【ZiDongHua 之“先进制造业”标注关键词：  先进制造业 人工智能 机器人 高质量发展 】
　　
　　杨华勇院士：推动人工智能赋能先进制造业系统性变革
　　
　　推动人工智能赋能先进制造业系统性变革
　　
　　杨华勇
　　
　　近期，习近平总书记就发展先进制造业作出重要指示，强调要坚持智能化、绿色化、融合化方向，持续做大做强先进制造业，提升产业链自主可控水平，加快构建以先进制造业为骨干的现代化产业体系，巩固壮大实体经济根基，为推进中国式现代化提供有力支撑。这一重要指示为先进制造业发展指明了方向，其中智能化作为关键方向，正是人工智能赋能制造业转型升级的核心遵循。工业和信息化部等八部门印发的《“人工智能+制造”专项行动实施意见》提出，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”，整体壮大产业生态，促进人工智能科技创新与产业创新深度融合、人工智能技术与制造业应用“双向赋能”，加快制造业智能化、绿色化、融合化发展。这标志着“人工智能+制造”已进入体系化布局、规模化落地和场景化突破的新阶段。
　　
　　现阶段，人工智能赋能先进制造业在知识与数据贯通、决策与执行联动、研发与应用迭代等方面还需进一步强化。因此，我们要推动人工智能赋能先进制造业系统性变革，加快形成可验证、可部署、可复制的系统化实践路径，为先进制造业高质量发展和推进新型工业化提供坚实支撑。
　　
　　一、人工智能赋能先进制造业系统性变革的实践路径
　　
　　推动人工智能赋能先进制造业系统性变革的核心是打通三个关键环节的堵点：知识与数据贯通不畅，导致人工智能难以认知工业机理；决策与执行衔接断层，导致人工智能难以融入生产流程；研发与应用循环断链，导致人工智能难以实现持续进化。将人工智能从外部工具转化为内部能力，是人工智能赋能制造业的必然路径。
　　
　　（一）知识与数据的重构：夯实人工智能赋能底座
　　
　　工业知识是人工智能赋能制造业的起点。工业知识长期处于非结构化状态：工艺经验沉淀于师徒传承，设计规则分散于图纸文档，设备机理隐匿于专家判断。人工智能可获取工业数据，却难以理解其工程语义，核心症结是缺乏机器可识别、可计算的统一工业知识组织体系。重构的本质是推动隐性经验向机器可计算的显性资产转化，重点破解知识组织、语义理解等难题。
　　
　　知识与数据重构需构建“底座+模型”的协同支撑体系：一方面要搭建统一数智底座，以工业本体为核心，将分散于标准文献、工艺图纸、设备日志、专家经验中的碎片化知识转化为结构化资产，打通跨环节语义壁垒，实现工业知识的可组织、可复用、可推理，解决知识碎片化、语义不统一的问题；另一方面要构建机械制造基础模型，针对通用大模型仅具备通用语言理解能力、难以适配工业场景专业判断要求等短板，面向工业场景重构训练语料与模型架构，使模型具备工程图文理解、工艺推理、工具调用能力，将结构化工业知识内化为模型原生能力，解决知识可存不可用的问题。“底座+模型”的深度协同使工业知识具备动态推理、工程复用能力，将零散的行业经验转化为可落地的系统能力。人工智能赋能制造业的竞争逻辑也从聚焦算法精度转向比拼工业机理覆盖率，谁掌握了更多可结构化、可软件化的工业知识，谁就掌握了人工智能赋能先进制造业的主动权。
　　
　　（二）决策与执行的重构：打通人工智能落地流程
　　
　　决策执行是人工智能赋能制造业的关键枢纽。当前人工智能在制造业的应用多停留在辅助决策阶段，模型可输出优化方案，却无法贯通业务流程、触达生产现场，智能决策与生产执行相互割裂。重构的核心是打通“感知－决策－执行－反馈”全流程链路，推动人工智能从辅助决策深度嵌入生产全环节。
　　
　　工业软件智能体化是决策嵌入业务流程的重要载体。传统工业软件长期服务于人操作、机器执行的生产范式，形成跨部门信息壁垒，人工智能难以直接融入业务运行。推动工业软件智能体化转型，本质是让业务系统从服务于人手动操作的工具，升级为人工智能可协同调用的智能组件，重塑生产运行范式，推动人机关系从人围着系统转的被动模式，转向人统筹全流程运行的主动模式，把人从重复性操作中解放出来，聚焦创造性决策与优化工作。边云协同控制体系是决策直达生产现场的关键支撑。传统集中式架构难以兼顾全局优化的复杂性与现场执行的动态响应要求，构建云端全局决策、边缘现场执行的边云协同新型控制体系，打通从云端智能决策到现场装备执行的传导链路，实现全局智能与现场响应的动态平衡。同步建立人工兜底、全程可控的安全管控机制，守住生产安全底线，充分释放智能控制效能，始终保证人对生产系统的最终决策权。工业软件智能体打通业务流程入口，边云协同体系打通装备执行链路，二者协同可实现从数据感知到装备执行的全流程贯通，推动人工智能深度融入生产现场。
　　
　　（三）研发与应用的重构：构建人工智能迭代闭环
　　
　　研用融合是人工智能赋能制造业的内生动力。研发与生产环节相互割裂是人工智能难以持续进化的关键原因。模型在理想环境下性能稳定，落地生产场景后衰减明显。现场积累的实践经验难以反哺研发端，模型部署后迭代不足、脱节于实际需求。重构重点是建立研发部署到反馈迭代的循环，推动人工智能持续进化。
　　
　　场景化轻量化微调是模型适配现场需求的主要路径。通用工业基础模型难以覆盖所有细分领域的个性化工艺需求，直接复用通用能力无法满足现场生产实际要求。构建通用基础模型加场景适配的协同模式，企业基于自身生产场景数据对模型进行定向微调，即可高效匹配企业工艺特点与生产要求，以较低成本完成模型的定制化落地。这一模式既保障了通用模型的规模化推广效能，也兼顾了现场应用的适配精度。数据闭环迭代体系是模型持续进化的关键支撑。模型能力需要在真实应用场景中持续积累优化。建立生产现场与研发端的数据回流机制，将模型运行中的偏差案例、场景经验、人工优化成果自动归集、脱敏、标注，反哺模型的持续训练过程，推动模型在生产实践中动态校准、迭代完善。破除传统模型定型后固定使用的局限，构建持续部署、动态迭代的演进机制，推动模型能力随生产实践积累同步提升。场景化微调打通现场适配路径，数据闭环迭代构建持续进化机制，二者协同，破除研发与生产的环节壁垒，推动人工智能在生产实践中持续升级。
　　
　　二、人工智能赋能先进制造业系统性变革的关键支撑
　　
　　推动人工智能赋能先进制造业系统性变革，还要同步构建与之匹配的支撑保障体系。标准是规则底座，决定系统能否互联互通；人才是主体力量，决定技术能否真正落地；安全是发展底线，决定应用能否规模推广。三者共同支撑人工智能从局部试点走向全链路普及。
　　
　　（一）筑牢互联互通的规则底座
　　
　　标准是人工智能赋能制造业的通用语言，也是打破单点壁垒、实现体系化推进的前提。当前人工智能应用走向全链条推广，核心难点之一就是标准供给滞后：不同行业、企业、环节的数据接口、模型规范、评价规则各自为政，传统工业自动化标准与新兴人工智能技术标准衔接不畅，以往经验无法跨场景复用。不同厂商建设的人工智能应用系统重复投入严重，因接口不兼容难以协同联动，反而形成新的孤岛，增加了全行业的应用成本。只有建立统一的标准体系，才能打通跨环节的语义壁垒，让分散的系统真正互联互通，让技术成果可以跨行业、跨企业快速迁移复用，从根本上避免碎片化建设带来的资源浪费，为人工智能的规模化应用扫清规则障碍。
　　
　　
　　
　　智能化是工程机械转型升级与高端化发展的必由之路。图为多机种协同智慧施工场景。浙江大学供图
　　
　　（二）激活人机协同的主体力量
　　
　　人工智能赋能制造业的本质，是人类智慧与机器智能的深度协同，人始终是技术变革的主导者。当前制约人工智能落地的核心瓶颈，表面是技术问题，深层是人才结构错配：既懂制造工艺、又懂人工智能技术的复合型人才短缺，科研端不了解现场真实需求，产业端不掌握落地方法及理论，一线工人数字技能与智能生产要求不匹配，技术供给与场景需求之间存在断层，导致大量人工智能技术仅停留在实验室阶段，难以真正转化为生产现场的实际效能。只有构建覆盖领军人才、工程技术人才、产业工人等方面的合理人才梯队，突出人的主体地位，才能真正把人的经验智慧转化为人工智能模型的知识来源，实现人本智造、双向赋能，让技术真正扎根生产现场。
　　
　　（三）守住可信可控的发展底线
　　
　　工业场景是安全生产的重要领域，人工智能应用涉及核心生产数据、关键工艺参数、生产运行控制，一旦出现安全问题，将直接影响生产稳定、产业安全甚至国家安全。当前制造企业对人工智能应用存在顾虑，核心在于安全不可控、责任不清晰。工业数据泄露、模型误判、系统失控等风险客观存在，现有安全管理体系尚未覆盖人工智能应用全链条，人机责任边界模糊，成为规模化推广的重要障碍。构建全链条的安全保障体系，是人工智能可信落地的前提，只有建立覆盖数据安全、模型安全、运行安全的管控机制，明确人机责任边界，设置兜底的安全管控通道，才能让企业敢于应用、放心推广，为人工智能规模化应用守住发展底线。
　　
　　三、人工智能赋能先进制造业系统性变革的政策建议
　　
　　推动人工智能赋能先进制造业系统性变革，离不开政策的统筹引导与支撑。当前，碎片化推进、投入门槛高、场景对接难、生态不健全等问题，仍制约着人工智能从局部试点走向全链路普及。建议从顶层设计、财政支持、场景开放、生态培育等方面协同发力，为体系重构营造良好生态。
　　
　　（一）强化顶层设计，构建统筹协同的推进格局
　　
　　针对当前各地推进人工智能与制造业融合中存在的路径同质化、要求“一刀切”等问题，要强化统筹层面的分类指导。结合流程制造、离散制造等不同行业的工艺特点与转型基础，分类明确人工智能赋能的重点方向与推进节奏，为不同行业留出适配自身发展规律的探索空间，避免制定统一的刚性建设标准与考核要求。同时，要引导企业结合自身实际选择合适的转型路径，避免盲目跟风、重复投入。持续跟踪不同行业的转型进展，及时总结可复制的实践经验，形成分行业的转型指南，帮助企业找准转型切入点，保障各地推进节奏与区域产业基础相匹配，推动人工智能赋能从局部试点走向全域推广。
　　
　
　　
　　近年来，智能盾构技术的发展体现出盾构机正在由传统的隧道掘进机转变为隧道掘进机器人的趋势，这一转变旨在解决传统盾构机行业在施工环境和人工操控等方面所面临的挑战。图为超大直径泥水平衡盾构机“领航号”在浙江杭州下线，设备开挖直径达15.4米，整机长度约128米，配置了多套智能系统。中铁装备供图
　　
　　（二）加大财政支持，降低企业落地的投入门槛
　　
　　人工智能赋能制造业的前期投入大、回报周期长，要发挥财政资金的引导和托底作用，依托现有的智能工厂梯度培育体系优化支持方向。在领航级智能工厂评选与支持中，进一步重点考察人工智能与全流程生产的融合深度，引导企业改变零散采购智能工具、单点建设应用场景的模式，从研发设计、生产制造、运维服务等全流程统筹推进智能化改造。后续，积极总结领航级智能工厂的实践经验，形成可复制的体系化转型方案，向全行业推广。发挥财政资金的撬动作用，引导资源向体系化、全流程的智能化项目倾斜，避免碎片化投入带来的效率损失，让各类企业尤其是中小企业能够低成本借鉴系统转型路径。
　　
　　（三）开放应用场景，打通研用对接的核心堵点
　　
　　针对研发端与应用端供需错位的断链问题，要把开放真实应用场景作为牵引技术落地的核心抓手，依托国家布局的制造业领域人工智能应用中试基地，完善面向先进制造场景的中试验证公共服务能力。重点面向复杂工艺、高端装备制造等场景，组织技术供给方与需求方开展联合验证，帮助人工智能企业熟悉制造场景的工艺要求，降低技术落地的试错成本。建立场景需求定期发布机制，面向重点制造业领域梳理人工智能应用方向，推动供需双方精准对接。建立中试成果的转化对接机制，推动成熟验证成果快速在制造场景中推广应用，形成应用牵引研发、研发支撑应用的正向循环。
　　
　　（四）培育产业生态，形成多方协同的发展合力
　　
　　深化制造业领域产学研用协同攻关，夯实人工智能赋能的生态底座。产学研用协同是突破制造业智能化关键短板的核心机制，要聚焦先进制造领域的核心短板，组织行业内的高校、科研院所、龙头企业协同攻关工业知识沉淀、工业软件自主可控、高端装备智能控制等关键问题，打破技术研发与制造需求之间的壁垒。完善创新成果在制造领域的转化机制，鼓励科研团队深入生产一线梳理真实需求，推动技术成果精准对接制造场景，减少技术研发与实际需求脱节的无效投入。营造包容审慎的发展氛围，为人工智能技术在制造场景的迭代优化留出合理的试错空间，形成创新资源向制造场景集聚的良好生态。
　　
　　总体而言，推动人工智能赋能先进制造业实现系统性范式变革，要加快推动知识与数据、决策与执行、研发与应用等维度的重构，全面打通实践路径，筑牢标准协同、人才支撑、安全可控等发展基础，配套系统完备的政策体系，方能推动人工智能从外生辅助工具深度转变为制造体系的内生能力。这是激活制造业新动能、塑造全球产业竞争新优势的关键抓手，也是大力推进新型工业化、加快建设现代化产业体系的核心支撑。