![]()
![]()
本文将梳理AI技术发展脉络，深入剖析AI技术在制造业的应用现状及面临的核心挑战，并结合制造业具体场景的典型案例，揭示人工智能助力制造业全流程智能化升级的实践路径。
9月16日，2025腾讯全球数字生态大会如期而至，一场聚焦数字技术与实体经济深度融合的科技风暴就此掀起。在大会诸多热点议题中，人工智能（AI）与制造业的协同创新尤为亮眼——从算力底座对制造场景的适配方案，到工业智能体的实际落地案例，其展现的技术应用深度与产业变革潜力，不仅引发行业广泛共鸣，更直观折射出全球制造业向“智造”转型的核心趋势。
制造业作为国民经济的核心基石，长期以来是推动经济增长与技术创新的关键力量。但在全球化竞争日趋激烈、消费者需求多样化的背景下，制造业正面临成本攀升、效率短板与创新动能不足等多重压力。近年来，人工智能技术的突破性发展为制造业转型升级注入了强劲动能，其在制造业全流程的深度应用，不仅助力提升我国制造业整体竞争力，更推动我国在全球产业格局中占据更有利的地位。在此背景下，本文将梳理AI技术发展脉络，深入剖析AI技术在制造业的应用现状及面临的核心挑战，并结合制造业具体场景的典型案例，揭示人工智能助力制造业全流程智能化升级的实践路径。
科技日新月异的当下，AI技术经历了一个又一个浪潮，一度成为最火热的创新符号，从理解图像、文字与声音的分析式AI；到可创造文本、图像与声音的生成式AI；再到感知、交互、记忆、工具调用的代理式AI，AI技术正以空前的速度重塑各行各业的格局。根据Gartner对2025年人工智能领域的分析，AI市场的焦点已从对生成式AI（Generative AI）的热潮追捧，显著转向构建基础创新并实现规模化应用。“AI-ready数据”和“AI智能体”成为新的热点，正孕育着下一波智能化浪潮的巨大潜力。图1 人工智能技术成熟度曲线（来源：Gartner）纵观AI技术的演进历程，其核心驱动力始终是解决现实世界复杂问题的需求。AI从通用领域转向专业化、垂直化时，制造业的生产过程复杂性、对效率精度的极致追求及海量工业数据，为AI落地提供了广阔试验场与迫切需求。AI通过与制造业融合后，全面赋能研、产、供、销、服等关键环节，成为制造业数字化、智能化转型的关键驱动力，为构建新质生产力、推进新型工业化提供核心支撑。在此背景下，我国近年来陆续出台了相关政策，支持和鼓励人工智能产业发展，加快推进人工智能技术与制造业的深度融合，以人工智能高水平赋能新型工业化，培育新质生产力，如表1所示。表1 国家出台人工智能赋能制造业的相关支持政策（部分）在产业政策的支持引导下，近年来我国制造业人工智能应用市场规模不断提升。根据相关研究数据，人工智能在中国制造业的市场规模从2019年开始每年保持40%以上的增长率，并预计有望在2025年超过140亿元人民币。相较于发达国家，中国制造企业的AI应用率相对较低，在11%左右。Gartner预测，到2027年，中国制造业的AI使用渗透率将以10%的年复合增长率上升。图2 人工智能在中国制造业应用市场规模（资料来源：Bizwit，德勤）
人工智能在制造业的应用，虽然在政策与市场的双重推动下呈现火热态势，但也需清醒看到，当前AI技术在制造业的应用深度与广度仍有较大提升空间，且其大规模推广应用还受多重因素制约，亟待产业各方协同发力解决。数据、算法、算力是公认的AI三大核心要素。但工业领域的特殊性与复杂性，使这三大要素在落地应用中均面临显著梗阻，难以形成协同支撑，成为AI规模化落地的关键障碍。🔷 数据层面，工业数据往往承载着企业核心的生产运营机密和知识产权，并涉及复杂的合规性问题。这不仅使得数据在企业间共享困难重重，即便在同一集团内部的不同分公司之间，也常因保密壁垒而“泾渭分明”。🔷 算法层面，工业领域的知识密集属性，决定了AI算法必须与行业知识深度融合，否则就难以挖掘出工业数据的内在联系和潜在价值。单纯依靠数据建模往往难以奏效，必须将专业的行业知识和经验转化为算法约束条件，模型才能贴近实际业务需求。🔷 算力层面，制造业中实时质检、大规模生产仿真等AI应用，对算力的实时性、规模性需求极高，但企业自建算力成本高，部分算力平台又存在适配难题，叠加外部芯片出口限制对算力硬件供给的影响，进一步加剧了制造业的算力供需矛盾。对于制造业，“场景”是AI价值落地的核心载体，与数据、算法、算力共同构成了驱动落地的“四维支柱”。场景碎片化成为AI技术从实验室走向规模化落地的阻碍。制造业的细分领域极其丰富，每个领域甚至每个工厂都有独特的生产环境、工艺流程和质量标准。这种碎片化意味着AI解决方案需要高度定制，无法像消费互联网那样“一个模型走天下”。在制造业，不同产线因光照条件、传送带速度等差异也可能导致模型失效。例如，两个不同的汽车配件厂实施AI计数项目：A厂要求计数螺丝钉，背景整洁、光照稳定、摄像头角度固定；B厂也需要计数螺丝钉，但背景嘈杂、光线变化大、摄像头必须斜放。同样的“计数”需求，但数据特征、环境变量、实施条件截然不同。这导致为A厂开发的模型无法直接用于B厂，需要重新收集数据、重新标注、重新训练，即便是相同需求，也需针对环境变量（光照、角度）定制模型，导致AI方案难以“规模化复制”，提高了企业应用成本。AI技术在制造企业的应用，涉及研发、生产、供应链和质量控制等多个部门，需要打破部门之间的壁垒，建立跨部门的协作团队，并对业务流程进行数字化重塑，而且企业需要既懂业务又具备专业AI知识和技能的人才。然而，目前在制造业中这类人才较为稀缺，普遍面临“认知不足”与“技能缺乏”的双重困境。制造企业的老师傅大多熟悉传统的生产流程、工艺和设备操作，但对AI技术的理解和应用能力有限，缺乏科学且清晰的AI战略，难以将AI技术与自身的业务需求相结合；而AI技术专家可能对制造业的复杂业务场景、生产规范和质量要求缺乏深入了解，不利于AI在制造业的大规模推广应用。e-works Research于2024年开展并发布的《人工智能（AI）在制造业的应用现状调研报告》显示，在收到的来自全国26个省份的364份有效制造企业问卷中，高达74%的调研企业认为专业人才和技能缺乏是制造企业推进AI应用的最大挑战，60%的调研企业认为是对技术的理解和认知缺乏。图3 制造企业AI应用面临的挑战（来源：e-works Research《人工智能（AI）在制造业的应用现状调研报告》）此外，对制造企业而言，部署和维护AI系统通常需要较高的初始投资和持续的运营成本，包括硬件设施的购置、软件系统的开发、员工的培训，以及硬件设备和软件系统的维护、技术支持服务等成本，这对企业（尤其是中小企业）而言是不小的开支，由此制约了人工智能技术在制造业的推广应用。
制造业应用AI，目的在于将通用的AI技术与具体的制造业场景相结合，让整个制造系统具备自感知、自学习、自执行、自决策、自适应的智能能力，最终帮助企业提质降本、增强市场竞争力，实现可持续发展。因此，要破解制造业AI落地的难题，需多方协同合作，遵循“授人以鱼不如授人以渔”的逻辑，不只是提供现成的AI产品或单一解决方案，更要配套输出技术服务与能力支持，通过构建技术底座支撑、场景方法输出、产业生态协同三位一体的赋能体系，实现从“被动应用”到“自主掌控”的能力跃迁。技术底座是AI在制造业落地的支撑体系，其核心价值并非提供固化的硬件或系统，而是整合算力、算法（模型）、数据工具和开发平台，让制造企业不用从零开始，就能轻松用起AI。以腾讯云的AI技术底座为例，它不是一堆零散的技术，而是一套“全链路打通”的解决方案，精准对应制造业的需求。例如，在算力方面，腾讯云斥资1.5亿美元在沙特建设首个中东数据中心；在日本大阪新建第三个数据中心和办公室；腾讯长三角人工智能先进计算中心落地上海，是目前国内最大的GPU智算中心；腾讯青浦数据中心、仪征数据中心作为腾讯重要数据中心，持续为长三角企业提供算力支撑。同时，腾讯云依托异构计算平台整合多类芯片资源，目前已对国产芯片实现全面兼容与适配，可向行业提供高性价比的AI算力服务。在算法（模型）层面，腾讯云坚持自研和拥抱开源模型策略，打造最靠近产业的AI产品。过去一年，腾讯混元密集发布了30多个模型，重点突破“低成本部署+高推理性能”关键需求加速模型在产业中的落地。例如混元3D 3.0模型，建模精度较前代提升3倍，能更精准处理三维场景，适用于工业设计、数字孪生等领域。同时还通过与各领域企业深度合作，开发适配具体业务的场景化AI算法，让技术真正服务产业痛点。在数据治理层面，TCLake多模态智能数据湖，可高效处理图文、视频、音频等多类型数据，为制造业提供高质量“数据燃料”，避免企业陷入“数据杂乱难用”的困境。在此基础上，腾讯云智能体开发平台ADP依托治理后的高质量数据，提供低代码开发工具与数据调用接口，企业无需复杂编程，即可快速开发智能体应用，覆盖科研、生产、供应链、销售、服务等全产业链场景，沉淀标准化的行业智能体模板，加速零售、医疗、金融、教育、工业等行业的智能化升级。对制造企业而言，这种“现成可用”的底座模式，意味着无需投入大量资源自建基础设施，可直接调用成熟技术能力，将精力聚焦于业务逻辑设计与场景创新。当前，制造业正处于数字化转型的关键阶段，单一技术已难以满足行业系统性升级需求，只有推动AI技术与实际业务场景深度融合，才能将技术优势转化为实实在在的产业价值。无论是工业物料搬运中的效率提升，还是充换电运营中的风险防控，亦或是工业知识管理中的经验传承，数智化转型要落地，AI必须走进具体场景。随着人工智能技术的快速发展，其应用正不断向3C电子、汽车及零配件、半导体、新能源、化工等多个垂直领域渗透，并带来了一系列革命性的变革。其中，知识管理作为工业领域的核心环节，其智能化水平直接影响整体项目效率。中国化学五环公司作为深耕化工工程领域的大型央企，虽积累了海量项目方案、技术图纸等知识资料，但长期面临“知识分散难复用、经验传承易断层”的行业级难题，严重影响项目效率与技术沉淀。基于腾讯乐享知识库，五环公司打造了一套真正能“落地”的企业知识管理体系。双方联合构建基于乐享平台的智能知识管理系统，通过OCR技术自动解析技术图纸、报告文档，大幅降低知识整理的人工成本；更关键的是，系统创新采用“社交化学习社区+AI个性化推荐”模式，鼓励内部专家分享经验，AI算法则根据员工岗位（如工艺工程师、设备运维员）精准推送知识内容，既提升了员工学习积极性，更让企业自主完成了技术知识的沉淀与传承。接下来，五环公司将深化系统应用，将知识库的应用范围扩展到全公司三十多个部门。未来，五环公司还计划结合腾讯AI助手的迭代能力，探索内容生成场景，如标书/方案编写及多人协作会议纪要等，进一步挖掘知识库的提质增效潜力。图4 五环公司智能知识管理系统（图片来源：腾讯云）AI在制造业的规模化落地，无法依赖单一企业或单一技术，需通过生态协同整合技术方、制造方、服务方等多方资源，既解决企业短期应用难题，又培育长期自主能力。腾讯云在AI生态建设方面采取了开源开放策略，混元大模型已实现图像、视频、3D、文本等在内的全模态开源，在此基础上，腾讯通过全面开放AI能力、适配国产芯片及构建全球基础设施，在提升自身运营效率的同时，也为多行业提供了数字化转型参考路径。在机器人领域，与宇树、帕西尼等企业合作，推进模型在训练部署、触觉控制、人机交互等方向的实际接入；在新能源领域，与锂电企业共同搭建模型平台，聚焦电池检测与水分预测等关键环节；在工业能源领域，与中国五环、云达能源围绕制造问答、文档梳理以及投标文件审核等场景构建知识管理体系。
从行业实践来看，无论是技术底座搭建、场景深度共创，还是生态协同合作，AI与制造业融合的核心价值本质，始终围绕“提升生产效率、降低运营成本、推动创新发展”等目标展开。正如腾讯云副总裁、智能制造与智慧能源解决方案负责人蔡毅所言：“实体企业的智能化转型，离不开广泛的用户连接、海量的企业数据和好用的算力。这一切的核心，在于AI技术的场景落地和生态协同。”随着中国持续推进新型工业化变革，深入实施“人工智能+”行动，我们深信，在多方合力浇灌下，扎根于中国深厚工业沃土的AI，必将积蓄起颠覆未来产业图景的强大能量，最终成为点燃制造业高质量发展引擎的燎原星火，持续释放澎湃的光与热。
