2026年1月7日，工信部等八部门联合印发了《“人工智能+制造”专项行动实施意见》。文件很硬气：到2027年，要推动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，推广500个典型应用场景。
对于头部大厂，这不过是锦上添花的KPI。但对于占据制造业底座的中小微企业来说，这份文件更像是一张“体检表”——上面列出的健康指标，恰恰是它们目前最虚弱的地方。很多人看完政策热血沸腾，转身走进车间却发现，AI根本无处下脚。
今天不谈宏大叙事，只聊三个让工厂老板睡不着觉的硬骨头：数据孤岛怎么破？老设备怎么连？钱投进去到底能不能回本？
第一块硬骨头：数据孤岛不是技术问题，是“信任”问题
《实施意见》里提到要打造100个工业领域高质量数据集。听起来很美，但现实是，在大多数中型制造企业里，数据不仅散乱，而且“脏”。
我走访过一家位于长三角的精密零部件加工厂。他们的ERP系统是十年前的老架构，MES系统刚上线半年，PLC控制器来自德国和日本不同品牌。老板想搞一个AI质检模型，结果发现，历史缺陷图片存在工程师的个人电脑里，良品率数据在Excel表格里，而实时生产日志被锁在工控机的局域网里。
这就是典型的“数据孤岛”。但更深层的问题不是技术打通，而是内部信任。
很多工厂的管理层担心，一旦数据全面数字化，工人的操作失误、设备的维护滞后都会暴露在算法面前。这种抵触情绪，比任何API接口都难跨越。《昇腾910C迁移，别先栽在软件栈》一文中提到，技术迁移的难点往往不在硬件，而在生态和适配。同理，数据迁移的难点也不在数据库，而在人心。
避坑指南：
- 不要试图一步到位清洗全量数据。 先选定一个具体的、高频的、痛点明显的场景，比如“注塑机参数调优”。只针对这个场景抽取相关数据，小范围跑通闭环。
- 建立数据治理的“最小可行性组织”。 成立由IT、生产主管和质量经理组成的三人小组，明确数据所有权和使用权，消除员工顾虑。
- 利用边缘计算过滤噪声。 参考《给大模型治“幻觉”：清华Hyper-RAG与TaD的工程解法》中的思路，在数据源头进行初步的结构化和去噪，避免将垃圾数据喂给大模型，导致后续推理失真。
第二块硬骨头：老设备联网，别被“协议兼容”拖垮
政策鼓励推广工业智能体，但智能体的前提是“感知”。而感知的前提是“连接”。
在中国制造业，存在海量的“哑设备”——没有智能接口、甚至没有网络接口的老旧机床、冲压机、传送带。这些设备构成了工厂生产的基座，却是数字化转型的盲区。
很多集成商喜欢推销标准化的物联网网关，号称支持Modbus、OPC UA等主流协议。但当你面对一台2005年进口的瑞士磨床时，你会发现，它连RS232串口都接触不良，更别提网络协议了。
这就引出了第二个痛点：非结构化数据的采集成本极高。
与其花几十万改造老设备，不如换个思路。就像《人形机器人进客厅实测：抓不稳塑料瓶，折叠失败率近100%》中提到的，具身智能在面对非结构化环境时，视觉感知比力控反馈更可靠。在数据采集上也是如此。
避坑指南：
- 视觉替代传感器。 对于无法加装传感器的老设备，使用工业相机拍摄屏幕读数、机械臂动作或产品外观。虽然这需要后续的图像识别处理，但硬件改造成本几乎为零。
- 采用“旁路监听”而非“侵入式改造”。 通过交换机镜像端口捕获现有网络中的数据流量，或者使用非侵入式电流传感器监测设备启停状态，避免对原有控制系统造成干扰。
- 接受“低精度”的现实。 老设备联网的目的不是为了实时控制，而是为了趋势分析和故障预警。不要追求毫秒级的响应，容忍一定的数据延迟和误差，反而能加快落地速度。
第三块硬骨头：ROI核算，别让“虚荣指标”蒙蔽双眼
这是最致命的一点。很多企业在引入AI时，容易陷入“技术自嗨”：我们的模型准确率达到了99%，我们的推理速度提升了50%。
但这些数字对老板来说毫无意义。老板只关心一个问题：这笔投入，多久能回本？
《实施意见》提出了培育“懂智能、熟行业”的赋能应用服务商，这正是为了解决ROI不清的问题。专业的服务商应该能帮你算清楚账：
- 直接收益： 良品率提升带来的材料节省、人工减少带来的薪资节省、产能提升带来的订单增量。
- 间接收益： 管理透明度提升、决策效率提高、品牌溢价增加。
然而，现实中很多项目因为ROI测算过于乐观而烂尾。例如，某汽车零部件厂引入AI排程系统，预计缩短交货周期20%，但由于上下游供应商配合度低，实际效果不足5%，导致系统闲置。
避坑指南：
- 设定“止损线”。 在项目启动前，明确如果6个月内无法达到预期的ROI阈值（如18个月回本），则立即停止投入或切换方案。
- 关注“边际效益”而非“绝对效益”。 不要指望AI能解决所有问题。找到那个“痛点最痛、收益最明显”的环节，比如特定工序的质检，实现单点突破后再逐步扩展。
- 引入第三方评估。 避免由技术供应商单方面出具ROI报告。可以邀请行业协会或独立的咨询机构参与评估，确保数据的客观性和真实性。
结语：AI+制造，是一场马拉松
工信部等八部门的《实施意见》为制造业智能化指明了方向，但路还得一步步走。对于中小企业来说，不要被宏大的目标吓倒，也不要被技术的概念忽悠。
回到车间，回到那些堆积如山的数据和轰鸣作响的老设备，找到那个最让你头疼的问题，用AI去解决它。哪怕只是解决了一个小小的质检漏洞，也是一次成功的“人工智能+制造”实践。
毕竟，正如《蚂蚁做AGI，风控比炫技更早上桌》所言，在金融这样高风险的行业，安全与可控比炫技更重要。在制造业，稳定与ROI比概念更珍贵。
