制造业不再是AI技术的跟随者，而是落地的主战场和主引擎

“此智能已经非彼智能”

《决策》：国务院《关于深入实施“人工智能+”行动的意见》将“人工智能+制造”列为重点之一。在您看来，这一部署相比以往“智能制造”概念，有哪些关键的跨越？

周伯文：制造业是立国之本、强国之基，是国民经济的重要支柱。人工智能是引领新一轮科技革命和产业变革的战略性主导技术，具有溢出带动性很强的“头雁效应”。“人工智能+制造”是实施“人工智能+”行动的重要内容，对于促进我国制造业高质量发展，加快建设制造强国，具有十分重要的意义。

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”。从“智能制造”到“人工智能+制造”，概念的转变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：制造业不再是AI技术的跟随者，而是落地的主战场和主引擎。

游玮：智能制造这个概念提了很久，国家在“十一五”“十二五”期间就提出了智能制造的发展方向，它与“人工智能+制造”的概念有所区别。

第一，内涵不同。“人工智能+制造”是人工智能的一个重要赋能领域，同时也为制造明确了一个可以依靠的核心技术能力，但智能制造的侧重点还是在制造，它对于AI或者人工智能的着力点，没有“人工智能+制造”这么明显。

第二，“智能制造”概念兴起于弱人工智能时代，当时AI的能力和应用范围均十分有限。而如今提出的“人工智能+制造”，则立足于AI能力的巨大跃升，特别是大模型在海量数据驱动下，实现了任务泛化能力的实质性突破。因此，虽然二者都冠以“智能”之名，但“此智能早已非彼智能”。

拥抱AI就是拥抱新型工业化的未来

《决策》：我们观察到，北京、上海、温州等地已在政策与机构设置上率先行动。您如何研判这种态势？对区域经济格局将会产生哪些影响？

周伯文：从地方政策来看，自从2024年国务院政府工作报告中提出要持续推进“人工智能+”行动之后，各地政府纷纷结合自身产业特色，出台人工智能专项政策，并针对制造业领域有相应的规划，地方紧迫感可见一斑。这不仅是一次技术迭代和产业升级，更是一场决定城市命运、重塑区域格局、关乎国家竞争力的“战略卡位战”。

人工智能以其基础性、平台性和通用性特点，不仅能提升生产效率，更将重构制造产业范式。它通过驱动生产模式、产品形态和商业模式的全面创新，重塑制造业竞争格局。对于制造企业而言，拥抱AI就是拥抱新型工业化的未来，企业唯有积极布局实践，才能在智造浪潮中抢占先机。

戴兵：北京、上海、温州等地都是在本地资源禀赋基础上，发挥产业特色及区域优势，夯实人工智能的技术底座（算力、算法、数据），进一步统筹汇聚产业资源，以应用场景开放为牵引，推进“人工智能+制造”落地见效。

以合肥为例，在承接国家及安徽省“人工智能+”行动方案等文件任务的基础上，合肥以技术强基为基石、强化应用为支撑、培育生态为导向，依托市委科技委工作机制，统筹推进人工智能领域重点场景挖掘、对接及建设工作。

当前各地围绕“人工智能+制造”的卡位竞争，正深刻重塑区域间的经济格局。这一进程将加速打破传统产业梯度转移的路径依赖，推动形成以“人工智能赋能深度”为关键标尺的新梯队。拥有完整产业链基础的地区，若能率先完成人工智能全链条渗透，通过龙头企业带动上下游，可以实现产业能级的跃迁，从“制造基地”升级为“智造策源地”，这也为合肥这样拥有特色主导产业和坚定战略定力的城市，提供了“换道超车”的历史性机遇。

《决策》：“人工智能+制造”行动的深入实施，将会为经济社会发展注入哪些新动能？

周伯文：新质生产力是近年来政策语境中的高频词，其核心在于以科技创新为主导，突破传统要素驱动的增长瓶颈。“人工智能+制造”正是新质生产力的典型代表之一。它不仅能改造传统产业，更能催生工业互联网平台、智能机器人、高性能传感器、工业软件等一整条前沿产业链。它的意义在于“无中生有”和“有中焕新”，这是中国经济结构实现战略性调整的关键所在。随着“人工智能+制造”行动深入实施不断深化，必将推动中国制造业迈向更高质量、更具韧性的发展新阶段。

自动化是前提，数字化是基础，智能化是目标

《决策》：机器人作为人工智能技术落地的关键载体与驱动制造业升级的核心引擎，如何看待机器人发挥的作用？

游玮：人工智能与机器人融合，催生了“具身智能”。AI为机器人赋予自主决策的“大脑”，而机器人为AI提供了在物理世界执行任务的“身体”。二者结合，使机器从被动执行转向自主感知与行动。

实现智能制造，要跨越自动化、数字化、智能化三大阶段。自动化是前提：必须先用机器替代人工作业，才能实现高频、可靠的数据采集；数字化是基础：将自动化设备（如数控机床、工业机器人）产生的物理信息转化为系统性的数字信息，为智能化积累可信、可用的数据资产；智能化是目标：在数字化基础上，利用数据驱动模型，最终形成智能决策能力。

从我国制造业发展来看，流程工业的自动化与数字化基础较好，已成为“AI+制造”的先行者，比如海螺水泥；而大量离散制造业仍面临自动化未完成的挑战，需要“补课”才能迈向智能化。

现在很多企业存在一个短板，就是知识工程建设与数据生态缺失。许多企业尤其是中小微企业，缺乏对工艺参数、客户反馈等核心数据的系统化积累与管理。这些数据正是训练垂类AI模型的关键。因此，亟须提升企业数据意识，并构建合理的数据分享与变现机制，才能真正推动中国制造业走向数据驱动的智能制造。

《决策》：在全球机器人市场规模突破千亿美元、AI与制造深度融合的当下，如何将机器人的技术潜力转化为产业竞争力？

游玮：相对于旺盛的市场需求，目前整个机器人产业的规模还很小，中国市场的工业机器人年销售规模在30万台左右，而服务机器人市场尚未真正成型，尤其缺乏通用智能服务机器人，机器人市场规模和市场潜在需求不匹配。

究其原因，是技术体系和关键技术点尚未突破，包括进口工业机器人在内的绝大多数工业机器人，都属于传统的编程型工业机器人，应用场景局限于少品种大批量连续制造。而受限于实际工业场景数据集规模，数据质量和算力限制，目前很难训练出一个具有跨行业跨应用高准确率高泛化能力的智能机器人。

一个可行解决路径是以特定行业和特定应用场景作为约束条件，把问题做封闭，做到在封闭空间内的泛化，这才能大幅降低对于数据集规模的依赖，提升准确率。在这一领域，中国企业不能单纯跟随，需要利用后发技术优势、场景和数据优势，实现颠覆式创新以彻底激发机器人的市场规模。

我认为，有三个需要重点建设和攻关的方向，一是机器人控制需要实现软件分层解耦和标准化；二是构建低代码集成应用开发环境和智能化组件库，加快开发者生态培育；三是需要探索具有合理投入产出比的通用智能机器技能训练所需的数据采集方式和学习方法；四是构建全球首款智能机器人通用软件底座，形成一套自主可控的机器人技能开发工具链，赋能制造业提质降本增效，形成国际市场核心竞争力。

《决策》：人工智能技术为制造业解锁了新的价值创造路径，从而催生了新的商业模式。对此，您有何观察？

游玮：在我看来，所有模式创新的基础，必须是技术与商业的深度耦合。技术创新与商业模式创新是“1与0”的关系：技术创新是前面的“1”，是根基；商业模式创新是后面的“0”，是放大。没有坚实的技术作为“1”，再华丽的商业模式也只是空中楼阁，反之，若只有技术这个“1”而缺乏商业模式的“0”，则技术的价值将被严重限制，难以实现规模化应用与市场突破。例如，埃夫特推出的“以租代售”模式创新，正是将高端制造技术普惠至中小微企业的关键桥梁。

高水平数据治理

《决策》：企业在推进“人工智能+制造”过程中，面临的最大共性障碍是什么？

周伯文：最大的共性挑战是：制造企业大都缺乏AI-ready数据。大模型训练依赖大量高质量的数据，但制造企业常常缺乏足够的标准化、结构化的AI训练数据。例如，不同部门或系统之间的数据格式、单位或定义不一致，且存在大量非结构化数据，导致数据整合困难，影响AI模型的训练和应用。

高水平数据治理是“人工智能+制造”行动落实的关键，当前行业已经通过强化数据标准、推动数据资产化、建立质量与安全管理体系等手段，推动制造业数据治理迈向更高水平。上海人工智能实验室也在努力提升行业数据质量，例如，打造并开源智能文档解析引擎MinerU，支持将复杂文档精确地转化为可用于大模型训练的AI-Ready数据，助力制造业稳步推进“人工智能+制造”行动落地成效。

《决策》：面对“人工智能+制造”的新机遇，地方政府如何找准独特的切入点和突破口?

戴兵：一是立足本地特色。比如合肥，依托丰富科教资源，发挥多重国家发展战略叠加优势，充分发挥合肥综合性国家科学中心等科研平台创新效能，建设AI物质创制中心、安全人工智能实验室等高能级创新平台，推动智能制造、智能网联汽车等特定领域的垂类大模型研发与关键技术攻关，为“人工智能+制造”提供坚实的底层技术支撑。

二是深化场景赋能。基于三大科创引领高地建设和合肥市产业布局，以及中小企业数字化转型、高企数字化转型等政策契机，构建全领域多层次场景应用体系。

三是激活创新主体活力。开展“人工智能+”领域揭榜挂帅，自上而下自下而上相结合推进场景供需双方共研共创开展场景建设。通过建设人工智能领域创新联合体，推动本地存量企业接续培育，围绕AI芯片、数据计算、垂类模型、具身智能等方向开展双招双引，做大做强人工智能先导区等产业生态集聚区，充分发挥创新活力。

游玮：为加速“人工智能+制造”落地，我有三点建议：第一，建立可信数据流通机制。建议由政府引导成立独立第三方数据管理平台，对中小微企业提供的商业数据进行专业脱敏与价值评估，在保护企业核心利益前提下，打通面向大模型训练与机器人研发的高质量数据供给通道。

第二，创新嵌入式数据采集模式。推广数据众包模式，鼓励通过工业穿戴设备等载体，在焊接等实际作业中同步采集高质量数据，并建立合理收益分配机制，使一线工人成为数据贡献者与受益者。同时，由行业协会牵头制定统一数据治理标准。

第三，构建商业化数据采集场景。支持建设高真实度的机器人应用场景（如面向服务场景的机器人未来社区），在开放运营中自然积累人机交互数据。通过门票等商业收入反哺数据采集与科研投入，形成“商业-数据-科研”可持续闭环。