【摘要】人工智能作為引領科技革命和產業變革的戰略性技術，正通過在制造業典型場景中的深度應用，助推中國制造業向生產智能化、管理數智化和服務創新化發展。同時需看到，人工智能技術賦能制造業數智化轉型過程中，仍面臨場景數據不優質、場景協同不充分、場景支撐不健全等挑戰，為此，政府和制造企業應協同發力，從提升數據可用性、強化協同合作和完善支撐保障等方面著手，推動人工智能技術與制造業深度融合，助力“中國智造”高質量發展。
【關鍵詞】人工智能 制造業 場景應用 數智化轉型 【中圖分類號】F42 【文獻標識碼】A
當前，人工智能（AI）成為賦能傳統制造業轉型升級，推動“中國制造”邁向“中國智造”的關鍵引擎和技術支撐。黨的二十屆三中全會通過的《中共中央關于進一步全面深化改革、推進中國式現代化的決定》提出：“加快推進新型工業化，培育壯大先進制造業集群，推動制造業高端化、智能化、綠色化發展。”①2025年《政府工作報告》強調，“持續推進‘人工智能+’行動，將數字技術與制造優勢、市場優勢更好結合起來”。②人工智能技術在制造業場景中的深度應用，可有效推進傳統制造業向生產智能化、管理數智化和服務創新化轉型。
人工智能技術在制造業典型場景中的深度應用
制造業場景是指制造企業或產業鏈創造價值的過程中，特定技術、流程或業務需求所對應的應用環境或情境，主要包括研發設計、生產制造、運維服務、經營管理、供應鏈管理及跨環節協同等典型場景。AI技術可以根據不同場景的獨特需求，精準地發揮監測與安全、感知與識別、分析與預測、協同與交互、決策與優化、學習與創新等多樣化的功能，驅動傳統制造業數智化轉型（如圖所示）。
研發設計場景應用。即采用AI技術、數智化仿真、模型驅動設計等數智技術和工具，開展產品樣品或服務樣例的設計和仿真，主要包含產品平臺化設計、產品協同測試驗證、產品工藝虛擬仿真等細分場景。在產品設計場景，基于生成式人工智能的創成式設計工具，通過模型驅動設計范式突破傳統工程路徑限制，在滿足工業參數與約束條件下，快速生成多模態產品結構方案。在驗證測試場景中，通過數字孿生技術構建的數字樣機，結合AI技術的機器學習能力，企業可在虛擬環境中對制造產品性能進行模擬和測試，快速定位潛在問題，降低中試成本。在工藝仿真場景中，AI技術和大數據算法能夠根據產品特征和生產要求，模擬產線運行和產品實際生產過程中的工藝參數，實現工藝過程快速設計優化。
生產制造場景應用。即借助AI技術、物聯網等數智技術和工具，將原材料、零部件、能源、信息等智能轉化為產品或服務，主要包含生產流程優化、質量智能檢測、安環監測與監管等細分場景。首先，采用深度強化學習算法構建動態流程優化模型，企業可對制造執行系統（MES）采集的時序數據進行特征挖掘與模式分析，識別生產中存在的潛在問題，提供改進建議，從而提高生產效率和產品質量。其次，AI技術基于卷積神經網絡（CNN）與遷移學習框架構建的視覺檢測系統，通過高分辨率工業相機與激光掃描儀的多模態數據融合，對生產線上的產品進行實時、高效的缺陷檢測和質量控制，提高了檢測效率和準確性。另外，通過AI、傳感器和物聯網技術，能夠實時監測生產設備的運行狀態、物料消耗等關鍵數據，動態感知危化品的泄露與處置、污染物的排放與處理等各類安環風險，形成覆蓋“感知—診斷—處置”全鏈路的智能安環監管體系。
運維服務場景應用。即通過互聯網和數智服務等，實現工業設備健康管理、產品售后跟蹤與服務，主要包含設備在線監測維護、產品運維及后市場服務等細分場景。一方面，通過AI和物聯網技術，企業可以實時采集、呈現和分析生產設備溫度、壓力、振動等參數的運行數據，提前預測預警生產設備潛在故障。如某車企在其沖壓產線上部署智能預測性維護系統，利用物聯網和AI技術，對壓機設備進行狀態監測和故障隱患預測，提升故障預警準確率并降低平均維護響應時間。另一方面，基于知識圖譜與強化學習構建的產品服務化平臺，通過需求語義解析與服務鏈智能重組技術，持續優化用戶體驗，探索產品服務化、工程服務化和知識服務化等創新服務模式，制造業企業可以實現從設備全生命周期管理到增值服務延伸的范式躍遷。
經營管理場景應用。即憑借數智工具和管理系統，實現對企業經營過程中的人員、財務及營銷等的智能化管理。在人員智能化管理中，通過對企業的人力資源狀態及業務需求進行分析，基于自然語言處理（NLP）的智能招聘系統構建崗位勝任力圖譜，與人力資源數字孿生模型，可實現人才特征向量與崗位需求矩陣的智能匹配。基于AI算法構建的績效評估模型能對員工的績效進行客觀評估，提供個性化的激勵方案。在財務智能化管理中，AI技術能結合企業的實際財務數據，依托多模態財務知識圖譜構建智能分析系統，自動生成包含關鍵財務指標的定制化分析報告，并通過分析歷史數據和市場趨勢，提高財務預測的準確性，為管理層提供準確及時的決策支持。在營銷智能化管理中，基于客戶全息畫像的深度強化學習算法，通過整合消費行為時序數據與社交媒體情感分析，不僅可以構建精準的客戶畫像，實現個性化營銷策略，而且可以模擬和預測市場銷售趨勢，合理制定排產計劃和營銷計劃。
供應鏈管理場景應用。即利用AI技術和企業資源計劃（ERP）、供應鏈管理（SCM）、客戶關系管理（CRM）等系統，實現從原材料采購到產品質量追溯全流程智能化管理，主要包含供應商管理、無人倉儲及智能物流、供應鏈產品質量追溯、供應鏈斷鏈預測預警等細分場景。首先，AI技術基于多模態數據融合的決策支持系統，通過構建供應商能力評估指標體系（可涵蓋交付準時率、質量合格率、成本彈性系數等多項關鍵指標），實現供應商動態分級管理，幫助企業選擇和匹配表現更佳的供應商。其次，依托深度強化學習框架構建的智能調度系統，通過3D云建模與路徑規劃算法的協同優化，AI技術不僅可以實現貨物的自動存儲和檢索，減少人工操作，提高倉儲效率，而且能實時監控物流狀態，降低運輸成本并提高運輸效率。再次，AI和區塊鏈技術打通了從原材料到制造加工、再到供應鏈運輸的數據，通過智能合約實現原材料批次數據、工藝參數與物流信息等的不可篡改記錄，以保障產品的合規性、質量可控性和安全性，實現實時共享與透明。此外，AI技術基于供應鏈韌性評估模型，通過融合供應商財務健康度指數、產能波動系數與市場風險溢價參數，可提前預測斷鏈風險，構建“數據感知—風險量化—策略生成”的智能供應鏈治理范式。
跨環節協同場景應用。即應用數據集成、模型貫通等方式，聯通企業不同業務和管理環節，實現企業不同業務和管理場景的跨環節協同優化，主要包含基于模型的系統工程（Model-Based Systems Engineering，MBSE）的產品全生命周期管理、基于從消費者到生產者（Customer to Manufacturer，C2M）的定制化生產等細分場景。一方面，AI技術基于MBSE構建虛擬模型，支持各類產品模型在需求、設計、分析、驗證等全場景貫通，實現需求定義、功能邏輯、物理架構等多層級模型的語義貫通，完成基于全生命周期數據和模型集成融合的智能決策。另一方面，依托深度強化學習算法構建的C2M協同優化系統，通過智能排產調度引擎與客戶需求預測模型的動態耦合，形成“需求感知—產能配置—工藝適配”的閉環決策鏈，在精準識別客戶需求的基礎上，實時調度生產節拍和流程，確保生產任務與客戶需求的動態匹配，靈活應對不同客戶的定制化需求。
人工智能助推我國制造業向生產智能化、管理數智化、服務創新化轉型
目前，AI技術正以多元化的功能形態深度融入制造業各關鍵場景中，助力我國制造業向生產智能化、管理數智化和服務創新化轉型發展，推動制造業增品種、提品質、創品牌，打造名品精品、經典產業。③
人工智能技術助推制造業向生產智能化方向發展。生產智能化指制造業通過AI技術的感知與識別、分析與預測、監測與安全及決策與優化等功能，在研發設計和生產制造等場景減少人工干預，提升效率與質量，實現生產過程的自動化、柔性化和自適應優化。制造業企業將工業機器人與新興的AI大模型技術融合，可以形成智能工業機器人，該智能體能夠在復雜特定的場景中更加自主、靈活地執行任務，并具備一定的運動規劃、運動控制和人機交互的能力，顯著提升制造業的自動化水平。同時，AI技術賦予制造業生產線快速響應市場需求的能力，通過分析訂單數據，AI技術可動態調整產線配置，如更換模具或切換工藝參數，從而優化設備利用率，支持多品種、小批量的柔性生產。此外，AI技術不僅通過實時數據分析與反饋機制采集設備狀態、環境溫濕度等數據，預測設備故障并提前維護，而且還能在復雜工況下自主尋找最優策略，顯著提升資源利用效率，實現生產過程的自適應優化。
人工智能技術助推制造業向管理數智化方向發展。管理數智化指制造業利用AI技術的分析與預測、協同與交互及決策與優化等功能，在經營管理和供應鏈管理場景重構企業管理體系，實現數據驅動的管理透明化、決策實時化和職能協同化。一則，AI技術通過整合工業物聯網、大數據平臺與云計算技術，在工廠設備上加裝傳感器實時采集生產、能耗、質量等數據，AI算法清洗整合后生成可視化看板，并基于區塊鏈記錄不可篡改的生產日志，在一定程度上打破了傳統制造業操作的“黑箱”，使管理者可透視車間狀態、工藝瓶頸及資源消耗。二則，AI技術能夠及時處理和分析大量數據，其驅動的知識圖譜、自然語言處理等技術能夠收集和整理各個場景的數據，提升跨場景數據關聯響應速度，幫助企業構建涵蓋全鏈條、全場景的信息化管理體系，提高了企業的決策效率和準確性，實現數據的無縫對接與決策實時化。三則，AI技術通過數據驅動的智能系統，有力地緩解了各職能部門間的“數據孤島”問題，幫助制造業企業能夠提前識別潛在問題并協調各部門及時應對，降低了部門溝通成本與生產延誤，實現研發、生產、營銷等職能的緊密協同，從而提升企業整體運營效率和協同速度。
人工智能技術助推制造業向服務創新化方向發展。服務創新化指制造業借助AI技術的分析與預測、協同與交互及學習與創新等功能，從“產品主導”向“產品+服務主導”的商業模式轉型，實現服務效率化和服務增值化，推動“全生命周期服務”的價值躍遷。一方面，AI技術通過重構制造業服務鏈路，系統性提升服務效率：如基于設備運行數據的機器學習模型，可以提前識別客戶維保需求，使服務響應周期從“故障后救援”轉向“預測性干預”，效率得以大幅提升。自然語言處理（NLP）系統與工業知識圖譜結合，將專家經驗轉化為可復用的智能診斷系統，形成服務能力的指數級進化。另一方面，AI技術打破工業知識圖譜的行業壁壘，催生“制造+金融”“設備+產能租賃”等跨界融合服務生態；提煉轉化生產過程數據為工藝優化、能效管理等知識服務產品，構建第二增長曲線；封裝行業Know-how為智能決策模塊，向產業鏈輸出標準化工業大腦服務等，AI技術使制造服務從成本中心進化為利潤引擎，推動制造業向服務熵增的新生態演進。
人工智能技術在制造業場景應用中面臨的挑戰
截至2024年4月18日，我國已培育421家國家級智能制造示范工廠④，從專利數量、運營成本降幅、生產效率提升、維護成本降幅、綜合成本降幅、產量增幅等制造業主要經營指標看，智能制造企業都表現出明顯優勢。但也需看到，AI技術應用于制造業場景尚存在場景數據不優質、場景協同不充分、場景支撐不健全等問題，影響我國制造業的數智化轉型。
場景數據不優質。當前制造業不同場景之間存在數據不統一、不完整、不準確、不標準等問題，導致其難以被有效整合和利用，限制了AI模型的訓練數據量和學習效果，影響模型對復雜問題的理解、泛化能力。在研發設計場景，制造業需要大量高質量數據進行模型訓練和驗證，而研發設計場景涉及的多種數據，分散在不同的部門和系統中，且格式各異，如文本、圖像、表格等，導致數據難以被整合和利用，使AI模型的訓練數據量受限，難以充分學習和理解復雜的研發設計問題，影響模型的性能和泛化能力。制造業生產制造場景涉及多個工序和環節，不同產品的生產流程差異較大，且生產過程中可能會受到多種因素的影響，如設備故障、原材料質量波動、人員操作失誤等，導致獲取的數據存在不完整、不準確等問題，影響AI模型的訓練效果和可靠性。在運維服務場景中，制造業設備多樣，不同品牌、型號設備的運行數據差異大，單一模型難以通用，設備故障可能存在小樣本和低頻問題，導致模型無法充分學習到設備在各種工況下的運行特征和故障模式，使其對故障的識別和預測能力受限，泛化能力不足，難以適應復雜多變的運維場景。
場景協同不充分。目前制造業企業內部存在系統不一致、數據分散和缺乏協調機制等問題，且由于行業標準缺失，導致供應鏈上下游數據整合難、協同成本高，進而影響了AI技術的應用效果。如經營管理場景通常涉及多個部門，各部門可能使用不同的信息系統，數據格式和標準不一致，如財務部門使用專業的財務軟件，其數據格式以結構化的財務報表為主，而銷售部門則使用客戶關系管理系統，數據多為非結構化的客戶交互信息，這種異構性導致數據難以被整合和利用；企業內部缺乏跨部門的協調機制和流程，各部門在目標和利益上存在差異，導致在AI技術應用過程中難以形成合力，無法充分發揮其協同優勢。如供應鏈管理場景涉及多個環節和不同參與者，數據分散在不同的主體和地域，如原材料的數據集中在生產地，供應鏈上下游數據掌握在各企業內部，而銷售終端的數據則可能分布在全球各地的客戶手中，數據的分散性導致其難以被共享和整合。如跨環節協同場景因行業標準和數據標準的缺失，研發、生產、物流等場景的技術差異帶來數據格式、通信協議差異巨大等問題，阻礙了數據貫通，導致人工智能協同開發成本增加，降低了不同場景的協同度。
場景支撐不健全。這主要反映制造業企業在組織架構、管理制度及人才短缺等方面的問題。一是制造業企業傳統層級式垂直化組織結構尚未充分適配AI技術應用的需求，致使數據和信息傳遞與決策過程延遲和失真，實際應用效果大打折扣，AI技術的應用難以有效落實。二是目前不少制造業企業的管理制度過于剛性，難以適應快速變化的技術環境和業務需求，如企業的績效考核機制不能夠評估AI技術帶來的無形價值，缺乏對新技術的包容和適應。三是企業中人員的數智素養和復合型人才匱乏，員工習慣于傳統的生產方式和工作流程，對AI技術的理解和應用能力不足。企業中既懂AI技術又掌握制造工藝且擅于管理的跨界人才相對缺乏。人力資源和社會保障部2020年發布的《新職業——人工智能工程技術人員就業景氣現狀分析報告》指出，根據測算，我國人工智能人才目前缺口超過500萬，國內的供求比例為1:10，供需比例嚴重失衡。⑤人才短缺制約AI技術在企業中的推廣和應用。
搭建人工智能賦能“中國智造”的良性生態體系
提升數據可用性，筑牢人工智能技術應用根基。數據是AI技術在制造業場景廣泛應用的核心要素和底層邏輯，其數量與質量直接影響AI技術應用的成效。國家層面需主導制定制造業場景數據采集、存儲、利用、交換的行業標準，提高數據質量和可用性，加快形成工業領域統一的AI數據格式規范和具體行業標準，促使制造業與關聯產業達成數據資產的交易，確保制造業數據能夠實現高質量共享和整合。制造業企業層面，加強場景數據治理是關鍵，這不僅包括規范場景數據記錄和更新流程，還包括推動企業間、部門間的數據整合與共享，如引入工業互聯網平臺及建立企業級數據倉庫，實現多系統場景數據集成，為AI技術應用提供高質量的數據資源。此外，人工智能技術提供商應針對制造業細分場景，開發低代碼、高泛化能力的AI技術組件和模塊，降低技術門檻，使更多企業受益。提供數據清洗、標注、存儲、脫敏服務，進一步提升數據有效性和可用性，為AI技術在制造業場景的深入應用奠定堅實基礎。
強化協同合作，發揮人工智能技術聯動效能。高效協同是制造業利用AI技術實現跨部門、跨地區、跨行業聯動效能的關鍵所在。從國家層面來看，需構建多主體協同創新體系，引導政產學研聯合攻關行業級通用人工智能模型，統籌建設標準化工業數據生態系統，打破供應鏈上下游企業之間的“數據圍墻”。同步完善數據治理安全相關法律法規，建立分級分類數據共享機制，以制度創新保障參與主體的合法權益，降低數據安全風險，夯實協同信任基礎。對于制造業企業而言，構建全域數據融合架構是基礎，對內通過應用程序編程接口（API）標準化與中間件技術實現跨部門數據互聯，對外形成產學研用協同創新網絡，聯合數據服務商、科研機構及產業鏈伙伴，開展場景驅動的AI聯合建模與算法優化。同時，人工智能技術提供商應研發支持分布式協同的智能決策系統，重點突破異構系統間的無縫對接技術，開發基于知識圖譜的行業智能中樞平臺，構建覆蓋全供應鏈、全生命周期、全場景的協同分析框架，實現制造資源動態配置優化與智能決策支持，全面提升制造業協同效率與智能化水平。
完善支撐保障，護航人工智能技術應用進程。健全的支撐體系，是保障AI技術與制造業場景深度融合并發揮最大效能的基礎所在。從政府層面而言，一方面，國家亟需完善AI技術治理框架，重點構建包含科技倫理準則、算法透明度規范、全周期監管機制的三維治理體系，為AI技術應用劃定安全邊界；另一方面，鑒于我國制造業對AI和復合型人才的需求呈現出數量增加和質量提升的雙重趨勢，政府需推動“人工智能+”學科交叉教育，尤其注重新工科背景下交叉學科復合型人才培養，以提升人才的數智化素養。制造業企業自身則需建立適應AI技術的組織架構和管理制度，統籌技術應用和管理，例如設立專門的數智化轉型部門或崗位，負責推動企業內部的數智化變革和AI技術的應用實施。同時，企業應加強人才培養和引進力度，構建涵蓋在職培訓、崗位輪換、績效考核三位一體的人才發展系統，促進從業人員數智技術和知識結構的升級。此外，人工智能技術提供商應與制造業企業合作，根據制造業的具體需求和業務特點，搭建學習平臺，為制造業從業員工提供豐富的AI學習資源和培訓課程，涵蓋AI基礎理論、算法模型、編程語言、工具使用以及行業應用案例等，幫助其能夠將AI技術應用于實際工作中。
（吉林大學商學與管理學院碩士研究生張思懿、馬周對此文亦有貢獻）
【注：本文系國家社會科學基金重大項目“我國制造業數智化轉型與國際競爭力提升研究”（項目編號：22&ZD101）階段性成果】
【注釋】
①《中共中央關于進一步全面深化改革 推進中國式現代化的決定》，《人民日報》，2024年7月22日。
②李強：《政府工作報告——2025年3月5日在第十四屆全國人民代表大會第三次會議上》，《人民日報》，2025年3月13日。
③《最全！50個動態場景看2025<政府工作報告>全文》，中國政府網，2025年3月13日。
④《工信部副部長單忠德：已培育421家國家級智能制造示范工廠 三方面推進人工智能與制造業深度融合》，中國工業新聞網，2024年4月18日。
⑤《新職業——人工智能工程技術人員就業景氣現狀分析報告》，中華人民共和國人力資源和社會保障部網站，2020年4月30日。
責編/陳楠 美編/王夢雅
聲明：本文為人民論壇雜志社原創內容，任何單位或個人轉載請回復本微信號獲得授權，轉載時務必標明來源及作者，否則追究法律責任。
