2026年6月26日，中国工业互联网研究院科研成果报告会在北京举办。智能化研究所所长顾维玺发布《人工智能赋能新型工业化实施路径研究》。该报告以数据、算法与算力在工业场景应用为切入点，提出制造业数智化转型六级架构（设备、产线、车间、工厂、企业、生态）。报告分层分类阐述了各层级高质量数据集的建设策略与算力部署方案，并构建“工业互联网+智能体”的新型融合范式与评测指标，为制造企业阶梯式推进智能化升级提供实践指南。
‘
人工智能赋能新型工业化实施路径研究
智能化研究所所长 顾维玺
（2026年6月26日 北京）
人工智能是新一轮科技革命和产业变革的重要驱动力量，为发展新质生产力蓄势赋能。习近平总书记高度重视人工智能发展，明确指出：“加快发展新一代人工智能是我们赢得全球科技竞争主动权的重要战略抓手，是推动我国科技跨越发展、产业优化升级、生产力整体跃升的重要战略资源”。当前，我国人工智能产业高速发展，产业规模突破1.2万亿元，人工智能企业数量超过6000家，建成万卡智算集群42个，智能算力规模达1590EFLOPS，构建高质量数据集超过11.6万个，总体量超过960PB，开源模型供给量位居全球首位，专利申请量全球占比约60%，累计研制关键国家标准40余项，形成了从基础底座、模型框架到行业应用的完整产业体系。制造业是实体经济的根基，我国拥有门类齐全、独立完整的现代工业体系，是全球唯一拥有全部工业门类的国家，制造业总体规模16年稳居全球首位，制造业增加值占GDP比重保持在四分之一左右，拥有超600万家制造业企业，为深入实施“人工智能+”行动、推进智能化变革提供了产业基础与场景支撑。
立足人工智能与制造业深度融合的发展大势，《人工智能赋能新型工业化实施路径研究》创新性提出制造业数智化转型方法论，以设备、产线、车间、工厂、企业、生态为递进脉络，深度剖析工业场景的关键数据类型、数据集建设策略、算力部署方案、大模型及智能体应用范式，为制造企业数智化落地提供体系化行动指南。
一、人工智能赋能新型工业化总体思路
（一）制造业数智化转型分级架构
工业场景涵盖从“设备、产线、工厂、企业”到“产业生态”的多个层级，客观上形成了一个自下而上、贯穿OT（控制技术）与IT（信息技术）的“六级架构”：
- 设备级以感知执行为核心，覆盖生产装置、生产单元等，通过传感器、执行器实现单体设备智能化；
- 产线级和车间级以智能控制为核心，依托控制单元与监控系统实现设备互联与高效协同；
- 工厂级以制造管理为核心，整合生产、设备、仓储等管理系统，实现工厂全局资源优化；
- 企业级以经营管理为核心，链接经营、财务、供应链等运营系统支撑企业智能决策；
- 生态级以产业协同为核心，通过产业云、可信数据空间实现产业链上下游高效协同与价值共创。
（二）制造业数智化转型方法论
制造业数智化转型是人工智能赋能新型工业化最核心、最首要的落地载体。面向制造业企业应用场景，数智化转型总结为五大步骤：
- 一是开展数据探查。以核心业务流程为脉络，梳理全场景数据产生点，按照业务重要性和数据可得性开展优先级排序，系统完成数据资产摸底与结构化梳理。
- 二是构建多样化数据集。根据数据探查结果，分级分类开展数据集建设，围绕研发设计、生产制造、经营管理等环节关键场景，形成多模态工业高质量数据集。
- 三是部署智能算力。结合模型训练与推理需求，构建企业智能算力架构，支持云端、边缘侧和私有化部署等不同方式。
- 四是构建人工智能模型。基于业务场景需求，综合考虑模型、开发框架、编译器、推理部署工具链之间的兼容性、可靠性和易用性，优先选择安全可信度高的模型底座。
- 五是基于工业智能体应用赋能。整合数据、算力、模型资源，深度集成现有数字化系统，推动企业从局部智能迈向研发、生产、管理、服务全链路智能升级。
二、人工智能赋能新型工业化实施路径
工业场景不同层级数据、算力、模型与场景应用需求差异显著，为有效释放数据价值潜能、进一步提升工业智能融合应用成效，应遵循分级分类原则推进制造业数智化转型升级。
（一）设备级实施路径
设备级聚焦物理实体的智能化感知能力建设，通过采集设备状态及工装数据，支撑设备安全、稳定、高效运行。
在数据治理方面，设备级数据源自传感器、数控装备、工业机器人等感知终端。数据类型包括设备数据、状态数据和工装数据等，具备实时性强、物理意义明确、价值密度低等特征。例如风力发电机组全天候产生TB级高频时序数据，仅有极少数片段包含轴承早期故障特征，99%以上均为无价值的平稳运行数据。该层级应重点考虑实时同步采集、物理机理融合去噪、状态驱动自动标注等策略，高效筛选有价值的正样本数据。
在模型部署方面，设备级多采用轻量化小模型，主要部署在终端，用于实现单体物理设备的自主实时监控、快速响应及工控软件的高效通信。例如钢铁行业高炉炼钢温度参数优化模型，通过端侧实时推理，保障温控闭环执行的低时延和高精度，模型控制采纳率超过90%。
在智能体应用方面，设备级主要包括设备故障诊断、设备预测性维护和工艺优化等场景，推动设备运维从事后诊断向主动管理转变。例如合肥某制冷工厂使用设备管理智能体后，可自主识别设备故障，并自动进行根因分析，生成故障评估报告，设备平均维修时间由120分钟降为40分钟，效率提升300%。
（二）产线级与车间级实施路径
产线级与车间级聚焦设备间互联与协同控制能力建设，通过打通工业控制系统与生产运行数据链路，支撑产线连续运行、异常自主预判和多设备协同优化。
在数据治理方面，产线级与车间级数据源自可编程逻辑控制器（PLC）、分布式控制系统（DCS）、人机界面（HMI）、远程终端单元（RTU）等控制与监控系统。数据类型包括多设备数据、控制系统数据和网络参数数据等，具备实时性强、数据体量大、多源异构且关联度高等特征。例如在半导体晶圆制造产线，数百台设备每秒生成数千个工艺参数点，每秒数据交换近百万次。该层级应重点考虑分布式高并发采集、全链路数据质量清洗、湖仓一体化管理等措施，实现产线级数据的实时汇聚、质量可控和关联可用。
在模型部署方面，产线级与车间级多采用小模型，主要部署在边缘侧，用于实现产线异常检测、能耗分析和代码生成等任务。例如产线异常检测模型应具备多参数关联分析和低时延响应能力，须在秒级时间窗口内完成状态识别、风险判断和建议生成，并通过控制数据边缘推理实现指令快速下发，保障异常风险及时处置和产线工艺连续运行。
在智能体应用方面，产线级与车间级主要包括产线异常检测、协同控制和工控代码生成等场景，推动产线管理从人工巡检、手动配置向实时监控、自动配置转变。例如某公司应用的工控代码智能体，能够基于具体项目配置和产线状况，自动生成与下发工控代码，将研发周期从数周缩短至小时级，极大提升产线开发效率和工程响应速度。
（三）工厂级实施路径
工厂级聚焦工厂内部生产运营管理能力建设，融合人、机、料、法、环等多维数据，支撑生产调度、资源协同、物流优化、安全管控等业务环节的高效运行。
在数据治理方面，工厂级数据源自计算机辅助工程（CAE）、制造执行系统（MES）、设备管理系统（EMS）、仓库管理系统（WMS）等。数据类型包括管理数据、工艺数据、作业过程数据、物料数据、计划数据、安全环保数据、质量数据等，具备流程关联性强、多模态异构、时空复杂度高和业务逻辑深度耦合等特征。例如半导体工厂流水线出现不合格品时，需关联入库记录、操作记录、工艺参数，定位质量异常原因，单厂每日数据可达10TB以上。该层级应重点考虑多源数据融合清洗、业务规则关联标注、时空索引构建等策略，提升工厂级数据的可关联、可解释和可复用能力。
在模型部署方面，工厂级多采用大、小模型协同架构，通过云边协同部署，同步实现产线实时响应与工厂全局优化。例如，在汽车整车工厂中，焊装、总装环节的设备异常检测、安全风险识别等任务，采用边缘侧小模型部署实现毫秒级推理响应；整车订单插单、工序产能波动与多产线节拍协同等任务，则采用云端深度学习模型部署，实现对生产计划、设备资源、物料供应的全局推理与决策优化，预计生产计划成本降幅达30%。
在智能体应用方面，工厂级包括工厂资源协同分配、物料协同调度、生产智能排产、安全风险监控预警等场景，推动工厂管理从流程驱动向数据驱动、从人工协调向智能协同转变。例如，某制造中心开发的生产管理智能体通过整合工时、人员技能、生产履历和设备运行等数据，动态调整员工生产任务，减少工时损失19%；实时检测产线作业过程，缩短异常处置和通报时间50%，平均生产力提升10%。
（四）企业级实施路径
企业级贯通研发、生产、供应、销售、服务等业务链路，融合财务、人力、供应链、经营管理、客户服务等价值链数据，支撑企业精益管理和战略决策。
在数据治理方面，企业级数据源自企业资产管理系统（EAMS）、企业资源规划系统（ERP）、供应链管理系统（SCM）、人力资源系统（HRMS）等系统。数据类型包括人力资源数据、供应链数据、调度数据、生产计划数据等，具备战略导向强和安全合规监管高等特征。例如大型船舶制造企业的核心设备选型数据与供应商信息实行密级分层授权管理，保障涉密数据在跨部门流转中的安全可控。该层级应重点考虑全域数据整合、合规嵌入治理、安全防护管控等策略，在安全合规前提下形成高质量全域数据资产。
在模型部署方面，企业级常采用大模型与小模型协同架构，使用云边协同部署方式，实现多目标自主协同优化，执行企业战略决策制定、经营管理等复杂任务。例如装备制造企业以云端大模型承接中长期采购策略推演等复杂任务，协同各工厂边缘节点本地实时推理预测订单交付风险，实现采购计划自动寻优与动态调整，库存水平和持有成本降幅高达35%。
在智能体应用方面，企业级包括经营利润预测、供应链协同调度、智能财务管理、产品碳排优化、人员技能任务匹配、经营风险监控与战略决策支持等场景，推动企业管理从局部业务优化走向全价值链协同。例如某企业管理云SaaS公司开发的智能经营管理智能体，帮助企业用户提升财务结算效率40%以上，提高人力配置合理性30%，减少供应链库存周转天数25%。
（五）生态级实施路径
生态级突破单个企业边界，基于跨企业协同策略与协同管理数据，推动联合研发、供需匹配、产业风险预警和产业链上下游资源协同。
在数据治理方面，生态级数据主要源自协同设计研发、协同采购、协同生产等平台与系统。数据类型主要包括协同策略数据和协同管理数据，表现为高价值、高敏感、强因果性和长时序依赖等特征。例如航空行业发动机制造商与航司共享发动机全生命周期数据，其中设计参数与运行失效之间的因果关联跨越数年甚至十年，直接关系发动机安全裕度与商业残值评估。该层级数据涵盖企业核心参数与运营机密，优先考虑跨域隐私计算互联与可信流通等治理策略。
在模型部署方面，生态级多采用大模型与小模型协同架构，使用云边协同或云云协同部署方式，执行跨企业资源共享、业务协作等复杂任务。例如电力行业源网荷储协同调度模型，云端汇聚各区域新能源出力及现货电价等数据，在边缘侧轻量化模型实时处理储能负荷等信息，实现源网荷储资源的协同优化与动态匹配。
在智能体应用方面，生态级主要包括产品敏捷联合研发、供需智能匹配、产业链供应链风险管控、碳足迹管理与资源循环等场景，推动产业生态从单点企业优化向跨主体产业协同转变。例如，某电子信息领域头部公司开发供应链协同管理智能体，构建面向全产业链的需求预测、零部件交付、生产制造、物流交付等全链路多智能体协同体系，决策效率提升30%，工作流程周期缩短50%。
三、人工智能赋能新型工业化发展建议
一是建设工业高质量数据集。构建标准化工业高质量数据集目录体系，支撑高效检索与供需匹配。完善工业数据质量评估体系，考察元数据完整性、场景适配性、可复用性与可扩展性等应用适配能力。建设工业高质量数据集可信数据流通基础设施，确保数据集可信可管可追溯，促进工业高质量数据集的精准管理、安全共享与高效利用。
二是加强算力资源建设与应用。优化算力资源的整体布局，科学规划算力基础设施集群，覆盖从企业云端到设备终端的全场景需求。加快建设设备到生态的多层级算力资源调度平台，推动实现统一运营、统一调度、统一运维的集约化管理。实现计算任务与数据在不同算力集群间的动态调度与最优部署，推动应用和数据在算力间的高效供需匹配、流动互通与迁移计算，形成覆盖广泛、供给灵活、使用便捷的算力服务。
三是强化模型场景适配。聚焦业务全流程核心环节，构建细分场景量化评估体系，科学遴选企业高价值应用场景；加强模型能力评测，结合差异化业务需求适配高性能模型；综合运用提示词工程、检索增强、分层微调、混合调优等技术路径打磨最优落地方案，切实提升人工智能应用落地实效。
四是深化工业智能体应用评测。健全工业智能体评测标准体系，突出工业场景适配性、安全可靠等核心评测维度；建设覆盖典型工业场景的专业化评测数据集，加快评测数据集公开共享，夯实评测基础支撑；研发智能化评测评估工具，全面提升工业智能体测试验证效率，助力工业智能体规范有序落地应用。
五是打造“工业互联网+智能体”融合范式。构建“工业互联网+智能体”新型“T”形架构，横向以工业互联网平台为依托，连接产业链上下游企业，实现供需对接、资源共享和产业协同；纵向以贯通各层级的智能体为支柱，实现产品研发设计、生产制造、运营管理和营销服务全流程。依托多层级智能体的纵向协同与工业互联网平台的横向生态化支撑，形成制造业全场景全链路闭环优化能力。
四、相关重点工作
工联院积极推动制造业企业数智化转型，取得了明显成效。
一是建设人工智能工业应用供需对接平台(平台网址：https://ai-bridge.cn)。平台面向全国31个省市制造企业开展线上线下供需对接服务，共汇聚5000余项优质供需资源，覆盖20余个重点行业和领域，形成130余个典型应用场景，促进约400个项目达成对接，已成为我国工业场景最多、供需资源最丰富的人工智能供需服务平台。
二是开展工业领域大模型/智能体应用评测。工联院构建“烽火”大模型工业应用评测体系，自主研发面向工业场景的大模型测试服务平台，现已完成近20个行业，200余个国内外大模型/智能体的综合能力评估评测，为制造业企业大模型选型与落地应用提供专业技术支撑。三是打造“智荐”品牌推广服务。
工联院以权威评测认证为核心根基，以公共服务平台为载体，聚焦生成式搜索引擎技术开展品牌价值赋能，为国内企业品牌出海提供支撑。截至目前，已助力50余家企业打造可信品牌，推动不少于20家企业品牌出海。
来源：中国工业互联网研究院
www.smartcity.team
