当前，人工智能技术飞速突破并在多领域实现跨界融合应用落地，在以科研、教育为代表的领域发展出AI for Science、AI for Education等“AI for（人工智能赋能）”系列新模式。随着人工智能技术加速向制造业渗透，催生了人工智能赋能数据（AI for DATA）、人工智能赋能研发（A I fo r R&D）、人工智能赋能基于模型的系统工程（AI for MBSE）等典型模式，正引发工业数据应用、工业研发设计、工业系统协同等多环节、多领域的效率变革。

然而，A I fo r模式在制造业中应用也面临着数据集与算力支撑不足、大模型自主创新和泛化能力不强、工业全流程建模与决策透明度不佳等问题，亟须通过推进工业算力与数据集建设、加强共性关键技术攻关、以制造企业为主体推动深度应用、构建良好制度环境等方式，为制造业转型升级注入AI动力。

AI for新模式涌现，引发国内外探索热潮

A I for DATA：加速多样化数据生成与治理，快速挖掘工业数据价值

作为新型生产要素，数据是工业创新发展的重要基础，工业数据获取与治理也越来越得到行业重视。在此形势下，AI for DATA通过弥合数据断点，辅助企业开展海量数据处理工作，为企业智能化应用提供数据支撑。一方面，AI for DATA通过深度学习等，可以基于原始数据生成大量合成数据，用于工业研发、设备维护、市场服务等场景，解决专业数据不足问题。例如，英伟达3D仿真数据生成引擎能够生成合成数据，可用于自动驾驶汽车和机器人训练。Gartner预测，到2030年，人工智能领域的合成数据占比将超过70%。另一方面，AI for DATA依托大语言模型，利用自然语言描述辅助工程师编写和完善数据库引擎代码，提高工业数据查询、加工、可视化处理效率。

A I for R&D：赋能技术攻关与产品研发，提高前沿技术创新效率

创新是产业发展的核心动力，但随着产品向智能化、高端化发展，新产品设计变得更加复杂。AI for R&D促进基础学科和工业知识跨界融合与仿真验证，为产品研发注入新活力。一方面，AI for R&D借助机器学习、物理建模等技术，解决基础创新耗时长、成本高的问题。例如，西安交通大学第一附属医院利用盘古药物分子大模型，使先导药的研发周期从数年缩短至数月，研发成本降低约70%。另一方面，A I fo r R&D通过接口调用和连接基础零件库，实现复杂产品快速可视化建模和零件选型，加速新产品辅助设计、半实物仿真验证。例如，日产使用A I模型预测汽车气动性能，将设计周期从几天缩短到几秒钟。

AI for MBSE：集成多模态跨学科知识，实现基于模型的生产体系协同

生产系统日益庞大复杂，基于模型的系统工程（MBSE）建设应用难度陡增。AI for MBSE能够发挥数据处理与模式识别的能力优势，辅助开展生产系统建模，提高模型与实际生产的匹配度，进而指导流程与工艺优化。一方面，A I fo r M B S E利用大语言模型从文档、音视频等多模态数据中提取工业知识，或通过问答等方式掌握专家知识和决策逻辑，推动多模态知识提取与建模开发。例如，海尔卡奥斯COSMO GPT通过提取文字、语音、图纸中的关键参数，将注塑机试模周期从近百次缩短至2次，产品质量合格率从92%提升至97%。另一方面，A I fo r M B S E基于产品的数字建模，能对工艺规划、总装规划、人员配置等领域的参数进行全面系统的设计重置，加速生产工艺和逻辑优化进程。

企业深度应用AI需化解三大堵点虽然AI for新模式通过数据驱动、辅助研发与智能生产等创新为我国制造业发展注入新动能，但我们也发现A I技术与制造业重点环节深度融合过程仍存在三点不足。

公开数据集建设与公共算力支撑有限，大量优质数据处于“静默”状态

一是我国公开数据集建设相对滞后。工业模型训练需要依赖优质数据集提供海量、多源、动态更新的数据。据估算，大语言模型的预训练需要40TB的中文文本语料，视觉大模型需要超过100万条工业图像，多模态大模型通常需要亿级以上规模的数据。据北京智源人工智能研究院统计，我国工业人工智能开源数据集为21个，仅为医学、健康等行业开源数据集数量的1/3，数据量仅为计算机编程行业的1/4，这限制了工业数据共享与应用。

二是终端算力遭遇瓶颈。我国在图形处理器（G P U）等芯片供给上还存在不足，终端算力无法充分满足工业控制等场景对实时性算力的要求。市场调研显示，英伟达全球G P U市场份额高达88%，英特尔（Intel）则凭借集成GPU在个人电脑市场占据重要位置。尽管国产G P U研发取得了重大突破，但与国际巨头仍存在差距。

大模型自主创造和泛化执行能力不足，难以在复杂研发中开展深度创新

一是A I无法实现真正的创造。当前，A I模型训练主要基于统计学习与穷举法，在复杂的工业研发任务中，难以完成真正的“创新”。据半导体芯片领域调研发现，A I常规采取穷举法寻找最优芯片布局方案。据英特尔公司预计，到2030年，处理器将拥有超过一万亿根晶体管，这将给穷举法带来极大算力压力。

二是模型泛化能力不足。工业研发往往需要跨领域知识的融合应用，而现有的大模型大多基于特定数据训练，面对新条件、新需求的泛化能力不足。以锂离子电池性能模拟为例，大模型基于25℃性能数据训练，当锂电池处于零下20℃环境时，大模型预测误差将超10%。

人工智能全流程建模与决策不够透明，在价值链中部应用存在明显局限

一是人工智能在M B S E全过程建模的探索较为缺乏。生产系统规模和复杂性持续增加，以及生产需求变化导致系统频繁重构，造成M B S E生产制造全过程建模难度极高。目前，国内外普遍缺乏对多视图完整模型建模设计方法的研究与实践探索。

二是人工智能面临“高投入低产出”的困境。AI算法在工业场景中的迭代收益逐渐衰减，多数企业只停留在AI的浅层应用上。根据SuperCLUE发布的《多模态大模型性能评估报告》，在工业质检场景中，当算法检测准确率突破99%后，每提升0.1%准确率所需投入的算力资源呈指数级增长，但经济效益提升却趋近于零。

三是算法可信度受到质疑。大模型的复杂性和“黑箱”特性限制其在精度要求极高的工业场景中的应用。德勤发布的《制造业+人工智能创新应用发展报告》显示，制造业核心环节对AI推荐参数的准确性要求是100%，但算法模型的“黑箱”特性导致了企业对AI结论准确性的怀疑。

加速制造业AI应用的四点建议

推进工业算力与数据集建设，满足不同工业场景AI数据应用需求

一是加快建设高质量工业数据训练集。我国应建设面向重点行业和领域的工业数据训练集，分行业提取材料设计、测试仿真、系统配置管理等多维度工业数据，支撑大模型在垂直场景训练迭代。二是建立私域大数据共享平台。我国应鼓励各地方、各行业针对具体场景任务，制定数据清单，基于平台开展数据共享互通，加速一定范围内的数据共享，有效挖掘私域数据价值。三是构建工业大数据运行监测体系。我国应强化国家工业互联网大数据中心建设，完善工业大数据监测分析，提高工业数据流通共享与分析应用的安全水平。

加强AI共性关键技术攻关，做优做强人工智能产品服务体系

一是梳理AI for典型场景图谱。我国应联合行业龙头企业和研究机构，面向数据应用、研发设计、生产管理等重点环节，分行业梳理AI for模式典型应用场景，加快AI for服务模式和业态创新。

二是打造AI for高端产品链。我国应鼓励制造业优势企业联合高校院所等主体，加快人工智能产品创新研发，提升全产业链A I产品专业化、高端化水平，带动A I技术在垂直领域的落地应用。

三是培育A I fo r新模式、新业态。我国应依托多层次工业互联网平台，加快培育专业化、场景化AI for解决方案和服务商，持续探索AI for应用场景，加速AI技术与各行业、各领域深度融合。

四是提高模型决策透明度。我国应探索人工智能可解释技术，开展大模型偏见检测和压力测试，提高大模型的决策质量和稳定性，提高制造企业对基于模型决策结果的信任度。

强化企业科技创新主体地位，拓展人工智能在重点领域深度应用

一是推动优势产业应用与发展A I fo r模式。我国要结合电子信息、新能源汽车、装备制造等传统优势产业与新兴产业特色，以价值收益为导向，通过揭榜挂帅、专项建设等方式，鼓励龙头企业先行先试探索A I fo r模式应用落地。

二是依托龙头企业加速A I fo r模式链式推广。我国要鼓励龙头企业通过业务剥离重组等形式，孵化人工智能服务能力，推进AI for典型解决方案在上下游企业复制应用。

三是强化工业A I人才队伍建设。我国要通过引进、培育、产教融合等形式，加快实现人工智能领域技术人才储备，广泛组织职业教育与培训等活动，提高从业人员人工智能知识素养。

加快构建良好的制度环境，规范制造业基于AI for的智能升级路径

一是完善相关法规和政策。我国需明确人工智能技术在制造业中的应用范围、责任主体和权益保障，确保技术的合法使用。

二是推进A I fo r工业领域标准化研究。我国需制定A I for标准体系和评估机制，覆盖技术规范、服务标准、测评方法等，提高AI for模式在制造业实践中的规范性和可复制性。

三是建立风险预警与防护机制。我国需由相关部门牵头，联合企业、研究院校等组织研究制定AI for工业风险预警机制，洞察工业人工智能的安全态势和潜在的攻击，明确应对措施，提升我国工业A I for发展安全水平。

作者：赛迪智库信息化与软件产业研究所 李昀