编者按：在今年的政府工作报告中，我们看到了“人工智能+”行动的持续推进。这一举措旨在将数字技术优势与制造业和市场优势更紧密地融合，以支持其在大规模范围内的广泛应用。值得注意的是，这是“人工智能+”第二次出现在政府工作报告中。与去年相比，今年的报告不再仅仅关注技术研发和产业集群的建设，而是更加注重技术的实际应用。具体来说，今年的报告将人工智能的应用焦点明确指向了制造业领域。《中国电子报》特别设立了“AI+制造”深度调研专栏，深入基层一线进行实地考察，报道了各地及各企业的优秀实践案例，同时探讨了新一代人工智能技术在制造业中的应用所面临的机遇与挑战，并积极推广“AI+制造”的中国模式。
利用大型模型简化汽车设计编程，推动“制造汽车”领域的革新；借助“智能质检系统”，在生产过程中同步进行质量检测，其瑕疵识别的精准度远超人工检测；众多类人形机器人陆续进入工厂作业，负责搬运物料、组装零件等多项任务……
新一代人工智能技术，特别是大模型和机器人技术，正飞速进步。在此背景下，我国制造业正逐步从初级智能化阶段向更高层次的智能化阶段过渡。基于工厂的数字化和自动化改造基础，众多由AI技术驱动的AI超级工厂正迅速在全国各地扎根，助力制造业全面进入一个更加高效、智能和环保的“智能制造”新时代。
广汽埃安智能生态工厂
AI赋能智能工厂再升级
踏入广州番禺的广汽埃安智能生态工厂的总装区域，人工智能的元素随处可见。超过600台机器人不断挥动手臂，精确地定位、抓取和组装各个部件，仅需几秒钟即可完成玻璃、座椅、轮胎等部件的安装；无人化智能移动机器人随处可见，往来穿梭，确保10公斤以上部件实现100%全自动装载；3D视觉跟踪技术取代了人工肉眼，实现了纳米级的精确控制。
昔日，一条总装线仅能生产某一批次、单一型号、同一种颜色的汽车，而今得益于AI技术的强大助力，我们已成功实现了对多种型号、多样配置、多彩颜色的新能源汽车进行灵活的“混线生产”。广汽埃安第一智造中心总装车间的工程师张自初如此介绍。
消费者可以依据自己的喜好，在线挑选车身色彩、内部装饰风格以及座椅材料等。接着，借助大数据云平台和数字化生产指令的智能制造执行系统，这些个性化的购车信息将迅速被拆解成2000多个零部件的详细信息，并按照既定顺序在规定时间内进入总装流程。采用模块化设计及智能调度技术，生产线得以在极短的时间内实现车型间的快速转换，且转换过程不产生任何损耗。据悉，得益于不断进行的工艺改良和技术革新，该工厂的单车生产周期已从原先的60秒缩短至目前的53秒。
在宝武钢铁集团的热轧生产线上，一块钢坯要转化为钢板，需历经20道复杂工序，并涉及300多个关键参数。往昔，工程师们调整钢板种类与尺寸需耗时5日之久；而今，借助先进的大模型技术，对最佳参数进行精准预测，大幅缩短了调整周期，同时提升了预测的准确性以及钢板的成品率。
福建东龙针纺有限公司的纺织车间里，"AI质检员"正逐步取代人工质检岗位。自5G+经编花边瑕疵AI视觉识别检测系统投入使用，织机面料得以实现100%的在线全面检查，平均检测准确率超过95%，这一数据远超人工检测水平。整体工作效率提高了2至3倍，企业每年可节省人工成本200万元以上。
施耐德电气无锡工厂
在无锡的施耐德电气工厂，运用AI技术的热处理数字仿真系统，通过算法的优化，有效降低了单台设备的能耗25%，并减少了氮气使用量36%；此外，借助暖通空调的AI动态调控系统与数字孪生技术的融合，单位产品组的用水量也实现了56%的下降。
如今，这类AI超级工厂在全国范围内如雨后春笋般涌现。显而易见，“AI+制造”模式正在对制造业的生产方式进行根本性的改变，其效应不仅表现在生产效率的显著提高，而且正促使制造业加快步伐，朝着智能化、柔性化以及绿色化的方向发展。
据工业和信息化部公布的数据，目前我国智能工厂在培育过程中不断提升质量和效益，全国范围内已建成超过3万家基础级智能工厂，1200多家先进级智能工厂，以及230多家卓越级智能工厂。这些不同级别的智能工厂涵盖了制造业超过80%的行业类别，平均将产品研发周期缩短了28.4%，生产效率则提升了22.3%。
三大核心技术驱动数智跃迁
从“标准化生产”迈向“个性化定制”，从“劳动密集型”转变为“算法密集型”，AI超级工厂的兴起，实际上揭示了制造业底层逻辑的根本性转变。在此地，与普通自动化生产线相比，工业机械臂已进化成更为灵巧和智能的实体智能系统；传统的语言模型也升级为能够自主分析和辅助决策的大型模型；仿真技术则与物联网、大数据以及5G-A等技术相结合，构建了能够实现实时交互的数字孪生系统……这些技术的相互协作和创新，不断推动制造业向着更高层次的智能化发展。
智能工厂需对众多复杂且高级的关联进行深入理解，这一核心要素依赖于智能机器人、数字孪生、AI大模型等关键技术，它们在工业领域的广泛应用和深度融合。李培根院士强调，智能机器人具备全方位的环境感知能力和智能决策技巧，能在生产环境中实现灵活、自主的避让，适用于更加复杂多变的生产场景；数字孪生技术融合了物联网、大数据和AI等先进技术，不仅能够实现全产业链的信息无缝连接，还能根据实时数据对车间运营和供应链竞争进行优化，确保工厂始终处于最佳运行状态；此外，AI大模型对世界高阶相关性的理解已远超人类，有助于智能工厂深入洞察更为复杂的高阶关联。
记者在现场看到，众多行业如汽车和电子制造领域，工业机器人已融入感知与理解等新功能，正迅速从传统自动化设备转变为具备实体智能的先进系统。尤其是，众多人形机器人正逐渐步入工厂，承担着物料搬运、零件组装等多种复杂任务。
优必选公司生产的工业级人形机器人Walker S1，正在总装车间里进行仪表线物料的检测作业。
“制造业将成为人形机器人最早一批大规模应用的领域。董驰宇，芯华创新中心的首席技术官，这样阐述道：传统工业机器人，诸如焊接、装配、搬运等，它们就如同专门的技艺人才，专为特定任务而打造，擅长于重复性、单一任务和流程化的操作；相较之下，人形机器人则更像是一位全能的通才，它们拥有更为灵活的运动能力和适应性，感知能力亦更为突出，因而更适用于那些需要高度协作和面对多种复杂任务的场景。
董驰宇指出，随着大模型技术的问世，人形机器人得以提升智慧水平，具备了与人类相似的三个能力层级：身体运动、多模态感知以及决策控制。这些机器人能够在多种场景和任务中进行协同训练，从而更有效地满足工业领域的需求。
数字孪生不仅限于产品与设备的映射，它还涵盖了车间、工厂乃至整个供应链的数字化映射。以华中数控公司为例，他们运用数字孪生、大数据分析以及融合建模等先进技术，在数控机床领域取得了显著成效，不仅实现了对装备的实时监控与控制，更赋予了机床自我感知、自主学习以及深度交互的能力。
华中数控的相关负责人阐述，自主学习构成了数控机床智能化的核心。机床的数字主线能够记录其整个生命周期的数据，并以此为基础提供必要的支持和知识。该系统依靠其自我分析和自主学习的能力，围绕工艺优化、精度提升以及健康保障等三大子系统展开，进而形成了人机交互、工艺参数优化以及故障诊断等多种应用场景。借助深度学习技术所生成的虚拟仿真加工指令域数据，能够与实际测量数据进行实时对比，从而显著提升了加工效率，增幅达到20%。
落地工程仍存在“一头热一头冷”现象
尽管“AI超级工厂”的建设进展迅速，然而在具体实施过程中，它仍遭遇了不少难题。例如，以大型模型为核心的生成式人工智能技术在工业领域的应用还仅限于表面。根据权威市场研究机构的调查，工业领域的大规模模型应用呈现出“微笑曲线”的分布特点。产业链两端，即研发与设计、营销与服务等领域，大模型的应用实现落地速度较快；相对而言，在生产制造环节，大模型的应用进程则较为缓慢。
TCL实业副总裁、格创东智CEO何军进行深入分析，提出观点：目前AI技术在工业领域的运用，与六至八年前的工业互联网平台在制造业的推广及运用状况颇为相似。这一过程中，我们同样遇到了“一头热一头冷”的现象。具体来说，供给端热情高涨，而需求端的应用却尚未全面展开。同时，这种应用的实施程度存在差异，一方面，在先进制造业领域，应用落地场景众多且应用广泛；另一方面，在一般制造业中推进则较为困难。领先企业从AI的顶层架构规划到实际场景的落地推进表现良好，而众多中小制造企业由于资金和技术能力的限制，应用实施较为困难。
工厂智能化进程受阻，其中一个关键因素在于数据处理能力的欠缺。首先，众多企业对数据的运用尚处于初级阶段，数据资源分散于各个业务系统之中，实现系统间的数据共享与交流存在较大挑战，导致“数据孤岛”现象普遍，难以整合出高质量的数据集合。其次，工业数据与模型的安全性问题同样亟待解决。
江西苏强格无人智慧仓储产线
罗忠良，比亚迪集团副总裁兼弗迪科技董事长，直言不讳地指出，工业场景中虽然存在数据，但它们并不能直接应用于人工智能。因此，为了满足实际需求，我们必须重新收集数据。此外，若要获得高质量的数据，企业必须首先实现信息化和数字化转变。
邓安民，中国联合网络通信有限公司佛山市分公司的副总经理，在接受记者采访时指出，工业领域的模型应用对精确度和稳定性要求甚高，数据采集过程中往往需要更为专业的设备与人才。目前，大模型的应用尚处于成长期，尚未形成统一的行业标准与规范。工业生产环境的复杂性和多变性，也给大模型的应用带来了潜在的风险与不确定性。
何军强调，准确识别AI的重要性。他解释说，工业领域的AI并非仅仅是技术的简单堆砌，而是工业知识同AI技术的深度结合，这一进程必须由工业界来引领和推动。工业AI的落地与实施，要求企业拥有操控AI技术的实力，这不仅仅包括研发方面的能力，还涵盖企业各个层面的技能，比如业务领域的专业知识和一线工程师的实践技能。工厂需自主培育数据科学人才，此类人才需具备对生产流程的深刻理解，精通人工智能技术的基本原理，并能将这些原理成功应用于具体的生产环境中。此外，企业需全面审视，从高层到基层，探讨如何运用AI技术优化运营效能，提高工厂的智能化程度，而不仅仅是沿袭过往的逐步推进、快速更新的策略。
