AI正成为新一轮全球产业革命的重要驱动力。作为颠覆性通用技术，AI正深度渗透制造业多个环节，重塑制造业全流程并催生新质生产力。为抢占产业革命制高点，主要经济体相继从立法保障、资金投入、生态构建和国际治理等方面，加快AI在制造领域的研发与应用。2025年8月，中国发布《国务院关于深入实施“人工智能+”行动的意见》，将推进工业全要素智能化作为重点任务，工信部亦将研究出台“AI+制造”专项行动实施方案。在此背景下，系统把握AI在制造领域的发展路径、应用场景与瓶颈问题，成为学界、产业界和政策层面的共同关切。

本文构建“总体态势-应用场景-未来方向”的三层分析框架，系统分析AI在制造领域的宏观格局、关键应用场景及代表性案例，并研判未来发展方向与核心挑战，以期为后续研究和实践提供更加清晰的认知基础。

1 制造领域AI技术应用总体态势

本部分旨在系统剖析AI技术制造业领域应用的宏观图景，着重从范式扩散、一个核心基点和“一软一硬”等关键维度进行分析。总体来看，AI正在推动制造业构建以工业AI平台为基础，大模型和机器人为两维，深度协同的“一体两翼”式智能制造模式。

1.1 从单点突破到全范式渗透

在制造领域，AI的应用环节和场景正在持续拓展、由虚向实，从营销服务、供应链管理的数字化，不断向研发设计、试验验证、生产管控、质量管理等核心环节的智能化方向拓展，实现全链条、全周期、全流程的场景应用。

在产业链中，AI技术的应用打破了上下游企业之间的局限性，企业对信息、产品和物流等的管理拓展到产业链上的其他企业，进行动态协调和优化，形成全链条协同，构建出新的产业链生态。

在生产周期中，AI技术的应用使得生产企业实现了智能生成设计、智能排产调度、智能生产优化、智能质量检测、智能供应管理、智能服务等全周期的优化，使得研发周期和生产周期大幅缩短，效率提升，创新加速。

在流程上，传统的生产流程是供应导向型生产模式，即从产品设计和生产出发的生产模式，而AI技术的应用实现了多品种快速生产工艺和生产线随时切换的敏捷制造能力，使得当前的生产模式转换为以用户为中心，形成需求导向型生产模式，从而实现消费者、生产企业、产业链生态企业的全渗透和全互动。

1.2 大模型推动“软件定义制造”

当前，工业软件正经历大模型重构，AI技术的应用正在通过代码自动生成和智能代理等方式赋能工业软件，实现工业软件的云化和代理(agent)化。AI可以调用大模型、高算力设施和大量的外部AI agent工具，形成工业软件云基座，将传统工业软件构建成基于大模型的具有统一接口、可以灵活配置的应用，向AI agent演化，从而实现低代码的研发设计。如西门子与微软合作开发的工业工程生成式AI助手Industrial Copilot，通过Azure OpenAI，可以实现自然语言到工业控制逻辑的转换，缩短开发时间，提高设计质量和生产率。

在生产实践中，工业软件不仅需要通用大模型，还需要深度融合行业、工艺或工程特点的专业模型。因此，通用大模型与专业模型的深度协同，允许工业生产根据实时数据和需求变化进行灵活调整和扩展，通过实时洞察，优化生产决策，从而实现“软件定义制造”，即以工业数据为基础，以工业软件为核心，通过模型和算法对制造业全链条、全周期和全流程进行动态设计、管理和优化的新型制造模式。如宝马公司实施iFACTORY战略，通过“灯塔”AI平台，可以调用100种AI应用或专业模型，仅需0.01秒就能完成冲压过程即时影像数据分析，检测准确率无限接近100%，实现360°无死角立体式测试。

1.3 机器人重塑传统生产模式

机器人正在成为先进制造业的关键支撑设备，对传统的生产流程与工艺进行重新认知和重塑。一方面，对传统生产工序进行拆分，并对各个环节进行数据化和标准化，形成新的生产系统和生产线；另一方面，对传统生产工序进行重组和整合，形成新的工艺流程。如赛力斯汽车超级工厂，目前有3000多台机器人协同作业，关键工序100%自动化，可实现4个平台、8种车型的混线生产，实现了单个车型多种个性化配置。这样的智能生产方式在中国制造行业正在普遍形成，如广汽、长安汽车、美的等企业均形成了机器人生产线，并反向输出海外制造业，走在世界智能制造的前沿，引领全球制造业生产模式。

随着AI技术的发展，具备一定认知和自主推理能力、自主完成任务的人形机器人开始着手装备生产线，特斯拉、宝马、奔驰、吉利等企业已经开始部署，应用在生产操作(分拣、装配、抓取等)、质量检测、物流搬运、安全巡逻等场景中，实现智能生产、智能物流、智能管理等系统与设备之间的协同作业，构建智能工厂或超级工厂，推动数字工厂从工业自动化走向全柔性智造模式，形成自动化、网络化、数据化、柔性化、智能化的新型生产方式。

1.4 工业AI平台成为全链多场景应用基础

工业AI平台正在成为制造领域向全面智能化转型的基础底座，链接企业内外数据、算法、大模型与小模型及各种关键生产环节，形成企业多场景、自适应、智能决策的“超级大脑”，实现企业资源的智能匹配和整体优化。如海尔以大连接、大数据、大模型为三大竞争力构建卡奥斯COSMOPlat新一代AI平台，内置含有场景、数据、算法、算力四大核心能力的商业即服务(Business as a Service,BaaS)工业大脑。其中，大连接是指可以链接企业内外的各种资源，平台已连接设备超过251万台，有480多种工业协议；大数据是指打破工业数据孤岛，聚合各类工业数据，有70多个数据产品，180多个TB的数据量，15个行业的数据；大模型是指利用通用大模型进行自主研发，在 LLaMa 等多个开源基础大模型上自主研发了COSMOGPT工业大模型，内置5000多个机理模型与200多个专家算法库，从而赋能海尔全场景、全业务流程的应用。

除了提高企业内部智慧工厂的智能化，这些工业智能平台还成为开放创新平台或智能制造基础平台，对外开放其开源平台框架、硬件能力和各种应用。如海尔的卡奥斯COSMOPlat平台构建出良好的开放创新生态，汇聚40多个开放硬件、600个算法开源项目和38万名开发者，西门子的Xcelerator开放式数字平台、ABB的Ability数字化平台等均为各类企业提供智慧工厂解决方案。

1.5 智能制造技术应用渗透率有待进一步提高

尽管AI技术在制造领域的应用正逐渐扩大，但是基于认识和技术等各种障碍，目前智能制造技术的应用仍然呈现两端多中间少或虚多实少的状态。对100个应用案例的统计数据表明，有45.5%的企业案例将AI技术主要应用在运营管理、营销推广、智能问答等方面，有35.7%的企业案例主要应用在图纸生成、辅助开发、新产品研发设计等方面，而在生产制造方面只有18.8%的比重，这表明实时决策在生产流程中核心环节方面的应用渗透率还远低于其他环节。

同时，调研还表明，有不少企业对于AI技术投资仍然持谨慎态度。来自机械装备、电子电器、汽车等多个行业的364个大中小企业的统计数据显示，目前中国制造企业在AI技术应用方面的投入意愿还不太强烈，有70%的企业暂时没有AI技术应用的投资计划，只有30%的企业有投资计划，且其中有三分之二企业的投资金额低于500万元人民币[10]。这表明制造企业对AI技术应用的认知还有待进一步提高。

2 制造领域AI技术主要应用场景和典型案例

本部分将从制造业核心环节和主要流程出发，解构AI技术在制造业价值链中的关键场景及其核心价值锚点，并通过多行业典型实证案例予以验证。

2.1 生成设计:AI打破创新边界

生成设计目前主要有3种应用场景。一是在研发管理中，用于构建企业级知识图谱，通过大模型和企业内部数据的汇聚，形成企业数字大脑，打破创新知识边界。二是在原型开发中，能够通过云计算、数字孪生和人机交互等技术，自动处理并分析设计参数，或自动生成研发方案，或简化设计流程，或提高CDA、EDA等软件的设计效率或精度，或进行多方案的快速迭代，从而缩短研发周期，突破传统设计的经验局限，推动柔性定制，打破创新效率边界。三是在产品优化中，能够通过对多个参数的智能调整，实现产品多目标优化设计，打破创新目标边界。AI生成设计的典型案例见表1。

表1 AI生成设计的典型案例

2.2 生产优化:数据驱动的工艺改进

AI在生产管理与控制中的应用，深度嵌入生产制造环节，形成“感知-决策-执行”闭环模式。一是在工艺管理上，通过深度学习等AI技术，在企业数据大脑的基础上，规划整体的工艺流程和规则，重组原有的工艺流程，自动进行工序编排，优化工艺参数，提升工艺文件编制效率，改善工艺性能。二是在生产实时管理上，通过边缘智能和人机深入协同等技术，实现复杂工艺中的自主决策和动态调度，替代大量的重复性人工操作，支持实时快速调整，提升生产效率，实现工业流程智能控制和柔性生产。AI生成优化的典型案例见表2。

表2 AI生产优化的典型案例

2.3 质量管理:从检测到预测的范式转变

AI在质量管理中的应用，推动质量管理的模式发生了变化。一是从单一管理走向联动管理，可以将质量管理和检测设备与生产设备等进行互联，从而实现企业各层级数据同步分析和管理，发现一些以前无法发现的数据之间的关联，创造更大价值。二是从经验检测转向数据驱动检测，质量管理更多是依靠客观性数据分析，而不是主观性判断。三是从质量检测走向质量预测，将质量检测由事后检测转向事前预警，大大提升了检测效果和改进空间。AI质量管理的典型案例见表3。

表3 AI质量管理的典型案例

2.4 供应链管理:供应效率的跃升

AI在供应链管理中的应用，构建出“需求预测-库存优化-智能调度”的动态良性循环，打破空间局限，整合产业链全部信息，优化全球化仓储网络和供应商资源，使供应链管理转化为价值链管理，提升了效率和效益。一是优化库存，通过AI技术实时监控库存状况，提供全景化的库存现状，进行动态库存预测，及时洞察库存缺口，实现库存优化调整或敏捷补库，提高库存周转率。二是供应链管理，通过技术实现企业内外信息的整合分析，实时分析和模拟供应链上全部供应商的产能状况和波动情况，将关键零部件交付时间进行智能调度和敏捷链接，降低库存，提高供应商响应速度，从而缩短整个生产周期。三是智能物流，通过物流机器人和AI算法等协同，使企业物流系统完全自动化和自主化，在采购计划、订单管理、货物运输等方面实现路径自动规划、自动分类、智能分拣、自主搬运、协同作业等功能。AI供应链管理的典型案例见表4。

表4 AI供应链管理的典型案例

2.5 多业务全场景融合:智能工厂的构建

随着AI技术在产品设计、排产调度、生产优化、质量检测、供应链管理、营销服务等多个业务环节的综合应用，全场景式的智能超级工厂不仅在企业内部形成高效率的智能制造模式，也通过与产业链上下游企业的协作，共同构建出了智能协同产业链。AI智能超级工厂的典型案例见表5。

表5 AI智能超级工厂的典型案例

3 未来发展方向及主要挑战

基于前文对现状与应用的系统性剖析，本部分将从主要赋能途径、主要工厂形态、关键生产要素、基本保障四个维度，以及数据生态、人才供给与转型基础三个层面，揭示人工智能驱动制造业智能转型的未来路径与主要挑战。

3.1 发展方向

随着AI在制造领域的深入应用，其对制造业的影响将呈现以下趋势。

一是AI驱动的“软件定义制造”将成为赋能制造业的主要路径。AI技术与工业软件共同构建企业级工业大脑，使工业软件从辅助工具转变为生产系统的智能中枢，持续优化生产过程并提升效率。

二是自优化工厂将成为智能工厂的主要形态。随着人形机器人、边缘智能和实时决策技术的发展，人机协同和交互方式不断演进，制造系统将实现跨平台、跨流程、跨设备的自动响应，形成自学习、自适应、自决策的生产流程。

三是数据驱动制造将成为新质生产力构建的关键。数据与算法作为核心生产要素，通过AI实现现实生产周期与数字生产周期的实时映射，构建虚实融合的制造生态，数据畅通是持续优化资源配置和提升效率的基础。

四是完善AI治理是制造领域AI持续发展的基本保障。通过健全数据标准、协作规范和伦理规则，将推动“AI+制造”由示范应用向全链条、全领域扩展。

3.2 主要挑战

AI技术在制造领域的快速发展也带来了诸多挑战。

一是工业数据治理体系不完善，制约数据生态构建。企业内部及产业链之间仍存在数据壁垒，数据碎片化和断流问题突出，亟须通过跨部门、跨企业协同加以解决。

二是复合型技术和人才供给不足。企业在高端硬件和算法方面仍存在外部依赖，兼具制造经验与AI能力的人才匮乏，中小企业尤为明显，并承受较大技术与成本压力。

三是认知不足与数字化基础薄弱制约智能化转型。部分企业生产环节数字化程度较低，对AI投入和应用意愿不足。以中国为例，中国信通院发布的《中国数字经济发展研究报告》(2024年)显示，数字经济在工业中的渗透率仅为25.03%，在一定程度上制约了AI在制造领域的推广。

未来，应通过完善工业数据标准、优化AI应用生态、加强复合型人才培养和提升数字化渗透率，降低企业应用AI的门槛，推动“AI+制造”的持续深入发展。

4 结束语

本文通过“总体态势-应用场景-未来方向”的三层分析框架，系统剖析AI技术制造业领域应用图景。研究主要形成了以下结论：

首先，AI在制造业领域的应用已超越单点工具应用，正在演变成为一场由“一体两翼”新范式引领的体系化变革。研究表明，工业AI平台作为智能化“基础底座”，与代表知识智能的“大模型”和代表物理自动化的“机器人”形成“一体两翼”式智能制造模式，共同推动制造业向全流程渗透、全链条协同的需求导向型生产模式转变。

其次，AI在制造业领域的应用呈现出清晰的场景化路径，并在全球范围内形成多样化的实践标杆。研究识别出生成设计、生产优化、质量控制、供应链管理及全场景融合五大关键场景，最终多业务全场景融合，共同构建出智能工厂及其智能协同产业链。

最后，面向未来，存在“四大方向”和“三大挑战”。其中，软件定义制造、自优化工厂、数据驱动制造和AI技术治理构成核心发展方向，但其实现面临数据治理、复合型人才与认知的三重挑战，共同构成了制约“AI+制造”向纵深发展的主要瓶颈。

未来，将可以继续通过应用场景和案例深度追踪与进一步研究，以探究“一体两翼”范式在制造业落地时的适配机制和工业数据治理体系。

原文刊载于《竞争情报》 2026年2月 作者：上海图书馆 党倩娜