《中华人民共和国国民经济和社会发展第十五个五年规划纲要》提出“发展智能制造、绿色制造、服务型制造，加快产业模式和企业组织形态变革”。2026年6月，国务院常务会议进一步明确，推进新型工业化“要以发展新一代智能制造为主攻方向”。

新一代智能制造是在现阶段复杂国内外形势下提出的推动制造业高质量发展的新路径，其核心主线是人工智能与制造业的深度融合。当前人工智能技术快速迭代，但其在工业领域的应用广度与深度仍然有限。鉴于此，本文围绕人工智能需求分析、落地受阻原因和解决路径三个基本问题开展研究，并探索提出工业智能落地应用的技术框架。

1 新一代智能制造的发展背景与内涵

1.1 发展背景：内外驱动的必然选择

从外部看，全球制造业竞争持续升级，经济全球化遭遇逆流，产业链“去中国化”与联盟式封堵态势凸显。2025年前11个月我国外贸顺差首次突破万亿美元，市场结构深度调整，对美出口同比下降18.9%，对东盟、欧盟、非洲出口呈分化增长，全球产业链供应链正加快重塑。从内部看，各行业同质化“内卷”加剧，2025年全国规模以上工业企业营业收入利润率约为5%，如新能源汽车销量全球第一，但多数企业仍利润微薄；行业、区域制造业发展不平衡，传统产业转型升级压力持续加大；资源和要素约束趋紧，企业资源利用效率总体上与国际先进水平仍有差距，亟需新一代智能制造破解发展瓶颈。

1.2 新一代智能制造的内涵与主要特征

新一代智能制造的核心是打造具有自主智能、动态组织、全局优化、安全绿色等典型特征的新型制造系统。其中，自主智能是指制造系统能够主动发现问题、解决问题，并在这一过程中提炼知识改进自身；动态组织是指制造系统根据预设目标，及时响应内外部变化，对生产流程、工艺路线等进行实时编排、按需组合；全局优化是指制造系统对产品全生命周期、生产制造全过程、供应链全环节等进行跨域协同及综合优化，实现从“局部提效”向“全局最优”转变；安全绿色是指制造系统严守安全、低碳、节能、环保等约束，明确价值和伦理底线。

1.3 新一代智能制造的发展愿景

新一代智能制造将建设资源优化配置的智能工厂，打造更加坚韧的产业链供应链，形成价值链深度耦合的“制造网络”；产出有核心竞争力的高端产品和服务，推动制造业质量变革、效率变革和动力变革，锻造我国压倒性生产力优势，推动制造业整体技术水平跃升为国际领先。

2 新一代智能制造对人工智能需求分析

新一代智能制造对人工智能的需求可从应用维度与使能载体两个层面加以体系化，其内在逻辑如图1所示。

图1 新一代智能制造对人工智能的需求分析框图

四个应用维度按制造环节中的主导功能划分：设计域居于源头，定义产品并向下游输出工艺与制造要求；执行域将设计意图转化为可执行的工艺方法与参数，并在制造现场实施加工、装配、检测与物流等作业；服务域面向产品交付后的运维、诊断与客户交互；决策域横跨全流程实施计划、调度、管理与资源的全局统筹。具身智能制造装备和智能化工业软件是四域需求的共同载体。各应用域与两类载体在典型场景下的参考技术特征如表1所示。

表1 四个应用域与两类载体的典型技术特征与约束条件

2.1 设计域：面向个性化需求的高效产品创新设计

随着国内市场需求向高端化、个性化、定制化演进，产品设计将以正向研发设计为主，传统研发设计模式依赖工程师经验反复迭代，周期长、试错成本高。以正向设计为牵引，将人工智能与领域设计知识融合，推动产品创成式设计与数字化验证，如：生成式模型依据多维约束快速产生兼顾产品性能和用料成本的优化候选方案，数字化验证手段可对虚拟样机进行性能和功能验证并反馈给设计端，形成闭环。该域失效后果可控，是切入制造业的较低风险领域。

2.2 执行域：工艺持续优化与复杂动态场景的智能自动化

一是工艺机理的全面精准掌握与在线优化。工艺是制造的核心，但普遍存在复杂工艺过程难以建立准确机理模型、工艺经验广泛沉淀于资深操作人员头脑中、长期实践形成的工艺规则往往是“可行解”而非“最优解”等问题，将人工智能技术与工艺知识、规则、经验等进行融合，可在小样本条件下提升工艺机理模型的精度，在充分掌握工业机理的基础上实现对工艺在线优化。

二是适应复杂动态场景的智能自动化。传统工业自动化建立在结构化稳定场景之上，如：工业机器人通过示教或编程对固定位姿进行抓取、焊接等操作；新一代智能制造要求向动态非结构化场景自适应转变，如工业机器人通过多维环境感知能力对未进行精准摆放的工件进行复杂操作。典型场景包括：智能检测取代人工质检、自动装配取代手工装配、生产管控自主化等。该域操作数据丰富，但缺陷样本数据稀缺且形态难以穷举，需求最为迫切，可靠性要求也最严苛。

2.3 服务域：面向产品全生命周期的智能运维与价值延伸

制造业价值重心正由产品交付向全生命周期服务延伸，诊断、运维等客户服务成为新的价值来源。

传统售后服务以故障后响应为主，依赖人工经验判断，服务质量与响应效率难以保证。人工智能与运行数据、维修知识相融合，可支撑基于运行数据的预测性维护与健康管理、远程诊断与服务响应的自主决策、面向个性化需求的服务方案生成，并推动运维知识与市场需求向设计端回流。该域数据分散于用户现场，隐私与共享约束突出，是数据获取与共享问题最为典型的领域，也是制造业由产品竞争转向“产品＋服务”竞争的关键切入点。

2.4 决策域：复杂不确定条件下的优化决策

制造系统受外部影响因素多，生产组织动态繁杂，不确定性、非结构化是常态并贯穿制造全流程。传统生产决策工作以人为主，订单波动、设备故障、供应链中断等扰动使依赖预设规则的计划调度与供应链管控频繁失准，新一代智能制造系统需要在不确定条件下基于数据分析和工业知识实现全局优化决策，典型场景包括计划调度、智慧供应链与“工厂大脑”。该域需求真实而迫切，瓶颈在于由技术可行走向工程可信。

2.5 载体维度：具身智能制造装备

相比较于传统制造装备，自主化是新一代制造装备——具身智能制造装备的核心特征，可对环境 变化进行自组织、自配置、自适应生产，装备将具备 内生学习能力，实现分析、推理、决策、控制闭环。具 身智能制造装备将具有“物理实体＋虚拟实体＋具 身大脑”基本形态。

2.6 载体维度：智能化工业软件

人工智能正在从底层重构工业软件的技术内核与产品形态。在研发设计类软件中，机器学习与科学计算的融合正在形成新型求解范式；物理信息神经网络可在小样本条件下求解正、反问题，并有望显著提升仿真求解的计算效率；设计仿真一体化等新形态研发设计类工业软件将实现产品化。生产管控类工业软件的架构会发生较大变化，逐步转变为基于工厂操作系统或数智底座的智能体。在较长时期内，新型智能化工业软件与传统工业软件将长期共存。

3 人工智能深度应用面临的主要问题

当前以大模型为代表的通用人工智能技术和产品正快速迭代，并加速在各领域开展应用，但在制造领域的应用还处在初级阶段。主要原因在于现阶段人工智能技术还难以适应和满足制造领域的特点与要求：制造场景高度个性化，工业数据相关基础工作薄弱，对输出结果的安全性、可靠性要求极高，本质上是需求与现有技术能力之间的不匹配。这一不匹配集中体现为工业数据治理与共享、输出结果的可信性与可解释性、模型的跨场景泛化能力三方面问题。

3.1 工业数据治理与跨域可信共享

目前制造企业数据治理等基础性工作普遍欠缺，现实中工业数据多源异构、语义统一困难，绝大多数数据局限于工厂内部。传统工业数据治理与集成过于依赖人工，投入成本高、实施效率低。新一代智能制造要求跨工序、跨系统、跨企业的高质量数据自主交互，以及构建跨域可信共享机制。工业数据是人工智能深度应用的前提，其获取与共享短板直接制约工业智能模型的有效性。

3.2 工业智能输出结果的可信性与可解释性

典型工业场景，如工业控制、生产安全管控、生产计划调度等，对控制指令的准确性、可靠性以及可溯源性要求极高，错误指令或决策可能引发停机、报废乃至安全事故，而通用人工智能技术以“黑盒”结构为主，推理过程基于概率计算，其结果的正确性边界难以验证。工业智能计算结果的可信性和可解释性决定了人工智能在制造业应用的深度与边界。

3.3 工业智能模型的跨场景泛化能力

工业智能的规模化应用需要考虑投入产出比，即经济性问题。制造领域特点之一就是场景多、个性化强，当前多数工业人工智能应用针对单一场景定制开发，单场景开发成本无法随部署数量分摊。以工艺优化场景为例，可分为机械加工、锻造、铸造、焊接等，锻造又可细分为自由锻、模锻等，不同企业的产品和工艺也不相同，在包含相同工业机理的数据有限且难以共享的条件下，工业智能模型泛化能力实现困难。迁移学习等方法可在一定程度上缓解跨工况、跨设备的模型复用问题，但尚不足以支撑跨行业、跨场景的大规模复制，泛化能力不足因而既是技术问题，更是经济问题。

4 工业智能应用路径探索

4.1 扁平化新型智能制造系统架构

传统制造系统建立在IEC 62264（ISA-95）所刻画、被称为“自动化金字塔”的分层功能模型之上，人工智能的跨层感知与分布式决策能力使感知与决策可在任意节点发生，纵向逐级汇聚的信息交互模式难以满足高效协同与实时决策的要求。为此，构建以人工智能为核心的扁平化新型制造系统架构（见图2），由工业数智底座、智能生产单元、制造组织单元组成。所谓扁平化，并非完全取消功能分层，而是数据、服务与决策通道不再受层级边界约束，各组成部分以服务化接口进行直接交互，取代原有的逐级转发方式。工业数智底座，包括数据治理与数据集、工业知识库、工业智能模型、业务与工艺建模、工具类工业软件等；智能生产单元，由具身智能制造装备、柔性制造单元、智能专用成套装备等构成；制造组织单元，包括研发、生产、运营、服务、供应链等工业智能体与各类应用，以人机协同为枢纽。工业数智底座是基础和中枢，为智能生产单元和制造组织单元提供数据、模型、知识以及开发环境；智能生产单元负责工业生产过程的执行，具备根据现场生产环境变化自主调整的能力；制造组织单元对智能生产单元进行调度和组织，实现对生产条件变化的敏捷高效响应和制造资源的全局优化配置。

图2 新型制造系统架构

4.2 高可靠工业智能应用框架

为适应高安全性、高可靠性要求的工业场景，以人工智能为核心驱动的工业应用系统，如工业软件或软硬件系统，需采用新的技术框架。该框架由工业智能模型及应用、工业对象、机器可读工业知识体系、数字孪生验证系统四部分构成，以工业智能模型及应用为核心，机器可读工业知识体系为基础，数字孪生验证系统为保障，其高安全高可靠运行机制由知识更新闭环与模型优化闭环共同实现，形成双闭环运行机制（见图3）。工业知识体系经“约束注入”“知识服务”向模型提供机理约束与领域知识，模型部署前经孪生系统“数字验证”，对象运行数据向模型“结果反馈”、向知识体系“知识回写”，由此形成知识更新闭环（对象→知识→模型→对象）与模型优化闭环（模型→孪生验证→对象→新模型）。前者使知识随现场运行持续积累，后者使模型在验证中迭代改进，两大闭环相互支撑，共同支撑高安全高可靠工业场景下工业智能的深度应用。

图3 工业智能应用框架

4.3 机器可读工业知识体系构建

机器可读工业知识体系是工业数智底座的知识中枢和工业智能应用框架的基础实体，其本质是制造业知识由“人可读”向“机器可读”的形态转换。制造业知识长期以机理模型、工艺经验、标准规范等人可读形式分散存在，既是数据语义难以统一的根源，也是模型难以解释与复用的共同症结。将其转换为结构化、语义化、可验证、可演化的机器可读知识，是工业智能模型可信、可泛化的前提。工业知识体系相应承担多源异构知识汇聚、知识自动抽取、统一语义化处理和标准化对外接口等功能（见图4）：输入一侧汇聚机理模型、工艺经验、标准规范、运行数据等多源异构知识，经自动抽取和基于统一语义本体的语义化处理，形成可演化的机器可读知识资产。应用一侧通过知识服务、约束注入与知识回写等标准化接口，与工业智能模型、数字孪生验证系统、工业对象及其他系统交互。接口标准化是系统互操作与行业统一知识底座的前提.

图4 机器可读工业知识体系的构建框架

4.4 人工智能工业应用的安全机制

随着人工智能在工业场景逐步深度应用，制造 系统本质安全目标需由传统的“故障安全+失误安 全”衍生至“故障安全+失误安全+攻击（受控）安全 +人工智能错误（失控）安全”。为实现上述目标，制 造系统安全机制可分为固有安全、功能安全和网络 安全三类。在故障安全与失误安全之外，功能不足与 可预见误用风险、模型内生安全风险已分别在预期 功能安全和人工智能安全治理框架[7]中得到关注。 本文从本质安全目标视角提出覆盖物理失效、人为 失误、网络攻击及人工智能错误风险的人工智能工 业应用安全框架如图5所示。

图5 人工智能工业应用的安全机制

功能安全与固有安全、网络安全共同支撑本质安全目标的实现：固有安全从生产本体与模型本身层面提供第一道防线，网络安全从外部防护层面阻断威胁渗透，功能安全则聚焦于安全相关功能的可靠执行与安全完整性保障，三者缺一不可，共同构成新形势下工业智能本质安全的防护基座。制造系统的固有安全可通过生产本体设计裕度与常规控制模型本身的韧性予以保障，例如可通过白盒化设计、机理融合、事后解释等技术或方法实现。网络安全可通过外部防护、区域隔离和权限约束三类手段应对内外部威胁。基于功能安全理念可用的安全机制包括：采用独立于人工智能主模型的外部监视、内部监督措施；通过设置模型可靠运行的边界条件，一旦超出阈值立即触发安全策略；建立多层级安全降级与故障切换机制，确保在风险发生时，系统始终处于可控的安全边界内；采用输入多样性、推理平台多样性、模型多样性及概念多样性的冗余智能架构。

5 结论

通过以上分析，可以得出如下结论：

（1）推动智能制造发展是国家长期政策，新一代智能制造对人工智能技术的落地应用提出了很高要求，如安全性、经济性、低门槛等。

（2）制造业对人工智能的需求迫切，需求牵引是工业智能发展的核心驱动，应优先选择知识可显性化程度高、失效后果可控、复用规模大的场景率先突破。

（3）落地瓶颈不只表现为模型本身能力不足，更突出地表现为工业数据治理与跨域共享、模型可信性与可解释性、跨场景泛化能力等问题。

（4）为解决上述问题，制造系统需采用新的技术框架、机制与方法，本文提出的扁平化系统架构、工业智能应用框架、机器可读工业知识体系与人工智能安全机制，可为工业智能的高安全高可靠深度应用提供支撑。

本研究属于归纳性战略研究，相关框架需随技术演进持续检验与修正。

原文刊载于《中国仪器仪表》2026年第9期 作者：王麟琨 牛鹏飞 王明钊 刘 瑶