推动人工智能技术与装备制造业融合发展的思考与建议

中咨公司青马研习第二小组 

戴洵 王歆鑫 陈晓庆 等

编者按：随着科技发展，人工智能正成为引领新一轮产业变革的核心驱动力。当前，我国传统装备制造业面临着新质产能不足、创新和竞争能力有待提升、产业链供应链安全稳定性不强等困境，亟需培育和发展新质生产力。人工智能具备在设计、生产、检测、管理等全流程过程中控制成本、提高生产效率、更好地满足市场需求的优势，已成功应用于柔性定制化制造、智能排产调度、质量工艺控制和智能检修等诸多方面。传统装备制造业与人工智能的深入融合将全面激发我国工业体系先进活力，成为持续驱动信息化和工业化深度融合发展的新动力。文章针对当前传统装备制造业与人工智能融合发展的主要制约因素进行全面分析，并提出相关合理化建议。

一、人工智能在装备制造业中的应用现状

人工智能（Artificial Intelligence，简称AI）是计算机学科的一个分支，与基因工程、纳米科学并称为二十一世纪三大尖端技术。随着物联网、大数据、云计算等技术的日趋成熟，人工智能迎来了爆发式的增长，逐渐从散点应用向规模化发展，在很多领域都获得了广泛应用。

制造业是国家经济命脉所系，是立国之本、强国之基。随着新一代信息技术加速拥抱千行百业，人工智能有了更加广阔的应用空间，智能制造正在多领域多场景落地开花。

（一）全球应用现状

自2010年以来，国内外学者逐步提出对设备制造业的数字化改革，能够显著提高产品的生产效益。从全球范围看，人工智能技术的引入不仅提高了装备制造业的效率，还推动了行业的创新和发展。

人工智能技术在装备制造业中的应用主要包括以下几个方面：

智能工厂：通过物联网和AI技术实现工厂生产设备和系统的智能化和互联化。以智能工厂应用为例，美国通用电气（GE）利用人工智能应用Predix平台开发了预测性维护解决方案，旨在通过物联网和AI技术，实现工业设备的智能监控和维护。

智能设计：借助AI的设计模拟和优化能力，企业能够根据客户的具体需求，快速生成个性化的设计方案。这不仅加快了产品的研发周期，也使产品更能贴合市场和消费者的需求，增强了产品的竞争力。西门子（Siemens AG）利用AI技术进行产品设计的初步阶段，如概念生成、初步设计和优化，结合市场需求、技术趋势和用户需求，自动生成多个设计方案，并对其进行评估和优化，缩短了设计周期，提高了设计的创新性和竞争力。

智能制造：通过AI技术对生产过程进行监控和控制，利用云计算和大数据技术实现生产过程的数据采集、传输和分析，优化生产流程，提高生产效率和产品质量。以自适应制造为例，特斯拉（TESLA）在弗里蒙特工厂和上海超级工厂广泛应用人工智能和自动化技术，一年内即实现了大规模生产，并迅速提升产量，证明了人工智能和自动化技术在提升生产效率和质量方面的巨大潜力。

智能管理：利用人工智能技术对资源进行优化配置，提高企业的运营效率和管理水平。空客（Airbus）作为全球领先的飞机制造商，利用AI算法优化库存水平和生产计划，以应对市场波动和客户需求的变化。通过实时分析供应商、物流和客户数据，空客能够更准确地预测未来的需求，并据此调整生产计划，以降低成本并提高响应速度。

人工智能在装备制造业的应用展现出强大的发展潜力和广阔的前景。随着AI技术的进一步发展和完善，未来的装备制造业将更加智能化、高效化、个性化和绿色化，为全球经济发展贡献新动力。

（二）我国应用现状

党的十九大报告明确指出，加快建设制造强国，加快发展先进制造业，推动互联网、大数据、人工智能和实体经济深度融合。中央全面深化改革委员会第七次会议审议通过的《关于促进人工智能和实体经济深度融合的指导意见》指出，要把握新一代人工智能发展的特点，促进人工智能和实体经济深度融合，构建数据驱动、人机协同、跨界融合、共创分享的智能经济形态。

“装备制造业是制造业的核心组成部分，也是国家工业发展的基础。当前，我国装备制造业正面临着转型升级的压力，亟需寻找新的增长点。”中国机械工业联合会执行副会长、专家委员会主任陈斌在“2023全球装备制造业数字化转型与智能化创新发展峰会”上表示，以人工智能为代表的新一代信息技术的突破应用，将给装备制造业带来重大影响。

装备制造业作为制造业的重要组成部分，是为国民经济进行简单再生产和扩大再生产提供工具的生产制造部门，承担着为国民经济各部门发展和国防建设提供技术装备的重要任务。目前，我国装备制造业已经建立了门类齐全、独立完整的产业体系，有力地支撑着国民经济的发展和国防现代化的需要，但同时也面临着大而不强、全而不优、创新不足等问题。

人工智能技术作为一种新兴的数字化技术，是制造业企业数字化转型的必然选择。推动人工智能技术发展是促进制造业企业快速转型发展的重要手段。当前我国逐步构建了一批体现新产品新业态的制造业企业数字化转型模式，正推进装备制造业结构调整和转型升级。

宁德时代利用人工智能驱动锂电池技术创新，实现极限制造。聚焦AI for Science，借力LAMBDA大数据架构，引入典型化的人工智能技术框架，在产品/设备加工参数的关联分析和优化分析、基于机器视觉的产品缺陷分析、设备的预测性维护等领域展开具体和实质化的运用，自主研制全国产高速超精成套智能装备，率先实现动力电池的极限制造。

京东方的福州8.5代半导体显示生产线通过构建全自动生产系统，广泛采用人工智能和先进分析技术，使单位成本降低34%，整体产量增长30%；通过搭建AI驱动的能源管理系统，产线单位电耗大幅下降39%，单位水耗下降27%，实现了智能化的排产与调度，搭建数字化的设备综合效率平台，采用智慧能源管理降低成本，并通过实时工艺控制系统持续保障产品的最佳性能。

人工智能技术与制造业的深度融合，正展现出强大的赋能效应。这是中国工业发展的一次历史性机遇，将有力推动实体经济数字化、智能化、绿色化转型，助力装备制造业高质量发展。

二、人工智能和装备制造业融合发展的制约因素

（一）核心技术依赖进口，自主创新研发能力亟待突破

如今，全球大模型竞争进入到白热化阶段，各种大模型不断刷新评测榜单，在斯坦福大学HELM、国内SuperCLUE等AI性能评测标准中，国产大模型与GPT、Claude等代表国际顶尖水平的模型仍有一定的差距。作为赋能装备制造业、促生新质生产力的重要组成，我国在大模型自主研发创新上仍面临一系列制约因素。

一是AI浪潮来势汹汹，国内人工智能发展处于慢人一步的状态。国外AI科技公司依靠其前期技术储备，已在多模态生成等前沿技术方向展开探索，并已经发布GPT-4o、Sora等产品，极大地增强了大模型的应用场景。这使得国内人工智能研发时刻处于“追赶”状态。特别是在工业大模型方面，谷歌DeepMind推出AutoRT、SARA-RT、RT-Trajectory等技术，结合大语言模型和视觉语言模型极大增强了工业机器人的泛化理解能力和任务执行能力。微软Azure工业AI、亚马逊AWS工业AI等工具的发布更标志着老牌云服务供应商正将人工智能全面赋能至传统工业IoT业务的方方面面，快速与我国拉开差距。

二是大模型参数量急剧增加，对基础设施带来较大考验。初版GPT-3采用1750亿参数，谷歌BERT采用3400亿参数，近期发布的腾讯混元大模型参数规模超万亿。虽然大语言模型由于存在极限收益递减效应，参数规模与其综合性能不完全正相关，但愈来愈大的参数量对计算资源和训练数据的需求提出了更高的挑战。随着美国政府进一步禁止英伟达等公司向我国出口高端GPU芯片，意图对我实行算力封锁，人工智能核心技术突破的部分压力也被分摊到高端计算芯片产业等领域。

三是装备制造业核心技术产品依赖进口，国产人工智能落地存在困难。多数装备制造业的核心设备仍未国产化替代，在人工智能时代，硬件与软件、服务紧密绑定，国外公司技术在国际市场上的领先地位进一步加剧了国内企业的技术依赖。国内企业在设备预测性维护、质量检测、工艺优化等AI场景应用上，更倾向于购买和使用设备供应商的AI解决方案，对国产人工智能产品、服务在装备制造业落地产生限制。

（二）数据获取面临障碍，工程应用链路机制仍需探索

在当前的技术范式下，为加强生成式预训练模型的性能，缩短训练时间，保障模型好用且快速更新，大模型极度依赖高质量的训练数据集。我国装备制造业门类广、范围多、应用场景复杂，作为典型的AI垂直应用场景，装备制造业的数据具有鲜明的行业特色：一是数据种类繁多且来源复杂。装备制造业数据包含设计数据、生产数据、运营数据、故障数据、维修数据以及物流数据等，既包括结构化数据（如生产计划、工艺参数等），也存在大量非结构化数据（如设计图纸、设备运行记录等）。二是企业信息化程度偏低，数据分散孤立现象普遍。尽管多数企业已经推行数智化生产线，但这距离全面的信息化生产仍有较大差距，生产与非生产环节之间的信息传递链路没有打通。在已经实现了信息化的企业中，由于各个生产环节或部门之间的数据交流与共享并不充分，不同场景数据割裂，数据孤岛广泛存在。三是设备标准、企业规范各不相同。不同系统和设备的数据格式和接口标准各异，企业内部生产流程数据较难统筹管理；此外，由于缺乏行业通用规范，企业在内部执行过程中，通常自行建立生产数据相关的管理流程，导致企业间很难共享互用。

因此，目前装备制造业中的AI应用主要集中在质量检测、设备健康管理、生产计划排程等非直接生产环节，AI向直接生产环节“深水区”进一步探索仍急需建立并形成适用于装备制造行业的高质量训练知识库或数据集，这主要存在以下困难：一是数据质量参差不齐、数据完整性不足，直接提取的设计、生产、运营、维修等数据存在大量噪声、误差，人工清洗和标签化等预处理和特征提取需要耗费大量时间成本，导致一般较难直接用于大模型训练，缺失的关键环节数据采集更可能导致数据本身不完备，直接影响模型训练结果。二是数据隐私和安全性风险大，由于设计、生产、运营、维修等环节的相关数据通常属于商业或国家秘密，企业共享意愿较低，且行业联盟或协会对企业约束力不足，企业数据互通很难推行。

（三）人才行业占比失衡，激励机制产业需求对接不足

根据《2022年中国人工智能人才发展报告》，从纵向看，北京、广东、上海、浙江四省市对人工智能人才的需求占全国的80.8%，但人才供给数量仅为67.1%，人工智能人才供不应求的现象较为明显。2022年中国人工智能人才发展报告根据猎聘大数据展开调研并指出，汽车、机械、制造等与装备制造业相关的行业中，人工智能人才需求占总需求的6.6%，位列第三，低于互联网、游戏、软件行业的60.9%和电子、通信、硬件行业的11.1%。可以看出，人工智能相关专业的毕业生有较大概率进入互联网、游戏和软件等传统上与计算机学科相关的行业。一是由于通用人工智能的概念近年才进入大众视野，学生、学校和用人单位供需双方均对人工智能在传统行业的潜在应用场景缺乏认知，就业辅导上宣传不足。二是由于高校培养观念和体系滞后，产学研用链路环节尚未打通，行业需求无法和培养环节紧密衔接，跨学科全面培养的模式仍需进一步创新。三是装备制造业等传统行业薪酬待遇普遍较低，毕业生有更高意愿进入互联网相关企业，不利于高水平人才引入落地，生产企业需尽早转换观念。

（四）政策支撑力度较弱，法规标准技术发展暂未同步

我国高度重视人工智能的发展和治理，在2017年，国务院发布的《新一代人工智能发展规划》提出了“三步走”的立法规划，并在2023年6月6日发布的《国务院2023年度立法工作计划》中明确将《人工智能法》列入立法规划。2023年8月，世界上第一个有关生成式人工智能的成文法《生成式人工智能服务管理暂行办法》生效实施。2024年6月5日，工业和信息化部、中央网络安全和信息化委员会办公室、国家发展和改革委员会、国家标准化管理委员会四部门印发了《国家人工智能产业综合标准化体系建设指南》（2024版）。李强总理更是明确在2024年政府工作报告中提出，深化大数据、人工智能等研发应用，开展“人工智能+”行动。

但相较于人工智能的飞速发展，国内外政策对人工智能的支撑力度还相对较弱，法规标准技术发展暂未能与其发展速度同步。我国《生成式人工智能服务管理暂行办法》虽率先就生成式人工智能监管这一议题给出中国方案，但“暂行”二字意味着一部统一的、综合的《人工智能法》还尚未到来，未来如何通过立法在拥抱技术发展的同时有效规制风险，贡献出具有中国特色的人工智能治理路径，仍需进一步探索。

（五）企业转型面临困难，战略规划有待适应市场节奏

麦肯锡2022年全球AI调研结果显示，只有9%的中国企业可借助AI实现10%以上的收入增长，而领先国家受访企业中有19%的公司能实现该增长。在利润贡献上，AI对EBIT（息税前利润）的贡献超过20%的受访中国企业仅有7%，而领先国家该占比达14%。中国企业AI技术的变现能力和经济价值创造亟待提高。一是人工智能整体战略尚不成熟，战略规划有待适应市场节奏：AI战略从顶层指导AI的设计、落地及业务协调，对AI成效和公司整体营收都有显著影响。麦肯锡调研显示，仅有不到30%的受访中国企业表示能让AI战略与公司整体战略协调一致，25%的受访企业高管层能充分认同AI战略。对于中国企业而言迫在眉睫的是，改善AI相关战略的设计与配套机制体制，并增进企业高管对AI的认同。二是企业在转型过程中往往面临诸多困难和挑战，如技术储备不足、资金短缺、市场变化快等。同时，部分企业在制定战略规划时缺乏对市场节奏的准确把握和预判能力，导致转型效果不佳。

三、加快推进人工智能和装备制造业融合发展的建议

人工智能与装备制造业的深度融合是一场革命性的变革，应用前景广阔但也充满诸多挑战。面对挑战，通过加大研发投入、优化产业布局、加强人才培养、完善政策法规、鼓励企业转型升级等措施的实施，加快人工智能与先进制造的深度融合，让实体经济活力更足、动力更强，助力中国从制造大国走向制造强国。

（一）加大研发投入，促进多方合作

加强核心技术攻关。聚焦人工智能与装备制造业融合的关键核心技术，如智能感知、自主决策、精准执行等领域的基础算法、芯片、传感器等，国家、企业和研究机构共同出资设立专项基金，通过“揭榜挂帅”等方式集中科创资源，突破一批共性和关键技术，缩小与国外的差距，实现产业的升级换代。同时，促进国家实验室、高等院校、研究院所等合作，实现资源整合、优势互补，加速科技成果的转化应用。推动产学研用紧密结合，形成闭环的创新生态链。

（二）优化产业布局，加强协同发展

根据各地区的资源禀赋、产业基础和区位优势，针对不同领域的装备制造业，因地制宜地制定差异化的发展策略，优先支持重点领域装备的智能化升级，注重产业链上下游的协同发展，避免盲目扩张和重复建设。东部沿海地区可依托其经济发达、科技资源丰富、制造业基础雄厚的优势，重点发展高端智能装备和智能制造系统，打造人工智能与装备制造业融合的先行示范区；中西部地区可利用其土地资源、劳动力成本相对较低的优势，承接东部地区的产业转移，同时积极引进和培育人工智能相关企业，推动装备制造业的智能化改造和升级。促进人工智能企业与装备制造业企业的深度合作，建立跨行业的协同创新平台和产业联盟。通过联合研发、技术交流、项目合作等方式，推动人工智能技术在装备制造业中的应用和推广，实现技术、资源和市场的共享。

（三）加强人才培养，健全激励机制

大力培养创新型复合型人才。深化高校、职业技术学校和企业间的交流合作，通过卓越工程师计划及产教融合试点相关举措，加强智能制造、机器人、算法设计、工业互联网等领域专业技术人才的培育培训。同时，加强企业自身内部培训，提高员工的专业技能和素质。

建立健全人才激励机制。加大人工智能领域高层次人才和紧缺人才的引进力度，搭建人才交流平台，畅通引才渠道，完善人才服务，通过优厚的待遇和良好的发展环境，吸引国内外优秀人才投身于人工智能与装备制造业的融合发展事业中。

（四）完善政策法规，制定行业规范

制定和完善人工智能与装备制造业融合发展的政策法规，营造良好的发展环境。依托重大战略项目，充分发挥中国特色社会主义制度优势，加快工业体系转型升级，推动高端装备制造业的发展，实现从制造大国向制造强国的转变。应出台一系列支持性政策，鼓励技术创新，完善相关法律法规，建立跨部门协同机制，提供资金、税收等方面的优惠措施，引导社会资本向人工智能领域聚集，助力装备制造业的智能化融合。

建立健全智能制造领域的标准体系，行业协会和标准化组织联合企业和科研机构共同建立统一的技术规范和标准体系，推广标准的实施和应用试点、示范，为智能制造提供“中国范式”，降低企业研发和应用新技术的风险成本。注重知识产权保护，加强对创新成果的保护力度，激发企业的创新活力。

（五）鼓励企业转型升级，推动融合发展

鼓励企业积极进行数字化转型。通过举办行业论坛、研讨会、培训讲座等活动，邀请专家、学者和成功企业分享人工智能与装备制造业融合的典型案例、成功经验和未来发展趋势，让企业充分认识到融合转型的重要性和紧迫性，增强企业转型的主动性和积极性，鼓励企业制定清晰的战略目标，明确发展路径，合理配置资源，充分考虑市场需求变化和技术发展趋势，确保自身的发展方向与外部环境相协调。充分发挥现有专项资金作用，支持企业开展人工智能与装备制造业融合的转型升级项目。同时，引导金融机构创新金融产品和服务，为企业提供贷款、融资租赁、风险投资等多元化的融资支持。

通过以上措施，中国装备制造业有望克服挑战，抓住机遇，实现人工智能与装备制造业的深度融合，推动装备制造业的高质量发展，为经济社会发展做出更大的贡献。

中咨公司青马研习第二小组

组员：王歆鑫、陈晓庆、吕一涵、严安、王浩、任鹏兵、方超

指导教师：戴洵

注：文中图片来源于网络，版权归原作者所有，若有侵权请联系删除。