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”。
“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。
“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。
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。
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。
编 辑：高 洁
责 编：段少敏
审 核：李国庆
来 源：物联网智库