1 工业智能基本内涵

工业智能 (Industrial artificial intelligence) 是指在工业领域应用人工智能 (AI)、机器学习、数据分析、物联网 (IoT)、区块链等先进技术，以提高生产效率、优化资源分配、提高产品质量、降低运营成本和提升决策质量的一系列能力或方法。

工业智能与人工智能在应用领域、技术特点、数据需求和发展目标上有所不同，如表 1 所示。工作智能更聚焦于工业领域，注重与工业生产过程的结合，注重数据的准确性和实时性，主要是为了提高生产效率、降低成本、提高产品质量等。

表 1  工业智能与人工智能对比

2 国内外工业智能发展重要部署

2.1 中国加快推进新型工业化

我国第十四个五年规划明确工业智能化转型的战略方向，强调要推动人工智能、大数据等新兴技术与制造业深度融合。《“十四五” 智能制造发展规划》则进一步细化目标，鼓励企业在生产制造环节广泛应用智能技术，从智能装备的研发到智能生产系统的构建，全方位提升工业智能化水平。2024 年《政府工作报告》着重提及通过政策引导，培育一批具有示范效应的智能工厂和数字化车间，促进工业生产模式的创新变革。《关于加快传统制造业转型升级的指导意见》更是为传统制造业向智能方向升级提供行动指南，倡导在智能检测、智能控制等领域加大技术研发投入，实现从传统制造向智能制造的跨越，提高产品质量与生产效率，增强工业整体竞争力。

2.2 美国积极布局智能技术前沿领域

《国家安全战略报告》将人工智能、量子计算等新兴技术提升到国家安全高度，表明美国政府对这些技术在工业乃至国家战略层面重要性的深刻认知。《关键与新兴技术国家战略》详细规划了对包括工业智能相关技术在内的扶持路径，通过资金投入、政策优惠等手段，确保美国在全球工业智能技术竞赛中保持领先。《联邦人工智能治理政策》致力于构建完善的人工智能监管框架，既鼓励技术创新，又保障其在工业应用中的安全性与可靠性，促进人工智能在工业自动化、智能决策等方面的有序发展。《国家机器人计划 2.0》聚焦机器人技术在工业生产中的创新应用，推动机器人从传统制造向智能制造场景的深度拓展，提升美国制造业的智能化程度与生产灵活性。

2.3 德国以工业 4.0 战略为核心

《未来研究与创新战略》为工业智能相关的前沿技术研究奠定了基础，鼓励科研机构与企业合作，探索人工智能、量子技术等在工业 4.0 框架下的创新应用模式。《人工智能行动计划》明确了德国在人工智能领域的发展目标与行动步骤，从技术研发到人才培养，全方位支持工业智能的发展，尤其注重在工业生产中的智能优化、智能供应链管理等方面的应用。《安全人工智能系统开发指南》为德国工业界在开发和应用人工智能系统时提供安全标准与规范，确保工业智能系统的稳定运行与数据安全。《量子技术行动计划》则通过大规模资金投入，推动量子技术与工业智能的交叉融合，为德国工业在未来的全球竞争中储备核心技术力量。

2.4 日本持续推动数字化与工业化结合

《制造业白皮书》定期评估日本制造业的智能化发展状况，为政策调整和企业战略规划提供依据，强调通过智能化手段提升日本制造业在全球的竞争力。《确保稳定供应的指导方针》从供应链角度出发，倡导利用工业智能技术实现供应链的智能化管理，提高原材料供应、生产制造、产品配送等环节的效率与稳定性。《经济安全保障促进法案》将工业智能技术视为保障国家经济安全的重要手段，鼓励企业在关键工业领域加大智能技术研发与应用，增强工业体系的韧性。《第六次科学技术和创新基本计划》把工业智能相关的创新技术研发作为重点任务，推动人工智能、大数据、物联网等技术在工业中的深度融合与创新应用，促进日本工业向数字化、智能化的快速转型。

3 工业智能演进路径与特征需求

3.1 演进路径：工业智能技术由感知智能向认知智能演进

当前，图像识别、语言处理、数据分析仍是工业智能的关键核心技术。随着自然语言处理技术和知识图谱的不断发展，工业智能技术逐渐由感知智能向认知智能演进。感知智能使得机器具备了感知能力，能够对结构化数据进行处理并实现沟通互动，然而其对数据的理解和处理相对较为表面。而认知智能基于类脑研究和认知科学，能赋予机器思维逻辑和认识能力，使其能够处理更为复杂的任务和问题。在此基础上，以数字孪生、仿真推演、决策优化、协同计算和知识工程为代表的工业智能技术谱系发展已不再单纯局限于一项具体的技术，而是业务场景、行业机理知识与通用 AI 算法深度融合的新方法、路径，为工业生产的智能化升级带来全新的机遇和变革，助力工业企业在复杂多变的市场环境中提升竞争力，实现可持续高质量发展。

3.2 特征需求：实时性、灵活性、可靠性、可解释性

工业智能其具备的特征需求包括实时性、灵活性、可靠性和可解释性。实时性是指工业智能系统需要能够即时响应生产过程中的变化，快速做出决策，以保证生产效率和质量，如表 2 所示。在快速变化的生产环境中，实时的数据处理和决策能力可以帮助企业迅速调整生产策略，避免延误和损失。灵活性则要求能够适应复杂多变的工业环境。随着生产场景和需求的不断变化，工业智能系统需具备高度的灵活性，以确保能够有效地应对各种生产需求。可靠性是工业生产对智能系统的基本要求。生产过程中任何故障或错误都可能导致重大损失，因此工业智能系统的稳定性和可靠性至关重要。企业需要确保系统能够在长时间运行中保持稳定，避免因系统故障而带来的生产中断。可解释性是指工业智能的决策过程需要透明和可解释，以便操作人员理解和信任系统的决策。

4 工业智能发展趋势与现存问题

4.1 发展趋势：以模型为中心趋向于以数据为中心

早期的工业智能发展主要采用行业专用智能发展路线，即针对不同的行业和应用场景，开发专用的工业智能设备和系统。这种发展路线虽能满足特定行业和应用场景的需求，但也存在着开发成本高、周期长，难以满足市场的快速变化和需求等局限性。随着制造业自动化、数字化、智能化发展，通用智能和生成式 AI 技术的出现，3C 电子、汽车、钢铁、医疗等数据密集型行业，质量检测、设备预测性维护、生产优化等应用场景都需要大量的数据支持，数据在工业智能中的重要性日益凸显，产业发展逐步趋向于以数据为中心。

4.2 现存问题：技术主导权缺失、场景应用受限、数据质量不高

（1）技术创新与能力开发面临 “卡脖子”。国内企业在算法、芯片等核心技术方面控制力和话语权弱。以中兴通讯和商汤集团为例，其在自然语言处理、深度学习、AI 芯片等关键技术领域，机械臂、高端芯片、PLC 等高度依赖进口，存在断供风险，不仅影响了技术的自主可控性，也增加了企业运营的风险，制约了产业的发展。同时科研机构与企业协同创新不紧密，高端技术人才匮乏，研究成果与产业化需求适配度低，如在钢铁行业，既懂行业工艺又熟悉 AI 技术的复合型人才稀缺，高校相关优质毕业生供应不足。科研机构的研究成果往往与企业的实际需求存在差距，导致科研成果难以转化为实际生产力。

（2）场景应用与商业拓展深陷 “荆棘地”。部分细分领域和传统行业应用场景单一，技术应用范围窄，价值发挥不充分。例如思必驰反馈数据资源获取受限，缺乏足够的应用场景来实践和验证技术，不仅限制了技术的深入发展和创新，也影响了人工智能技术在更广泛领域的应用和推广。人工智能技术的经济成效和投资回收期存在变数，高额初期投入可能导致短期内投资回报难以衡量。投资应用成本高昂。应用人工智能技术的成本较高，包括技术引进、设备购置、人才培训等费用，限制技术在企业推广普及，阻碍产业全面发展。如华兴源创反馈缺乏相应资金购买算力进行大模型训练，南航反馈缺乏资金扶持助力科研成果落地转化。

（3）数据质量与安全隐患仍是 “拦路虎”。现有的数据在准确性、完整性和一致性等方面存在诸多缺陷。以科沃斯与南京钢铁为例，其面临数据模态多样、噪声大、缺陷品数据少问题，数据预处理和清洗工作复杂，影响模型的训练效果。尽管部分产业已开始进行相关工作，但缺乏全面的技术蓝图与架构来与自身有效结合，也在一定程度上增加了数据隐私和安全的风险。数据管理与安全保障体系尚不完善，工业领域设备和系统多样性导致数据整合和标准化难度大，数据质量标准、隐私保护机制和安全技术研发存在不足，制约产业健康发展。

5 工业智能推进建议

5.1 完善工业智能要素支撑

提升模型算法能力，鼓励人工智能企业优化基础算法模型，开发适应工业领域特点的高性能算法，提升模型实时性、安全性、轻量化水平，满足中小企业共性需求。优化多元算力体系，提升算力资源综合供给水平，完善智能算力中心服务能力，强化智能算力云服务，发展模型选型、调优等延伸服务，完善边缘侧、终端侧的配套部署。强化数据要素供给，推动公共数据、行业数据开放，构建工业语料库、数据集，推动产业链供应链数据融通，开展高质量数据集、数据空间等试点，深化数据开发利用。

5.2 强化智能应用场景推广

加快制造业全流程智能化，深化人工智能技术在制造业全流程融合应用，提升研发设计、生产制造、运营管理等环节智能化水平，建设一批智能车间、智能工厂。加快重点行业智能升级，聚焦钢铁、纺织、汽车、医药、电子信息等带动能力强、数字化基础好的重点行业，面向视觉检测、智能运维、参数优化、智能巡检等场景，选择树立行业应用标杆，争创国家人工智能典型案例。

5.3 推动工业大模型应用突破

构建环节大模型，面向钢铁、纺织、新能源等数据密集型行业，深挖数字化转型需求，重点突破研发设计、生产制造、运营管理等环节大模型，推动环节大模型和企业业务应用嵌入集成，持续优化迭代。突破行业大模型，围绕生物医药、新材料、高端装备、能源电力等重点行业，引导生态型企业加速垂直细分领域大模型研发，加快发展专业度高、落地性强的行业大模型。探索高阶工业智能，推进行业大模型与专用小模型协同应用，超前谋划人工智能未来应用，将大模型能力向产业链上下游企业输出，带动行业整体智能化水平提升。

作者：中国信息通信研究院 吴琦莹 王道乾 姚頔