21世纪经济报道记者柳宁馨 报道
今年以来，智能经济已成为发展热词。3月初，2026年政府工作报告首次提出，打造智能经济新形态，深化拓展“人工智能+”。随后全文发布的“十五五”规划纲要也明确，要培育智能原生新模式新业态，全面实施“人工智能+”行动。
如何理解智能经济？制造业在其中将扮演什么角色？随着智能经济新模式、新业态持续涌现，未来“人工智能+制造”又有哪些值得关注的重点？
围绕上述话题，日前，21世纪经济报道记者专访了中国工业互联网研究院院长鲁春丛。在他看来，制造业是智能经济主战场，而推进工业智能应用，“七分在数据、三分在模型”，面对工业数据的多元异构、多级分布、深度耦合特性，可探索构建“1套智能基础设施+3类高质量数据集”的系统性解决方案。
同时，鲁春丛强调，工业大模型和智能体的作用是分层级、一体化协同的，它们正在重塑从设备到产业生态的每一个环节，推进“AI+制造”绝不能搞“一刀切”，必须坚持“分业推进、分级推进”。
推进工业智能应用“七分在数据”
《21世纪》：制造业在智能经济中将承担什么角色？在“人工智能+制造”行动持续推进背景下，如何理解“智能产业化”与“产业智能化”的协同关系？
鲁春丛：制造业是立国之本、强国之基，更是智能经济的主战场。2025年，我国制造业增加值达34.7万亿元，连续16年保持全球第一。我国拥有超600万家制造业企业和全球最完整、门类最齐全的工业体系，这构成了人工智能技术最宝贵的“全场景”应用土壤和广袤的数智转型“蓝海”。
关于“智能产业化”与“产业智能化”的协同关系，我认为这是一场双向奔赴。我们推动“AI+制造”，就是利用人工智能技术对制造业进行全方位、全链条的改造。我国80%的制造业属于传统产业，它们对降本、提质、增效、绿色、安全有着迫切需求。这个过程，也就是“产业智能化”，为AI技术提供了最宝贵的、任何网络爬虫或合成数据都无法复制的真实世界数据和复杂工业场景。
在满足“产业智能化”需求的过程中，必然会倒逼AI芯片、工业大模型、智能传感器、工业软件和智能装备等核心产业的发展，这就是“智能产业化”。我国目前已形成涵盖基础底座、模型框架、行业应用的完整产业体系，这为赋能实体经济提供了强大的技术供给。
两者互为表里、互促共进。没有“智能产业化”的底层支撑，制造业转型就是无源之水；没有“产业智能化”的广阔场景和海量工业数据反哺，人工智能大模型就会缺乏行业深度。
《21世纪》：目前，在推进“AI+制造”的过程中，高质量工业数据集建设还面临哪些关键瓶颈？
鲁春丛：推进工业智能应用，往往是“七分在数据、三分在模型”。当前最大的瓶颈在于，我们虽然每天都在产生规模难以估量的“数据洪流”，但大量数据仍是“沉睡的资源”。
具体表现为：多元异构，也就是工业数据模态多样，传感器的时间序列数据、视频图像、工艺文本、设计图纸等格式各异，标准不一，AI难以统一“阅读”；多级分布，即数据分散在设备、产线、车间乃至不同管理系统（ERP、MES等）中，形成“数据孤岛”，难以打通；深度耦合，即工业数据背后隐藏着复杂的物理机理、工艺知识和老师傅的“隐性经验”，数据之间的因果关系和业务逻辑非常复杂。
这就导致我们常常面临“数据多但质量低”、“有数据但不会用”的困境。要破解这个难题，在于实现从“物理汇聚”到“语义贯通”的转变，让AI不仅能“看”数据，更能“理解”数据背后的业务逻辑。
《21世纪》：你提出面对工业数据特性，应构建“1+3”体系。如何实现从“有数据”到“用好数据”的转变，让AI真正理解业务逻辑？
鲁春丛：我们正在探索构建一个系统性的解决方案，可以概括为“1套智能基础设施+3类高质量数据集”的体系。
其中，“1套智能基础设施”，核心在于打破“数据孤岛”。过去我们认为把数据集成到一个平台上就够了，但在AI时代，数据汇聚不等于数据连通，系统集成不等于语义贯通。比如，ERP里叫“订单”，MES里叫“工单”，SCADA里叫“批次号”，如果AI读不懂它们背后的业务关联，孤岛依然存在。因此，我们要推进IT、CT、OT和DT的“4T融合”，建立统一的语义模型，让AI真正理解数据之间的实体关系和因果链条。
“3类高质量数据集”则是基于这个基座，分类分级建设三类高质量数据集：一是产业链数据集，反映上下游供给关系，支撑产业分析和区域规划；二是企业运营数据集，打通订单、采购、库存、物流等环节，帮助企业敏锐响应市场波动，实现精细化管理；三是企业生产数据集，深入设备运行、工艺参数等“深水区”，这是训练工业大模型最宝贵的“语料”，是实现“AI+制造”最核心的“燃料库”。
要实现从“有数据”到“用好数据”，必须解决“建什么、去哪找、怎么用”的问题。我们要从实际业务痛点出发，逆向推导模型需要什么数据；通过构建数据标识解析系统和标准化目录，打破“语言壁垒”；最后，采用“云边协同”技术，在边缘侧完成数据清洗和本地计算，实现“数据可用不可见”，让数据越用越规范、模型越训越精准。
大小模型协作重塑制造体系
《21世纪》：未来工业智能体可能带来哪些生产模式变革？当前工业大模型和工业智能体正探索进入制造业场景，如何看待它们在生产优化、设备运维和决策管理中的作用？
鲁春丛：工业大模型和智能体的引入，正在推动制造业发生从“单点智能”向“全局智慧”、从“经验驱动”向“数据驱动”、从“人机辅助”向“人机协同决策”的根本性变革。未来，它们将以“大模型指挥、小模型执行”的协作方式，重塑制造体系。
我认为，工业大模型和智能体的作用是分层级、一体化协同的，它们正在重塑从设备到产业生态的每一个环节。
一是分层部署应用。部署故障诊断、寿命预测、工艺优化等设备级工业智能体，实现单点自主感知与控制；部署异常检测、能耗计算、工控代码生成等产线/车间级智能体，保障生产的连续性与高效性；部署物料调度、仓储优化、风控预警等工厂层智能体，推动资源优化配置和高效执行；部署利润预测、财务管理、碳排优化等企业层智能体，促进经营决策效能提升；部署供需智能匹配、产业链供应链管控等生态层智能体，实现产业链协同与生态联动。
二是强化多智能体协同。构建云边协同的多智能体协作体系，在边缘侧，面向设备、产线和车间部署预测性维护、实时质量检测和柔性工艺调整等任务智能体，构建“感知—决策—执行”闭环，推动控制体系由自动化向自主化升级；在云侧，依托统一的智能体交互机制，推动生产计划、供应链调度与能耗管理等智能体交互协作，提升跨部门协同和决策响应能力。
《21世纪》：目前部分制造业企业对推进AI应用仍存在顾虑。不同行业和规模的企业在面对AI时需要有哪些差异化策略？在选择技术路线和评估AI投入产出时，应重点关注哪些关键因素？
鲁春丛：企业的顾虑主要集中在“不会转、不敢转、算不过账”以及安全风险上。推进“AI+制造”绝不能搞“一刀切”，必须坚持“分业推进、分级推进”。
差异化策略上，对于行业龙头企业和链主企业，应发挥“顶格推进”的引领作用，重点在于开放应用场景，牵头建设产业链协同的高质量数据集，带动上下游企业互通互用。对于广大中小微企业，受限于资金和技术，策略应是“小、快、轻、准”。建议依托国家工业互联网大数据中心或公共云平台，采用订阅制服务，部署轻量化的边缘智能体，解决最迫切的质检、排产等单点痛点。
在选择技术路线和评估投入产出时，应重点关注三个因素：一是“防脱节”，以解决实际业务痛点为导向，从“场景—模型—数据集”层层映射，杜绝为了上AI而上AI的“建用脱节”。
二是“重安全”，很多企业担心数据泄露。在技术路线上，应严守“数据物理不出域”，采用边缘计算、联邦学习等隐私计算技术，原始数据不上云，切实保护商业秘密。
三是“算长远”，评估ROI（投资回报率）不能仅看短期的软硬件采购成本，更要看AI带来的良率提升、能耗下降、研发周期缩短，以及面对市场波动时供应链展现出的“韧性”和“响应速度”。
《21世纪》：浙江是制造业大省，如何评价目前浙江在“AI+制造”融合发展方面开展的探索？哪些经验具有更广泛的借鉴意义？
鲁春丛：在“AI+制造”的探索中，浙江不仅走得早，而且走得深、走得实。我认为浙江有两点经验极具全国示范意义：一是培育了极其敏锐、活跃的“数商”生态。以宁波为例，这里不仅是底蕴深厚的“制造大市”和全国制造业“单项冠军”第一城，更是数据要素市场化配置的探路先锋。浙江孕育了一大批懂工业、懂算法、懂数据的数智化转型服务商（数商），他们作为“产业答题人”，与作为“行业出题人”的制造企业紧密结合，形成了一个极具活力的供需协同创新生态。
二是将“硬核场景”与“数据资产”深度绑定。浙江的企业非常务实，他们不仅在车间里大规模部署工业智能应用，更率先探索工业数据资产的登记、评估与入表。他们真正把海量的生产场景转化为了高质量的数据集，把数据要素从“沉睡资源”变成了“核心资产”。
聚丰策略提示：文章来自网络，不代表本站观点。
