工業智能技術與產業推進路徑研究

摘要：在工業領域競爭日益激烈的背景下，各國積極探索人工智能等新一代信息技術在不同垂直領域的快速遷移和應用，以提高自身的工業競爭力，為產業智能化升級和創新發展提供有力支撐。文章圍繞工業智能技術與產業發展現況，系統梳理并總結了工業智能的基本內涵、演進路徑、特征需求、發展趨勢和現存問題，發現工業智能發展逐步由以模型為中心趨向于以數據為中心，面臨技術主導權缺失、數據質量不高等問題。同時，文章從完善工業智能要素支撐，強化智能應用場景推廣，推動工業大模型應用突破3方面提出建議，以期為相關主體提供工業智能新應用參考。

關鍵詞：工業智能；數據流通；以數據為中心

中圖分類號：F424" 文獻標志碼：A

1 工業智能基本內涵

工業智能（Industrial artificial intelligence）是指在工業領域應用人工智能（AI）、機器學習、數據分析、物聯網（IoT）、區塊鏈等先進技術，以提高生產效率、優化資源分配、提高產品質量、降低運營成本和提升決策質量的一系列能力或方法^［1-5］。

工業智能與人工智能在應用領域、技術特點、數據需求和發展目標上有所不同，如表1所示。工作智能更聚焦于工業領域，注重與工業生產過程的結合，注重數據的準確性和實時性，主要是為了提高生產效率、降低成本、提高產品質量等。

2 國內外工業智能發展重要部署

2.1 中國加快推進新型工業化

我國第十四個五年規劃明確工業智能化轉型的戰略方向，強調要推動人工智能、大數據等新興技術與制造業深度融合?！丁笆奈濉敝悄苤圃彀l展規劃》^［6］則進一步細化目標，鼓勵企業在生產制造環節廣泛應用智能技術，從智能裝備的研發到智能生產系統的構建，全方位提升工業智能化水平。2024年《政府工作報告》^［7］著重提及通過政策引導，培育一批具有示范效應的智能工廠和數字化車間，促進工業生產模式的創新變革?！蛾P于加快傳統制造業轉型升級的指導意見》^［8］更是為傳統制造業向智能方向升級提供行動指南，倡導在智能檢測、智能控制等領域加大技術研發投入，實現從傳統制造向智能制造的跨越，提高產品質量與生產效率，增強工業整體競爭力。

2.2 美國積極布局智能技術前沿領域

《國家安全戰略報告》將人工智能、量子計算等新興技術提升到國家安全高度，表明美國政府對這些技術在工業乃至國家戰略層面重要性的深刻認知?！蛾P鍵與新興技術國家戰略》詳細規劃了對包括工業智能相關技術在內的扶持路徑，通過資金投入、政策優惠等手段，確保美國在全球工業智能技術競賽中保持領先。《聯邦人工智能治理政策》致力于構建完善的人工智能監管框架，既鼓勵技術創新，又保障其在工業應用中的安全性與可靠性，促進人工智能在工業自動化、智能決策等方面的有序發展?！秶覚C器人計劃 2.0》聚焦機器人技術在工業生產中的創新應用，推動機器人從傳統制造向智能制造場景的深度拓展，提升美國制造業的智能化程度與生產靈活性。

2.3 德國以工業 4.0 戰略為核心

《未來研究與創新戰略》為工業智能相關的前沿技術研究奠定了基礎，鼓勵科研機構與企業合作，探索人工智能、量子技術等在工業 4.0 框架下的創新應用模式?！度斯ぶ悄苄袆佑媱潯访鞔_了德國在人工智能領域的發展目標與行動步驟，從技術研發到人才培養，全方位支持工業智能的發展，尤其注重在工業生產中的智能優化、智能供應鏈管理等方面的應用?！栋踩斯ぶ悄芟到y開發指南》為德國工業界在開發和應用人工智能系統時提供安全標準與規范，確保工業智能系統的穩定運行與數據安全?！读孔蛹夹g行動計劃》則通過大規模資金投入，推動量子技術與工業智能的交叉融合，為德國工業在未來的全球競爭中儲備核心技術力量。

2.4 日本持續推動數字化與工業化結合

《制造業白皮書》定期評估日本制造業的智能化發展狀況，為政策調整和企業戰略規劃提供依據，強調通過智能化手段提升日本制造業在全球的競爭力?！洞_保穩定供應的指導方針》從供應鏈角度出發，倡導利用工業智能技術實現供應鏈的智能化管理，提高原材料供應、生產制造、產品配送等環節的效率與穩定性?！督洕踩Ｕ洗龠M法案》將工業智能技術視為保障國家經濟安全的重要手段，鼓勵企業在關鍵工業領域加大智能技術研發與應用，增強工業體系的韌性?！兜诹慰茖W技術和創新基本計劃》把工業智能相關的創新技術研發作為重點任務，推動人工智能、大數據、物聯網等技術在工業中的深度融合與創新應用，促進日本工業向數字化、智能化的快速轉型。

3 工業智能演進路徑與特征需求

3.1 演進路徑：工業智能技術由感知智能向認知智能演進

當前，圖像識別、語言處理、數據分析仍是工業智能的關鍵核心技術。隨著自然語言處理技術和知識圖譜的不斷發展，工業智能技術逐漸由感知智能向認知智能演進。感知智能使得機器具備了感知能力，能夠對結構化數據進行處理并實現溝通互動，然而其對數據的理解和處理相對較為表面。而認知智能基于類腦研究和認知科學，能賦予機器思維邏輯和認識能力，使其能夠處理更為復雜的任務和問題。在此基礎上，以數字孿生、仿真推演、決策優化、協同計算和知識工程為代表的工業智能技術譜系發展已不再單純局限于一項具體的技術，而是業務場景、行業機理知識與通用 AI 算法深度融合的新方法、路徑，為工業生產的智能化升級帶來全新的機遇和變革，助力工業企業在復雜多變的市場環境中提升競爭力，實現可持續高質量發展。

3.2 特征需求：實時性、靈活性、可靠性、可解釋性

工業智能其具備的特征需求包括實時性、靈活性、可靠性和可解釋性^［9-12］。實時性是指工業智能系統需要能夠即時響應生產過程中的變化，快速做出決策，以保證生產效率和質量，如表2所示。在快速變化的生產環境中，實時的數據處理和決策能力可以幫助企業迅速調整生產策略，避免延誤和損失。靈活性則要求能夠適應復雜多變的工業環境。隨著生產場景和需求的不斷變化，工業智能系統需具備高度的靈活性，以確保能夠有效地應對各種生產需求?？煽啃允枪I生產對智能系統的基本要求。生產過程中任何故障或錯誤都可能導致重大損失，因此工業智能系統的穩定性和可靠性至關重要。企業需要確保系統能夠在長時間運行中保持穩定，避免因系統故障而帶來的生產中斷?？山忉屝允侵腹I智能的決策過程需要透明和可解釋，以便操作人員理解和信任系統的決策。

4 工業智能發展趨勢與現存問題

4.1 發展趨勢：以模型為中心趨向于以數據為中心

早期的工業智能發展主要采用行業專用智能發展路線，即針對不同的行業和應用場景，開發專用的工業智能設備和系統。這種發展路線雖能滿足特定行業和應用場景的需求，但也存在著開發成本高、周期長，難以滿足市場的快速變化和需求等局限性^［11-12］。隨著制造業自動化、數字化、智能化發展，通用智能和生成式 AI 技術的出現，3C 電子、汽車、鋼鐵、醫療等數據密集型行業，質量檢測、設備預測性維護、生產優化等應用場景都需要大量的數據支持^［13-15］，數據在工業智能中的重要性日益凸顯，產業發展逐步趨向于以數據為中心。

4.2 現存問題：技術主導權缺失、場景應用受限、數據質量不高

（1）技術創新與能力開發面臨“卡脖子”。國內企業在算法、芯片等核心技術方面控制力和話語權弱。以中興通訊和商湯集團為例，其在自然語言處理、深度學習、AI芯片等關鍵技術領域，機械臂、高端芯片、PLC等高度依賴進口，存在斷供風險，不僅影響了技術的自主可控性，也增加了企業運營的風險，制約了產業的發展。同時科研機構與企業協同創新不緊密，高端技術人才匱乏，研究成果與產業化需求適配度低，如在鋼鐵行業，既懂行業工藝又熟悉AI技術的復合型人才稀缺，高校相關優質畢業生供應不足。科研機構的研究成果往往與企業的實際需求存在差距，導致科研成果難以轉化為實際生產力。

（2）場景應用與商業拓展深陷“荊棘地”。部分細分領域和傳統行業應用場景單一，技術應用范圍窄，價值發揮不充分。例如思必馳反饋數據資源獲取受限，缺乏足夠的應用場景來實踐和驗證技術，不僅限制了技術的深入發展和創新，也影響了人工智能技術在更廣泛領域的應用和推廣。人工智能技術的經濟成效和投資回收期存在變數，高額初期投入可能導致短期內投資回報難以衡量。投資應用成本高昂。應用人工智能技術的成本較高，包括技術引進、設備購置、人才培訓等費用，限制技術在企業推廣普及，阻礙產業全面發展。如華興源創反饋缺乏相應資金購買算力進行大模型訓練，南航反饋缺乏資金扶持助力科研成果落地轉化。

（3）數據質量與安全隱患仍是“攔路虎”?，F有的數據在準確性、完整性和一致性等方面存在諸多缺陷。以科沃斯與南京鋼鐵為例，其面臨數據模態多樣、噪聲大、缺陷品數據少問題，數據預處理和清洗工作復雜，影響模型的訓練效果。盡管部分產業已開始進行相關工作，但缺乏全面的技術藍圖與架構來與自身有效結合，也在一定程度上增加了數據隱私和安全的風險。數據管理與安全保障體系尚不完善，工業領域設備和系統多樣性導致數據整合和標準化難度大，數據質量標準、隱私保護機制和安全技術研發存在不足，制約產業健康發展。

5 工業智能推進建議

5.1 完善工業智能要素支撐

提升模型算法能力，鼓勵人工智能企業優化基礎算法模型，開發適應工業領域特點的高性能算法，提升模型實時性、安全性、輕量化水平，滿足中小企業共性需求。優化多元算力體系，提升算力資源綜合供給水平，完善智能算力中心服務能力，強化智能算力云服務，發展模型選型、調優等延伸服務，完善邊緣側、終端側的配套部署。強化數據要素供給，推動公共數據、行業數據開放，構建工業語料庫、數據集，推動產業鏈供應鏈數據融通，開展高質量數據集、數據空間等試點，深化數據開發利用。

5.2 強化智能應用場景推廣

加快制造業全流程智能化，深化人工智能技術在制造業全流程融合應用，提升研發設計、生產制造、運營管理等環節智能化水平，建設一批智能車間、智能工廠。加快重點行業智能升級，聚焦鋼鐵、紡織、汽車、醫藥、電子信息等帶動能力強、數字化基礎好的重點行業，面向視覺檢測、智能運維、參數優化、智能巡檢等場景，選擇樹立行業應用標桿，爭創國家人工智能典型案例。

5.3 推動工業大模型應用突破

構建環節大模型，面向鋼鐵、紡織、新能源等數據密集型行業，深挖數字化轉型需求，重點突破研發設計、生產制造、運營管理等環節大模型，推動環節大模型和企業業務應用嵌入集成，持續優化迭代。突破行業大模型，圍繞生物醫藥、新材料、高端裝備、能源電力等重點行業，引導生態型企業加速垂直細分領域大模型研發，加快發展專業度高、落地性強的行業大模型。探索高階工業智能，推進行業大模型與專用小模型協同應用，超前謀劃人工智能未來應用，將大模型能力向產業鏈上下游企業輸出，帶動行業整體智能化水平提升。

參考文獻

［1］JAY L， HOSSEIN D，JASKARAN S，et al. Industrial Artificial Intelligence for industry 4.0-based manufacturing systems［J］. Manufacturing Letters， 2018（18）： 20-23.

［2］ZHANG X，MING X， LIU Z， et al.A reference framework and overall planning of industrial artificial intelligence （I-AI） for new application scenarios［J］. International Journal of Advanced Manufacturing Technology， 2019（101）： 2367-2389.

［3］PERES R S， JIA X， LEE J， et al. Colombo and J. Barata. Industrial Artificial Intelligence in Industry 4.0-Systematic Review， Challenges and Outlook［J］. IEEE Access， 2020（8）： 220121-220139.

［4］YANG T， YI X， LU S， et al. Intelligent Manufacturing for the Process Industry Driven by Industrial Artificial Intelligence［J］. Eng-PRC， 2021（7）： 1224-1230.

［5］ROANEC， J" M， NOVALIJA， I， ZAJEC， P，，et al. Human-Centric Artificial Intelligence Architecture for Industry 5.0 Applications［J］. International Journal of Production Research， 2022 （20）： 6847-6872.

［6］中華人民共和國中央人民政府網.八部門關于印發《“十四五”智能制造發展規劃》的通知［EB/OL］.（2021-12-21）［2025-01-08］.https：//www.gov.cn/zhengce/zhengceku/2021-12/28/content_5664996.htm.

［7］中華人民共和國中央人民政府網.政府工作報告［EB/OL］.（2024-03-12）［2025-01-08］.https：//www.gov.cn/yaowen/liebiao/202403/content_6939153.htm.

［8］中華人民共和國工業和信息化部.工業和信息化部等八部門關于加快傳統制造業轉型升級的指導意見［EB/OL］.（2023-12-29）［2025-01-08］.https：//wap.miit.gov.cn/jgsj/ghs/wjfb/art/2023/art_d91db78 6f4d34939ae8b4c6eca43545c.html.

［9］LEE J， AZAMFAR M， SINGH J. A blockchain enabled Cyber-Physical System architecture for Industry 4.0 manufacturing systems［J］. Manuf Lett， 2019（20）：34-39.

［10］LEE， J， BAGHERI B， KAO" H A.A Cyber-Physical Systems architecture for Industry 4.0-based manufacturing systems［J］. Manufacturing letters， 2015（3）：18-23.

［11］ZHANG J， ARINEZ J F，CHANG Q，et al. Artificial Intelligence in Advanced Manufacturing： Current Status and Future Outlook［J］. ASME Journal of Manufacturing Science and Engineering， 2020 （11）： 110804-110819.

［12］MORTEZA G.The future of manufacturing industry： a strategic roadmap toward Industry 4.0［J］. Journal of Manufacturing Technology Management， 2018 （6）： 910-936.

［13］PERES R S，ROCHA A D， COELHO A， et al. A highly flexible distributed data analysis framework for industry 4.0 manufacturing sys-tems： Prc. Int. Workshop Service Orientation Holonic Multi-AgentManuf［C］. Cham： Springer， 2016： 373-381.

［14］FERANDEZ A， GARCIA S， HERRERA F， et al. SMOTE for learning from imbalanced data： progress and challenges， marking the 15-year anniversary［J］. Artificial Intelligence Research， 2018（61）： 863-905.

［15］ZHOU F， YANG S， FUJITA H， et al. Deep learning fault diagnosis method based on global optimization GAN for unbalanced data［J］. Knowledge-Based Systems， 2020（187）： 104837.

（編輯 李春燕）

Research on the industrial intelligent technology and its industry promotion path

WU" Qiying， WANG" Daoqian， YAO" Di^*

（China Academy of Information and Communications Technology， Beijing 100191， China）

Abstract： Amidst intensifying global industrial competition， nations are actively leveraging next-generation information technologies like artificial intelligence across various vertical sectors to bolster their industrial competitiveness and support the intelligent upgrade and innovative development of industries. This paper systematically reviews and synthesizes the current state of Industrial artificial intelligence technology and industry development. It identifies a shift in Industrial artificial intelligence development from a model-centric to a data-centric approach， highlighting challenges such as the loss of technological leadership and poor data quality. The paper proposes recommendations in three key areas： enhancing the foundational support for industrial intelligence， intensifying the promotion of intelligent application scenarios， and driving breakthroughs in the application of industrial large models. These suggestions aim to provide guidance for new applications of industrial intelligence to relevant stakeholders.

Key words： industrial intelligence; data circulation; data-centric approach