人工智能技术与制造业的深度融合，是培育新质生产力、推动新型工业化建设的关键抓手。当前，以大模型为代表的新一代AI技术加速突破，并逐步渗透到制造业的全链条之中，在效率提升、模式变革等方面释放出显著价值，为制造业转型升级带来了前所未有的历史机遇。本期民企会客厅聚焦“如何推动人工智能与制造业双向赋能”这一话题，邀请多位深耕人工智能与产业融合领域的专家与您共同探讨。
本期主持：魏晓芳
嘉宾名片：
AI的应用并非简单“上系统”
主持人：当前AI在制造业落地过程中，最主要的瓶颈和挑战是什么？
陈奕泉：从实践经验来看，服务制造业最大的瓶颈往往不在于技术，而在于管理和意识。许多企业误以为数字化转型就是购买软件、安装设备，却忽略了背后的组织变革、文化重塑和人员的转型。制造业根植于物理世界，要跨越到数字世界，必须由“一把手”牵头推动管理变革。现实中，不少企业的IT部门处于边缘位置，业务部门缺乏参与，AI的准确率无人评判，项目失败也就不足为奇。突破的关键在于“转意识”和“转组织”，让业务骨干对AI的应用效果负责，形成持续运营机制，而非只是上一套系统。
林涛：最核心的瓶颈在于算据（指经处理后可直接用于AI模型开发、训练和应用的数据集合），取决于企业是否拥有高质量的数据支撑。很多制造业企业积累了大量纸质、图片或格式不统一的零散数据，但未经提取、清洗、转换，无法形成高质量的数据集。比如故障数据，如果企业之前故障数据写得非常简单，就不能算为高质量数据。没有高质量的数据，再强大的算力和算法也难以让AI变得“聪明”。所以，企业要沉下心来做数据治理，这是AI落地的基石。
周振华：挑战主要体现在场景的复杂性和专业知识的融合上。制造业流程长、环节多，不同行业的差异很大，比如化工领域的工艺优化与装备领域的设计辅助，所需要的模型完全不同。瓶颈在于如何将行业“工业机理”与AI技术深度融合。在突破路径上，企业应当聚焦高频、刚需的场景，如设备运维、质量检测等，从这些点切入，快速验证价值，而不是一开始就追求大而全的系统。同时，要重视工业知识库和高质量数据集的构建，这是垂直行业模型真正可用的前提。
AI渗透进“研产供销服”全流程
主持人：AI在制造业有哪些成熟的落地场景？能为企业带来哪些实际的价值？
陈奕泉：AI在制造业的落地，必须建立在扎实的数字化转型基础之上，应用方向围绕企业“研产供销服”全流程展开，核心目标是提升决策效率、生产效率和供应链韧性。在生产环节，AI可以赋能智能车间实现自动化生产，例如华为的全自动手机生产车间，将单台手机生产时间从数分钟缩短至40多秒，提升生产效率；在供应链环节，AI结合数字化平台可实现全球供应链的智能调度，快速应对突发情况，避免合同交付延迟，增强供应链的抗风险能力；在管理环节，AI可应用于合同审核、智能问答等场景，自动识别风险点，提升合同处理效率和风险管控水平。
林涛：制造业中的AI应用已涉及营销客服、知识问答、文档处理、生产检修、智能制造、设备预测性维护等领域。例如AI智能问答助手，可以打通企业多领域的知识孤岛，实现信创环境适配，显著提升了知识检索效率；智能检修系统整合海量作业指导书和故障数据，查询问答准确率达90%以上，有效减轻了一线工程师的工作压力；智能诊断引擎实现了设备故障预测，将被动检修转为主动预防，降低了设备停机带来的经济损失。此外，AI在工业质检、合规风控、半导体良率提升、智慧农场巡检等场景中也已落地，实现了效率提升或成本降低。
周振华：AI在制造业的应用主要集中在研发设计、生产决策、设备运维、安全监管、无人巡检等核心环节。在研发设计方面，AI辅助图纸设计，使出图效率提升、设计成本下降，同时解决了人工设计中的误差和一致性问题；在生产决策上，我们为石油化工企业打造的AI辅助系统，融合了10万家装置的操作知识和150万条生产数据，使生产效率提升30%，实现了工艺异常预警和操作方案优化，5分钟参数预测准确率达90%。此外，AI在码头调度、光伏检测、泵机远程诊断等场景中也取得了良好效果。
让AI真正服务于企业发展目标
主持人：未来AI与制造业的融合将走向怎样的阶段？企业应如何规划自身的AI应用路径？
陈奕泉：企业推动AI与制造业深度融合，首先需要具备管理变革能力，其次是数字化基础能力，最后才是AI技术应用能力。在管理变革能力方面，要树立业务与技术双轮驱动的理念，使数字化和AI应用不再是IT部门的“独角戏”，而是全企业的战略行动。在数字化基础能力方面，要完成业务对象、流程、规则的数字化，打通企业内部的数据孤岛，搭建统一的数字平台，让数据高效流通，这是AI应用的基础。在AI技术应用能力方面，要以业务价值为核心，将AI技术与企业“研产供销服”各环节结合，搭建数字化运营团队，持续优化AI模型和应用效果。此外，企业需要“一把手”的高度重视和资源投入，将AI与制造业的融合纳入企业整体战略，让AI技术真正服务于业务目标的达成。
林涛：企业实现AI与制造业深度融合，核心要具备算力、算法、算据三大能力，其中高质量的算据是最为关键的。在算力层面，要打造算力底座平台，依托训练和推理两大解决方案，构建支撑AI应用的基础设施，使AI基础设施成为企业核心业务系统的有力支撑；在算法层面，要将算法转化为具象化的技术能力，通过平台、认知图谱等载体，让算法支撑各类AI场景的落地；在算据层面，要做好企业数据的治理工作，通过数据提取、清洗、转换，将离散、低质量的原始数据转化为标准化、高质量的有效数据，避免因数据质量问题影响AI应用效果。此外，企业还需要具备AI工程化服务能力的服务商，通过顶层设计、场景构建、路径规划、架构设计、评估优化等全流程布局，让AI技术真正贴合企业生产实际。
周振华：推动AI与制造业融合，核心要具备数据能力、平台能力、场景落地能力，同时依托外部生态补齐技术短板。在数据能力方面，要构建企业级的高质量数据集，做好生产、设备、工艺等全流程数据的采集、标注、治理和标准化工作，同时对接行业级数据集，丰富数据维度；在平台能力方面，要依托工业互联网平台搭建AI融合的技术底座，整合网络、算力、智能终端的数据采集能力，融合工业大模型、低代码、数据安全等技术，打造集AI引擎、数据引擎、运营引擎于一体的平台体系，实现数据的高效汇聚和处理；在场景落地能力方面，要结合企业的实际需求，聚焦研发设计、生产决策、设备运维等核心场景，将AI技术与企业现有生产系统打通，实现数据的互联互通。在搭建能力体系时，企业可借助服务商的生态资源，降低开发成本，同时积极参与政策扶持的算力、模型相关项目，补齐算力和算法短板。
记者手记
“AI+制造”
更是一场管理变革
从AI到“AI+”，一字之差，却是从技术到应用的拓展与跨越。而“AI+制造”，加出了什么？是技术与场景双向发力后的效率提升、质量飞跃，还有打破传统边界培育出的创新生态。然而，AI与制造业的融合，不是一场简单的技术叠加，而是一场涉及管理、数据、场景、人才的系统性变革。技术突破固然重要，但真正的瓶颈往往在于企业的转型意识与数据治理能力，企业唯有立足自身实际，扎实构建核心能力，制造业才能真正与AI实现“双向奔赴”。（晓芳）