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、教育部、商务部、国务院国资委、市场监管总局、国家数据局联合印发《“人工智能+制造”专项行动实施意见》。
文件把目标写到了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，并培育2—3家具有全球影响力的生态主导型企业。
3月9日，《经济参考报》经新华社报道，美的、海尔等制造业龙头正在建设全场景智能体矩阵。头部企业已经开始行动，但这套做法很难直接复制到更多工厂。对大多数制造企业来说，眼下的问题不是模型参数够不够大，而是数据怎么接、系统由谁交付、老师傅的经验怎么留下来。
模型先放一边，数据得接得上
工业AI项目往往从整理接口和表格开始。
生产数据可能分散在ERP、MES、设备控制系统和质检文件里，格式既有数据库、CSV和接口数据，也有PDF报告。模型训练之前，企业要先对齐设备编码、字段口径、时间记录和质量标准。只要其中几项长期混乱，后面的训练、判断和追溯就很难稳定。
到了供应链环节，事情更麻烦。材料参数、工艺设置和缺陷记录涉及商业机密，上下游企业通常不会直接交换原始数据。联邦学习、可信执行环境等技术可以处理一部分“数据可用不可见”的需求，但它们不能替企业统一字段，也不能自动厘清标注标准和责任边界。
因此，建设100个工业领域高质量数据集，不是把文件集中归档就算完成。谁定标准，谁持续更新，企业按什么条件提供数据，模型出错后怎样追溯，这些问题都要有人负责。缺少日常的数据治理，数据集很快就会与真实产线脱节。
中小工厂要的是成品，不是一串API
没有专门AI团队的中小制造企业，即使买到算力、接入模型API，也只是完成了第一步。后面还有系统连接、数据清洗、模型调优、权限管理和长期运维。交付链条里只要有一段无人负责，项目就可能停下来。
美的、海尔能够围绕自身业务建设智能体矩阵，中小工厂更现实的起点通常是单一场景：质检、设备维护，或者工艺问答。产品需要能接入现有生产系统，边界也要足够清楚，而不是要求企业从底层模型重新搭建一遍。
《意见》提出，要打造一批“懂智能、熟行业”的赋能应用服务商。这句话落到工厂里，意味着服务商不能只提供账号、接口和使用手册，还要把模型、软件与制造流程一起交付，并承担后续维护。
1000个工业智能体能否进入更多工厂，很大程度上取决于这类完整交付能力。
老师傅会判断，不等于经验已经变成数据
质检、预测性维护和工艺优化都依赖行业知识。通用大模型可以处理文档和代码，但设备状态判断还要结合工艺参数、故障记录和现场规则。
一类难题是样本。失效和故障数据远少于正常生产数据，标注又离不开专业人员。另一类难题更隐蔽：不少判断来自长期经验。老师傅知道什么时候该停机检查，却未必能把判断依据完整写成训练材料。
数字孪生、仿真数据和物理信息神经网络可以补充部分样本，但不是捷径。精确仿真本身仍要经过建模和验证。更可行的做法，是在现有基座模型上加入企业数据、工艺规则和物理约束，同时保留人工复核环节。
不同工厂使用的设备、材料和流程并不相同，一个通用智能体很难直接覆盖所有产线。行业经验只有被转成可记录的数据、可执行的规则和可检验的结果，才可能进入模型。模型给不出依据，异常发生后又无法追溯，生产人员不会轻易把关键工序交给它。
500个场景，最后要在产线上验收
工业智能体进入生产系统后，验收问题会变得非常具体：能否提升良率，能否减少停机时间，接口变化后还能不能运行，模型升级后结果是否稳定，发生异常时能否及时回退。
文件提出推广500个典型应用场景。这些场景不能只留下展示材料，还要写清数据来源、系统边界、评价指标和维护责任。能被其他企业复用的，不是一段演示，而是一套可以安装、验收和持续维护的交付方案。
到2027年，1000个工业智能体不能只按发布数量计算。数据要接通，服务商要完成交付，行业经验要能够验证和追溯。政策已经把目标写到数量级，接下来要做的，是清接口、补标注、改流程和做运维。哪一项长期没人负责，智能体都可能停在演示阶段，而不是车间里。
