制造业是我国经济命脉所系，是立国之本、强国之基，也是科技创新的重要载体和人工智能应用场景最为丰富的领域。现阶段，新一轮科技革命和产业变革加速演进，以大模型、工业智能体、具身智能等为代表的新一代人工智能技术快速发展，人工智能正在由感知识别、分析预测向内容生成、复杂决策和自主执行等方向拓展，成为推动经济社会发展和产业转型升级的重要驱动力。人工智能与制造业的深度融合，推动制造业在数字化、网络化、自动化的基础上加快向智能化跃升，并不断拓展智能制造的内涵与边界。2026年6月召开的国务院常务会议提出，“要以发展新一代智能制造为主攻方向”，进一步明确了人工智能与制造业深度融合的战略方向。

经过数十年发展，智能制造的建设重心正由以数字化、网络化和自动化为重点的基础能力建设，逐步向人工智能深度嵌入制造业核心业务拓展，并进一步迈向跨业务协同、受控自主和持续进化的系统智能，整体呈现“夯实基础－深化应用－系统跃升”的演进路径。当前，智能制造正处于由局部应用深化向系统能力跃升的关键阶段，我们要坚持系统观念，统筹做好协同贯通、数据闭环、融合创新与安全普惠，推动智能制造从局部智能迈向系统智能，为我国制造强国建设注入强劲动力。

早期智能制造解决了数据从无到有的问题

从智能制造的演进过程看，人工智能与制造业的融合呈现出由浅入深、由局部向系统发展的阶段性特征。相较于目前逐步具备通用认知能力的新一代智能制造系统，早期智能制造的关键贡献主要是将产品、工艺、设备和组织活动转化为可计算对象，把业务规则写入软件和控制程序，并通过网络实现跨设备、跨部门的信息传递。它解决了数据从无到有、系统从孤立到互联、流程从经验到标准的问题，为人工智能进入生产现场提供了数据、接口、流程和控制基础。

相较于以固定工位、固定流程和预设程序为主的传统自动化作业，具身智能更加突出对环境状态的感知、对任务的理解以及根据工况变化进行动作规划和调整。图为人形机器人在智能制造车间执行物料流转作业。华中科技大学供图

在早期智能制造系统的演进过程中，数字化制造推动生产活动进入可计算、可控制阶段。数字化制造首先表现为制造对象、制造过程和经营管理的数字化。计算机辅助设计、计算机辅助制造、数控装备、企业资源计划、制造执行等系统逐步应用，使产品结构、工艺路线、设备状态、物料需求和生产计划能够以数据形式描述、存储和处理。传统上依靠纸质图样、人工记录和现场经验完成的工作，开始转化为可追踪、可复用的数字流程，制造系统的标准化、精确化和自动化水平随之提高。

这一阶段的“智能”主要来自规则固化：工程师把知识和既定规则写入软件与设备，系统按照预设程序稳定执行。它能够显著提升效率和质量一致性，但面对超出预设范围的订单变化、物料波动、设备异常或工艺偏差，仍需依靠专业人员重新建模、编程或调整参数。

在这一阶段，数字化网络化制造推动分散系统走向互联、协同。随着互联网、工业互联网、物联网和云计算的发展，制造业由单机数字化进一步走向设备、生产线、工厂和产业链的网络化连接。产品生命周期管理、企业资源计划、制造执行、仓储物流、质量管理和设备管理等系统逐步贯通，企业能够在更大范围内共享订单、工艺、设备、物料和质量信息，支持跨部门协同、远程运维、供应链协同和大规模个性化定制。

虽然网络化不能自动消除系统之间的语义差异，同时也不具备自主决策能力，但设备通过网络化实现了可连接、过程可观察、数据可积累、流程可调用等目标。早期专家系统、机器视觉和统计学习等技术多用于单点识别、辅助判断和局部优化，网络化为这些技术在更复杂制造业务中的应用打下了基础。

智能工厂、具身智能和工业大模型等一批应用正在加快落地

现阶段，数字化、网络化和自动化基础不断夯实，人工智能正加快进入制造业生产经营的具体场景，其作用也由早期的单点识别和辅助判断，逐步向生产决策、设备运维、现场作业和跨流程协同延伸。智能工厂、智能排产、预测性维护、具身智能和工业大模型等一批应用加快落地，反映出人工智能与制造业融合正在由局部应用向更深层次的业务融合拓展。

智能工厂建设为人工智能深入生产现场提供了设备连接、系统集成和数据采集基础。截至2025年底，我国已累计建成3.5万余家基础级、8200余家先进级、500余家卓越级智能工厂，培育15家领航级智能工厂，智能制造已覆盖研发设计、生产制造、质量检测、仓储物流、设备运维和经营管理等多个环节。以北京昌平新一代小米手机智能工厂为例，该工厂建筑面积约8.1万平方米，规划年产能1000万台手机，通过自动化、数字化生产线和工业数智平台连接生产过程，实现设备运行、生产数据和制造业务在统一体系下协同运行，为人工智能进一步参与质量优化、设备管理和生产组织提供了现实条件。

智能排产推动生产调度由经验主导走向人机协同。生产调度是人工智能向制造业核心业务延伸的典型场景。传统排产更多依赖计划人员经验，在多品种混线、紧急插单、设备故障和物料延期等情况下，需要同时权衡订单交期、设备能力、物料供应和工艺约束等因素，通过人工调整难以及时获得全局较优方案。相比之下，智能排产可将订单、设备、人员、物料、工艺和交期等纳入统一模型，综合运用数学规划、约束求解和优化算法生成排产方案，并根据生产状态变化进行动态调整。工业和信息化部组织编制的《智能制造典型场景参考指引（2025年版）》也已将“车间智能排产”和“生产动态调度”列为典型场景。以魔豆智造多智能体智能排程系统为例，计划人员可通过自然语言提出重排需求，大模型负责理解业务需求、分解任务和调用专业排程工具，求解器或算法负责完成确定性约束计算，生成的方案再提交计划人员进行确认，形成“大模型理解－专业算法求解－人工确认”的人机协同排产模式。

智能运维推动设备管理由故障后处置走向预测性维护。设备运维是人工智能在工业领域率先落地并取得实效的重点应用场景。《   “人工智能+制造”专项行动实施意见》提出，需加快推进生产过程控制、预测性维护、智能巡检等应用部署，引导工业智能体向制造核心环节延伸拓展。依托工业传感器、机器视觉、工业互联网与边缘计算等技术支撑，企业可系统采集振动、温度、压力、电流、声学及图像等多维数据，并与设备台账、工艺参数、运行日志和维修记录深度融合，借助人工智能算法识别异常特征、研判演变趋势，辅助实现故障精准定位、健康量化评估及寿命科学预测。由此，设备管理体系正加速从周期性点检和故障后维修，向实时状态监测与预测性维护转型升级。在此基础上，工业智能体进一步集成设备数据、运维知识库及诊断模型，能够自主完成状态分析、故障研判、检修任务拆解、工单生成与结果追踪等系列操作，推动运维模式从“发现问题”向“协同处置”纵深演进，形成覆盖感知、分析、决策、执行全流程管理能力，切实提升系统运行可靠性与整体生产效率。

具身智能推动现场作业由程序执行走向动态适应。具身智能的发展使人工智能开始由信息处理进一步进入制造现场的物理作业过程。在搬运、分拣、装配、检测、巡检等任务中，人形机器人、协作机器人等智能装备正在结合视觉识别、环境感知、任务规划和运动控制开展应用探索。相较于以固定工位、固定流程和预设程序为主的传统自动化作业，具身智能更加突出对环境状态的感知、对任务的理解以及根据工况变化进行动作规划和调整。《智能制造典型场景参考指引（2025年版）》已在“人机协同作业”场景中纳入具身智能和自主规划等技术；《   “人工智能+制造”专项行动实施意见》进一步提出推动具身智能产品创新，在典型制造场景率先应用。现阶段，这类应用仍主要从任务边界较为清晰、重复性较强和风险相对可控的场景切入，并通过真实工业环境持续验证动作精度、运行稳定性和环境适应能力。

工业大模型推动人工智能由单点应用走向流程协同。工业大模型正在从知识问答、文档生成等外围辅助应用，向研发设计、生产计划、工艺分析、设备运维和经营管理等业务流程延伸。与直接替代专业工业软件不同，现阶段工业大模型更重要的作用是连接工业知识与专业工具：一方面，可以对工艺文件、设备手册、历史工单和专家经验等知识进行组织、检索和调用；另一方面，可以根据具体任务进行语义理解和任务分解，进一步调用专业模型、优化算法、仿真工具和业务系统，由后者完成预测、求解和执行。随着大模型与工业智能体进一步结合，人工智能开始由完成单一识别、预测或生成任务，向“理解任务－调用工具－获取结果－协同业务”的多步骤流程拓展。《   “人工智能+制造”专项行动实施意见》已明确提出，要研发应用工业智能体；强化智能体与工业系统的交互适配。这有助于进一步推动大模型、智能体在工业领域的深入应用。

从智能制造的演进过程看，人工智能与制造业的融合呈现出由浅入深、由局部向系统发展的阶段性特征。图为智能制造三个阶段的演进过程。 华中科技大学供图

新一代智能制造面临关键挑战

“十五五”规划纲要提出，推进国家人工智能创新高地建设，培育智能原生新模式新业态，建设国家人工智能应用中试基地；促进制造业“智改数转网联”，实施智能制造工程和工业互联网创新发展工程。相较于现阶段以单点应用和局部优化为主的智能制造，新一代智能制造更加注重学习认知、自主决策、闭环执行和持续优化，强调数据、知识、模型、软件与装备之间的系统协同，推动制造系统由局部智能向系统智能演进。从当前实践看，我国在智能排产、智能运维、具身智能、工业大模型等场景已取得积极进展，但跨业务协同、持续学习优化和受控自主运行能力仍显不足，尚未形成贯通感知、决策、执行和反馈的系统级闭环，迈向新一代智能制造面临几大关键瓶颈。

首先，跨业务协同不足，系统级智能闭环尚未形成。当前，制造业人工智能应用仍以单点部署和局部优化为主，研发设计、生产计划、质量管理、设备运维、仓储物流等业务之间尚未形成稳定协同。排产系统可以优化生产计划，但设备状态、质量异常和物流变化不能实时参与决策；运维系统能够识别设备故障，但结果难以及时反馈到排产、备件和生产组织环节。不同业务之间的数据流、业务流和控制流尚未真正贯通，智能决策与现场执行之间仍存在断点。因此，现阶段的智能更多表现为单个环节能力增强，距离多业务相互感知、协同决策和闭环运行的系统级智能仍有明显差距。

其次，机理与模型融合不深，自主决策可靠性仍待提升。制造系统由辅助决策进一步走向受控自主，既要依靠数据和模型，也必须遵循工艺机理、设备约束和安全边界。工业生产涉及材料、力学、热力学、控制等复杂机理，单纯依赖数据驱动的模型在小样本、极端工况和环境变化条件下仍可能出现泛化能力下降和决策不稳定等问题。与此同时，大模型擅长知识理解、任务分解和工具调用，但具体的工艺优化、资源配置和设备控制仍需要专业模型、优化求解器、工业软件和控制系统共同支撑。现阶段更现实的应用形态仍是人机协同和限定范围内的受控执行，距离复杂工业环境下稳定、可靠的自主决策仍有差距。

再次，数据与知识反馈不畅，持续学习与自主进化能力不足。新一代智能制造不仅要求系统能够利用既有数据分析和决策，还要能够根据生产运行结果持续学习、积累知识并优化自身能力。当前制造业企业虽然积累了大量设备、工艺、质量和经营数据，但跨系统数据标准不统一、异常工况样本稀缺、生产结果反馈不完整等问题依然存在；大量工艺诀窍、故障判断和参数调整经验仍主要沉淀在一线人员实践中，尚未充分转化为机器可理解、可调用的知识。模型更新也较多依赖人工整理数据和阶段性调优，尚未形成稳定的“运行－反馈－学习－优化”闭环，制造系统持续学习和自主进化能力仍然有限。

最后，安全经济机制还不完善，规模化应用之路仍是任重道远。新一代智能制造由辅助应用向核心生产环节深入后，安全风险和经济成本都会进一步放大。一方面，人工智能一旦连接设备和控制系统，模型误判、权限越界、网络攻击等风险可能直接传导至物理现场，高自主度应用必须具备可验证、可接管、可回退和可追溯能力。另一方面，当前不少工业人工智能项目仍具有较强的定制化特征，设备改造、系统集成、数据治理和模型调优投入较高，实际收益又往往需要较长周期才能显现。特别是对中小企业而言，标准化、低成本、可复制解决方案供给仍显不足，制约了人工智能由示范应用向规模化普及拓展。

推动智能制造从局部智能迈向系统智能

迈向新一代智能制造，要面向制造业复杂流程和真实生产需求，把数字化、网络化基础进一步转化为智能化能力。

一是要贯通数据流与控制流，构筑系统级智能闭环。当前，研发设计、生产排程、质量管理、设备运维与仓储物流等环节数据流与控制流尚未充分贯通，制约系统级闭环形成。亟须以工业互联网平台为底座，推动核心业务系统深度集成，加快制定跨系统数据接口与业务协同标准。依托工业数据中台，实现多源异构数据实时汇聚与可信共享，贯通“感知－分析－决策－执行”全链条。推动工业智能体从单点部署向多智能体协同演进，使排产系统动态调用设备状态与质量数据，运维结果即时反馈至调度环节，形成滚动互馈。同步推进跨部门协同治理，突破组织壁垒，建立统一信息模型，为数据与控制指令对齐提供制度保障。在此基础上，通过流程再造与系统贯通，逐步构建多业务相互感知、协同决策、闭环运行的体系，夯筑系统级智能闭环的坚实基础。

二是要打通全链条各环节，不断提升系统自主学习能力。通过打通数据采集、模型训练、仿真验证与敏捷部署等全链条各环节，能够形成完整的数据知识反馈回路，并有助于系统形成自主进化能力。要统一跨系统数据标准，归集高质量工业数据，将工艺诀窍、故障案例等隐性知识转化为可计算、可调用的知识库，打通“人懂”到“机用”的转化通道。设计轻量敏捷的模型迭代触发与部署机制，支持模型基于实时运行结果自主择优、增量更新，并结合因果推断与自监督学习增强对新工况的适应力。依托数字孪生搭建高保真虚拟产线，在安全环境下大规模探索工艺边界、积累优化策略，将验证成熟的模型平滑迁移至物理系统。由此推动制造系统从人工阶段性调优，迈向“运行即学习、学习即优化”的自主进化，持续提升复杂动态环境下的自主学习与自主优化水平。

三是要深化机理与数据融合，增强自主决策稳健性。复杂工业过程高度依赖物理规律，纯数据驱动易产生违背工艺约束的决策。必须坚持“理数融合”，将第一性原理、工艺机理与数据智能深度耦合。在通用大模型意图理解与任务分解的基础上，集成高精度专业模型、优化求解器和工业控制系统，构建“理解－计算－决策－执行”分层协同架构。将物料守恒、能量平衡等机理约束嵌入算法，形成物理一致的推理路径，对优化结果进行合规校验，拦截不合理指令。针对极端工况与小样本场景，强化机理引导的约束与校验，提升模型泛化能力和决策稳健性。现阶段坚持以人机协同、限定场景受控运行为主，通过数字孪生先行验证与影子运行积累置信度，在充分实证基础上安全拓展自主决策边界，确保复杂工业环境下的安全可信运行。

四是要筑牢安全经济根基，加快规模化普及。统筹发展与安全，破解安全风险放大与定制化成本高企的双重制约，需健全工业人工智能分级分类管理规范。强化工业网络与数据安全、模型鲁棒性、智能体行为边界等关键技术攻关，构建覆盖验证、接管、回退、追溯的全生命周期安全保障，推动建立第三方评测认证体系，确保高自主度应用安全受控。要着力培育一批深耕行业、兼具智能技术与工艺能力的服务商，开发组件化、低耦合、可复制的解决方案。面向中小企业，推广订阅式云化服务和低代码开发工具，有效降低设备改造、数据治理与系统集成门槛。通过标杆引领与生态协同，加快从“盆景”式试点向规模化应用拓展，筑牢智能制造规模普及的安全与经济根基。