2026年1月7日，工业和信息化部、中央网信办、国家发展改革委等八部门联合印发《“人工智能+制造”专项行动实施意见》。文件给出的目标很具体：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。
这组数字把方向说清楚了。制造业要用上人工智能，不能只停留在办公系统、客服系统或看板展示上，终究要进入产线、设备、工艺和质量控制环节。
但车间里的问题通常更琐碎。设备能不能连上，数据能不能读出来，读出来之后能不能对齐、清洗、追溯，这些基础环节没处理好，大模型很难直接产生稳定价值。
设备先要“开口”
离散制造企业更容易先碰到设备互联问题。汽车零部件、电子组装、精密加工等场景里，一条产线往往由不同年代、不同品牌、不同控制系统的设备组成。新设备可能支持较完整的数据接口，老设备则可能只能提供有限状态量，甚至还依赖人工记录。
这时，企业讨论的并不是模型参数有多大，而是更基础的事：PLC、传感器、检测设备、MES系统之间能不能打通；不同设备采集的数据有没有统一时间戳；报警、停机、换料、返工这些事件能不能和质量结果对应起来。
《意见》提出要打造100个工业领域高质量数据集。这个目标落到工厂里，第一步就是把源头数据变成可用数据。否则，数据集看起来规模很大，里面却混着缺失值、重复记录、口径不一的字段，后续训练和推理都会受影响。
设备互联也不是简单加一个网关就结束。边缘侧做协议转换，只解决“拿到数据”的问题；数据频率不一致、采集点命名混乱、设备状态与工艺阶段无法对应，仍然要靠工程人员逐项梳理。很多AI项目卡住，不是因为算法完全不可用，而是前面的工业数据工程没有做扎实。
流程制造更怕数据不可信
流程制造的难点又不一样。化工、冶金、能源等行业具有连续生产特征，温度、压力、流量、配比等参数之间相互影响。企业手里通常有长期积累的生产数据，但这些数据并不天然适合直接训练模型。
传感器漂移、仪表故障、人工录入差异、班组交接口径不一致，都会让历史数据变得复杂。更麻烦的是，流程工业里的调参后果往往更重。模型给出一个优化建议，现场操作员不会只看“预测收益”，还会追问：依据是什么？风险边界在哪里？和既有工艺规程是否冲突？
所以，流程制造的AI落地，除了数据清洗，还绕不开可解释性和安全验证。模型输出最好能和机理模型、专家规则、历史工况做交叉校验。对于关键工艺参数，企业也需要保留审批、回滚和审计机制，避免把黑盒建议直接推到生产控制环节。
《意见》围绕创新筑基、赋智升级、产品突破、主体培育等方面部署7大重点任务，方向覆盖了技术、场景、企业主体和服务能力。对流程制造企业来说，这些任务最终会落到一套更细的现场问题上：哪些数据能用于训练，哪些只能用于监控；哪些建议可以自动执行，哪些必须人工确认；哪些场景适合先试点，哪些必须留在仿真或离线验证阶段。
先做小场景，比一上来做大平台更稳
制造企业推进“人工智能+制造”，容易被宏大的平台方案吸引。但对多数企业来说，更稳妥的路径是从一个边界清楚的场景开始。
比如视觉质检、设备异常预警、能耗分析、工艺参数推荐、备件预测等。这些场景有共同特点：业务目标相对明确，输入输出比较容易定义，效果也更容易评估。企业可以先确认数据链路是否完整，再看模型是否真正改善效率、质量或稳定性。
离散制造企业可以先做设备台账和协议摸底：主要设备是什么品牌、什么型号，能提供哪些数据，采样频率如何，是否支持接入MES或工业互联网平台。流程制造企业则应先梳理数据资产：历史数据来自哪里，字段含义是否统一，异常值如何处理，关键参数是否能追溯到具体工况。
这些工作听起来不如“工业智能体”新鲜，却决定了AI项目能不能继续往下走。到2027年，政策目标里有1000个高水平工业智能体、500个典型应用场景。真正能成为典型的项目，大概率不会只靠演示效果，而要经得起产线长期运行的检验。
政策给方向，工厂要补基础课
八部门发文后，“人工智能+制造”的政策信号已经很明确。接下来，企业之间的差距会更多体现在基础能力上：设备是否联网，数据是否可信，场景是否选准，现场人员是否愿意使用。
设备互联和数据孤岛不是两个互相替代的问题。离散制造更容易先被设备协议、产线接口、采集频率卡住；流程制造更容易被数据质量、工艺安全和人机信任卡住。不同企业的入口不同，但都绕不开从物理现场到数字系统的映射。
AI进工厂，不能只看模型，也要看车间底座。把设备接好，把数据理顺，把验证机制建起来，政策里的工业智能体和高质量数据集才有落地空间。否则，再明确的目标也会停在方案书里。
