【ZiDongHua 之“方案应用场”标注关键词：人工智能 智能制造 工业AI 制造现场 落地应用人工智能 智能制造 工业AI 制造业数字化转型 人工智能+制造 】

人工智能如何真正走进制造现场

9月9日，2026全球工业互联网大会在辽宁沈阳开幕。本届大会以“智改数转 AI兴工”为主题，聚焦工业互联网与人工智能融合赋能。图为当天拍摄的大会开幕式现场

制造业是人工智能（AI）技术的重要“试验场”。从早期基础算法嵌入单一设备、单一环节，解决质量检测等具体场景的效率问题，到大数据、深度学习推动生产过程的数据驱动优化，再到今天大模型、具身智能等技术加速进入工业领域，人工智能正在从“单点智能”走向“全流程协同智能”，从“机器辅助”走向“人机协同决策”，推动制造体系从“经验驱动”向“数据智能驱动”跃迁。

中国拥有全球最完整、门类最齐全的工业体系，这构成了人工智能技术最宝贵的“全场景”应用土壤。2025年，中国制造业增加值达34.7万亿元，占全球近30%；算力规模全球第二，以5G、千兆光网为核心的“数字大动脉”实现全国有效覆盖；人工智能企业数量超6200家，核心产业规模破万亿元。

这些决定了中国推进“人工智能+制造”的关键路径——将人工智能技术深度融入制造业的广阔场景，形成技术供给与产业需求互促共进的良性循环，将应用场景优势、产业规模优势和数智基建优势，转化为他人难以复制的“非对称产业胜势”。

文 | 鲁春丛 中国工业互联网研究院院长

本文转载自新华社客户端“环球”，原文首发于2026年9月10日，标题为《人工智能如何真正走进制造现场》。

1

智能制造“六层级”

人工智能进入制造现场，不只是给机器装上一个“大脑”，而是让智能沿着设备、产线、车间、工厂、企业和产业生态不断向上生长、向下扎根。这6个层级非简单的应用场景叠加，而是人工智能进入工业体系的不同深度：设备层解决感知和控制；产线层关注工艺优化；车间层需要协调设备、物料与人员；工厂层面对全局资源配置；企业层进入研发、经营和决策；产业生态层则是跨企业、跨系统、跨区域的复杂协同。

越往上走，越偏向信息化和“大脑”，需要处理的数据越复杂，AI技术在数据分析、资源调度等信息技术（IT）环境中更易发挥优势；越往生产底层深入，越偏向自动化控制和“小脑、四肢”，对实时性、确定性和可靠性的要求越高。

人工智能+设备，优化设备管理方式。传统设备嵌入人工智能算法后，能够基于振动、温度等时间序列数据实现预测性维护，提前识别设备故障，避免意外停机。人工智能算法还可优化设备运行参数，提升加工精度和产品合格率。生成式AI可以为工业机器人或可编程逻辑控制器（PLC）自动生成控制代码，简化自动化系统的调试和部署过程。

人工智能+产线，提升工艺优化能力。针对离散型产线和流程型产线，构建产线智能管控系统，运用自动排产算法、自动化质量检测、工艺参数优化等技术，实现排产时间从小时级压缩至分钟级，降低缺陷漏检率，提升生产效率。

人工智能+车间，变革生产作业形态。对核心生产、质量检测、公辅能源和物料转运等车间进行智能化改造，构建车间级智能管控体系。通过人工智能技术优化自动导引车（AGV）路径、设备负荷与人员配置，降低等待时间；基于生产需求动态匹配能源供给，减少损耗；打通车间内各生产单元数据链路，实现联动响应，提升整体运营效率。

人工智能+工厂，改进生产资源调度。开发工厂级智能体，整合研发、生产、质量、能耗、物流和运营全链路数据，搭建工厂级智慧运营平台，实现生产计划、能耗优化等全局协同优化。部署智能巡检机器人、自动控制系统，减少不必要的人工干预，在适宜场景探索“黑灯工厂”。

人工智能+企业，创新经营管理手段。整合技术研发、生产经营等数据，依托企业云搭建企业级智能决策平台，打造设计智能体，形成“需求输入-方案生成-仿真迭代-最优输出”的研发闭环。建立智能风险防控系统，实现合规、资源统筹配置与运营效率提升。

人工智能+产业链，优化产业协同模式。产业链核心企业汇聚上下游数据，构建智能协同平台，部署供需匹配分析、供应链协同等产业级大模型，实现智能协同与风险联防，降低采购成本、缩短协同研发周期，实现产业资源高效联动。

2

工业AI最核心要求是可靠

在高速运转的生产线上，一个错误指令可能造成设备损坏、生产停顿甚至安全风险。尤其在流程工业、精密加工等领域，控制系统往往要求毫秒级响应和高度确定性。因此，工业AI不是把一个通用大模型直接搬进工厂。

更现实的路径，是发挥大模型在理解、推理和规划方面的优势，同时发挥专业小模型在实时控制和精准执行方面的能力，形成“大模型指挥、小模型执行”的协同体系。人工智能可以越来越聪明，但进入制造现场的前提，首先是可信、可靠、可控。

推进“人工智能+制造”扎根于企业、服务于场景，需多方位系统配合、持续精进。

一是发展智能装备。兼顾存量迭代与体系革新，推进存量老旧设备“唤醒”与升级，加装智能传感器、边缘AI网关和智能控制器；突破多模态感知融合、高精度运动控制等核心技术；布局具身智能与新型机器人，推动人形机器人在复杂装配、危险巡检等场景的先导应用。

二是夯实数智基础设施。发展新型工业网络，构建“端-边-云”扁平化架构，综合运用工业5G、确定性网络等技术满足大带宽、低时延需求。打造边缘云、企业云、产业云“三云”协同的智算体系，实现算力分层协同调度。

三是加强要素互联互通。提升终端设备联网率，推动嵌入式AI发展。依托通用控制器或多协议网关，打通不同品牌设备间的“语言障碍”，实现“人机料法环测”全要素数据的有效采集与标准化接入。

四是建设工业高质量数据集。分类推进产业链主体数据、管理与供应链数据、生产设备与工艺数据建设，构建规范统一、机器可读的工业数据本体体系。打造可信数据空间，在“数据物理不出域、可用不可见”的前提下，打通数据集供需协同链路。

五是发展工业智能体应用。按照设备级、产线级、车间级、工厂级、企业级和生态级分层部署智能体，推动制造系统从“自动化”向“自主化”演进。依托龙头企业“出题”、产业生态“答题”，打造标杆场景和领航级智能工厂。

六是构筑坚实安全屏障。制定企业AI应用分类分级和安全评估制度，实施工控网与AI应用网分区隔离，部署工业安全大模型辅助威胁检测，建立训练数据全生命周期保护策略，确保工业AI应用“为人所用、为人所控”。

这些，共同指向工业AI的核心价值——不是“机器换人”，而是“智能赋能”，让劳动者在更安全、更可靠的环境中做出精准决策，在更高阶、更广阔的平台上提升自我，这也是“人工智能+制造”的真正意义所在。