党的二十届四中全会通过的《中共中央关于制定国民经济和社会发展第十五个五年规划的建议》（以下简称《建议》），提出“促进制造业数智化转型”。数智化转型作为数字化转型2.0版，是对数字化转型的继承与发展，是大势所趋，是人工智能时代重塑制造业核心竞争力的必然选择。工业和信息化部、中央网信办、国家发展改革委等八部门印发《“人工智能＋制造”专项行动实施意见》，强调要“加快推进人工智能技术在制造业融合应用，打造新质生产力，全方位、深层次、高水平赋能新型工业化”，进一步为人工智能赋能制造业高质量发展提出了明确要求。

当前，人工智能技术的创新应用正深刻改变制造业生产模式和经济形态，成为驱动产业升级的关键变量。根据工业和信息化部统计数据，2025年我国智能算力规模达1590 EFLOPS，人工智能企业数量超过6000家，核心产业规模预计突破1.2万亿元。以人工智能为代表的数智技术，已应用于钢铁、有色、电力、通信等重点行业，并逐渐深入到产品研发、质量检测、客户服务等重点环节。面向“十五五”，需抢抓人工智能发展的重大机遇和变革趋势，充分把握制造业数智化转型的范式变革与作用机理，有效破解数智化转型进程中的堵点问题，持续深化人工智能在制造业领域的融合应用，全面推动“中国制造”迈向“中国智造”。

一、制造业数字化向数智化跃变的时代背景

推动制造业数字化向数智化迈进，是国家战略部署的明确要求，充分契合了新一轮科技革命与产业变革趋势，对于加快现代化产业体系建设具有重要意义。

（一）从数字化向数智化跃变，是引领高质量发展的战略决策

数智化是数字化和智能化的融合，是数字化转型在更高维度、更高层次上的跃升和创新。《建议》中六次提到“数智”两字，特别指出要“促进制造业数智化转型”“加快人工智能等数智技术创新”。从“数字化”到“数智化”，一字之变，代表了信息技术范式的跃迁进步，代表了产业转型需求从“数字赋能”延伸至“智能重构”。在中国式现代化建设进程中，精准把握这一转型趋势，既是抢抓数字经济时代发展机遇的关键举措，更是推动传统制造业动能转换、引领实体经济高质量发展的核心路径。

（二）从数字化向数智化升级，是新一轮科技革命的必然趋势

习近平总书记强调“人工智能作为引领新一轮科技革命和产业变革的战略性技术，深刻改变人类生产生活方式”。人工智能是继蒸汽机、电力、互联网之后的又一项划时代的变革性技术，极大地提高了人类认识世界、改造世界的能力，正在引发生产方式、组织形式和商业模式的根本性变革，重塑全球发展范式与文明进步路径。人工智能与数据要素叠加融合，将进一步推动生产要素的高效率配置，引发生产力的巨大飞跃和生产关系的深刻变化，推动经济社会发展加快迈向数智化新阶段。普华永道在《人工智能将重塑全球价值创造逻辑》报告中强调，人工智能的真正价值不在于算法性能，而在于重新定义“价值创造”的逻辑。

（三）从数字化向数智化跃升，是建设现代化产业体系的必然要求

《建议》将“建设现代化产业体系”置于“十五五”时期战略任务首位。当前，人工智能对现代化产业体系建设的放大、叠加、倍增作用逐步彰显。推动数字化向数智化转型，一方面，可通过数智技术全方位、全链条的普及应用，改造提升传统产业，实现提质降本增效。例如，南京钢铁搭建“元冶·钢铁大模型”，赋能料铁、铁钢、钢轧及客户四大场景智能升级，实现产业链总成本降低9%，交付周期下降15%。另一方面，可引导新技术创新从经验驱动、理论驱动、计算驱动，演进到“数据+AI”驱动的“第四范式”，实现新材料、新能源、脑机接口、具身智能等前沿领域创新的颠覆性变革，激活新兴产业和未来产业发展动能。例如，Google公司的新材料大模型发现528种潜在锂离子导体，将研究效率提升25倍，并已应用于固态电池研发过程中。

二、数智化推动制造业范式变革

数智化浪潮下，人工智能等数智技术推动制造业实现技术创新、生产制造、组织管理等方面的范式变革，深刻重塑制造业的生产方式、组织形态和商业模式。

（一）技术创新范式变革：从经验依赖到虚实交融的智能驱动

人工智能技术正在打破虚拟与现实的边界，推动技术创新范式发生根本性变革。通过打通物理空间与数字空间，人工智能驱动技术创新活动从“经验+物理实验”的传统模式，转向“数字仿真+智能优化+反馈验证”的虚实交融新模式。传统制造业研发高度依赖技术人员的经验储备与反复试验，存在研发周期长、试错成本高、成果转化效率低等痛点；而人工智能通过构建高精度数字模型，可实现产品设计、工艺优化、仿真模拟、性能验证的全流程数字化与智能化，大幅压缩研发周期、提升研发精度、降低试验成本。例如，AlphaFold通过虚拟空间的蛋白质结构仿真预测，极大地加速了药物研发进程。

（二）生产制造范式变革：从时空约束到实时全局优化

人工智能技术突破了制造业生产过程中的时间与空间限制，推动生产制造范式从离散、被动、局部改进向连续、主动、全局优化跃迁。在时间维度上，人工智能通过实时分析海量历史数据，动态优化工艺参数和生成流程，实现预见性调整与精准控制；在空间维度上，人工智能支持多工厂联动、区域产能智能调配及全产业链高效协同，通过远程智能运维实时监测设备运行状态并预判故障风险，大幅提升设备管理效率与稼动率。这种时空维度的双重突破，重塑了制造系统的运行机制，推动构建全局最优、动态适配的智能化生产体系。

（三）组织管理范式变革：从线性链式到动态协同生态

人工智能技术打通了制造业产业链上下游的供给与需求壁垒，推动组织管理范式从传统的线性链式结构向动态协同的产业生态网络转型。传统供应链受“牛鞭效应”困扰，需求响应滞后，易引发库存积压或短缺。人工智能驱动的智能协同中枢，能够实现供应链全链路数据的实时共享与智能分析，推动消费者、供应商、生产商、服务商等多方主体深度参与产业链协同。一方面，消费者可通过数字化平台深度参与产品设计并实时反馈，企业据此实现柔性制造、敏捷响应与服务模式创新；另一方面，产业链各主体通过数据共享实现需求互认、风险共担、资源互补，显著提升了产业整体的韧性与抗风险能力，形成需求牵引、快速迭代、协同高效、韧性可持续的新型组织管理形态。

三、制造业数智化转型面临的关键挑战

当前，人工智能的预测成果数量呈现指数级迅猛增长态势，但人类的验证能力和产业化能力却呈线性增长，这种结构性矛盾就像“堰塞湖”一样堵塞了科学发现转化为实际应用的通道，引发了制造业领域数据治理难、模型训练难、场景落地难等一系列现实问题，亟待有效破解。

（一）数据治理难：工业数据要素的潜力未能充分发挥

算力、算法和数据是人工智能发展的三大核心要素。人工智能的应用依赖长期稳定、连续一致的数据输入，需要高质量的数据供给。当前，虽然我国数据潜力大，工业领域数据应用场景拓展迅速，但数据产存转化不足、数据使用程度不高、高质量中文语料匮乏等问题突出，导致工业数据要素潜力无法充分发挥，数据治理的水平有待进一步提升。具体体现在，一是数据获取难，数据高度分散于企业内部，“数据孤岛”现象严重。企业IT资产种类繁多、来源多样、协议标准不统一，导致数据异构性问题突出，难以实现统一交换与共享。二是数据质量参差不齐，工业生产环境复杂多变，数据噪声和异常值较多，设备故障、传感器失效等问题导致数据缺失和不完整现象普遍存在，制约了人工智能应用能力的提升。

（二）模型训练难：“工业黑箱”制约通用大模型定制适配

人工智能赋能制造业发展需要工业模型的关键支撑，但当前工业领域中部分设备、系统或技术内部机理复杂、机制不透明，只能依靠经验仿真控制，存在很多难以理解与干预的“工业黑箱”，制约了人工智能通用大模型的泛化适配。一方面，新技术开发、现有工艺优化等工作大量使用稳态假设，且需要经过反复实验验证，导致通用大模型难以适应复杂工况且应用验证周期偏长，进而影响改造升级进程。另一方面，人工智能模型在复杂科学逻辑推理、知识深度整合上仍显不足，模型的“黑箱”特性加剧了过程调优困难、设备维护与诊断不及时、安全与可靠性风险高等问题，最终削弱模型在特定领域、特定场景的精准适配能力。

（三）场景落地难：人工智能应用尚未深度触及工业场景

当前，人工智能在企业的应用总体呈现微笑曲线特征，应用落地节奏呈现两端快、中间慢的趋势，主要集中在营销服务、管理运营等通用性较强的环节，尚未深入触及工业关键流程控制、排产调度、参数优调等生产制造核心环节，难以形成体系化应用。究其原因，一方面，工业场景容错率较低，工业生产场景对稳定性、可靠性的要求极高，人工智能、工业大模型一旦发生细微差错，很可能导致产品质量下降和生产线停工，甚至引发安全生产事故，制约工业企业发展。另一方面，工业制造往往由多个工业系统和设备组成，将大模型技术整合到现有质量控制、工艺优化环节中，需要系统改造，解决兼容性、通信等问题。此外，不同行业的产品类型不一、零部件型号繁杂，应用场景千差万别、标准化程度低，特定行业训练的大模型很难泛化到其他行业。

四、制造业数智化转型的对策建议

“十五五”时期，立足制造业智能化、绿色化、融合化发展的内在要求，要深化人工智能在制造业领域的融合应用，聚焦突破关键技术瓶颈，夯实高质量数据基础，推动企业实施场景化改造，强化标准引领保障作用等方面持续加快建设，为推进新型工业化注入强劲动力。

（一）推进数智化技术突破

把握人工智能发展机遇，强化基础研究前瞻布局，以有组织科研推进多模态智能、群体智能等原创理论突破，形成面向工业场景的系统化人工智能理论与方法体系。加快建设人工智能自主实验室，大力推动实验室硬件开源化、软件模块化以降低成本，探索多智能体协作的“联合科学家”新模式，促使更多科技成果尽快转化为现实生产力。强化人工智能算力供给，重点突破跨域算力协同、异构算力融合等关键领域，支持攻关高端训练芯片、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，构建自主可控的技术底座。充分发挥《数字化转型》等学术载体的科技创新策源作用，强化企业出题、人工智能与科研团队答题的协同机制，使创新更贴近产业需求。

（二）夯实高质量数据基础

强化高质量数据支撑作用，推动专业化工业数据集建设。支持多主体开展高质量行业数据集建设，联合国家实验室、国家科研机构、高水平研究型大学、科技领军企业等国家战略科技力量，引导优势行业链主企业、地方龙头国有企业、人工智能园区基地、龙头数据服务商等多主体，围绕特定领域和场景，协同建设和储备一批高质量数据集。积极探索数据共享机制，鼓励龙头企业和行业协会牵头，建设行业和企业级可信数据空间，构建多方互信的数据流通利用环境，协同上下游主体开放共享数据资源。同时，在数据的流通与使用过程中，应根据数据性质和用途，统筹好开源和闭源的关系，确保数据的充分利用和安全保护，充分释放数据要素价值，提升数据治理能力。

（三）加快场景化改造实施

聚焦制造业细分场景，发挥人工智能技术在重点应用场景中的“连接器”作用，分类推进数智化改造落地。一方面，引导企业以数字化转型场景图谱为参考，以提升企业实际生产经营能力和盈利水平为衡量标尺，进一步解耦人工智能技术赋能转型所需的数据要素、知识模型、工具软件、人才技能等关键数字化要素，参照行业场景数字化转型路径图谱，通过场景链打通工具链、数据链，与实际业务流程充分融合，以标准化的方式推动场景解决方案应用。另一方面，优先推进高价值场景的应用，聚焦效率革命、复杂性决策、个性化需求及用户新体验等，加快隐性知识显性化，将老师傅的操作经验、专家的工艺知识转化为可复制、可传承的算法模型，打破个体能力的局限。

（四）发挥标准化支撑作用

加快建立人工智能预测结果评估标准体系，该体系覆盖稳定性、准确性、可合成性等维度，为人工智能研究成果筛选提供可信标尺。依托全国两化融合标委会（SAC/TC573）等标准化技术组织，将重点行业转型所需的智能连接、智能建模、智能控制、智能调度等技术难点转化为标准创新重点，加强工业数据集、垂域模型、工业智能体等数智化标准的联合攻关和规模应用。加快工业数据标准规范的建设，围绕工业重点领域、典型场景和关键环节，制定数据资源管理、安全保障、基础设施建设和技术产品等相关标准，强化标准的推广应用，推动行业数据的规范化管理。

五、总结

从“数字化”到“数智化”，一字之变，加速了制造业发展动力、生产模式、支撑要素和组织方式等范式的变革。人工智能作为引领新一轮科技革命和产业变革的核心驱动力，正在深刻引领制造业实现技术创新、生产制造、组织管理的范式变革，促进制造业实现数智化转型升级。但同时需要看到，在人工智能驱动制造业高质量发展的过程中，应高度重视数据治理难、模型训练难、场景落地难等问题，并通过综合施策加以解决。下一步，应围绕推进数智化技术突破、夯实高质量数据基础、加快场景化改造实施、发挥标准化支撑作用等方面，推动人工智能在更广范围、更深程度、更高水平上释放融合赋能效应，为制造业转型升级提供坚实基础。