這是我的第(di)375篇專欄文章(zhang)。
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(zhi)造”深度融合的高度重視，也(ye)為(wei)制(zhi)造業(ye)在新(xin)一輪技術革(ge)命中指明了(le)方向(xiang)。
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。
一方(fang)面，全球(qiu)產(chan)業鏈(lian)加(jia)速重構、勞動(dong)力結構性短缺、質量(liang)與(yu)效率的雙重壓力日益顯現；另一方(fang)面，人工智能正以(yi)前所未有的速度，滲透至從研(yan)發、生產(chan)到(dao)供應鏈(lian)的各(ge)個(ge)環節，成為驅動(dong)制造業高質量(liang)發展的新變量(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)動制造(zao)業(ye)從流程驅動向數據驅動、從自動化(hua)(hua)向智能化(hua)(hua)、從人控系統向人機協同(tong)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(duo)個維度進行(xing)拆(chai)解，探索(suo)AI如何(he)從感知、控(kong)制、執行(xing)、運營、決策(ce)等層(ceng)層(ceng)嵌入制造(zao)體系，進而(er)推動(dong)制造(zao)企業(ye)邁向更具(ju)柔性、更高(gao)質量與更強韌的未來。
“人工智能+制(zhi)造(zao)”的落地路徑：從(cong)感知到(dao)決策的五次迭代
隨著“人(ren)工智能(neng)+制造”深度融合的(de)(de)推進，制造系統的(de)(de)底(di)層(ceng)架構正在發生一(yi)場靜悄(qiao)悄(qiao)卻深刻(ke)的(de)(de)重構。
傳統制(zhi)造體系長期沿用“感(gan)(gan)知-控制(zhi)-執行(xing)-運營-決策”分明(ming)的層級型架構：傳感(gan)(gan)器采集數據，上傳至控制(zhi)系統，指令驅動執行(xing)單元(yuan)，自動化系統進(jin)行(xing)過程管理，決策層基于周期性數據分析進(jin)行(xing)計劃與調整。
這種自上而下、中心控制的(de)線性架構曾支撐(cheng)了大規模、標(biao)準化的(de)工業化生產，但在當下愈加復雜、動態、多變的(de)制造環(huan)境中，其局限(xian)性日益凸顯。
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(cheng)為系(xi)統智能的支撐。
這種范式(shi)的轉(zhuan)變，也(ye)勾勒出AI在制造業落地的五次(ci)迭代路徑：
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、工業物聯網的發展，制(zhi)造現(xian)場(chang)的“眼睛”變得(de)更(geng)加敏銳(rui)，也更(geng)具洞察(cha)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(sheng)控制系統的開發效率(lv)與迭代能力。
3. 執行迭代：從“自動化”到“智能協同體”
制造執(zhi)行層也正在發生(sheng)變化。AI與(yu)工業機器人(ren)深度融(rong)合(he)，推動形成具備感知、判斷、執(zhi)行能力的“工業智能體(ti)”。
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。
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”
制造企業的決策也正(zheng)迎(ying)來智(zhi)能化轉型。AI將逐(zhu)漸(jian)具備(bei)輔助排產、庫存(cun)模擬、質量預測(ce)等高復雜度決策任(ren)務(wu)的能力(li)。
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，成為企業敏捷性(xing)與韌性(xing)的關鍵支撐。
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(ta)跨越傳統邊界，融入每一(yi)層(ceng)級、每一(yi)節點，推動制(zhi)(zhi)造系(xi)(xi)統從(cong)分層(ceng)控(kong)制(zhi)(zhi)走(zou)向(xiang)智(zhi)能協(xie)同，從(cong)局部優化走(zou)向(xiang)系(xi)(xi)統智(zhi)能。
這場系統性重構，正是“人工智能+制造”的內涵(han)所在。
“人工(gong)智能+”時代的(de)制造組織：需要什(shen)么樣的(de)系統(tong)能力？
在人工智能快(kuai)速發展的當下，一(yi)個被(bei)反復討論的問題是(shi)：AI是(shi)否會(hui)取代人？在制造業中，這個問題尤為(wei)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，AI的廣泛應用(yong)，并未帶(dai)來裁員潮(chao)，反而催生了對(dui)新型(xing)技(ji)能(neng)與復合(he)型(xing)人(ren)才(cai)的強(qiang)烈需求。
過去，AI更多被視為一種工具(ju)：用于輔助(zhu)檢(jian)測(ce)、分析(xi)數據、生成報(bao)表。而如今(jin)，隨著(zhu)AI模型在預測(ce)性維護、質量控(kong)制、排(pai)產調度(du)等環節的滲透(tou)，它正逐步從輔助(zhu)判斷者演化為參與決(jue)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不再是后臺工具，而是嵌入業務流(liu)程(cheng)、參與(yu)流(liu)程(cheng)演化、觸(chu)發流(liu)程(cheng)再造的智能要素。
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(ju)備(bei)跨界能力、系統思維與業(ye)務理解力的(de)(de)AI通才型人才，將成為組(zu)織智能化轉(zhuan)型的(de)(de)關鍵支撐(cheng)。
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(xu)多企業(ye)在推(tui)進“人工智能(neng)+制造”時，將其視為(wei)一次性(xing)的信息(xi)化(hua)升級，交由IT部(bu)門主(zhu)導。這種做法往往導致AI項目高開(kai)低走、試點成(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)的(de)優(you)化是AI落(luo)地的(de)前提(ti)。一方面，企業需(xu)(xu)要具備AI算(suan)法能力、數據建模(mo)能力的(de)工程師，能夠理(li)解(jie)制造數據的(de)結(jie)構(gou)、特征與(yu)噪聲；另一方面，更需(xu)(xu)要懂(dong)業務(wu)、懂(dong)工藝、懂(dong)運營的(de)制造專(zhuan)家(jia)參與(yu)到AI項目中，將(jiang)經驗顯性化、知識結(jie)構(gou)化，使AI模(mo)型更貼(tie)近現(xian)實問題。
“工程語言+業務語言”的雙語人才，將是未來(lai)制造(zao)企(qi)業不可(ke)或缺的中堅(jian)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，將底層(ceng)算(suan)法能力、數據(ju)治理能力與業務流程打通，形成“平臺(tai)+場景(jing)”的雙層(ceng)架(jia)構。
組織上(shang)，也(ye)需設立跨部門的(de)AI應(ying)用委員(yuan)會或數字化(hua)運營小組，打破IT與OT、研發與制造、總部與現場之間的(de)壁壘(lei)，實(shi)現從一(yi)線提問題、由平臺出方案(an)的(de)共創模式。
4. 實施路徑：從試點走向全鏈路部署
根據研(yan)究報告中提出的智能(neng)制造轉型路徑，企業(ye)在部署AI項目(mu)時應遵(zun)循敏(min)捷起步、快速迭代、持(chi)續擴(kuo)展的八步法，如上(shang)圖所(suo)示。
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，以實現從“局部智能(neng)”到“系(xi)統智能(neng)”的螺旋式(shi)躍升(sheng)。
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(shi)終點，而是(shi)新的工業文明的起(qi)點。
數據與模型(xing)：極難(nan)駕馭的(de)“人工智能+制造”雙引(yin)擎
AI的(de)引擎，只有在“數據”和“模型”同(tong)時高效運轉時，才可(ke)能(neng)真正驅動智(zhi)能(neng)制造系(xi)統的(de)持續演進。
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)什么數據難以利(li)用？主要有三(san)大原因：
“煙囪式”系統林立，數據孤島嚴重：設(she)備、產線、MES、ERP、WMS 等系統各自(zi)為政，缺乏(fa)標(biao)準(zhun)化接口與(yu)統一(yi)語義，導致數據難(nan)以匯(hui)聚、難(nan)以打通。
數據先天不足，質量參差不齊：工業(ye)數據大量存在噪聲、缺(que)失、異構問題，缺(que)乏治(zhi)理(li)機(ji)制(zhi)，直接“喂”給模(mo)型反而適得其(qi)反。
數據后天無為，缺乏上下文結構：許多(duo)企業采(cai)集(ji)的是“孤立數(shu)據點(dian)”，缺乏事件、工藝(yi)、批次等上下文信息(xi)，導(dao)致模型無(wu)法理解其業務語義與因(yin)果邏輯(ji)。
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。這不(bu)是軟件功(gong)能上的問題，而是組織(zhi)機制、數據思維與(yu)治理體系的系統性短板。
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模型面臨三大挑戰：
工藝理解缺失：制造(zao)過程涉(she)及大量隱性知(zhi)識，如(ru)經驗規則、物理(li)機理(li)、多變量耦(ou)合(he)，如(ru)果模型不懂工藝，只能做(zuo)(zuo)相關(guan)預測，無法做(zuo)(zuo)根(gen)因分析或工藝優(you)化。
數據稀缺與標簽困難：與電商、社交等互聯網領域相比，工業場景缺乏大規(gui)模(mo)開(kai)源數(shu)據集(ji)，且許(xu)多異(yi)常數(shu)據難以標注，監督學習難以為繼。
泛化能力不足，場景遷移困難：同一模型在不同產線(xian)、不同設備(bei)上效果(guo)差異巨大，缺乏可遷移、可微調(diao)的底層能(neng)力，導致AI部署成本高(gao)、周期長、ROI低。
因此，制(zhi)造業(ye)真正(zheng)需(xu)要的是(shi)場景深耕(geng)型AI模型：既能理解物(wu)理行為(wei)與工藝機制(zhi)，又能適(shi)應動態(tai)條件與設備(bei)差異(yi)，具備(bei)少樣本(ben)、強泛化的工業(ye)智力。
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(jin)是(shi)一項(xiang)技(ji)術投入，更是(shi)一場深層次的(de)系統性重構(gou)。可以說(shuo)，人工智能正成為制造(zao)業第二增(zeng)長曲線的(de)起(qi)點，重塑企業的(de)生產邏輯(ji)、組織結構(gou)與(yu)競爭方(fang)式。
未來，制(zhi)造企(qi)業的(de)(de)核心(xin)能力將不(bu)再是(shi)(shi)制(zhi)造產品，而(er)是(shi)(shi)構(gou)建一(yi)個(ge)能自主感(gan)知、持續(xu)優化、智(zhi)能協同的(de)(de)系統。這場轉型的(de)(de)關(guan)鍵，不(bu)在于是(shi)(shi)否(fou)應用AI，而(er)在于能否(fou)以AI為引(yin)擎，重構(gou)一(yi)個(ge)真正面(mian)向未來的(de)(de)制(zhi)造體系。
參考資料：
工信部：實(shi)施“人工智(zhi)能+制造”行動(dong)，加快重點行業智(zhi)能升級，來源：第一財經
2025 State of Smart Manufacturing Report，來(lai)源：羅克韋爾自(zi)動化
