摘要：中国“人工智能＋制造”已经进入从概念探讨阶段到落地深耕的关键期，可从战略意义、突破方向、现实问题、中小企业困境、供给侧基础能力、安全底线等六个维度，系统探讨“人工智能＋制造”的中国实践。中国制造业凭借全球最完整的工业门类、超大规模应用场景和市场、全球领先的技术迭代速度三重独特优势，探索实现新旧动能转换与换道超车。在推进路径上，应优先在先导行业和关键痛点环节取得突破，着力解决质量稳定性，效率、柔性与成本的平衡性，供应链不确定性，绿色低碳压力等现实问题。针对中小企业应用人工智能面临的困境，可通过链主企业带动、单点突破、政府公共产品供给予以破解。对于“人工智能＋制造”存在的非对称优势，供给侧需补齐工业软件和行业大模型、工业数据要素、算力基础、复合型人才等基础能力。在鼓励创新的同时，应守好数据安全、系统安全、就业安全、伦理安全四道安全底线，坚持包容审慎监管，推动中国制造业在全球价值链中实现位置跃升。
人工智能加速与实体经济深度融合，深刻改变制造业生产模式和经济形态，成为驱动产业升级、重塑全球格局的关键变量。2025年12月，工业和信息化部等8部门联合印发《“人工智能＋制造”专项行动实施意见》提出，一端抓技术供给，推动“智能产业化”，一端抓赋能应用，加快“产业智能化”，整体壮大产业生态，促进人工智能科技创新与产业创新深度融合、人工智能技术与制造业应用“双向赋能”。当前“人工智能＋制造”已经从概念探讨阶段进入落地深耕的关键期。如何看待这一趋势，以及如何把握重点方向、破解现实难题、守住安全底线，不仅关系中国制造业能否实现新旧动能转换，也关系在新赛道上能否实现换道超车。本文从战略意义、突破方向、现实问题、中小企业困境、供给侧基础能力、安全底线等六个维度展开分析，尝试为“人工智能＋制造”的中国实践提供系统化分析框架和政策思路。
“人工智能＋制造”的战略意义
改革开放以来，中国制造业凭借规模优势和成本优势，用四十多年时间完成西方国家数百年工业化进程，成为举世公认的“世界工厂”。这一成就奠定了中国制造业的规模基础，也为“人工智能＋制造”的全面推进提供了不可或缺的场景和需求条件。进入新发展阶段，制造业全球竞争的底层逻辑正在发生重大转变。规模和成本的红利趋于收窄，技术创新和智能化水平正在成为决定产业竞争力的关键变量。“人工智能＋制造”为作为“世界工厂”的中国制造业，提供了一次新旧动能转换和换道超车的战略机遇——企业在竞争战略上跳出原有平台，选择新赛道，从而由跟跑变成并跑，在若干细分领域甚至实现领跑。
从全球价值链的视角观察，中国制造业长期处于全球产业链中低端，依靠劳动力成本优势和规模效应参与国际分工，而“人工智能＋制造”正在改变这一格局。当智能化制造能力成为核心竞争力，中国制造业有望在全球价值链中实现位置跃升——从“微笑曲线”底部的加工制造环节，向研发设计和品牌服务两端延伸；从对最终产品的加工组装，向生产技术知识密集的中间产品和最终产品同时升级。这一跃升一旦大规模实现，中国将由“世界工厂”向更高层次的制造枢纽转变，制造业的国际分工地位将由纵向为主转化为横向为主，从而实现结构性提升。从这个意义上说，推进“人工智能＋制造”是要在中国式现代化物质技术基础上，构筑动态比较优势的新支撑。
中国制造业的三重优势。一是中国拥有全球最完整的工业门类。中国是唯一拥有联合国产业分类中全部工业门类的国家，这意味着几乎任何人工智能应用都能在中国对应的产业链中找到落地场景，技术落地的链条衔接成本较低。完整的工业体系还意味着上下游企业的配套能力强、周期短、成本低，人工智能解决方案一旦在某个环节验证成功，便可以快速沿着产业链向上下游扩展。很多迁移到中国沿海地区的外资企业发现，中国投资环境的吸引力不仅在于电费成本低廉，更在于几乎所有的关键供应商、经验丰富的技术工人和高效率的物流网络，都可以在一小时车程内找到。
二是中国拥有超大规模的应用场景和市场。这一优势不仅体现在海量的工厂和生产线可以为人工智能技术提供丰富的落地场景、持续的测试和迭代空间，还体现在庞大的数据资源、海量的生产设备和工序产生出的工业数据，可以为工业人工智能模型训练提供充足语料。一方面，完整的产业链支撑，从工业传感器、算力硬件到工业软件、智能制造装备形成配套，均有利于人工智能解决方案快速集成落地。另一方面，广阔的内需市场使制造业转型升级需求旺盛，企业降本提质、柔性生产诉求强劲，催生可观的人工智能改造订单。同时，超大规模市场还意味着，即使是一个细分领域的人工智能应用，其市场体量也足以支撑持续的技术迭代和商业模式创新。
三是中国具有全球领先的技术迭代速度。中国制造业强大的产业链配套能力和工程化能力，使得人工智能技术从实验室到生产线的转化周期大幅压缩。一个创新想法从提出到落地验证，在中国制造业体系中的转化效率全球领先，中国已成为全球研发迭代的重要热土之一。例如，中国移动支付、智能家居的创新速度让全球瞩目，苹果公司研发的移动操作系统iOS系统在功能设计等方面也需追赶中国某些同类应用创新；大众汽车在安徽合肥成立了集团在德国以外首个全流程研发测试中心，实现整体研发时间节省30%。
三重优势叠加，构成别国难以复制的“中国底牌”，“灯塔工厂”的全球分布进一步印证了这一判断。作为智能制造的典型代表，“灯塔工厂”正在逐渐成为观察一个国家制造业水平与未来发展潜力的重要窗口。2026年公布的全球“灯塔工厂”新名单中，中国占比过半。这一数字背后，不仅是中国制造业体系优势的整体显现，也是人工智能技术与中国制造深度融合的阶段性成果。中国“灯塔工厂”数量持续增加，其标杆效应正在向全国乃至全球各行业扩散，表明在智能化技术发展条件下，中国正在成为全球产业转型升级的重要参与者，为全球经济实现良性循环提供有益参考。
国际角色的三重跃升。输出标准。中国从国际标准的执行者逐步转变为定义者，这意味着中国制造业正在从全球价值链的中低端向高端攀升。例如，海尔卡奥斯工业互联网平台自成立以来，持续筑牢工业互联网“连接底座”，打破设备、产线、企业与用户之间的信息壁垒，参与打造20座“灯塔工厂”，主导四大国际标准化组织制定标准，为工业人工智能应用落地筑牢坚实数字化根基。
输出方案。中国的智能化制造能力，已具备跨国输出和本地化落地能力。例如，工业富联越南工厂、中信戴卡摩洛哥工厂、联想墨西哥工厂和美的泰国工厂先后入选“灯塔工厂”，将中国经验推广至全球。这4座工厂覆盖亚洲、非洲、美洲等区域，在各自所在大洲或行业内均实现了“灯塔工厂”建设的突破，表明中国智能制造方案已具备跨区域、跨行业的广泛适应性。
输出绿色范式。2024年10月8日，世界经济论坛发布全球最新一批“灯塔工厂”名单中，全球新增的3家“可持续灯塔工厂”全部位于中国。在全球碳中和的大背景下，中国绿色制造的发展理念、政策措施、技术手段具有全球引领性示范价值。
“人工智能＋制造”的突破方向
人工智能与制造业的深度融合，需要明确优先突破的重点方向。从行业与环节两个维度协同推进，是精准定位突破口的关键路径。在行业维度上，应聚焦产业基础扎实的领域。“灯塔工厂”的分布对此给出清晰的信号。当前，中国的百家“灯塔工厂”主要集中在新能源汽车、电子信息、家电、高端装备、动力电池等领域。这些行业具有产业链条长、上下游环节众多、积累了海量生产数据的共同特征。一方面，这些领域应用场景密集，人工智能技术应用拓展能产生显著效果；另一方面，这些领域产业基础好，企业具备投入能力和技术积累。以宁德时代为例，其依托人工智能和柔性自动化技术，将单体电芯产出提升至1.7秒一个，缺陷率降低至十亿分之一，发挥了行业标杆的示范效应。其他行业由此循序推开，便有了可复制的样板和路径。选择这些行业先行突破，是因为其具备人工智能落地的最佳投入产出比，能够快速地将技术优势转化为产业竞争力。
在环节维度上，应从痛点环节切入。全链条智能化投入成本较高且见效慢，易使企业陷入资本支出过大、现金流阶段性紧张的投入产出失衡困境。以三一重工北京桩机工厂为例，其做法具有启示意义。这家工厂跳过建设样板间的老路，聚焦大型重载工件柔性装配这一关键瓶颈，利用人工智能视觉技术与焊接机器人相结合的方式解决问题。从研发设计、生产制造到供应链、售后服务，每个环节都有人工智能切入的空间。关键在于企业要找到自己的切入口，将一个环节突破之后，再带动整条线、整个面。这种从点到线再到面的推进路径，符合技术扩散的一般规律，也符合企业风险管理的现实需要。
与此同时，政府应以分类施策、梯次推进来推动“人工智能＋制造”。针对“灯塔工厂”所在的先导行业，要加大支持力度，推动从单点应用向全链条智能化延伸；针对传统产业，要鼓励从痛点环节入手，积累经验后再逐步推广；针对基础尚不具备条件的行业，要做好基础设施和数据底座的建设工作，为后续应用创造条件。这种行业选择的背后有一套清晰的逻辑。那些产业链条长、数据积累厚、应用场景密集的行业，人工智能技术的边际产出最高。在这些领域取得突破后，形成的经验、标准和工具可以沿着产业链向其他行业溢出。反之，如果选择基础薄弱的行业作为突破口，投入大产出小，会挫伤企业的积极性。需要优先突破的是形成可复制的路径，而非制造孤立的标杆。这也是“灯塔工厂”集中在新能源汽车和电子信息等领域的原因。
值得注意的是，在实践中要防止两种倾向。一方面，要防止急于求成，搞全面智能化的形象工程，投入大量资金却收效甚微；另一方面，要警惕观望等待，在技术变革的时间窗口前犹豫不决，错失先发优势。有效市场和有为政府相结合，在其中的作用尤为突出。正确的方式是因地制宜、因企施策，让市场在资源配置中发挥决定性作用，让政府在公共产品供给和制度环境建设上更好发挥作用。
“人工智能＋制造”面临的现实挑战
人工智能赋能制造业，归根结底要回到能否切实解决企业的真实问题上。当前，人工智能赋能制造业，迫切需要解决四类现实问题。
质量稳定问题。中国制造业拥有庞大的工匠群体，但技能的传承正面临代际断层。老师傅数十年的眼力和手感，所蕴含的是难以编码的隐性知识，这种知识难以用显性知识的方式表达和系统传承。一旦老师傅退休，这些知识便面临失传的风险。人工智能视觉技术则能够把这种隐性经验转化为可编程的工业软件。以美的微波炉顺德工厂为例，其将质检员观察微波炉内胆缺陷的手感经验制作成可编程的工业软件，让工匠经验从“独门绝活”变成可编码、可复制的无形资产。对于我国而言，工匠群体庞大但技能传承出现断层，这一转变意味着人力资本可以通过数字化的方式被沉淀和积累，从而跨越传统师徒制的传承瓶颈。经验编码化还带来附带效应，即质量标准的一致性得到大幅提升，产品间的质量波动也趋于收敛。
效率、柔性与成本的平衡问题。过去推行多品种、小批量生产意味着成本上升，企业在效率、柔性和成本的“不可能三角”之间只能兼顾其二。人工智能排产结合数字孪生技术，使大规模定制在成本上趋于中性成为可能。这一突破是中国制造从低成本转向高价值的微观基础。柔性制造能力的提升，直接关系中国制造业能否在全球供应链重组中占据更有利位置。当全球采购商越来越倾向于小批量、多品种、快交付的采购模式时，柔性制造能力便成为企业获得订单的关键变量。
供应链不确定性问题。近年来，随着地缘政治冲突不断加剧、贸易摩擦频发，供应链的响应速度上升为企业生存的关键因素。人工智能技术使企业能够在波动环境中，实现更精准的供需匹配和更迅速的供应链调整。例如，联想墨西哥制造基地部署了生成式人工智能技术后，交付周期缩短85%，物流成本降低42%。这体现的是实实在在的抗风险能力。在逆全球化思潮抬头、地缘政治冲突持续的背景下，供应链韧性已成为制造业核心竞争力的重要组成部分。谁能在不确定性中保持供应链的灵活性和响应速度，谁就能在动荡的市场环境中站稳脚跟。
绿色低碳压力。全球碳规则正在从软约束转变为硬约束。欧盟碳边境调节机制（CBAM）已于2026年1月1日起正式实施，这对出口型制造企业提出更高的技术合规要求。当前，我国在低碳制造领域的技术突破面临诸多挑战，包括算法适配性、数据管理与安全性、体制机制障碍及人才短缺等问题。国际领先企业的实践为我们提供重要参照。以施耐德电气无锡工厂为例，其运用数字孪生和智能能源管理等前沿技术，在短短两年内将范围1和范围2的碳排放量减少90%，还带动270多家中国供应商平均减碳42%。在人工智能赋能下实现绿色转型，意味着制造业可以在环保合规与经济效益之间找到平衡点。
上述四个问题共同指向一个重要判断，即人工智能赋能制造业的关键价值，在于将过去依赖个体经验的“手艺活”转化为可编码、可复制、可规模化的系统能力。这种转化一旦完成，中国制造业的竞争优势便将从劳动力成本优势升级为智能化系统能力优势。这也是新质生产力在制造业领域的具体体现。全要素生产率的提升，在“人工智能＋制造”的框架下找到了技术路径和微观基础。
从政策角度看，这四个问题的解决路径各不相同，但有一个共同的支撑条件——数据基础设施的完善。质量稳定需要质检数据的积累，柔性制造需要生产数据的实时采集，供应链协同需要跨企业数据的顺畅流通，绿色低碳需要能耗数据的精细化管理。数据基础设施是人工智能赋能制造业的底层支撑，也是政府应当优先投入的公共产品领域。加快工业数据基础设施建设，应成为推进“人工智能＋制造”的重要政策抓手。
中小制造企业应用人工智能面临的困境与破解之道
如何在中小制造企业应用人工智能，是“人工智能＋制造”落地的最大难点。实地调研发现，中小企业在应用人工智能时普遍面临三重困境：一是“不敢用”，即对投入后能否看到回报心存顾虑；二是“不会用”，即缺人才、缺数据、缺懂行的服务商；三是“用不起”，即应用人工智能可能面临预算紧张、回报周期偏长的风险。在这三重困境叠加下，宏观环境看似热火朝天，但中小企业车间里仍静悄悄。这种现象是“人工智能＋制造”从局部示范走向全面深化的突出瓶颈。中小企业占中国企业总数的绝大多数，也是吸纳就业的主渠道。如果“人工智能＋制造”只停留在头部企业的样板间里，那么这种“盆景”就无法转变成“风景”，也就无法实现全行业的转型升级。破解这一困境有三条路径：
链主企业带动，搭便车融入。例如，海尔卡奥斯工业互联网平台累计链接90万家企业、赋能企业16万家。推动链上的中小企业使用链主企业平台、调适模型、对接接口，可帮助其化解“从零起步难”的困境。相较于让中小企业自己摸索，这种链主带链上的方式效率更高。链主企业的平台化输出，实质上是将大企业的数字化能力向产业链下游溢出。这既是市场行为，也兼具公共产品属性。政策上，应当鼓励链主企业开放平台能力，并给予适当财税激励。产业链的链主治理方式在这里找到了新的实践场域。链主企业的平台化输出，本质上是在产业链层面进行资源优化配置，从而降低链上企业的交易成本和技术门槛。
单点突破，小步快走。从一个质检环节、一个能耗管理环节入手，先把效益做出来，再向上下游拓展。中小企业不宜起步即规划整体性“工业4.0”样板间，这更适合实力雄厚的大企业。单点突破的优势在于投入可控、风险可控、效果可验证。一旦在某个环节验证了投资回报，企业便会逐渐增强向更多环节推广的信心和资金。这种渐进式推进的策略，更符合中小企业的资源禀赋和决策逻辑。
政府扶持，降低门槛。政府可以通过向中小企业提供智能制造相关服务的补贴、贷款贴息、共性技术平台、公共数据集等方式，降低企业入门门槛。鼓励有条件的地方建设工业云平台，让中小企业通过以租代购的方式，按需付费使用算力和模型。降低门槛的关键在于改变中小企业的成本结构——将一次性资本投入转化为持续性运营支出。这需要财政政策、金融政策和产业政策的协同发力，形成组合拳。政府扶持的重点应当放在公共产品供给上，如共性技术平台、公共数据集、算力基础设施等，避免直接干预企业的技术路线选择。
从更长远的视角看，中小企业应用人工智能的困境，本质上是数字化转型中的市场失灵问题。中小企业个体对人工智能的投入所产生的收益具有正外部性——整个产业链的智能化水平都将因此提升。但若中小企业难以将这种正外部性转化为自身收益，就会导致在市场机制下其自发投入不足。为此，需要政府的介入来弥补市场失灵，通过公共产品的供给和财税激励，将正外部性转化为企业应用人工智能的内在动力。政府介入的合理性，取决于其能否矫正市场失灵并有效提供公共产品。
“人工智能＋制造”需要供给侧补齐的基础能力
中国实施“人工智能＋制造”存在一个非对称优势——应用场景全球最为丰富，迭代速度位居前列，但在底层技术上却存在一定短板。这一现状要求中国作出策略选择——利用全球最大的制造基地和海量应用数据，在效率与应用层面积累充分优势，同时在关键底层技术上加快补齐短板。基于此，供给侧亟须补齐四块基础能力。
工业软件和行业大模型。计算机辅助设计（CAD）、计算机辅助工程（CAE）、制造执行系统（MES）、电子设计自动化（EDA）等工业母机级别的软件，仍需加快自主突破。当前这些领域仍存在技术堵点，制约着制造业智能化向纵深推进。与此同时，要把行业知识注入大模型，打造出真正具备工业级智能水平的工业机器人。当前通用大模型在制造业的落地效果有限，关键在于行业知识的深度注入不足。工艺参数、设备模型、质量控制规则等行业特有的知识，需要通过专业训练，才能使大模型具备可靠的工业场景服务能力。政策上，应当鼓励头部制造企业牵头建设行业大模型，支持工业软件企业与制造企业开展深度协同，加快突破关键软件的技术瓶颈，在工业软件这一工业母机级领域实现自主可控。
工业数据要素。数据是新时代的关键生产要素，当前工业数据分散在各个企业，难以汇聚和有效利用。为此，要构建行业级、产业链级的数据空间和共享机制，真正盘活数据要素。数据确权、数据定价、数据流通等环节需要制度层面推动突破。特别是在跨企业、跨供应链的数据共享场景中，清晰的权属规则和保护机制是必不可少的前提条件。缺少这一前提，数据要素的活力便难以有效释放。要推进工业数据分类分级制度建设，建立面向制造业的数据流通交易规则，形成企业敢共享、愿共享、能受益的制度环境。
算力基础。算力是人工智能赋能制造业的基础引擎，要夯实工业现场需要的边缘算力和专用人工智能芯片，让中小企业也能以合理成本利用算力。当前，算力资源主要集中在大型科技企业中，中小企业的算力获取成本偏高。推动算力普惠需要两个方向同时发力。一方面，通过建设区域性工业算力中心，提供面向制造业的算力服务，有效降低中小企业的算力使用门槛；另一方面，通过发展边缘计算和专用人工智能芯片，推动算力下沉到工业现场，满足低延迟、高可靠的实时计算需求。
复合型人才。目前，既懂工艺又懂人工智能的复合型人才在市场上仍较为紧缺，已成为制约行业转型的突出短板。针对这一瓶颈，部分企业已探索出各具特色的人才培养路径：江苏太仓的德资企业通过与学校合作，直接培养企业急需的人才；富士康与高校联合开办工业互联网研修班；海尔推进产教融合。应推动全社会共享这些成功经验，形成可复制、可推广的模式。人才是“人工智能＋制造”的基础能力，积累非一日之功。政策上，应支持产教融合、校企共建，鼓励企业建立内部人工智能人才培养体系。此外，人才培养是一个长周期过程，需要有耐心和持续投入，急于求成会适得其反。
上述这四块基础能力之间存在内在的关联和递进关系：工业软件是工具，工业数据是原料，算力是引擎，人才是驾驶者，四者缺一不可，协同发力才能形成完整的基础能力闭环。在政策设计上要有系统集成思维，避免各自为政、碎片化推进。可考虑依托产业链链主企业，建设集软件、数据、算力、人才于一体的行业级人工智能能力中心，形成面向中小企业的公共服务能力，这种集成式供给模式，相较于分散、单项的扶持政策更具效率。
“人工智能＋制造”需要守住的安全底线
鼓励创新和守住安全在本质上是统一的，关键在于“放得活”与“管得好”的有机统一。在监管思路上，要坚持包容审慎原则，推动监管方式持续创新。如大面积推行“沙盒监管”等方式，为人工智能与制造业融合催生的新业态、新模式保留观察期和试错空间。对于底线问题，则要提前设防，等到问题暴露再补救则为时已晚。具体而言，有四道安全底线亟须守好。
数据安全。制造企业的工艺参数、配方数据是核心商业机密。在跨企业、跨链流通时，必须配套清晰的权属规则和保护机制。数据安全的要害在于使企业敢把数据拿出来共享。这需要在制度层面进行顶层设计，包括数据分类分级制度、数据流通交易规则、数据安全保护机制等。在数据要素市场建设的大背景下，工业数据的安全流通应当作为优先突破的方向。必须正确处理好数据共享与数据保护的关系——既要让数据要素的活力充分释放，又要守住企业核心利益的安全底线。
系统安全。人工智能接管生产线后，一旦遭遇攻击或者发生算法错误，就可能造成整条产线停摆。智能驾驶网络如果被入侵，后果将更为严重。因此，要把网络安全、算法可解释性作为前置条件，嵌入系统设计的初始环节。工业互联网安全是“人工智能＋制造”的隐性基础设施。当前对这一领域投入仍相对不足，亟须引起高度重视。要建立工业互联网安全标准体系，推动安全技术在人工智能制造系统中的嵌入式应用，做到安全与效率同步规划、同步建设、同步运营。
就业安全。人工智能对一线操作岗位形成替代是客观趋势，但必须确保一线工人能够跟得上技术升级的步伐。例如，郑煤机集团把蓝领工人培训成为智能设备的操控者、数据分析者，使劳动者与技术一同升级，这样的“灯塔工厂”才能起到社会减震器作用。就业安全涉及社会稳定，需要人社部门、教育部门和产业部门的协同配合，关键在于建立面向人工智能时代的新型劳动力转型培训体系，帮助工人在技术变革中实现能力升级和岗位转换。这既是社会政策的底线要求，也是产业升级的人力资源保障。
伦理安全。对于人机协同的责任边界、人工智能决策的合规边界等新问题，要超前研究、超前立规。人工智能在制造业中的决策权正日益扩大，从排产调度到质量判断，从设备维护到安全预警，覆盖范围不断扩展。当人工智能决策出现错误时，责任如何界定；当人机协作发生事故时，过错如何划分——这些问题需要提前开展研究和立法准备。要在鼓励创新的同时，建立人工智能决策的可追溯机制和责任认定框架，为行业健康发展提供制度保障。
与此同时，在监管思路上要把握好“放”与“管”的辩证关系。对创新应用领域，要留足试错空间，鼓励企业大胆探索；对安全底线领域，要提前设防，建立事前预防、事中监控、事后追溯的全生命周期监管机制。“有效市场”与“有为政府”在这里应找到最佳结合点。政府要有所为、有所不为——在安全底线和公共产品供给上，必须积极作为；在技术应用选择上，则要给市场留足空间。
此外，安全底线的界定与维护已超越单一国家范畴，呈现显著的跨国属性。在全球技术竞争日趋激烈的背景下，人工智能融入制造业系统的安全标准、数据跨境流动规则、人工智能伦理框架，正在成为国际博弈的新焦点。中国应当在坚守自身安全底线的同时，积极参与国际规则制定，推动形成公平合理的全球人工智能治理框架。只有把安全治理做扎实，中国所输出的标准和方案才更具有国际公信力和影响力。
刘志彪，南京大学长江产业发展研究院常务院长、教授、博士生导师。研究方向为产业经济、区域经济和全球价值链问题，主要著作有《经济全球化与中国产业发展》、《新发展格局下全国统一大市场建设》、《产业经济学》（编著）等。
来源：《学术前沿》杂志2026年第15期（注释从略）
