工信部“人工智能+制造”专项行动实施意见深度解读：智能体、数据集与工业大模型怎么真正落地？
添加时间：2026-07-08 点击次数：21
一、这一版“人工智能+制造”，和以前有什么不一样？
过去几年，制造业已经经历了几轮“数字化、智能化”浪潮：
- 从“上 MES、上 ERP”，到“搞工业互联网平台”；
- 从“设备联网采数据”，到“引入机器视觉和预测性维护”。
但这次工信部发布的《“人工智能+制造”专项行动实施意见》，可以看出一个明显升级：
不再只是“让制造更自动化”，而是要用人工智能，把制造业整体重构为一种新的“新质生产力”。
文件提出，到 2027 年要实现几个标志性结果：
- 3–5 个通用大模型在制造业深度应用；
- 形成特色化、全覆盖的行业大模型体系；
- 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；
- 选树 1000 家标杆企业，培育 2–3 家具全球影响力的生态主导型企业。
对制造业企业和服务商来说，这些数字背后的真实含义是：
国家层面已经把“工业大模型 + 工业智能体 + 行业数据集”视作新一代工业基础设施，谁先布局、谁做得深，谁在下一轮产业格局中就更有话语权。
二、政策的“三个底座”：算力、模型、“模数共振”
文件先把“底座”讲清楚，这部分往往被忽视，但恰恰决定了后续项目能不能跑起来。
1. 强化算力供给：不只是“买 GPU”，而是智算体系建设
关键动作包括：
- 支持高端训练芯片、端侧推理芯片、人工智能服务器、高速互联、智算云操作系统等关键技术突破；
- 建设全国一体化算力网监测调度平台，提升算力资源高效利用；
- 开展智算云服务试点，推动大模型一体机、边缘计算服务器、工业云算力部署。
这其实给制造业企业一个明确信号：
未来做“人工智能+制造”，不能只靠自建小型机房，而是要学会用工业云、算力网和边缘算力协同，把模型训练、推理部署和现场应用做成一个整体方案。
2. 开发高水平行业模型：从“通用大模型”走向“工业大模型”
政策要求：
- 支持模型训练和推理方法创新，开发适应制造业实时性、可靠性、安全性特点的高性能算法；
- 发展“云–边–端”模型体系，打造面向工业细分场景的小模型，鼓励大小模型协同；
- 推动模型轻量化部署，加快在工业场景落地应用；
- 建立模型评测基准体系和权威榜单，定期发布评测结果，引导技术迭代。
这意味着：
“能写诗、能聊天”的通用大模型只是起点，真正的重点是：
能理解工艺参数、设备状态、故障模式、排产逻辑的工业大模型，以及围绕特定场景的小模型与智能体。
3. “模数共振行动”：把“模型”和“数据”变成闭环
这是文件里非常重要但容易被忽略的一块：
- 推动建立企业首席数据官制度；
- 推进数据管理能力成熟度标准贯标，夯实数据治理基础；
- 梳理行业模型所需的数据资源清单，发布制造业高质量数据集建设指南；
- 用制造业数字化转型促进中心等载体，把基础数据转化为高质量行业数据集，实现“以模引数”；
- 指导企业加强数据工程能力建设，探索“数据协同、模型训练、应用开发、安全保障”一体化机制，实现“用数赋模”。
一句话：
不再只强调“有模型”，而是强调“模型要和数据体系一起设计”。
没有规范的数据治理和数据工程能力，工业大模型和工业智能体很难真正发挥价值。
三、五大方向的应用升级：把“AI”嵌入制造全流程
文件在“赋智升级”部分给出了清晰路径：重点行业、全流程、重点企业、重点区域、重点领域。
1. 重点行业：分类推进“人工智能+制造业”
配套的《人工智能赋能制造业重点行业转型指引》（附件1）对原材料、装备制造、消费品、电子信息、软件和信息技术服务五大板块做了细分。
例子非常具体：
- 钢铁：构建钢铁行业数据集和知识库，研发覆盖全流程的动态模型和智能体，实现工艺参数自适应优化、产品性能预报、缺陷溯源等；
- 石化化工：用大模型+数字孪生突破油气勘探、新材料研发，做设备预测性维护、工艺自适应优化；
- 新材料：建设新材料大数据中心，做“成分–结构–性能”反向设计，提升高通量自动化实验能力；
- 工业母机：让数控系统具备“实时感知–自主学习–智能决策–闭环执行”的能力，实现柔性作业；
- 汽车：用汽车大模型做造型和结构仿真优化，全流程质量控制与预测性维护；
- 船舶、航空航天：用仿真平台和工业决策智能体重构设计与制造体系。
可以看到一个清晰趋势：
在每一个细分行业，政策都在鼓励：
先构建 数据基础 → 再做 行业大模型与智能体 → 再落地 具体场景解决方案。
2. 全流程：从研发到运营，系统性嵌入 AI
文件按五大环节拆解：
-
研发设计环节
- 智能辅助设计、代码辅助编写、药物研发。
- 强调研发数据集建设和开源共享，建立 AI 预测结果评估体系。
-
中试验证环节
- 虚拟仿真、多模态融合，在中试环节实现全面感知、实时分析、科学决策、精准执行。
-
生产制造环节
- 工艺优化、排产调度、核心流程控制智能化。
- 推广机器视觉、无人智能巡检、预测性维护，提升故障识别和风险预警能力。
-
营销服务环节
- 智能客服、数字人、三维商品模型、个性化推荐、定制化售后、服务化延伸。
-
运营管理环节
- 用大模型做订单处理、销量预测、库存预警、供应链优化；
- 在战略、人力资源、财务、风险管理中嵌入 AI 分析与生成能力。
整体逻辑很清楚：
不把 AI 看作“某一个环节的小工具”，而是鼓励企业按全流程重新设计自己的生产和经营体系，让“模型 + 数据 +智能体”在所有关键链路上都有角色。
3. 重点企业与重点区域：谁先试、怎么推广
文件特别点名：
- 对龙头企业、央国企：鼓励先行先试，大规模提供应用场景，研发工业智能体，探索新模式；
- 对中小企业：实施数字化赋能专项行动，支持开展数字化、智能化改造，加快复制推广；
- 对重点区域：依托国家自主创新示范区、高新区、经开区、先进制造业集群等，建设“人工智能+制造”应用场景，打造创新高地。
这对服务商和平台企业来说，意味着两个市场策略：
- 把产品和方案优先做成“龙头企业示范项目”；
- 同时准备好可复制的“中小企业轻量化解决方案”。
四、智能装备与智能终端：智能体从“软件”走向“硬件”
文件第四部分“产品突破”，其实是在回答一个问题：
工业智能体，不只在云端，也要“装进设备里”。
包括：
- 工业母机、工业机器人搭载智能体，发展新一代 AI 数控系统；
- 手术机器人、智能诊断系统、智能医疗装备、无人机、智能低空装备；
- 智能网联汽车自动驾驶测试与安全评估；
- 智能手机、电脑、家居终端的端侧模型与应用工具链；
- AR/VR 可穿戴设备、脑机接口、具身智能产品、人形机器人中试基地和训练场。
同时，还有一个专门的方向：
“打造智能体新业态”
- 开展工业智能体任务规划、群体协同等技术攻关；
- 研制开放协同的智能体协议和接口，提升互联互通效率；
- 支持智能体应用商店建设运营，发布企业级应用实践指南；
- 构建智能体分类分级管理体系，研究智能体互联网体系架构，探索注册发现、身份认证、接入管理机制；
- 推动传统软件产品和服务升级，实现人工智能与工业软件深度融合。
这部分对我们这样做「积墨AI智能体平台」「积墨 Claw 执行终端」的团队非常关键：
政策已经明确把“智能体应用商店”“智能体协议和接口”“智能体互联网体系”视为新业态的基础设施。
换句话说，工业智能体不是一个“概念”，而是即将成为被制度化的基础能力。
五、企业端怎么用好这份“应用指南”？（附件2 精华）
对企业来说，最具有操作性的其实是《制造业企业人工智能应用指南》（附件2）。它基本给出了一个可执行的路线图。
你可以简单理解为：“制造企业 AI 转型的九步法”：
-
开展智能化水平诊断评估