人工智能正在加速重塑制造业

制造业是实体经济的重要基础，也是推动经济高质量发展的关键领域。当前，人工智能作为新一轮科技革命和产业变革的重要技术力量，正在从研发设计、生产制造延伸至质量检测、设备运维和供应链管理等多个环节。

坚持智能化、绿色化、融合化发展方向，推动人工智能与制造业深度结合，不仅能够提升生产效率和产品质量，也有助于增强产业链供应链的韧性，为制造业转型升级提供新的技术支撑。

近年来，我国人工智能产业发展基础持续夯实，制造业数字化转型不断深入，为“人工智能+制造”进一步扩大应用范围创造了条件。

技术积累与数字化基础不断增强

从技术层面看，我国人工智能核心技术能力持续提升。人工智能专利申请量近年来保持较快增长，在工业机器人、机器视觉、工艺参数优化、智能检测等智能制造相关领域，技术创新也较为活跃。

与此同时，大模型、机器视觉、自然语言处理、强化学习等技术快速迭代，工业大模型、边缘智能、数字孪生等面向制造场景的技术逐渐进入实际应用阶段。算力基础设施持续完善，超算中心、智算中心等加快建设，高质量数据集不断增加，为人工智能在工业生产中的应用提供了基础条件。

制造业自身的数字化水平也在不断提高。“智改数转网联”成为企业推进智能制造的重要抓手。相关报告显示，截至2025年底，全国规模以上工业企业开展数字化改造的比例达到89.6%，数字化设备普及率达到57.7%。

江苏、广东、浙江等制造业大省积极探索数字化转型路径，在平台化设计、个性化定制、网络化协同、服务化延伸等方面形成了一批实践模式。随着数字技术与生产流程进一步结合，企业在生产效率、成本控制和产品质量等方面获得新的改善空间。

应用场景加快拓展

技术进步和数字化基础的完善，也推动人工智能应用从单点探索向更多制造业场景延伸。

目前，人工智能已经在设备制造、汽车制造、计算机、通信及电子设备制造等领域加快应用。机器学习、计算机视觉、人机交互等技术与制造环节结合，为智能检测、设备管理、生产优化等提供了新的技术方案。

从创新主体来看，科研机构、高校和企业之间的合作更加紧密。大型科技企业和制造业龙头企业拥有较强的研发和应用能力，在人工智能相关专利和技术应用方面发挥着重要作用。同时，越来越多制造企业开始结合自身生产需求探索人工智能应用，使技术创新与实际产业场景形成更加紧密的联系。

深度融合仍需破解多方面难题

尽管“人工智能+制造”具备较好的发展基础，但从技术供给到产业应用，仍有一些环节需要进一步完善。

核心技术和关键零部件仍需突破

在芯片制造、工业操作系统、工业软件等基础领域，部分原创性技术能力仍有提升空间。高端工业传感器、精密伺服电机等关键零部件的自主供给能力也需要进一步增强。

此外，工业领域人工智能模型对专业数据的需求较高，但一些行业存在数据获取困难、训练数据不足以及数据标注成本较高等问题，这在一定程度上制约了相关模型的训练和应用。

科技成果与生产场景衔接不够顺畅

目前，不少制造企业主要通过自主研发推进人工智能应用，但企业人工智能专利储备与整体人工智能专利规模相比仍有较大提升空间。

与此同时，高校和科研院所拥有的一些基础性、前沿性技术成果，在进入企业生产线和具体应用场景时还需要经历技术验证、产品适配和商业化等环节。“从实验室走向生产线”的过程中，仍需要更加完善的转化机制。

大中小企业协同机制有待完善

大型企业在人工智能与制造业融合方面具有技术、资金和应用场景优势，但这些能力如何更有效地向产业链上下游中小企业延伸，仍需要探索更加成熟的机制。

如果能够进一步发挥产业链龙头企业的带动作用，让大企业与中小企业共享技术、平台和应用资源，将有助于推动人工智能创新成果在更大范围内扩散。

数据和复合型人才仍是重要制约因素

制造业人工智能应用离不开高质量数据。但部分传统行业仍存在数据来源分散、系统之间相互割裂、行业数据标准不统一等问题，数字化基础不足也会增加人工智能落地难度。

人才方面，既掌握人工智能技术，又熟悉工业生产流程的复合型人才仍然相对紧缺。高校专业设置、企业人才需求与产业实践之间还需要进一步衔接，产教融合和企业参与人才培养的机制也有待完善。

推动“人工智能+制造”从应用走向深度融合

面对技术和产业融合过程中存在的短板，需要进一步强化创新、应用、数据和人才等方面的协同支撑。

聚焦关键技术开展协同攻关

围绕工业AI芯片、工业操作系统、工业大模型、高端传感器等关键领域，进一步明确技术攻关方向，推动企业、高校和科研院所形成创新联合体。

同时，可以鼓励产业链上下游企业共同参与研发，让实际生产场景成为技术创新的重要驱动力，提高科研成果与产业需求之间的匹配度。

完善中试验证体系

针对人工智能科技成果从实验室进入生产线过程中存在的验证难题，可以面向先进制造业产业集群建设行业级中试验证平台，为技术成果提供测试、验证、适配和应用评估等服务。

对于具有较高技术风险但具备产业潜力的前沿项目，还可以探索相应的风险分担和容错机制，降低企业尝试新技术的成本和顾虑。

促进大中小企业协同创新

进一步发挥链主企业的带动作用，推动龙头企业向产业链上下游共享数字化解决方案、人工智能工具和研发资源。

针对中小企业数字化能力和资金投入能力相对有限的情况，可以发展更加轻量化、模块化、低成本的工业人工智能解决方案。同时，依托制造业产业集群建设共享服务平台，为中小企业使用人工智能提供基础设施和技术服务支持。

加强工业数据与人才体系建设

数据方面，应推进工业数据分类分级管理，完善数据确权、流转和收益分配等相关机制，在保障数据安全的基础上推动数据有序共享利用。

同时，加快建设行业高质量数据集和可信数据空间，探索“数据可用不可见”等应用模式，为人工智能训练和工业应用提供更加稳定的数据基础。

人才培养方面，可以进一步加强人工智能与传统工科专业的交叉融合，推动高校建设智能制造、工业人工智能等相关专业方向，将人工智能能力融入现有工科课程体系。通过校企共建产业学院、实训基地等方式，让人才培养更加贴近产业需求，同时加强在岗产业工人的人工智能技能培训。

让人工智能成为制造业升级的重要支撑

从技术突破到场景应用，从数字化改造到产业链协同，人工智能与制造业融合正在进入更加深入的发展阶段。

未来，随着核心技术能力不断增强、数据基础逐步完善以及应用场景持续丰富，“人工智能+制造”有望进一步渗透到研发、生产、管理和服务等环节。推动技术创新与产业需求更加紧密结合，将为制造业提质增效、产业结构升级和新动能培育提供持续支撑。