這(zhe)是我(wo)的第375篇(pian)專(zhuan)欄文(wen)章。
2025年6月，工信部在審議《工業和信息化部信息化和工業化融合2025年工作要點》時，明確提出要實施“人工智能+制造”行動，加快重點行業智能升級，打造智能制造“升級版”。
這一表態不僅釋放出國家層面對“人工智能+制造(zao)”深度融合的高度重(zhong)視，也為制造(zao)業在新一(yi)輪技術革命中指明了方(fang)向。
意味著，AI浪潮下，制造業正面臨深層次的結構性挑戰與轉型壓力，站在“再定義”的門檻上。
一(yi)方(fang)(fang)面，全(quan)球產(chan)業(ye)鏈加速重(zhong)構(gou)、勞動(dong)力結構(gou)性短(duan)缺(que)、質(zhi)量(liang)與(yu)效(xiao)率的雙重(zhong)壓力日益顯現；另一(yi)方(fang)(fang)面，人工智能(neng)正(zheng)以前所(suo)未有的速度(du)，滲透(tou)至從研(yan)發(fa)(fa)、生產(chan)到(dao)供應(ying)鏈的各個環節，成為(wei)驅(qu)動(dong)制(zhi)造業(ye)高質(zhi)量(liang)發(fa)(fa)展的新變量(liang)。
在這樣的背景下，制造業不再是AI應用的跟隨者，而是其落地的主戰場和主引擎。
然而，人工智能賦能制造，并不僅僅是為了提升效率、降低成本，它更深刻地作用于制造系統的邏輯結構、組織方式與治理能力，推(tui)動(dong)(dong)制造業從(cong)流程(cheng)驅動(dong)(dong)向數據驅動(dong)(dong)、從(cong)自動(dong)(dong)化向智能化、從(cong)人控系(xi)統向人機協(xie)同演進。
因此，AI技術的嵌入，正開啟一場對制造業的“再定義”。
本文將圍繞“人工智能+制造”的融合趨勢，從落地路徑、典型應用、關鍵挑戰、組織能力等多個維度進(jin)行拆解，探索AI如何從感知(zhi)、控制(zhi)(zhi)(zhi)、執(zhi)行、運營(ying)、決策等層層嵌入(ru)制(zhi)(zhi)(zhi)造(zao)體(ti)系，進(jin)而推動制(zhi)(zhi)(zhi)造(zao)企(qi)業邁向(xiang)更(geng)具(ju)柔(rou)性(xing)、更(geng)高質量與(yu)更(geng)強韌(ren)的未來。
“人(ren)工智能+制造”的(de)落地(di)路(lu)徑(jing)：從感知到決策的(de)五次迭代(dai)
隨著“人工智能+制造(zao)”深度融(rong)合的(de)推進(jin)，制造(zao)系統的(de)底層架構正(zheng)在發生一場靜悄悄卻深刻的(de)重構。
傳統制(zhi)(zhi)造體系長期(qi)沿用“感知-控制(zhi)(zhi)-執行(xing)-運(yun)營-決策”分(fen)明(ming)的層級型架構：傳感器采集(ji)數據，上(shang)傳至控制(zhi)(zhi)系統，指令驅動執行(xing)單元(yuan)，自動化系統進(jin)行(xing)過程管(guan)理(li)，決策層基于周期(qi)性數據分(fen)析進(jin)行(xing)計劃與(yu)調整。
這(zhe)種自上而下、中心控制(zhi)的線性架構曾支撐了(le)大規模、標準化的工業化生產，但在當下愈加(jia)復雜(za)、動態、多變的制(zhi)造環境中，其局(ju)限性日(ri)益凸顯。
今天，制造業正從層級式架構向平臺化、一體化、去中心化的系統重構邁進。感知、控制、執行、運營與決策不再是彼此割裂的系統，而是在統一的技術平臺上協同運行、實時互動、智能閉環。
在這個架構中，人工智能的能力不再是簡單地插入某一環節，而是深度嵌入整個制造網絡的神經中樞，成為系統智能(neng)的支撐。
這種范式的轉變，也勾勒出AI在制造(zao)業落地的五(wu)次(ci)迭代路徑(jing)：
1. 感知迭代：從“能看見”到“能理解”
制造的第一步，始于感知。隨著AI視頻分析、智能傳感器、工業物聯網的(de)發(fa)展，制造現場(chang)的(de)“眼(yan)睛(jing)”變(bian)得更加(jia)敏銳，也更具洞察力。
AI賦能的視頻分析系統，能夠自動識別生產異常、故障預警、物品狀態變化，補足了傳統規則算法的局限性。在數據采集端，傳感器不僅采集數據，更通過邊緣AI實現初步分析與事件觸發，為后續控制與執行提供實時依據。感知層的強化，是AI向制造系統全面介入的起點。
2. 控制迭代：從“規則控制”到“智能生成”
控制系統的智能化，正在重寫工業控制的邏輯。以軟件定義自動化（SDA）為代表的新一代工業控制系統，打破了傳統控制系統中硬件與編程綁定的封閉結構，構建起開放、模塊化、可重構的控制平臺。
在此基礎上，AI助手工具的引入，讓PLC編程不再是工程師獨自完成的任務。通過自然語言描述控制目標，AI可自動生成控制邏輯、流程圖、語義注釋，甚至進行調試與驗證，實現從人寫代碼到人機共寫的躍遷，提升控制系統的(de)開(kai)發效率與迭代能力。
3. 執行迭代：從“自動化”到“智能協同體”
制造(zao)執行(xing)層(ceng)也正在發生變(bian)化。AI與工(gong)(gong)業機器人深度融合，推動形成具備感知、判(pan)斷、執行(xing)能力的(de)“工(gong)(gong)業智能體”。
AI驅動下的機器人不僅能完成重復性操作，還可實現自適應路徑規劃、實時視覺識別與多機協同調度。通過數字孿生與仿真平臺，機器人在部署前可在虛擬環境中完成訓練與驗證，極大壓縮上線周期。從此，制造的“手腳”不再只是執行指令，而是具備判斷力的智能執行體。
4. 運營迭代：從“記錄管理”到“預測優化”
制造過程管理系統也因AI的引入而全面重構。人工智能正加速集成于MES、設備管理系統等生產過程核心平臺，成(cheng)為制造優化的智能引擎(qing)。
AI可對設備運行數據進行建模，提前識別潛在故障，實現預測性維護；通過實時數據流分析，優化OEE表現；在質量管理中，借助AI識別缺陷模式與根因，提升產品的一致性與合規性。制造過程管理正在從反應式控制邁向預測式運營，實現進程級、數據驅動的智能優化。
5. 決策迭代：從“周期滯后分析”到“實時智能決策”
制造(zao)企業的(de)決策也正迎來(lai)智能(neng)(neng)化轉型(xing)。AI將(jiang)逐漸具(ju)備輔助排產、庫存模(mo)擬、質量預測(ce)等高復雜(za)度決策任(ren)務的(de)能(neng)(neng)力。
借助AI模型，企業可以進行情景模擬，快速評估不同排產策略的資源占用與交付可能性；結合歷史與實時數據，AI可預測質量波動趨勢，提前調整工藝參數；在庫存管理中，AI可動態推薦補貨策略，提升庫存周轉效率。制造決策從滯后響應邁向前瞻洞察，成為企(qi)業敏(min)捷性與韌性的(de)關鍵支撐。
在這五次躍遷中，我們看到，人工智能不再是外置的工具，而是制造系統內部的智能因子。它跨越傳(chuan)統邊(bian)界，融入每一層級、每一節點，推動(dong)制造(zao)系(xi)(xi)統從分(fen)層控制走向智能(neng)協同，從局部優化(hua)走向系(xi)(xi)統智能(neng)。
這場系統性(xing)重構，正是“人(ren)工智(zhi)能+制造”的內涵(han)所在。
“人工智能(neng)+”時代的制造組織：需要什么樣的系統能(neng)力？
在人(ren)工智能快(kuai)速發展的當下，一個被反復討論的問題是(shi)：AI是(shi)否會取代人(ren)？在制(zhi)造業中(zhong)，這個問題尤為敏感。
過去，自動化的每一次躍進，似乎都伴隨著“機器替代人”的趨勢。然而，今天的人工智能，尤其是在制造場景中的落地路徑，正在告訴我們一個確定的答案：AI不是為了減少人，而是為了增強人。
根據羅克韋爾自動化公司最新發布的《2025智能制造現狀報告》全球調研數據顯示，48%的制造企業計劃通過智能制造技術轉崗或新增員工崗位。
報告明確指出：智能制造需要更多人，而不是更少人。
這意味著(zhu)，AI的廣泛應用(yong)，并未帶來裁員潮(chao)，反而催生了對新型技能(neng)與(yu)復合型人才(cai)的強烈需求(qiu)。
過去，AI更多被視為一種工具：用于(yu)輔助檢測、分(fen)析數據、生成(cheng)報(bao)表。而如今，隨(sui)著AI模型在預測性(xing)維護、質量控制(zhi)、排產調度等環節(jie)的滲(shen)透(tou)，它正逐(zhu)步(bu)從輔助判斷者演化為參與決策者。
這種演化不僅改變了技術角色，也重塑了組織結構。制造企業正在從“以人決策、AI協助”的單向關系，轉向“人機共決策”的雙向協同模式。AI不(bu)再(zai)是后(hou)臺工具(ju)，而是嵌入業務流程(cheng)、參與流程(cheng)演化、觸發流程(cheng)再(zai)造的智(zhi)能要(yao)素(su)。
這也意味著，企業對人才的要求正在發生質變：不僅需要懂AI的工程師，也需要懂制造的AI人才。具備跨界能力(li)、系統(tong)思維(wei)與業務理(li)解力(li)的(de)AI通才型人才，將成為(wei)組織(zhi)智能化轉型的(de)關鍵支撐。
如果說AI是智能制造的“大腦”，那么組織能力就是這副“身體”是否靈活、強韌、可持續的決定性因素。進入AI時代，制造企業不僅要引進算法和工具，更要構建起支撐AI落地、成長與擴展的系統能力體系。其關鍵維度包括：
1. 戰略能力：AI不只是“IT項目”，而是“經營常態”
許多企業在推進“人工(gong)智能(neng)+制造”時，將其(qi)視(shi)為一次性(xing)的信息(xi)化升(sheng)級(ji)，交由IT部(bu)門主(zhu)導。這種做(zuo)法往(wang)往(wang)導致AI項目高(gao)開(kai)低走、試點(dian)成(cheng)功、復制失敗。
真正的智能制造轉型，需要將AI視為驅動企業經營模式變革的核心戰略資源。AI不應獨立于業務而存在，而應深度嵌入到生產、質量、供應鏈、能源管理等核心流程中。AI戰略要與業務戰略深度綁定，形成“業務牽引+技術驅動”的雙輪模式。
2. 人才能力：構建“AI工程師+業務專家”的復合型梯隊
人才結(jie)構(gou)(gou)的(de)(de)優(you)化(hua)是AI落地的(de)(de)前提。一(yi)方面(mian)，企業需要具備AI算法能力、數據建模能力的(de)(de)工程(cheng)師，能夠理解制造(zao)數據的(de)(de)結(jie)構(gou)(gou)、特征(zheng)與噪聲；另一(yi)方面(mian)，更(geng)需要懂(dong)業務、懂(dong)工藝、懂(dong)運營的(de)(de)制造(zao)專家參與到(dao)AI項目中，將經驗顯性化(hua)、知(zhi)識(shi)結(jie)構(gou)(gou)化(hua)，使AI模型更(geng)貼近現(xian)實問題。
“工程語言+業務語言”的雙語人才，將是未來制造企業不(bu)可(ke)或(huo)缺的中堅力量。
3. 組織結構：推動AI中臺與業務共建
AI項目往往碎片化，難以規模化復制，根本原因在于缺乏統一的數據與模型底座。為此，企業需要構建具備復用能力的AI與數據中臺，將底(di)層算法能(neng)力(li)、數據治理能(neng)力(li)與業務流程打(da)通，形成“平臺+場(chang)景”的(de)雙層架構(gou)。
組(zu)織(zhi)上，也需設立跨(kua)部(bu)門的(de)AI應用(yong)委(wei)員會或數字化運營小組(zu)，打(da)破IT與(yu)OT、研發與(yu)制造、總部(bu)與(yu)現場之間的(de)壁壘，實現從一線提問題、由平臺出方案的(de)共創模式。
4. 實施路徑：從試點走向全鏈路部署
根(gen)據研究報告中提出的(de)智能制造(zao)轉型路徑，企業在部(bu)署AI項目時應遵循敏捷起步、快(kuai)速迭代、持續(xu)擴(kuo)展的(de)八步法(fa)，如上圖所示(shi)。
這一路徑強調：AI落地不能貪大求全，而應小步快跑、邊做邊學、逐步演進，以實(shi)現從“局部智能(neng)”到(dao)“系(xi)統智能(neng)”的螺(luo)旋式躍升。
AI的真正價值，不在于取代人，而在于塑造一個更聰明、更敏捷、更進化的制造組織。它讓組織從經驗驅動走向數據驅動、從流程剛性走向智能柔性，最終形成以人機協作為核心的智能共創體系。
未來制造業的競爭，不再是設備與產能的比拼，而是認知力、組織力與智能化能力的比拼。AI，不是終點(dian)，而(er)是新的工業文(wen)明的起點(dian)。
數據與模型(xing)：極(ji)難駕馭(yu)的(de)“人工(gong)智能+制造”雙引擎
AI的(de)引擎，只有在“數據”和“模型”同時高效(xiao)運轉時，才可能真(zhen)正(zheng)驅動智能制造系(xi)統的(de)持續(xu)演(yan)進。
然而，在“人工智能+制造”的落地實踐中，企業往往陷入一個認知誤區：認為只要部署了AI算法，接入了工業數據，就能自動獲得智能的決策與優化結果。但現實是，許多制造企業在AI項目中“試點成功、復制失敗”，其根源恰恰在于數據與模型這兩個核心引擎未能真正啟轉。
1. 數據挑戰：制造企業擁有“最多的數據”，卻也是“最難用的數據”
同樣根據《2025智能制造現狀報告》的調研數據顯示，制造企業采集的數據量不斷增長，但僅有44%的數據被有效利用。這意味著，超過一半的數據“沉睡”在系統里，未能參與價值創造。
為(wei)什么數據(ju)難以利(li)用？主(zhu)要有三大原因：
“煙囪式”系統林立，數據孤島嚴重：設備、產線(xian)、MES、ERP、WMS 等(deng)系統各自為政，缺乏標準(zhun)化接(jie)口(kou)與統一語義，導(dao)致(zhi)數據難以(yi)匯聚(ju)、難以(yi)打通。
數據先天不足，質量參差不齊：工業數據大量(liang)存在噪聲(sheng)、缺失、異構問題，缺乏治理機制(zhi)，直接“喂”給模型反而適(shi)得其反。
數據后天無為，缺乏上下文結構：許(xu)多企業采集的是(shi)“孤立數據點”，缺乏事件、工藝、批(pi)次等上(shang)下(xia)文信息，導致(zhi)模型無法(fa)理解(jie)其(qi)業務(wu)語義與因(yin)果邏輯。
更深層的問題在于：制造企業雖然擁有數據，但卻缺乏將數據轉化為可用知識的能力體系。這(zhe)不是(shi)軟件功能(neng)上的問題，而是(shi)組織機制、數據思(si)維與(yu)治理體系(xi)的系(xi)統性(xing)短板。
因此，制造業的數據不是太少，而是太散；不是沒價值，而是上下文信息不足。
2. 模型挑戰：工業智能，不能靠“通用大模型”一蹴而就
當ChatGPT等通用大模型迅速走紅，許多制造企業也產生了套個大模型就能智能制造的期待。但工業場景的復雜性、專業性、物理性，決定了制造業的AI模型，遠遠不是套殼即用的邏輯。
工業AI模型面臨(lin)三大挑戰：
工藝理解缺失：制造過程涉(she)及大(da)量隱性(xing)知識，如(ru)(ru)經驗規則、物理機理、多變量耦合，如(ru)(ru)果模型(xing)不懂工藝(yi)，只能做(zuo)相關預測，無法做(zuo)根因分析或(huo)工藝(yi)優化。
數據稀缺與標簽困難：與電商(shang)、社交(jiao)等互(hu)聯(lian)網領域(yu)相比，工業場景缺乏大規模開源數(shu)據(ju)集(ji)，且許多異常數(shu)據(ju)難(nan)以(yi)標注，監(jian)督(du)學習難(nan)以(yi)為繼。
泛化能力不足，場景遷移困難：同一(yi)模型在不(bu)同產線、不(bu)同設備上效果差異(yi)巨(ju)大，缺乏可遷移、可微調的底(di)層(ceng)能力，導致(zhi)AI部署(shu)成(cheng)本高、周期長(chang)、ROI低(di)。
因(yin)此，制造業真正需要的是場(chang)景深耕(geng)型AI模(mo)型：既能理解物理行為與(yu)工(gong)藝機制，又能適應動態條件與(yu)設備差異(yi)，具備少樣本、強泛化的工(gong)業智力(li)。
可見，制造業的AI模型，不是“會說話的模型”，而是“能理解物理的模型”；不是“生成內容的模型”，而是“重構過程的模型”。
3. 管理挑戰：AI不是拿來主義，能力體系建設才是制造AI的真正起點
在數據和模型雙重挑戰面前，企業不能再停留在部署工具的階段，而應轉向構建一整套可持續的AI能力體系，核心在于做好三件事：一、數據治理：從“采集數據”到“生產知識”；二、場景建模：用業務語言表達問題，用算法語言解決問題；三、模型微調機制：讓每一個智能體都貼合自己的現場。
AI不是拿來主義，“人工智能+制造”需要被視作是一套系統工程。人工智能走進制造，不是裝上就有用，也不是買了就智能。它是一場從數據到模型、從算法到組織的系統性工程。
企業若希望真正實現AI賦能制造，需要跳出“工具導向”的思維，構建面向未來的“數據能力 + 模型能力”雙引擎體系。唯有如此，人工智能才能不只是制造業的看客，而成為看得懂、干得動、不斷進化的智能合作者。
寫在最后
根據最新調研，95%的制造企業將在未來五年內投資人工智能。這不僅是一項技術(shu)投入，更(geng)是一場深層次(ci)的系統性重構。可以說，人工智(zhi)能(neng)正成(cheng)為制造業第(di)二(er)增長曲線的起點，重塑企(qi)業的生產(chan)邏輯、組織結構與(yu)競(jing)爭方式(shi)。
未(wei)來，制(zhi)(zhi)造(zao)企業的核心能(neng)力將不再是(shi)制(zhi)(zhi)造(zao)產品，而是(shi)構建一(yi)個(ge)(ge)能(neng)自主(zhu)感知、持(chi)續(xu)優化、智能(neng)協同的系(xi)統。這場轉型的關(guan)鍵，不在(zai)于是(shi)否(fou)應用AI，而在(zai)于能(neng)否(fou)以AI為引擎，重構一(yi)個(ge)(ge)真正面(mian)向未(wei)來的制(zhi)(zhi)造(zao)體系(xi)。
參考資料：
工信部(bu)：實施“人工智(zhi)能+制造”行(xing)動，加快重點(dian)行(xing)業智(zhi)能升(sheng)級，來源：第一(yi)財經
2025 State of Smart Manufacturing Report，來源：羅(luo)克韋爾自動(dong)化
