一、这一版“人工智能+制造”，和以前有什么不一样？

过去几年，制造业已经经历了几轮“数字化、智能化”浪潮：

• 从“上 MES、上 ERP”，到“搞工业互联网平台”；
• 从“设备联网采数据”，到“引入机器视觉和预测性维护”。

但这次工信部发布的《“人工智能+制造”专项行动实施意见》，可以看出一个明显升级：

不再只是“让制造更自动化”，而是要用人工智能，把制造业整体重构为一种新的“新质生产力”。

文件提出，到 2027 年要实现几个标志性结果：

• 3–5 个通用大模型在制造业深度应用；
• 形成特色化、全覆盖的行业大模型体系；
• 推出 1000 个高水平工业智能体；
• 打造 100 个工业领域高质量数据集；
• 推广 500 个典型应用场景；
• 选树 1000 家标杆企业，培育 2–3 家具全球影响力的生态主导型企业。

对制造业企业和服务商来说，这些数字背后的真实含义是：

国家层面已经把“工业大模型 + 工业智能体 + 行业数据集”视作新一代工业基础设施，谁先布局、谁做得深，谁在下一轮产业格局中就更有话语权。

二、政策的“三个底座”：算力、模型、“模数共振”

文件先把“底座”讲清楚，这部分往往被忽视，但恰恰决定了后续项目能不能跑起来。

1. 强化算力供给：不只是“买 GPU”，而是智算体系建设

关键动作包括：

• 支持高端训练芯片、端侧推理芯片、人工智能服务器、高速互联、智算云操作系统等关键技术突破；
• 建设全国一体化算力网监测调度平台，提升算力资源高效利用；
• 开展智算云服务试点，推动大模型一体机、边缘计算服务器、工业云算力部署。

这其实给制造业企业一个明确信号：

未来做“人工智能+制造”，不能只靠自建小型机房，而是要学会用工业云、算力网和边缘算力协同，把模型训练、推理部署和现场应用做成一个整体方案。

2. 开发高水平行业模型：从“通用大模型”走向“工业大模型”

政策要求：

• 支持模型训练和推理方法创新，开发适应制造业实时性、可靠性、安全性特点的高性能算法；
• 发展“云–边–端”模型体系，打造面向工业细分场景的小模型，鼓励大小模型协同；
• 推动模型轻量化部署，加快在工业场景落地应用；
• 建立模型评测基准体系和权威榜单，定期发布评测结果，引导技术迭代。

这意味着：

“能写诗、能聊天”的通用大模型只是起点，真正的重点是：
能理解工艺参数、设备状态、故障模式、排产逻辑的工业大模型，以及围绕特定场景的小模型与智能体。

3. “模数共振行动”：把“模型”和“数据”变成闭环

这是文件里非常重要但容易被忽略的一块：

• 推动建立企业首席数据官制度；
• 推进数据管理能力成熟度标准贯标，夯实数据治理基础；
• 梳理行业模型所需的数据资源清单，发布制造业高质量数据集建设指南；
• 用制造业数字化转型促进中心等载体，把基础数据转化为高质量行业数据集，实现“以模引数”；
• 指导企业加强数据工程能力建设，探索“数据协同、模型训练、应用开发、安全保障”一体化机制，实现“用数赋模”。

一句话：

不再只强调“有模型”，而是强调“模型要和数据体系一起设计”。
没有规范的数据治理和数据工程能力，工业大模型和工业智能体很难真正发挥价值。

三、五大方向的应用升级：把“AI”嵌入制造全流程

文件在“赋智升级”部分给出了清晰路径：重点行业、全流程、重点企业、重点区域、重点领域。

1. 重点行业：分类推进“人工智能+制造业”

配套的《人工智能赋能制造业重点行业转型指引》（附件1）对原材料、装备制造、消费品、电子信息、软件和信息技术服务五大板块做了细分。

例子非常具体：

• 钢铁：构建钢铁行业数据集和知识库，研发覆盖全流程的动态模型和智能体，实现工艺参数自适应优化、产品性能预报、缺陷溯源等；
• 石化化工：用大模型+数字孪生突破油气勘探、新材料研发，做设备预测性维护、工艺自适应优化；
• 新材料：建设新材料大数据中心，做“成分–结构–性能”反向设计，提升高通量自动化实验能力；
• 工业母机：让数控系统具备“实时感知–自主学习–智能决策–闭环执行”的能力，实现柔性作业；
• 汽车：用汽车大模型做造型和结构仿真优化，全流程质量控制与预测性维护；
• 船舶、航空航天：用仿真平台和工业决策智能体重构设计与制造体系。

可以看到一个清晰趋势：

在每一个细分行业，政策都在鼓励：
先构建 数据基础 → 再做 行业大模型与智能体 → 再落地 具体场景解决方案。

2. 全流程：从研发到运营，系统性嵌入 AI

文件按五大环节拆解：

• 研发设计环节

• 智能辅助设计、代码辅助编写、药物研发。
• 强调研发数据集建设和开源共享，建立 AI 预测结果评估体系。

• 中试验证环节

• 虚拟仿真、多模态融合，在中试环节实现全面感知、实时分析、科学决策、精准执行。

• 生产制造环节

• 工艺优化、排产调度、核心流程控制智能化。
• 推广机器视觉、无人智能巡检、预测性维护，提升故障识别和风险预警能力。

• 营销服务环节

• 智能客服、数字人、三维商品模型、个性化推荐、定制化售后、服务化延伸。

• 运营管理环节

• 用大模型做订单处理、销量预测、库存预警、供应链优化；
• 在战略、人力资源、财务、风险管理中嵌入 AI 分析与生成能力。

整体逻辑很清楚：

不把 AI 看作“某一个环节的小工具”，而是鼓励企业按全流程重新设计自己的生产和经营体系，让“模型 + 数据 +智能体”在所有关键链路上都有角色。

3. 重点企业与重点区域：谁先试、怎么推广

文件特别点名：

• 对龙头企业、央国企：鼓励先行先试，大规模提供应用场景，研发工业智能体，探索新模式；
• 对中小企业：实施数字化赋能专项行动，支持开展数字化、智能化改造，加快复制推广；
• 对重点区域：依托国家自主创新示范区、高新区、经开区、先进制造业集群等，建设“人工智能+制造”应用场景，打造创新高地。

这对服务商和平台企业来说，意味着两个市场策略：

• 把产品和方案优先做成“龙头企业示范项目”；
• 同时准备好可复制的“中小企业轻量化解决方案”。

四、智能装备与智能终端：智能体从“软件”走向“硬件”

文件第四部分“产品突破”，其实是在回答一个问题：

工业智能体，不只在云端，也要“装进设备里”。

包括：

• 工业母机、工业机器人搭载智能体，发展新一代 AI 数控系统；
• 手术机器人、智能诊断系统、智能医疗装备、无人机、智能低空装备；
• 智能网联汽车自动驾驶测试与安全评估；
• 智能手机、电脑、家居终端的端侧模型与应用工具链；
• AR/VR 可穿戴设备、脑机接口、具身智能产品、人形机器人中试基地和训练场。

同时，还有一个专门的方向：

“打造智能体新业态”

• 开展工业智能体任务规划、群体协同等技术攻关；
• 研制开放协同的智能体协议和接口，提升互联互通效率；
• 支持智能体应用商店建设运营，发布企业级应用实践指南；
• 构建智能体分类分级管理体系，研究智能体互联网体系架构，探索注册发现、身份认证、接入管理机制；
• 推动传统软件产品和服务升级，实现人工智能与工业软件深度融合。

这部分对我们这样做「积墨AI智能体平台」「积墨 Claw 执行终端」的团队非常关键：

政策已经明确把“智能体应用商店”“智能体协议和接口”“智能体互联网体系”视为新业态的基础设施。
换句话说，工业智能体不是一个“概念”，而是即将成为被制度化的基础能力。

五、企业端怎么用好这份“应用指南”？（附件2 精华）

对企业来说，最具有操作性的其实是《制造业企业人工智能应用指南》（附件2）。它基本给出了一个可执行的路线图。

你可以简单理解为：“制造企业 AI 转型的九步法”：

1. 开展智能化水平诊断评估

• 用成熟度评估体系摸清现状，找瓶颈，明确 AI 应用需求。

2. 制定人工智能应用规划

• 确定核心场景和技术导入优先级，优先从经营管理、研发设计入手，再梯次布局中试和生产制造。

3. 升级硬件基础能力

• 把“哑设备”“哑岗位”数字化改造，部署边缘计算、专网升级，提升感知、传输、决策、控制能力。

4. 提升软件智能化水平

• 对操作系统、MES、DCS/SCADA 等软件做智能化改造，植入智能调度算法，部署具备大模型和数字孪生能力的工业软件。

5. 构建高质量数据集与数据管理体系

• 建“机理库+仿真库+经验库”工业知识库，搭建数据一体化平台，做数据分类分级管理和质量评估。

6. 合理规划算力资源

• 科学规划算力规模，云侧优先训练，边缘端侧部署，做云–边–端协同。

7. 开展模型选型与调优

• 按场景选模型，设定可量化指标，结合提示词工程、检索增强和微调技术做场景适配。

8. 模型部署与集成

• 在真实环境试运行验证，采用微服务、API、中间件等技术做集成，提升易用性和结果展示能力。

9. 持续评估与迭代优化，确保安全防护到位

• 定期评估应用效果，对数据安全、供应链安全、网络安全做全链路防护。

如果你正在负责企业“人工智能+制造”的整体规划，这份指南可以直接当作你内部的“路线图模板”。

六、从政策到落地：制造企业应该先做哪几件事？

政策文件往往宏大，但在企业落地层面，可以归纳为几个优先动作：

1. 定位自己的“高价值场景”

按照指南的建议，可以问自己三组问题：

• 在研发设计、中试验证、生产制造、营销服务、运维管理这五类场景中，我们哪一类问题最痛、最值得优先用 AI 去解决？
• 哪些场景的数据已经相对完整、流程相对稳定，更适合作为 pilot？
• 哪些场景解决后，对效率、成本、质量或安全的提升最明显？

通常，较容易切入的包括：

• 机器视觉质检、缺陷识别；
• 设备预测性维护；
• 排产调度优化；
• 智能客服和售后知识库；
• 经营数据分析与决策支持。

2. 先把“数据底座”和“知识底座”搭起来

很多工业企业上来就想“选模型”“买算力”，但文件明确强调：

数据资源平台、工业知识库和高质量数据集，是前提条件。

可以从三件事入手：

• 建立跨系统的数据汇聚能力，完成基础的清洗、对齐和标注；
• 梳理企业内部的机理知识、仿真模型和经验案例，建设知识库；
• 做 1–2 个细分场景的数据集试点（比如：缺陷图像集、设备故障日志集），在小范围内先跑通“数据–模型–应用”闭环。

3. 不要只做“一个系统”，要做“智能体化的方案”

文件在多处强调“工业智能体”：在制造企业实践里，可以理解为：

用一个或一组 AI 智能体，对接企业的多个系统和数据源，围绕一个业务场景执行完整任务链，而不是只输出一段文字或一张图。

比如：

• “质检智能体”从图像采集系统接入数据 → 调用缺陷识别模型 → 写入 MES/质检系统 → 触发预警和处置流程；
• “排产智能体”接入订单、工艺、设备状态、库存数据 → 调用排产优化模型 → 输出排产方案 → 与人工调度协同。

这正是我们在「积墨AI智能体平台」和「积墨 Claw 执行终端」里重点解决的问题——
让智能体不仅“会算”，而且“会执行”“会协同”，真正融入工业现场的业务流程。

七、生态和安全：智能体时代的“护栏”和“赛道”

文件后面还有两块非常重要的内容：生态壮大与安全护航。

1. 标准与开源：为智能体时代搭“赛道”

• 强化人工智能标准组织的作用，分级分类推进安全、治理、伦理、软硬协同、赋能应用等标准；
• 深入开展“人工智能标准行”活动，强化标准宣贯与应用；
• 建设高水平人工智能开源社区，部署模型、数据集、智能体等优质开源项目；
• 研发适配人工智能项目的开源许可协议，推动开源项目在工业领域落地。

这对企业和服务商意味着：

不要把工业智能体和工业大模型做成“孤立的黑箱”，而是要尽可能兼容标准与开源生态，降低集成门槛和长期维护成本。

2. 安全护航：从数据到算法到网络的多维防护

文件提出了系统性的安全要求：

• 数据安全：分类分级、全生命周期防护、风险监测预警、身份认证和权限管理；
• 模型与应用安全：幻觉、准确性、鲁棒性评估，输入输出双端过滤安全监控，供应链安全管理；
• 网络安全：在规划、部署、应用各环节落实《网络安全法》《工业互联网安全分类分级管理办法》，健全企业防护体系。

对于任何“人工智能+制造”项目来说，这意味着：

从一开始就要把安全纳入架构设计，而不是等系统上线后再补救。
安全和可解释性，不是附加项，而是工业 AI 项目的基本要求。

八、小结：工信部这份实施意见，给了制造业什么样的“路线图”？

如果浓缩成一句话：

这不是一份“鼓励大家多上点 AI 系统”的文件，而是一份清晰的 “工业大模型 + 工业智能体 + 行业数据集” 三位一体建设路线图。

它提出了：

• 国家层面的时间表和数量级目标；
• 算力、模型、数据的底座建设要求；
• 各细分行业和全流程的应用场景；
• 智能装备、智能终端、智能体新业态的发展方向；
• 企业端从评估、规划到数据、算力、模型、部署、迭代的完整方法指南；
• 配套的标准、开源、人才、安全和国际合作框架。

对制造企业、工业软件公司、工业互联网平台和 AI 服务商来说，这份文件最直接的价值是：

• 帮你构建下一阶段“人工智能+制造”的战略框架；
• 帮你判断自己在工业智能体生态里的位置和机会；
• 帮你把项目从“单点工具”升级为“平台 + 数据 + 模型 + 智能体”的系统方案。