智能制造是制造业数字化、网络化、智能化演进的集中体现。近年来，随着人工智能（AI）、工业互联网、边缘计算、数字孪生、机器视觉和机器人技术的发展，制造系统的智能化不再停留在单机自动化或生产线信息化层面，而是逐步进入跨设备、跨车间、跨企业和跨生命周期的系统优化阶段。新一代智能制造的内在逻辑正在从“相加”走向“相融”：即从信息技术对制造环节的外部赋能，转向人工智能、制造工艺、工业软件、装备系统与产业生态的深度耦合。

这一判断具有现实基础。传统数字化改造往往强调“上系统、连设备、建平台”，其价值主要体现在数据采集、流程可视化和管理透明化。但在复杂制造场景中，仅有连接并不能自动产生优化能力。设备状态数据、工艺参数、质量检测结果、供应链信息和客户需求必须被转化为可解释、可执行、可反馈的工业知识，才能真正提升质量、效率、柔性和韧性。因此，新一代智能制造需要回答的问题不是“是否使用人工智能”，而是“AI如何嵌入制造机理、生产控制和组织决策”。

已有关于智能制造、工业4.0、工业互联网和数字孪生的研究，分别从系统架构、数据驱动制造、工业互联、虚实映射和制造系统优化等方面进行了较为充分的讨论。但从制造业实际落地看，新一代智能制造并不是单一技术路线的延伸，也不是人工智能模型、工业互联网平台或数字孪生系统的孤立应用，而是多类技术与制造场景、装备基础、标准接口和组织流程协同演进的结果。基于此，本文在既有研究基础上，重点从三个方面展开综述：一是梳理新一代智能制造从“互联网+制造”到“AI+制造”的内涵演进，提出从“连接可见”走向“闭环优化”的技术路径；二是围绕智能工厂、智能产品、工业互联网、数字孪生和工业AI等核心方向，归纳其在制造系统中的作用关系与落地约束；三是从技术、装备、场景、标准和组织协同角度，构建新一代智能制造多要素融合框架，为制造企业推进智能化转型和系统化应用提供参考。

1 内涵演进：从“互联网+制造”到“AI+制造”

“互联网+制造”的核心贡献是连接。它解决了设备、人员、订单、物料和管理系统之间的信息孤岛问题，推动制造企业从局部自动化走向网络化协同。但“AI+制造”的核心在于融合与重构：一方面，AI算法需要依托传感器、控制系统、工业软件和工艺数据库获得高质量数据；另一方面，AI输出必须嵌入生产调度、质量控制、设备维护和供应链响应等业务流程，才能形成实际价值。

从系统架构看，新一代智能制造仍可理解为人—信息—物理系统（HCPS）。但其内部关系发生了变化。人在系统中不只是操作者，也承担工艺知识表达、异常判断、模型校验和安全兜底等角色；信息系统不只是数据存储与流程管理工具，而成为连接物理过程和决策优化的智能中枢；物理系统则从被动执行指令的装备集合，演变为具备感知、反馈和局部自适应能力的智能装备网络。

近年关于智能制造和工业物联网的研究也表明，智能制造正由以设备互联和过程数字化为主的技术组合，向人工智能、工业物联网、数字孪生与人机协同等技术的系统集成演进。从工程架构看，相关系统通常仍包含设备层、网络层、软件层、建模层和分析优化层等多个级。设备层提供自动化与数据源，网络层实现可靠连接，软件层形成过程数字化表达，建模层通过数字孪生映射物理过程，分析优化层利用机器学习、优化算法和工业知识模型支撑决策。这说明新一代智能制造的落地并非单一AI模型问题，而是面向制造全流程的分层集成与协同优化问题。

为增强综述的系统性，本文在国际智能制造研究与国内政策标准比较的基础上，进一步结合制造业工程应用现状，从发展范式、系统架构、智能工厂、工业互联网与标准接口、数字孪生、工业AI、智能产品与服务化、落地机制与现实挑战等方面进行归纳，如表1所示。可以看出，国际研究侧重于系统架构、数据驱动优化、数字孪生建模和工业AI应用等技术演进；国内政策强调能力建设、标准支撑、场景牵引和工程化落地；行业现状则反映出对数据基础、系统集成、模型可信、标准接口和组织协同等现实约束。基于此，本文进一步凝练出相应的技术路径：从场景出发，形成多要素协同的融合重构机制。

表1  新一代智能制造国际研究、国内政策标准、行业现状与技术路径对比

在上述国际研究、国内政策标准与行业现状的对照归纳基础上，本文进一步梳理新一代智能制造从“互联网+制造”到“AI+制造”的内涵演进路径，如图1所示。

图1  新一代智能制造从“互联网+制造”到“AI+制造”的内涵演进路径图

2 核心载体一：智能工厂的闭环优化

智能工厂是新一代智能制造最重要的落地载体。与传统自动化工厂相比，智能工厂的关键特征不是“无人化”，而是具备持续感知、动态优化和柔性重构能力。其典型闭环包括四个环节：感知、决策、执行和反馈。智能工厂“感知—决策—执行—反馈”闭环优化框架如图2所示。

图2 智能工厂“感知—决策—执行—反馈”闭环优化框架图

在感知环节，传感器、工业相机、可编程逻辑控制器（PLC）、数控系统、制造执行系统（MES）、企业资源计划（ERP）和仓储物流系统持续采集设备状态、工艺参数、质量数据、能耗数据和订单进度。在决策环节，系统通过规则模型、机器学习模型、优化算法或数字孪生模型，对排产、参数调优、质量预警、设备维护和能耗控制进行分析。在执行环节，决策结果被下发至产线、机器人、自动导引车（AGV）、仓储系统或人工工位。在反馈环节，执行结果再次进入数据系统，用于模型校正和工艺改进。

这一闭环在典型离散制造产线中可以进一步具体化。以零部件加工、装配和检测产线为例，底层设备通常由数控机床、工业机器人、专机设备、传感器、工业相机、PLC和运动控制系统构成，负责完成加工、搬运、装配、检测和安全联锁等基础自动化任务。数据采集与监视控制系统（SCADA）对设备运行状态、报警信息、工艺参数和能耗数据进行采集与监视，MES系统负责生产派工、工序流转、质量记录、设备状态和在制品管理，ERP系统则提供订单、物料、库存、采购和交付等经营管理数据。AGV或自主移动机器人承担工序间物料配送，工业机器人承担上下料、装配、焊接、打磨、喷涂或码垛等作业，机器视觉系统用于尺寸检测、缺陷识别、装配状态确认和追溯码识别。通过上述系统协同，智能工厂不再只是“设备联网”，而是形成从订单计划、生产执行、现场控制、质量检测到物流配送的过程贯通。

在质量闭环控制方面，机器视觉、在线检测设备和工艺传感器可实时采集尺寸偏差、表面缺陷、装配状态和关键工艺参数，MES系统将检测结果与工单、设备、人员、批次和工艺条件关联，统计过程控制和机器学习模型进一步识别质量波动趋势。当系统发现缺陷率升高或关键参数偏离控制范围时，可向产线控制系统、工艺工程师或设备维护人员发出预警，并将调整建议反馈至工艺参数优化、设备点检和生产排程环节，从而形成“检测—分析—预警—调整—验证”的质量闭环。

在设备维护和排产调度方面，SCADA、PLC、传感器和设备控制系统可持续采集电流、温度、振动、节拍、故障代码和运行时长等状态数据，为预测性维护提供数据基础。MES结合设备健康状态、订单优先级、物料齐套情况、工序能力和交付周期，对生产任务进行动态调整。当关键设备出现劣化趋势或异常停机风险时，系统可提前安排维护窗口，调整工序路径或切换替代设备，减少非计划停机对交付节奏的影响。这类应用表明，智能工厂的核心不是单点部署AI算法，而是将自动化控制、生产管理、质量检测、设备维护和物流配送纳入统一的数据与业务闭环。

3 核心载体二：智能产品与全生命周期服务

智能制造不仅回答“如何生产”，还要回答“产品如何定义”。新一代智能制造的价值并不局限于工厂内部效率提升，还包括通过智能产品改变企业的竞争方式。智能产品与全生命周期服务闭环路径如图3所示。

图3 智能产品与全生命周期服务闭环路径图

智能产品通常具备感知、连接、计算和服务能力。例如，高端装备、汽车、医疗设备和工业机器人可以通过内置传感器采集运行状态，并通过云端或边缘平台实现远程诊断、软件升级、故障预测和性能优化。这样，制造企业的价值实现方式可从一次性产品销售，逐步延伸至远程运维、预测性维护、软件升级和全生命周期服务。

从制造自动化角度看，智能产品与智能工厂之间不是相互独立的两个系统，而是通过产品数据和制造数据形成双向反馈。一方面，产品设计阶段形成的结构参数、工艺要求、质量控制点和测试规范，需要传递到MES、检测系统和自动化产线，指导加工、装配、检测和追溯。另一方面，产线采集的工艺参数、质量数据、装配误差、返修记录和设备状态数据，可以反向支撑产品设计优化、工艺路线调整和可靠性改进。对于工业机器人、高端装备和智能终端等复杂产品，制造过程中的关键质量数据还可以与产品服役阶段的运行状态、故障记录和维护数据关联，用于识别设计薄弱环节和工艺稳定性问题。

在工业机器人等智能装备产品中，制造阶段需要对关键零部件加工精度、装配一致性、控制器参数、传感器标定和整机性能进行记录；使用阶段则可通过控制系统、传感器和远程运维平台采集运行时长、负载状态、故障报警和维护记录。上述数据如果能够与产品型号、批次、工艺参数和质量检测结果贯通，就可以支撑远程诊断、预测性维护、软件升级和下一代产品改进。因此，智能产品的价值不仅体现在产品自身具备感知、连接和计算能力，也体现在其能够与制造系统、服务系统和研发系统形成全生命周期数据闭环。

在研发阶段，生成式设计、仿真优化和数字孪生可以缩短试错周期；在制造阶段，工艺参数和质量数据可以反哺设计改进；在使用阶段，产品运行数据又能支持维护服务和下一代产品开发。由此形成“研发—制造—使用—服务—再设计”的闭环。对于装备制造业和高技术制造业而言，这种闭环尤其重要，因为复杂产品的竞争力往往来自长期可靠性、系统集成能力和服务响应能力，而不仅是单件产品的制造成本。

4 关键支撑技术：工业互联网、数字孪生与工业AI

工业互联网是智能制造的数据与连接基础。它通过设备联网、边缘计算、工业协议转换和平台化管理，解决制造现场长期存在的数据孤岛问题。但工业互联网的价值取决于连接质量和业务建模能力。如果只是采集大量数据而缺乏工艺语义、质量标签和业务场景，平台很容易沦为“数据看板”。工业互联网、数字孪生与工业AI协同支撑架构图如图4所示。

图4  工业互联网、数字孪生与工业AI 协同支撑架构图

数字孪生是连接物理制造系统和虚拟模型的重要技术。它可以用于产线仿真、设备状态监测、工艺优化、虚拟调试和人员培训。数字孪生的难点在于模型精度、实时数据同步、跨系统接口和维护成本。对于中小企业而言，不宜一开始就追求全工厂级数字孪生，更现实的路径是从关键设备、瓶颈工序或高价值产线切入。

工业AI是实现智能分析和自主优化的核心工具，但制造场景中的AI不同于互联网推荐或通用文本生成。制造数据通常具有小样本、高噪声、强机理约束、类别不平衡和安全要求高等特点。因此，工业AI更需要结合工艺知识、物理机理和专家经验。可解释AI、物理约束机器学习、知识图谱和人机协同将成为重要方向。对于高风险生产场景，AI系统必须具备可解释、可追溯、可验证和可降级运行能力。

在典型制造自动化系统中，工业互联网、数字孪生和工业AI通常并非彼此独立发挥作用，而是共同支撑产线运行优化。工业互联网解决设备接入、数据采集和跨系统连接问题，使PLC、数控系统、机器人控制器、传感器、检测设备、SCADA、MES和ERP之间具备数据交互基础；数字孪生将设备、产线、工艺流程和生产节拍映射到虚拟空间，用于产线仿真、瓶颈分析、虚拟调试和参数优化；工业AI则在此基础上开展缺陷识别、工艺参数推荐、设备健康评估、异常诊断和排产优化。三者之间的关系可以概括为：工业互联网提供数据连接基础，数字孪生提供制造过程模型，工业AI提供分析决策能力。

以自动化装配检测产线为例，工件进入产线后，MES根据ERP下达的订单和物料信息生成生产任务，并将工艺路线和作业要求下发到工位；PLC和机器人控制器完成夹具定位、自动装配、拧紧、搬运和节拍控制；机器视觉和在线检测设备采集装配状态、尺寸偏差和外观缺陷；SCADA系统监视设备运行状态和报警信息；AGV根据生产节拍完成物料配送。若检测系统连续出现质量异常，工业AI模型可结合设备状态、工艺参数、批次信息和历史质量数据分析异常原因，MES据此触发返修、隔离、复检或工艺调整流程，必要时联动排产系统调整任务顺序。该过程体现了新一代智能制造从“采集数据”向“理解状态、预测风险、优化决策和闭环执行”的转变。

5 管理理念：价值重构与融合创新

新一代智能制造依托工业互联网、数字孪生、工业AI等技术，通过驱动智能工厂闭环运维、智能产品全生命周期服务两大载体迭代升级，实现生产模式的数字化革新。在此过程中，必须立足制造业与商业双重本质，依托价值重构、融合创新两条路径，搭建适配智能制造场景的先进管理理念，补齐智能制造转型过程中的管理机制短板。图5为新一代智能制造先进管理理念建设路径图。

图5 新一代智能制造先进管理理念建设路径图

制造业的本质是以技术资源为基础，统筹质量、成本、效率等核心指标，依托技术革新与市场需求双向驱动产业发展；商业运行的底层逻辑则是价值创造与价值交换。智能制造管理体系的迭代优化，须牢牢锚定两类本质规律开展系统化设计。在此基础上，价值重构从内部维度实现全方位管理升级，涵盖品牌与文化、业务与生态、组织与治理、技术与质量等层面，依托智能工厂运营、智能产品服务链条重塑产业协同、组织管控与质量管控模式，搭建数据驱动的精益化管理体系。融合创新则从外部维度拓展管理边界，通过多类技术集成融合、技术与产业深度融合、产业与品牌联动融合，依托管理制度赋能技术成果落地转化，实现生产效能与品牌价值双向提升。

先进管理理念是智能制造技术落地与场景应用的重要保障。企业需以市场价值为牵引，通过战略引领、组织变革与生态协同，将产品设计、工艺设计和控制设计纳入全生命周期质量管理闭环，贯通需求、设计、工艺、生产、改进全流程。由此，技术“推力”与市场“拉力”协同作用，推动人工智能、工业互联网和数字孪生真正嵌入生产经营流程，为智能制造系统化落地提供关键支撑。

6 落地机制：技术、装备、场景、标准与组织协同

新一代智能制造落地的难点并不只是技术成熟度不足，更在于技术、装备、场景、标准和组织之间缺乏协同。新一代智能制造落地机制与多要素协同路径如图6所示。

图6 新一代智能制造落地机制与多要素协同路径图

首先，技术必须与场景匹配。企业不应为了“上AI”而上AI，而应从质量损失、设备停机、交付波动、能耗过高、库存积压等具体痛点出发，选择机器视觉、预测维护、智能排产或能耗优化等应用。其次，装备是技术工业化应用的物理载体。若现场设备缺少传感能力、通信接口和稳定控制能力，再先进的算法也难以发挥作用。

然后，标准体系决定系统能否互联互通。IEC62264/ISA-95等企业控制系统集成标准，以及数字孪生相关标准，为ERP、MES、SCADA、控制系统和设备层之间的信息交互提供了参考框架。

最后，组织能力是智能制造成败的关键变量。智能制造要求工艺工程师、自动化工程师、数据科学家、信息技术（IT）人员和现场管理者协同工作。已有研究表明，制造场景中的智能化应用效果不仅取决于算法性能，还受到数据质量、工艺知识表达、系统集成、模型可解释性和组织协同能力等因素影响。

因此，智能制造项目在工程落地过程中，若缺少稳定的数据采集基础、清晰的工艺语义、跨系统接口和面向现场人员的应用机制，即使具备较成熟的算法模型，也难以形成持续稳定的生产优化效果。企业需要同步建设数据治理、模型运维、人才培养和绩效评价机制，使智能化系统能够嵌入生产管理、质量控制、设备维护和工艺改进等具体业务流程。

7 现实挑战与发展趋势

当前新一代智能制造面临五类挑战。第一，数据基础薄弱，包括设备数据不完整、质量标签缺失、系统接口不统一等。第二，工业AI可信性不足，黑箱模型在质量、安全和设备控制场景中难以直接替代专家判断。第三，中小企业投入能力有限，难以承担大型平台和复杂系统集成成本。第四，工业软件和核心装备仍是智能制造能力边界的重要约束。第五，网络安全、数据安全和生产安全问题更加突出，智能化程度越高，越需要加强系统性风险治理。

除上述技术与工程挑战外，管理理念和组织能力不足也会制约智能制造的持续推进。当前部分企业仍将智能化简单等同于设备与系统升级，缺乏面向市场价值创造的顶层设计，尚未建立完善的资源投入、跨部门协作及人才培养体系。智能工厂建设需实现战略、技术、业务与组织协同，贯通产品全生命周期管控闭环。若组织治理、考核机制未能同步迭代，智能化应用将局限于局部试点，难以持续赋能提质、降本、增效。

未来发展趋势主要包括：从单点应用走向端到端闭环优化，从经验驱动走向数据、模型与机理融合驱动，从工厂内部智能走向供应链和产业链协同智能，从设备销售走向产品服务系统，从通用AI模型走向面向工业场景的专用模型和可信工业AI。在这一过程中，工业AI的作用将不再局限于缺陷识别、状态监测或单一环节预测，而是逐步参与质量控制、设备维护、生产调度、能耗优化和服务决策等多类任务。但制造系统具有工艺约束强、安全要求高、责任边界清晰和过程可追溯要求高等特点，因此工业AI不宜被理解为完全自主替代人类决策，而应在安全边界、权限控制、规则校验和人工确认机制下，作为状态识别、风险预警、方案推荐和闭环优化的重要支撑。

8 结论

新一代智能制造具备先进性、系统性、融合性、重构性等特性，四种特性相互支撑、有机统一，贯穿其支撑与落地实施的全过程。本文围绕新一代智能制造的内涵演进、核心载体、关键支撑技术、管理理念和落地机制进行了系统梳理，并在国际研究、国内政策与行业现状对照基础上提出新一代智能制造生态体系，如图7所示。

图7  新一代智能制造生态体系架构

本文主要结论如下：

（1）从技术演进本质来看，新一代智能制造依托先进制造技术、先进工艺技术、软件与控制技术、新兴赋能技术的先进性与融合性，实现了从“技术相加”向“系统相融”的核心跃迁。其重点不在于单点部署AI、工业互联网或数字孪生，而在于将工业数据、制造机理、模型算法、工业软件和智能装备嵌入生产流程，形成“感知—决策—执行—反馈”的闭环优化能力。

（2）从载体体系构建来看，新一代智能制造凭借系统性特性，必须完整关注智能工厂与智能产品双核心载体的发展格局。两类载体，一个关注市场需求端的“生产什么”，一个关注供给端的“任何高效生产”，需求端和供给端相互衔接，构成智能制造体系化落地的核心支撑，充分彰显其全维度、全链条的系统特征。其中，智能工厂以生产过程闭环优化为重点，智能产品以“研发—制造—使用—服务—再设计”的全生命周期闭环为重点。同时，工业互联网、数字孪生和工业AI分别提供连接基础、模型映射和分析决策能力，三者需要协同发挥作用。

（3）从工程落地逻辑来看，新一代智能制造呈现出显著的重构性特征，其转型升级本质上是新质生产力与新型生产关系的系统性重构。智能制造的规模化落地需依托技术、装备、场景、标准、组织等要素协同推进。企业需从质量、设备、交付、能耗等具体问题出发，以数据要素释放新质生产力潜能，完善数据治理、接口标准、模型运维和跨部门协同机制，重塑智能制造场景下的新型生产关系。实践过程中应避免将智能制造等同于单一平台建设或算法部署，推动由单点应用向端到端闭环优化演进，最终实现生产力迭代与生产关系适配的双向赋能。

（4）本文的主要贡献在于：在梳理国内外政策标准与行业现状的基础上，从技术融合演进、供需双载体体系、生产力-生产关系重构三个维度揭示新一代智能制造的内在机理，阐明其由“技术相加”走向“系统相融”的跃迁规律，厘清智能工厂与智能产品供需协同的双载体建设格局，剖析其落地过程中新质生产力与新型生产关系系统性重构的深层逻辑；据此提出新一代智能制造“技术—装备—场景—标准—组织”多要素融合路径，构建新一代智能制造生态体系架构，可为制造企业识别转型重点和组织实施提供理论支撑与实践参考。

原文刊载于《制造业自动化》2026年8月 作者：王振林 孙一宸 杜已超  李敏 白华