【数字安徽新世纪】工信部定调！“人工智能+制造”主战场启动，制造业面临“再定义”

5G网络对工业生产进行智能化升级，推动制造业数字化转型。 #生活知识# #生活感悟# #科技生活变迁# #5G技术影响#

2025年6月，工信部在审议《工业和信息化部信息化和工业化融合2025年工作要点》时，明确提出要实施“人工智能+制造”行动，加快重点行业智能升级，打造智能制造“升级版”。

这一表态不仅释放出国家层面对“人工智能+制造”深度融合的高度重视，也为制造业在新一轮技术革命中指明了方向。

意味着，AI浪潮下，制造业正面临深层次的结构性挑战与转型压力，站在“再定义”的门槛上。

一方面，全球产业链加速重构、劳动力结构性短缺、质量与效率的双重压力日益显现；另一方面，人工智能正以前所未有的速度，渗透至从研发、生产到供应链的各个环节，成为驱动制造业高质量发展的新变量。

在这样的背景下，制造业不再是AI应用的跟随者，而是其落地的主战场和主引擎。

然而，人工智能赋能制造，并不仅仅是为了提升效率、降低成本，它更深刻地作用于制造系统的逻辑结构、组织方式与治理能力，推动制造业从流程驱动向数据驱动、从自动化向智能化、从人控系统向人机协同演进。

因此，AI技术的嵌入，正开启一场对制造业的“再定义”。

PART.1

“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+制造”深度融合的推进，制造系统的底层架构正在发生一场静悄悄却深刻的重构。

传统制造体系长期沿用“感知-控制-执行-运营-决策”分明的层级型架构：传感器采集数据，上传至控制系统，指令驱动执行单元，自动化系统进行过程管理，决策层基于周期性数据分析进行计划与调整。

这种自上而下、中心控制的线性架构曾支撑了大规模、标准化的工业化生产，但在当下愈加复杂、动态、多变的制造环境中，其局限性日益凸显。

今天，制造业正从层级式架构向平台化、一体化、去中心化的系统重构迈进。感知、控制、执行、运营与决策不再是彼此割裂的系统，而是在统一的技术平台上协同运行、实时互动、智能闭环。

在这个架构中，人工智能的能力不再是简单地插入某一环节，而是深度嵌入整个制造网络的神经中枢，成为系统智能的支撑。

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”

制造的第一步，始于感知。随着AI视频分析、智能传感器、工业物联网的发展，制造现场的“眼睛”变得更加敏锐，也更具洞察力。

AI赋能的视频分析系统，能够自动识别生产异常、故障预警、物品状态变化，补足了传统规则算法的局限性。在数据采集端，传感器不仅采集数据，更通过边缘AI实现初步分析与事件触发，为后续控制与执行提供实时依据。感知层的强化，是AI向制造系统全面介入的起点。

2. 控制迭代：从“规则控制”到“智能生成”

控制系统的智能化，正在重写工业控制的逻辑。以软件定义自动化（SDA）为代表的新一代工业控制系统，打破了传统控制系统中硬件与编程绑定的封闭结构，构建起开放、模块化、可重构的控制平台。

在此基础上，AI助手工具的引入，让PLC编程不再是工程师独自完成的任务。通过自然语言描述控制目标，AI可自动生成控制逻辑、流程图、语义注释，甚至进行调试与验证，实现从人写代码到人机共写的跃迁，提升控制系统的开发效率与迭代能力。

3. 执行迭代：从“自动化”到“智能协同体”

制造执行层也正在发生变化。AI与工业机器人深度融合，推动形成具备感知、判断、执行能力的“工业智能体”。

AI驱动下的机器人不仅能完成重复性操作，还可实现自适应路径规划、实时视觉识别与多机协同调度。通过数字孪生与仿真平台，机器人在部署前可在虚拟环境中完成训练与验证，极大压缩上线周期。从此，制造的“手脚”不再只是执行指令，而是具备判断力的智能执行体。

4. 运营迭代：从“记录管理”到“预测优化”

制造过程管理系统也因AI的引入而全面重构。人工智能正加速集成于MES、设备管理系统等生产过程核心平台，成为制造优化的智能引擎。

AI可对设备运行数据进行建模，提前识别潜在故障，实现预测性维护；通过实时数据流分析，优化OEE表现；在质量管理中，借助AI识别缺陷模式与根因，提升产品的一致性与合规性。制造过程管理正在从反应式控制迈向预测式运营，实现进程级、数据驱动的智能优化。

5. 决策迭代：从“周期滞后分析”到“实时智能决策”

制造企业的决策也正迎来智能化转型。AI将逐渐具备辅助排产、库存模拟、质量预测等高复杂度决策任务的能力。

借助AI模型，企业可以进行情景模拟，快速评估不同排产策略的资源占用与交付可能性；结合历史与实时数据，AI可预测质量波动趋势，提前调整工艺参数；在库存管理中，AI可动态推荐补货策略，提升库存周转效率。制造决策从滞后响应迈向前瞻洞察，成为企业敏捷性与韧性的关键支撑。

在这五次跃迁中，我们看到，人工智能不再是外置的工具，而是制造系统内部的智能因子。它跨越传统边界，融入每一层级、每一节点，推动制造系统从分层控制走向智能协同，从局部优化走向系统智能。

这场系统性重构，正是“人工智能+制造”的内涵所在。

PART.2

“人工智能+”时代的制造组织：需要什么样的系统能力？

在制造业数字化转型的浪潮中，一个共识正在形成：真正阻碍行业进步的并非技术本身，而是掌握技术的人。据麦肯锡调研，超过70%的数字化转型项目未能达到预期目标，主要原因有三点，第一是企业平均拥有的应用系统过多，但集成和数据流通受阻；第二是传统自动化流程无法适应业务变化，维护成本高；第三点就是显著的数字化人才短缺。

国家工信安全中心发布的白皮书显示，中国2020年的人工智能人才缺口就已经达到了30万人，智能制造领域今年的缺口将攀升到500万人。

智能制造需要更多人，而不是更少人。

这意味着，AI的广泛应用，并未带来裁员潮，反而催生了对新型技能与复合型人才的强烈需求。

过去，AI更多被视为一种工具：用于辅助检测、分析数据、生成报表。而如今，随着AI模型在预测性维护、质量控制、排产调度等环节的渗透，它正逐步从辅助判断者演化为参与决策者。

这种演化不仅改变了技术角色，也重塑了组织结构。制造企业正在从“以人决策、AI协助”的单向关系，转向“人机共决策”的双向协同模式。AI不再是后台工具，而是嵌入业务流程、参与流程演化、触发流程再造的智能要素。

这也意味着，企业对人才的要求正在发生质变：不仅需要懂AI的工程师，也需要懂制造的AI人才。具备跨界能力、系统思维与业务理解力的AI通才型人才，将成为组织智能化转型的关键支撑。

但制造业的复合型人才并非简单的技术堆砌，而是需要贯通工业工程、运营技术、AI等信息技术，这类人才既需要理解生产流程中的工艺痛点，又要能将AI算法、工业大数据转化为车间中切实可行的降本增效方案，时下来看是不可多得的。

虽然中大型企业都在自研数字化人才培养体系，但内部造血的模式存在明显局限：一是周期长，从学习到业务融合至少需要两三年沉淀；二是培养成本高；三是流失风险，制造业的数字化人才可能会流向互联网等高溢价行业。

叠加因素的“困境”在产业链协同中被进一步放大。上游供应商的数字化地基浅，下游企业就难以构建全链条智能模型。人才短缺如同多米诺骨牌，正在拖慢整个制造业的智能化进程。

而更深层的矛盾还在于培养机制。传统教育体系下，工科生缺乏数据思维训练，AI+人才又对产线和工程实践认知模糊，高校教育和企业需求之间存在“断崖”。今天的“AI+制造业”人才培养梯队和体系，几乎是一片无人区。

例子

AI赋能智能工厂再升级

广州市番禺区的广汽埃安智能生态工厂总装车间，AI元素“无处不在”。600余台机器人不停挥舞手臂，精准地定位、抓取并拼装各个模块，仅用数秒就能完成玻璃、座椅、轮胎等零部件安装；随处可见的无人化智能移动机器人往来穿梭，实现10公斤以上零部件100%全自动搭载；3D视觉跟踪技术代替人工肉眼，实现纳米级精准控制。

在宝武钢铁集团热轧生产线，一块钢坯制成钢板需要经过20道工序、涉及300多个参数。过去，工程师调整生产钢板的种类和尺寸需要耗费5天时间，如今，大模型能对最优参数进行预测，显著降低调整时间，提高预测精度和钢板成材率。

在福建东龙针纺有限公司纺织车间，“AI质检员”已逐渐代替人工质检。5G+经编花边瑕疵AI视觉识别检测系统应用以来，织机面料实现了在线100%全检，平均检出率达95%以上，远高于人工检测水平，整体效率提升2～3倍，企业人工成本每年节约200多万元。

在施耐德电气无锡工厂，基于AI技术的热处理数字仿真系统，能够通过算法优化，使单台设备能耗降低25%，氮气消耗减少36%；同时，利用暖通空调的AI动态调控系统结合数字孪生技术，实现单位产品组用水量下降56%。

如今，像这样的AI超级工厂已在全国各地“遍地开花”。可以看到，“AI+制造”正在重塑制造业的生产模式，其影响不仅体现在生产效率的提升，更推动着制造业加速向智能化、柔性化和绿色化方向转型。

工业和信息化部发布的数据显示，当前我国智能工厂梯度培育提质增效，全国已建成3万余家基础级智能工厂、1200余家先进级智能工厂、230余家卓越级智能工厂。这些类型的智能工厂覆盖超过80%的制造业行业大类，工厂产品研发周期平均缩短28.4%，生产效率平均提升22.3%。

从“标准化生产”到“个性化定制”，从“劳动密集”到“算法密集”，AI超级工厂的背后是制造业底层逻辑的变革。相较于一般的自动化产线，在这里，工业机械臂进化为更灵活、更智慧的具身智能，传统语言模型升级为可自主分析、辅助决策的大模型，仿真技术融合物联网、大数据和5G-A等技术，形成实时交互的数字孪生系统……这些技术的协同创新，持续推动制造业向更高阶的智能化跃迁。

PART.3

数据与模型：极难驾驭的“人工智能+制造”双引擎

AI的引擎，只有在“数据”和“模型”同时高效运转时，才可能真正驱动智能制造系统的持续演进。

然而，在“人工智能+制造”的落地实践中，企业往往陷入一个认知误区：认为只要部署了AI算法，接入了工业数据，就能自动获得智能的决策与优化结果。但现实是，许多制造企业在AI项目中“试点成功、复制失败”，其根源恰恰在于数据与模型这两个核心引擎未能真正启转。

1. 数据挑战：制造企业拥有“最多的数据”，却也是“最难用的数据”2. 模型挑战：工业智能，不能靠“通用大模型”一蹴而就

很多人以为，AI项目的关键是“找一个更强的模型”——ResNet、YOLO、DeepSeek、GPT-4o……一选定模型，剩下的就是部署。但实际上，在制造场景里，算法的作用仅占整体效果的不到30%。剩下的70%，在于：

数据是否真实反映现场？

语义是否符合工艺理解？

输出是否对一线有价值？

是否能融入现有系统和节奏？

AI不是工具工程，而是系统工程。没有“对的场景”和“真实需求”，再强的算法也只会空转。

误区一：AI是通用的，拿来即用就能降本增效

有的工厂认为：GPT 很强，视觉识别很准，我们只要“接入一个大模型”就能搞定智能化。但事实是——AI需要行业化、语境化、场景化训练。比如：“掉棒”是烟支？还是滤棒？是机台异常？还是投料问题？这些词汇在通用语料中根本不存在。离开行业知识，AI就成了不会说方言的聪明人。它或许语言通顺，却无法理解现场真正的问题。

误区二：AI是替代人，只要模型好，就不需要培训工人了

这种观点看似“效率导向”，实则忽略了制造的本质。制造是人与系统的协同过程。一线员工拥有大量“弱结构化经验”，这些经验正是模型无法即时替代的关键资源。真正的智能化是：

让AI记录经验、辅助判断

让人保留决策权、掌控节奏

不是“人下岗”，而是“人上升”。

误区三：AI只要看得见缺陷，就能自动做决策

有企业误以为：“有视觉检测系统了，瑕疵就能处理。”但真正有用的，不是“发现瑕疵”，而是“发现根因”、“提供建议”、“避免再犯”。AI系统必须要具备跨数据分析、工艺理解、历史演化判断的能力，而不是一个“自动截图报警系统”。发现是开始，反馈和建议才是智能。

PART.4

写在最后

根据最新调研，95%的制造企业将在未来五年内投资人工智能。这不仅是一项技术投入，更是一场深层次的系统性重构。可以说，人工智能正成为制造业第二增长曲线的起点，重塑企业的生产逻辑、组织结构与竞争方式。

未来，制造企业的核心能力将不再是制造产品，而是构建一个能自主感知、持续优化、智能协同的系统。这场转型的关键，不在于是否应用AI，而在于能否以AI为引擎，重构一个真正面向未来的制造体系。

江苏金旺智能

江苏金旺智能科技有限公司是一家专业从事农化制剂装备链数智工厂（智能加工、智能包装、智能仓储、数据集基地、数字空间平台）的研发、制造、销售、服务于一体的智能装备制造服务型互联网平台、可信数据空间示范公司。

公司注册资金2222万，占地面积100亩，各类专业技术人员超300人。金旺智能目前已经获得国家高新技术企业、两化融合企业、专精特新小巨人企业、数字化转型示范企业、大模型场景案例企业、全国优秀CIO企业，江苏省农化包装机械工程技术研究中心，江苏省企业技术中心、江苏省著名商标、江苏省服务型制造示范企业、常州市市长质量奖等荣誉和称号。

金旺智能近20年来一直专注于农化行业数智化发展，通过多年的努力，已与安徽众邦生物、安徽华星、安徽尚禾沃达、上海生农、广西田园、河北威远、山东侨昌、四川沃野、富美实、清源农冠等国内企业达成战略合作关系。

首席数据官（CDO）及

数字化转型Q&A

1、数字化转型是什么？

T/AIITRE 10001《数字化转型 参考架构》将数字化转型定义为：“数字化转型是深化应用新一代信息技术，激发数据要素创新驱动潜能，建设提升数字时代生存和发展的新型能力，加速业务优化、创新与重构，创造、传递并获取新价值，实现转型升级和创新发展的过程”。

2、首席数据官是什么？

首席数据官（Chief Data Officer，简称CDO）是统筹管理数据资产、系统开展内外部数据开放共享和价值开发的首要负责人，是推动以数据为核心要素的创新转型、合法合规开辟价值增长新空间的关键领导角色。CDO制度是包括以CDO为首的数据人才队伍的岗位设置、职能职责体系、能力素质要求、选用育留机制等在内的整套制度体系，是一项复杂的系统性创新工程。企业推行CDO制度，有利于统筹推进数据全生命周期管理，挖掘数字资产价值，激活数据要素对于企业转型创新的驱动作用，保障规范健康运营，提升数字时代企业核心竞争力。

3、数字化转型能给企业带来哪些价值效益？

根据GB/T 23011《信息化和工业化融合 数字化转型 价值效益参考模型》，按照业务创新转型的方向和价值空间大小，数字化转型带来的价值可分为三个方面：生产运营优化、产品/服务创新和业态转变。

4、企业数字化转型的主要任务是什么？需要“转”什么？

围绕价值体系创新和重构，数字化转型主要包含五项重点任务，可概括为5个“转”，即“转战略”、“转能力”、“转技术”、“转管理”、“转业务”。

5、数字化转型成熟度等级怎么划分？

依据数字化转型成熟度模型，数字化转型可分为规范级、场景级、领域（企业）级、平台（产业链/供应链）级、生态级等五个螺旋式跃升的发展阶段，并按照转型的广度和深度将五个发展阶段细分为十个水平档次。

6、如何理解企业数字化转型中需要把握的价值导向、能力主线、数据驱动？

价值导向。企业本质上是一个创造、传递和获取价值的系统。数字经济时代，企业需要以价值为导向，通过数字化转型重构价值体系，促进业务、技术共同围绕价值开展协同工作和优化，拓展价值增量发展空间，满足高质量发展新要求。

能力主线。随着从工业经济时代向数字经济时代的演进，未来企业的核心能力将转变为数字能力，企业应将能力与资源、业务剥离，能力更动态、更柔性、更依赖数据和知识的更新，更加能够支持业务模式和业态创新。

数据驱动。数字经济时代，响应不确定性需求形成的动态、开放组织生态以及相关的个人或团队是主要经济单元，数据成为资源汇聚的主导要素，经验技能（尤其是不确定性部分）的承载、传播和使用主要靠人工智能。

网址：【数字安徽新世纪】工信部定调！“人工智能+制造”主战场启动，制造业面临“再定义” https://www.yuejiaxmz.com/news/view/1096225

相关内容

人工智能，重新定义食品制造业
沙龙纪要｜孙惠民：数字化与未来人的主体性定位
打造新型数字生活：智能家居 智慧生活 安徽网信网
汽车零部件再制造试点工作正式启动
人工智能+机器人=制造业效率提升新机会？
智能节电系统值得推荐 创造辉煌「安徽碳工场新能源供应」
工业制造、可持续创新、情感智能——2025年米兰国际家具展迎接新挑战：构建面向未来的世界
“再制造”为制造服务业注入新动力
【礼森观点】国内外再制造产业发展状况及临港再制造园区情况
打造人与人工智能有机融合的数字原生银行

随便看看