2025年6月，在工信部对《工业和信息化部信息化和工业化融合2025年工作要点》进行审议的过程中，特别强调必须推行“人工智能与制造相结合”的举措，旨在加速推动关键行业的智能化转型，并致力于构建更加先进的智能制造体系。
这种立场不仅体现了我国对“人工智能与制造业深度融合”的高度关注，同时为制造业在新技术革命浪潮中提供了明确的发展指引。
这标志着，在人工智能的浪潮冲击下，制造业正遭遇着深刻的结构性难题以及转型的巨大压力，正站在重新定义的临界点上。
一方面，全球产业链正在经历快速的重构过程，劳动力市场出现结构性短缺现象，同时，质量提升和效率提高的双重挑战愈发凸显；另一方面，人工智能正以前所未有的迅猛势头，深入到研发、生产以及供应链的各个阶段，成为推动制造业向高质量发展转变的关键因素。
在这种形势下，制造业不再仅仅是人工智能应用的追随者，它已经转变成为了人工智能技术落地的核心领域和主要推动力。
然而，人工智能在制造业的应用，并不仅仅是为了提高生产效率、减少成本支出，它还对制造系统的逻辑架构、组织形式以及管理能力产生了深远影响，促使制造业实现从流程导向向数据导向的转变，从自动化阶段向智能化阶段的过渡，以及从单纯的人控系统向人机协同系统的演变。
因此，AI技术的嵌入，正开启一场对制造业的“再定义”。
本文旨在探讨“人工智能与制造业相结合”的发展方向，从实际实施途径、代表性应用场景、面临的主要困难、以及组织能力建设等多个角度进行深入分析。研究内容包括AI在制造体系中的渗透，从感知、控制、执行、运营到决策等各个环节的融入，以促进制造企业向更加灵活、更高品质和更具弹性的未来发展迈进。
“人工智能+制造”的落地路径：从感知到决策的五次迭代
随着“人工智能与制造”的深度结合不断深入，制造系统的根基架构正经历一场悄然无声却又意义深远的变革。
在传统制造领域，长期秉持着“感知、控制、执行、运营、决策”这一清晰分层的设计理念：传感器负责收集数据，并将信息传输至控制系统；控制系统根据指令驱动执行单元的动作；自动化系统对生产过程进行管理；而决策层则依据周期性的数据分析结果来制定和调整计划。
这种自上而下的管理模式，以中心控制为特点，曾经有效支撑了大规模和标准化的工业生产。然而，在当前日益复杂、多变和动态的制造环境中，它的不足之处逐渐显现出来。
今日，我国制造业正处于从传统层级架构向平台化、一体化、去中心化系统转型的关键阶段。在这一过程中，感知、控制、执行、运营以及决策等环节已不再是孤立存在的系统，它们在统一的技术平台上实现了协同运作、实时交流以及智能化的闭环管理。
在此体系下，人工智能的作用已不再局限于单一环节的嵌入，而是深入融合至制造网络的中心神经系统，进而成为系统智能化运作的坚实基础。
这种范式的转变，也勾勒出AI在制造业落地的五次迭代路径：
1. 感知迭代：从“能看见”到“能理解”
制造流程的开端，源自对周遭的感知。伴随着人工智能视频分析技术、智能传感器的进步，以及工业物联网的日益成熟，制造场所的监控设备愈发灵敏，同时其洞察力也得到了显著提升。
AI赋予的视频分析系统具备自动探测生产中的异常情况、故障预兆以及物品状态变迁的能力，从而弥补了传统规则算法的不足。在数据收集环节，传感器不仅负责收集数据，还借助边缘AI进行初步分析和事件启动，为后续的控制与执行环节提供即时的数据支持。感知能力的提升，标志着AI在制造系统中全面参与的开始。
2. 控制迭代：从“规则控制”到“智能生成”
智能化控制系统正在重塑工业控制的规则。以软件定义自动化（SDA）为先锋的新兴工业控制系统，颠覆了传统控制系统中硬件与编程紧密相连的封闭模式，并构筑了一个开放、模块化、易于重构的控制体系。
引入AI助手工具后，PLC编程不再仅限于工程师个人操作。工程师只需用自然语言表述控制目标，AI便能自动构建控制逻辑、绘制流程图、添加语义注释，甚至进行调试和验证。这一变革实现了从人工编写代码到人机协作编写代码的转变，显著提高了控制系统开发的效率与迭代速度。
3. 执行迭代：从“自动化”到“智能协同体”
制造执行层面正经历变革。人工智能与工业机器人实现深度结合，进而催生出具备感知、判断及执行功能的“工业智能体”。
机器人受AI驱动，不仅能够执行那些重复性的任务，还能进行路径的自适应规划、实施实时的视觉识别以及实现多机器人的协同调度。借助数字孪生和仿真技术平台，机器人在正式部署前便能在虚拟环境中完成相应的训练和测试，有效缩短了其投入使用的周期。因此，这些机器人的“手脚”不再仅仅是机械地执行指令，它们已经成为了具有判断能力的智能执行实体。
4. 运营迭代：从“记录管理”到“预测优化”
制造流程管理因AI技术的融入而经历了全面性的改造。目前，AI正迅速融入制造执行系统（MES）以及设备管理平台等生产环节的关键系统中，并逐渐演变为推动制造流程优化的智能动力。
AI能够对设备运行数据建立模型，从而在早期发现可能的故障，并执行预测性维护；借助实时数据流的分析，它能够改善OEE的表现；在质量管理方面，AI能够识别缺陷的规律和根本原因，从而提高产品的稳定性和合规度。制造业的过程管理正逐步从被动应对转变为主动预测，并朝着基于进程和数据的智能优化方向迈进。
5. 决策迭代：从“周期滞后分析”到“实时智能决策”
制造企业的决策过程正经历着智能化变革。人工智能技术将逐步发展，能够协助完成排产计划、库存仿真以及质量趋势预测等涉及高度复杂性的决策工作。
利用AI模型，企业能开展情景模拟，迅速判断多种生产计划的资源需求和交货概率；依托历史和即时数据，AI能够预判质量波动的走向，进而提前调整生产参数；在库存管理方面，AI能够实时推荐补货方案，有效提高库存流转速度。制造决策由此从被动应对转变为主动预见，成为企业灵活应对和抗风险能力的重要支柱。
在这五次重要的跃迁过程中，我们观察到，人工智能的角色已从外部工具转变为制造系统内部的智能元素。它打破了传统的界限，深入到每一个层级和每一个节点之中，促使制造系统从分层的控制模式转变为智能化的协同作业，并从局部的优化升级到了整体的智能化。
这场系统性重构，正是“人工智能+制造”的内涵所在。
“人工智能+”时代的制造组织：需要什么样的系统能力？
在人工智能迅猛发展的今天，人们不断探讨的一个焦点问题是：人工智能是否能够替代人类？尤其是在制造业领域，这一议题显得尤为尖锐。
昔日，自动化技术的每一次重大突破，似乎都显现出“机器取代人力”的倾向。但如今，特别是在制造业的应用实践中，人工智能的发展路径明确地揭示了一个事实：AI并非旨在减少人力，而是旨在提升人的能力。
罗克韦尔自动化公司最新发布的《2025智能制造现状报告》揭示了全球调研的结果，其中指出，有高达48%的制造企业计划利用智能制造技术进行人员转岗或新增岗位。
报告明确指出：智能制造需要更多人，而不是更少人。
这表明，尽管AI技术的广泛运用，并未引发大规模的裁员现象，反而激发了对新型技能和复合型人才的高度渴求。
曾经，人工智能主要被当作一种辅助手段：它帮助进行数据检测、分析和报表制作。然而，如今，随着AI模型在预测性维护、质量控制以及排产调度等领域的广泛应用，其角色正在逐渐转变，不再仅仅是辅助判断者，而是开始成为决策过程中的重要参与者。
这种演变不仅对技术角色产生了影响，还对组织架构进行了重塑。制造业正逐步从“人为主导、AI辅助”的单向互动模式，转变为“人机共同决策”的双向互动模式。在此过程中，AI不再仅仅是后台的辅助工具，它已经深入业务流程，成为推动流程发展、促进流程变革的关键智能元素。
这也预示着，企业在人才选拔标准上正经历根本性的转变：不仅渴求掌握人工智能技术的工程师，还亟需懂得制造业的AI人才。那些拥有跨领域技能、系统化思维以及深刻业务洞察力的AI复合型人才，将成为推动组织智能化进程的核心力量。
若将人工智能视为智能制造的核心“智脑”，那么组织的协调能力便成为衡量其“躯体”是否敏捷、坚韧、具备持久生命力的关键所在。迈入AI时代，制造业企业不仅需引入算法与工具，还需建立起一套稳固的系统能力，以支持AI的落地、成长及拓展。这一体系的关键要素涵盖：
1. 战略能力：AI不只是“IT项目”，而是“经营常态”
众多企业在实施“人工智能与制造融合”的过程中，常将其当作一次性的信息技术革新，并由信息技术部门负责主导。然而，此类做法常常引发AI项目初期投入巨大、后期成效不佳的现象，试点可能取得成功，但推广时却遭遇重重困难。
实现真正的智能制造变革，必须把人工智能视为推动企业模式革新的关键战略要素。人工智能不应孤立于业务之外，而需深入融合到生产、品质监控、供应链管理、能源调度等关键环节。人工智能战略需与业务战略紧密结合，构建起“业务引领与技术推动”的双重驱动机制。
2. 人才能力：构建“AI工程师+业务专家”的复合型梯队
人才结构的优化对于AI技术的实际应用至关重要。首先，企业亟需拥有掌握AI算法和数据建模技术的工程师，他们需具备解析制造数据结构、特征及其噪声的能力；其次，还需引入对业务、工艺和运营都精通的制造专家加入AI项目，以将他们的经验转化为显性知识，并对知识结构进行优化，从而使AI模型更有效地解决实际问题。
具备“工程术语与行业用语”双重技能的人才，将成为制造业未来发展的关键支柱。
3. 组织结构：推动AI中台与业务共建
AI项目常常呈现零散状态，不易实现大规模的复制推广，其核心问题在于缺少统一的数据和模型基础。因此，企业必须打造具有复用功能的AI和数据平台，将基础的算法技能、数据管理能力以及业务流程紧密融合，从而构建起“平台+应用场景”的复合型架构。
在组织架构方面，应当构建一个由多个部门共同参与的AI应用决策机构，或者成立专门的数字化运营团队，以消除信息技术与运营技术、研发与生产、总部与现场之间的隔阂，推动一线提出问题、平台提供解决方案的协同创新模式。
4. 实施路径：从试点走向全链路部署
依据研究报告中阐述的智能制造转型策略，企业在实施人工智能项目时，应当采纳分阶段推进、快速更新、不断扩大的八个步骤，具体方法如上图所展示。
这一路径着重指出：在AI的应用过程中，不应追求全面而应采取渐进策略，即稳步推进、在实践中学习、分阶段发展，从而达成从“局部智能”向“系统智能”的持续进步与螺旋上升。
AI的核心价值并非在于替代人类，而在于构建一个更加智慧、灵活、不断进化的生产体系。它促使组织从依赖经验转变为依赖数据，从僵化的流程转变为智能化的柔性流程，最终构建起以人机合作为核心的智能化协同创新模式。
制造业的未来竞争焦点，已从设备与生产能力的较量，转变为对认知能力、组织协调能力以及智能化技术的较量。人工智能，并非终点，而是开启全新工业时代的起点。
数据与模型：极难驾驭的“人工智能+制造”双引擎
AI引擎的运行，唯有当“数据”与“模型”两者均能高效协同作业，方能真正推动智能制造系统的不断进步。
然而，在“人工智能与制造”的融合应用过程中，企业常常陷入一种观念误区：以为只要实施了AI算法，并且将工业数据接入系统，便能自然而然地获得智能化的决策和优化效果。然而，实际情况却是，众多制造企业在AI项目的实施中，往往出现“试点成功、推广失败”的现象，其根本原因就在于数据与模型这两个关键驱动力并未得到有效的激活与运转。
制造企业虽然掌握着“最多”的数据资源，但这些数据却常常显得“最难用”。
《2025智能制造现状报告》的调研结果同样显示，制造业企业在数据采集方面呈现持续上升的趋势，然而，其中仅有44%的数据得到了有效的应用。这一数据表明，超过一半的数据资源处于闲置状态，未能融入价值创造的过程之中。
为什么数据难以利用？主要有三大原因：
烟囱式架构的系统遍布，数据孤岛现象严重；设备、生产线、制造执行系统、企业资源计划、仓库管理系统等系统各自独立运作，缺少标准化的接口和统一的语义定义，这使得数据难以整合、难以实现互联互通。
数据存在先天缺陷，品质不一：工业领域的数据常伴噪声、缺失和异构现象，治理手段不足，若直接输入模型，效果往往适得其反。
数据后天处理不当，缺少必要的背景信息：众多企业所收集的仅是“零散的数据片段”，缺少事件、工艺流程、生产批次等相关的上下文资料，这使得模型难以把握其业务含义和内在的因果关系。
更根本的问题在于，尽管制造企业掌握了大量数据，却缺少将数据有效转化为实用知识的体系能力。这并非单纯是软件功能上的不足，而是涉及到组织架构、数据观念以及治理结构的全面性缺陷。
因此，制造业所掌握的数据并非数量不足，实则分布过于分散；这些数据并非毫无价值，关键在于缺乏必要的上下文信息。
2. 模型挑战：工业智能，不能靠“通用大模型”一蹴而就
随着GPT等通用大型模型的迅速崛起，众多制造企业纷纷抱有借助这些大模型实现智能制造的憧憬。然而，工业领域的复杂性、专业性和物理特性使得制造业中的AI模型并非简单套用即可，其背后蕴含的逻辑远非如此简单。
工业AI模型面临三大挑战：
工艺认知不足：在制造流程中，包含众多隐秘的知识，诸如经验法则、物理原理以及多变量之间的相互作用，若模型对工艺缺乏理解，它仅能进行相关预测，却无法进行根本原因的分析或对工艺进行优化。
数据资源匮乏、标签识别难题并存：相较于电商、社交等互联网行业，工业领域的应用场景中缺少大规模的公共数据集，而且众多异常数据难以进行准确的标注，这使得监督学习的推进变得十分困难。
模型泛化能力有限，场景适应性差：在多个生产线及不同设备上，该模型的表现差异显著，缺少具备迁移性和可调整性的基础能力，进而使得人工智能应用的成本高昂、实施周期冗长、投资回报率偏低。
因此，制造业迫切需求的是一种场景深入挖掘的AI模型，这种模型不仅能够洞悉物理行为和工艺原理，而且能够应对不断变化的条件和设备间的差异，同时拥有少量样本即可学习、广泛适用的工业智能能力。
显而易见，制造业中的AI模型并非仅仅是“会交谈的模型”，它们实际上是“精通物理规律的模型”；它们并非仅仅是“创造内容的模型”，而是“重新构建生产流程的模型”。
管理上的挑战在于，我们不能仅仅采取拿来主义的态度，而是需要从构建能力体系入手，这才是研发AI的真正开端。
面对数据与模型的共同挑战，企业不应局限于工具的部署，而需致力于打造一个持续的AI能力架构，其关键在于完成以下三项任务：首先，进行数据管理，实现从数据收集到知识生产的转变；其次，进行场景建模，以业务术语描述问题，以算法术语解决难题；最后，建立模型微调机制，确保每个智能体都能适应其特定环境。
人工智能并非简单的拿来主义，"人工智能与制造相结合"的模式应当被视为一个完整的系统工程。人工智能的融入制造领域，并非仅仅安装就能发挥作用，亦非购置后便能自动智能化。这实际上是一个涉及从数据采集到模型构建、从算法设计到组织架构的全方位系统性工程。
企业若想真正让AI在制造领域发挥效能，必须摆脱“工具主义”的局限，打造一个以“数据能力”和“模型能力”为核心的未来导向的双引擎架构。只有这样，人工智能才能摆脱旁观者的角色，转变为既理解、又能行动、还能持续进步的智能伙伴。
写在最后
根据最新的调查数据，超过九成的制造企业计划在接下来的五年里对人工智能进行投资。这不仅仅是对技术的投入，更是一场涉及深层次的系统性变革。事实上，人工智能正逐渐成为制造业新的增长动力，标志着制造业第二条增长曲线的开启，并正在重新定义企业的生产流程、组织架构以及竞争策略。
在未来的制造业中，企业的核心竞争力将转变为构建一个具备自主感知、持续优化和智能协同功能的自适应系统。此次产业变革的核心，并非仅仅在于是否采用人工智能技术，而在于能否将AI作为驱动力，重塑一个完全适应未来发展的制造架构。
