化升级正在深刻改变行业生产模式和经济形态。

　　近日，为加速人工智能与实体经济融合，推动制造业的智能化变革，工业和信息化部、中央网信办等八部门联合印发了《“人工智能+制造”专项行动实施意见》(以下简称《意见》)。《意见》围绕创新筑基、赋智升级、产品突破、主体培育、生态壮大、安全护航、国际合作等7个重点方面提出了21项具体任务。同时，《意见》提出，到2027年，推动3至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，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至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，打造一批“懂智能、熟行业”的赋能应用服务商，选树1000家标杆企业。

　　中国贸促会冶金行业分会党支部书记、副秘书长苏步新表示，《意见》出台，是抢抓 AI 赋能新型工业化机遇、打造新质生产力的战略部署，核心在于通过技术与产业双向赋能，筑牢制造强国根基。其核心战略意义有：夯实制造强国核心支撑、培育新质生产力关键引擎、塑造全球产业链竞争优势、构建安全可信的产业生态。

中国贸促会冶金行业分会党支部书记、副秘书长  苏步新 

　　美的AI研究院院长徐翼表示，《意见》的出台，是我国把握新一轮科技革命与产业变革机遇的关键一步，具有极强的战略前瞻性和系统性。它不仅仅是技术引导，更是一次从国家层面推动产业链、创新链、资金链和人才链深度融合的生态构建行动。对于像我国这样拥有完整工业体系的大国而言，其深远影响在于，它将加速人工智能从“单点应用”走向“全链条渗透”，推动制造业的核心竞争力从“规模与成本”向“质量、效率和柔性”根本性转变。具体来说，它将通过政策引导和资源协同，促成更多“实验室里的AI”走进“生产线上的AI”。美的集团作为一家全球化的科技集团，这种系统性推动力，将为美的正在推进的AI战略，尤其是打造全球领先的智能制造体系，提供更强大的国家层面的基础设施和生态支持，助力我们在全球产业链中向更高价值端攀升。

　　赛迪顾问人工智能与大数据研究中心常务副总经理邹德宝表示，从行业发展趋势看，《意见》的出台，是抢抓人工智能与制造业融合浪潮、打造新质生产力的战略落子，核心在于以“双向赋能”破局技术瓶颈与应用堵点，为制造强国建设筑牢根基，具有深远的战略意义与影响。

　　“《意见》的出台，是立足我国制造业转型升级关键阶段战略部署：一是筑牢制造强国技术底座，明确了人工智能与制造业深度融合的发展路径;二是激活产业创新动能，通过强化算力供给、培育行业大模型等举措，推动制造模式从‘经验驱动’向‘数据智能驱动’转型;三是夯实国家数字经济根基，可推动超算等高端算力资源与制造业深度绑定，为全国一体化算网服务提供了重要应用场景和实践载体。”国家高性能计算机工程技术研究中心常务副主任何铁宁如此说道。

国家高性能计算机工程技术研究中心常务副主任  何铁宁 

　　AI赋能制造的三大抓手

　　《意见》提出，在创新筑基方面，要强化人工智能算力供给，推动智能芯片软硬协同发展，支持突破高端训练芯片、端侧推理芯片、人工智能服务器、高速互联、智算云操作系统等关键技术;开发高水平行业模型，开发适应制造业实时性、可靠性、安全性特点的高性能算法模型;开展“模数共振”行动，发布制造业高质量数据集建设指南等。

　　何铁宁表示，《意见》出台为以超算互联网为代表的算力平台带来了三大发展机遇：一是算力需求规模化增长机遇，传统的科学与工程计算与AI的结合对算力需求将大幅提高，同时政策将推动3~5个通用大模型在制造业深度应用、培育1000个工业智能体，将催生海量多元算力需求;二是生态协同深化机遇，加速与制造企业、软件厂商的资源整合，推动形成国产AI全产业链创新生态;三是对大模型、算力基座的可靠性与安全保障提出更高要求，为行业发展与迭代指明了方向。

　　“打造高质量工业数据集需遵循‘规范统一、质量可信、场景适配、安全可控、知识融合、动态迭代’的核心标准，同时需构建‘机理库+仿真库+经验库’的工业专识架构。而推动‘以模引数、用数赋模’良性循环，关键在于建立‘模型需求牵引数据治理、数据质量反哺模型迭代、场景验证闭环优化’的一体化机制，形成技术与产业相互促进的生态。”邹德宝进一步解释道。

赛迪顾问人工智能与大数据研究中心常务副总经理 邹德宝 

　　与此同时，徐翼提到，对于“模数共振”，美的已经打下了比较坚实的基础。我们很早就认识到“无数据，不智能”，因此系统地构建了覆盖全价值链的物联网平台和统一的数据中台，实现了从设备运行参数、生产节拍、质量检测结果到用户使用数据的全域采集与治理。目前，美的已经积累了家电制造领域极具规模和多样性的高质量数据集，同时建立了严格的数据质量管理和安全合规体系。

美的AI研究院院长 徐翼 

　　未来，为响应政策号召，美的将从三个层面深化“模数共振”：第一层是“内部共振”，基于美的多年实践，训练面向家电研发、生产、物流等场景的行业大模型(“美言”系列)，让模型能更好地理解和推理制造知识，实现从“感知智能”到“决策智能”的升级。第二层是“产业链共振”，美的希望在保障各方数据主权和安全的前提下，探索与核心供应商、经销商的数据可信共享，共同优化从原材料到消费者的整个链条。第三层是“标准共振”，目前美的正积极参与工业AI智能化评价等国家与行业标准的制定工作，希望把美的的实践转化为可推广的方法论，助力整个行业的数据生态建设。

　　推动AI与制造“双向奔赴”

　　从《意见》中看出，通过一端抓技术供给，推动智能产业化;一端抓赋能应用，加快产业智能化，能够有效促进人工智能技术与制造业应用双向赋能。

　　对此，邹德宝表示，要想实现人工智能与制造业双向赋能，核心是打通“技术供给—场景验证—生态迭代—安全可控”的闭环，关键突破口集中在数据要素激活、行业大模型适配、全流程场景牵引、算力与软硬协同、生态与主体培育、安全治理体系六大维度，形成技术迭代反哺产业、产业需求倒逼技术创新的良性循环。企业应聚焦自身核心环节，结合行业特点，优先布局高价值场景，依托政策支持与生态资源，加快转型升级步伐。

　　苏步新表示，站在钢铁行业的角度来看，要实现 “人工智能 + 制造” 双向赋能，核心是围绕 “数据—模型—场景—生态-安全”构建闭环，关键突破口集中在数据底座、行业大模型、核心场景攻坚、人才与生态协同、绿色低碳协同五大方向，通过技术与产业相互驱动，实现全流程智能升级与价值跃迁。

　　“目前，钢铁行业正处于‘高端化’产品结构优化调整关键阶段，从房地产等基础建设用钢向制造业用钢转变，从大规模同质化生产向个性化定制化服务转变，智能制造如何赋能钢铁行业意义重大。社会需要变了，需要生产的钢铁产品变了，因此流程、装备、工艺技术参数都变了，在这个方面智能制造凭借自身优势在钢铁产品的‘研发、中试、生产制造、营销、运营’等各个环节扮演极其重要的角色，缩短周期，提质升级，助力钢铁行业高质量发展。此外，智能制造的进步需要大量的应用场景，特别是我国钢铁行业，流程长且复杂，智能化水平基础较好，智能制造在钢铁行业既可以有大规模工业生产的应用场景，还可以在能源和碳排放管理、资源循环利用等场景，推动智能化绿色化协同发展。”苏步新进一步说道。

　　不过，在这一过程中，还需解决多个问题。从算力服务高端制造领域的实践来看，何铁宁表示，问题集中在“软件应用生态不完善”与“供需精准匹配不足”两大核心问题，如高端工业软件供给与适配不足。此外，不同行业、不同规模企业的算力需求差异极大，中小企业普遍存在数据治理能力弱、标准不统一的问题，导致数据与模型对接困难，难以充分发挥算力与AI技术的赋能价值。

　　针对上述问题，超算互联网平台通过支持国产CAE、CFD等工业软件普及，并依托120余个行业知识库打造“科学智能体”，为制造行业提供灵活与普惠算力服务。从上线海量主流大模型，到AI社区，以及发布聚焦科研核心场景的智能体，都在持续践行算力普惠理念。

　　徐翼表示，在推进过程中，遇到的挑战是立体且复杂的，但如果要聚焦“最大”的一点，他们认为是如何实现“AI的深度工业化”。具体来说，就是让AI技术从“可行”变得“可靠、可用、好用且经济”。这背后首先最棘手的是“数据关”：制造现场的数据多源异构、质量参差不齐，且涉及大量工艺知识，要把这些“数据原料”加工成能被AI模型有效学习的“高质量数据燃料”，其治理、标注和知识注入的成本与难度极高。其次是“人才关”：我们急需的不仅是算法科学家，更是深刻理解注塑、焊接、装配等具体工艺，又能用AI思维解决问题的“工业AI工程师”，这类复合型人才市场极其稀缺。再者是“长尾场景适配关”：一个在实验室表现优异的通用视觉模型，到了生产线上面对新的产品型号、新的光照条件，性能可能急剧下降，需要大量的工程化调优。最后是“投入与评估关”：尤其对于众多产业链上的中小企业伙伴，清晰的投入产出模型和可负担的轻量化方案是他们迈出第一步的关键。这些挑战单靠企业自身难以完全破解，需要生态共破。

　　协同破局落地难题

　　邹德宝表示，《意见》的落地见效，核心在于构建“标准引领、人才支撑、安全兜底、生态赋能、要素保障”五位一体的配套保障体系，破解当前技术适配难、人才缺口大、安全风险高、生态协同弱、要素供给不均等落地堵点，让政策从“顶层设计”转化为“实践实效”。一是要健全一体化标准体系，打通“技术—场景—应用”适配壁垒。二是要构建复合型人才培养体系，填补“AI+制造”人才缺口。三是要筑牢全链条安全治理体系，守住“创新发展+安全可控”底线。四是要打造开放协同的开源生态，降低中小企业应用门槛。五是要强化算力、资本、土地等要素保障，夯实政策落地基础。

　　“构建政府、制造企业、服务商三方协同合作机制，核心是建立‘政策引导—需求牵引—服务支撑’的良性循环，如政府可发挥统筹协调与保障作用，提出制定统一的技术标准与数据规范，营造公平竞争的市场环境，同时通过政策引导集聚资源，推动形成产业生态;龙头企业应主动开放应用场景，带动产业链上下游协同创新，中小服务商则应积极拥抱数字化转型，依托普惠算力服务提升创新能力。”何铁宁说。

　　对此，徐翼也认为，要推动“人工智能+制造”的深度融合，关键在于构建一个由政府引导、企业为主体、市场为导向、各类创新主体协同共进的生态体系。各方应明确自身定位，形成合力：政府侧重在战略规划、标准规范、基础设施以及营造包容审慎的监管环境方面发挥关键作用;制造企业需要勇于开放场景，深入推动技术与管理变革，承担起创新应用的主责;而技术服务商则应致力于提供更贴合工业实际、更稳定易用的解决方案。通过紧密协作，共同攻克技术落地、数据治理、人才供给等共性难题。

(本文不涉密)
责任编辑：路沙

转载：感谢您对网站平台的认可，以及对我们原创作品以及文章的青睐，非常欢迎各位朋友分享到个人站长或者朋友圈，但转载请说明文章出处。