2026年1月7日，工信部、中央网信办、发改委、教育部、商务部、国资委、市场监管总局、国家数据局这八个部门，罕见地联合印发了《“人工智能+制造”专项行动实施意见》。
这份文件的分量不轻，因为它直接指向了制造业最头疼的两个词：“通用大模型”和“工业智能体”。文件里有个很具体的量化指标：到2027年，推动3-5个通用大模型在制造业深度应用，推出1000个高水平工业智能体，打造100个工业领域高质量数据集，推广500个典型应用场景。听起来很丰满，但如果我们剥开宏观叙事，走进一家典型的汽车零部件加工厂或电子装配车间，会发现“AI+制造”的落地过程，往往是从一堆“不体面”的工程烂摊子开始的。
算力混部：不是插上卡就能跑
在长三角一家拥有两千名员工的精密制造企业，CIO老张最近正为“算力底座”头疼。按照政策导向，他们计划引入国产算力集群来支撑内部的生产优化模型。但现实是，昇腾、海光、寒武纪等不同品牌的芯片放进同一个智算集群，问题远不止Kubernetes能不能识别设备这么简单。
正如我们在《国产算力混部，难在调度之后》中分析的那样，真正麻烦的地方在于工具链、算子、通信库和监控口径的统一。老张的团队花了三个月时间，才勉强把训练任务分散到昇腾910D，推理任务放到海光DCU上。“能跑起来，靠的不是口号，而是通信转换、权重校验、算子重写这些枯燥的工程活。”
对于大多数传统制造企业而言，购买硬件容易，搞定底层兼容性才是第一道鬼门关。如果连不同芯片作为不同资源池的管理都做不到，所谓的“智能工厂”就只是几台昂贵的服务器在空转。
质检与排产：AI的“脏活”困境
政策鼓励推广500个典型应用场景，但在车间一线，AI最常介入的两个环节——视觉质检和动态排产，恰恰是最容易“翻车”的地方。
以质检为例，很多工厂尝试引入大模型进行缺陷分类。但工业现场的灯光变化、工件表面油污、甚至刀具微小的磨损，都会导致数据分布偏移。AI模型在实验室里准确率99%，到了车间可能因为一个批次的光线差异跌到85%。数据质量在这里不是抽象概念，而是每一条打标数据的准确性。
再看排产。制造业的排产系统（APS）往往运行着几十年的遗留算法，而新的AI排产模型需要实时接入ERP、MES和WMS的数据。然而，这些数据通常躺在不同的服务器上，格式不一，更新延迟。当AI给出一个“最优”排产方案时，车间主任可能会发现，这个方案忽略了某台设备上周刚发生的非计划停机记录——因为这条数据还没录入系统。
这就是为什么《企业Agent降本，真正难在流程和数据》中提到，ROI不只取决于模型能力，更取决于流程边界、接口权限和数据质量。在制造现场，AI不仅要懂算法，还要懂“工序”。
责任边界：谁为错误买单？
随着AI从“辅助工具”向“决策主体”转变，一个新的难题浮现：当AI排产导致交付延期，或者AI质检漏放了次品，责任归谁？
在《数字员工上岗，SOP先补责任边界》一文中，我们曾探讨过业务场景中AI的责任归属问题。在制造业，这个问题的后果更为严重。一次错误的排产可能导致整条产线停工，损失以小时计；一次漏检可能导致产品召回，影响品牌声誉。
目前，许多工厂尚未建立完善的“人机协作SOP”。AI给出的建议，是需要人工二次确认，还是可以直接执行？如果是自动执行，复核机制在哪里？老张告诉我们，他们现在采取的是**“灰度发布”**策略：AI排产结果仅作为参考，最终指令必须由计划员签字确认。但这意味着，AI并没有真正解放人力，反而增加了核对成本。
从“试点”到“规模”的距离
工信部此次发文，强调了“安全可靠供给”和“生态主导型企业”。这意味着，未来两三年，制造业将迎来一波**“懂智能、熟行业”**的赋能应用服务商的崛起。对于这些服务商来说，机会在于提供标准化的、开箱即用的工业智能体，而不是定制化的大模型训练。
但对于像老张这样的传统制造CIO来说，挑战依然严峻。他们需要的不是又一个“颠覆性”的概念，而是能够解决具体痛点的工程方案：如何让异构算力稳定运行？如何清洗十年积累的脏数据？如何定义AI决策的责任边界？
《“人工智能+制造”专项行动实施意见》是一个明确的信号，但信号之外，是漫长的工程化过程。AI+制造，终究要回到车间，回到那些充满油污、噪音和不确定性的真实场景中。只有在那里，AI才能从“口号”变成“生产力”。
在这个过程中，或许我们可以借鉴其他领域的经验。比如《Sora 3 之后，短剧出海的新痛点：合规审查与本地化配音》中提到的，技术在快速迭代的同时，合规与版权的确权成为了新的壁垒。在制造业，数据的合规性、算法的可解释性、以及人机协作的规范性，也将成为AI落地的硬约束。
2027年的目标很宏大，但每一步都需要踩在坚实的泥土上。对于制造业而言，AI不是魔法，而是另一项需要精心维护的“设备”。
