工業(yè)智能技術與產業(yè)推進路徑研究

摘要：在工業(yè)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(yè)競爭力，為產業(yè)智能化升級和創(chuàng)新發(fā)展提供有力支撐。文章圍繞工業(yè)智能技術與產業(yè)發(fā)展現(xiàn)況，系統(tǒng)梳理并總結了工業(yè)智能的基本內涵、演進路徑、特征需求、發(fā)展趨勢和現(xiàn)存問題，發(fā)現(xiàn)工業(yè)智能發(fā)展逐步由以模型為中心趨向于以數(shù)據(jù)為中心，面臨技術主導權缺失、數(shù)據(jù)質量不高等問題。同時，文章從完善工業(yè)智能要素支撐，強化智能應用場景推廣，推動工業(yè)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(yè)智能新應用參考。

關鍵詞：工業(yè)智能；數(shù)據(jù)流通；以數(shù)據(jù)為中心

中圖分類號：F424" 文獻標志碼：A

1 工業(yè)智能基本內涵

工業(yè)智能（Industrial artificial intelligence）是指在工業(yè)領域應用人工智能（AI）、機器學習、數(shù)據(jù)分析、物聯(lián)網(wǎng)（IoT）、區(qū)塊鏈等先進技術，以提高生產效率、優(yōu)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(yè)智能與人工智能在應用領域、技術特點、數(shù)據(jù)需求和發(fā)展目標上有所不同，如表1所示。工作智能更聚焦于工業(yè)領域，注重與工業(yè)生產過程的結合，注重數(shù)據(jù)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(yè)智能發(fā)展重要部署

2.1 中國加快推進新型工業(yè)化

我國第十四個五年規(guī)劃明確工業(yè)智能化轉型的戰(zhàn)略方向，強調要推動人工智能、大數(shù)據(jù)等新興技術與制造業(yè)深度融合?！丁笆奈濉敝悄苤圃彀l(fā)展規(guī)劃》^［6］則進一步細化目標，鼓勵企業(yè)在生產制造環(huán)節(jié)廣泛應用智能技術，從智能裝備的研發(fā)到智能生產系統(tǒng)的構建，全方位提升工業(yè)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(shù)字化車間，促進工業(yè)生產模式的創(chuàng)新變革?！蛾P于加快傳統(tǒng)制造業(yè)轉型升級的指導意見》^［8］更是為傳統(tǒng)制造業(yè)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(fā)投入，實現(xiàn)從傳統(tǒng)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(yè)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(zhàn)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(yè)乃至國家戰(zhàn)略層面重要性的深刻認知?！蛾P鍵與新興技術國家戰(zhàn)略》詳細規(guī)劃了對包括工業(yè)智能相關技術在內的扶持路徑，通過資金投入、政策優(yōu)惠等手段，確保美國在全球工業(yè)智能技術競賽中保持領先。《聯(lián)邦人工智能治理政策》致力于構建完善的人工智能監(jiān)管框架，既鼓勵技術創(chuàng)新，又保障其在工業(yè)應用中的安全性與可靠性，促進人工智能在工業(yè)自動化、智能決策等方面的有序發(fā)展。《國家機器人計劃 2.0》聚焦機器人技術在工業(yè)生產中的創(chuàng)新應用，推動機器人從傳統(tǒng)制造向智能制造場景的深度拓展，提升美國制造業(yè)的智能化程度與生產靈活性。

2.3 德國以工業(yè) 4.0 戰(zhàn)略為核心

《未來研究與創(chuàng)新戰(zhàn)略》為工業(yè)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(yè)合作，探索人工智能、量子技術等在工業(yè) 4.0 框架下的創(chuàng)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(fā)展目標與行動步驟，從技術研發(fā)到人才培養(yǎng)，全方位支持工業(yè)智能的發(fā)展，尤其注重在工業(yè)生產中的智能優(yōu)化、智能供應鏈管理等方面的應用。《安全人工智能系統(tǒng)開發(fā)指南》為德國工業(yè)界在開發(fā)和應用人工智能系統(tǒng)時提供安全標準與規(guī)范，確保工業(yè)智能系統(tǒng)的穩(wěn)定運行與數(shù)據(jù)安全?！读孔蛹夹g行動計劃》則通過大規(guī)模資金投入，推動量子技術與工業(yè)智能的交叉融合，為德國工業(yè)在未來的全球競爭中儲備核心技術力量。

2.4 日本持續(xù)推動數(shù)字化與工業(yè)化結合

《制造業(yè)白皮書》定期評估日本制造業(yè)的智能化發(fā)展狀況，為政策調整和企業(yè)戰(zhàn)略規(guī)劃提供依據(jù)，強調通過智能化手段提升日本制造業(yè)在全球的競爭力。《確保穩(wěn)定供應的指導方針》從供應鏈角度出發(fā)，倡導利用工業(yè)智能技術實現(xiàn)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(huán)節(jié)的效率與穩(wěn)定性?！督?jīng)濟安全保障促進法案》將工業(yè)智能技術視為保障國家經(jīng)濟安全的重要手段，鼓勵企業(yè)在關鍵工業(yè)領域加大智能技術研發(fā)與應用，增強工業(yè)體系的韌性。《第六次科學技術和創(chuàng)新基本計劃》把工業(yè)智能相關的創(chuàng)新技術研發(fā)作為重點任務，推動人工智能、大數(shù)據(jù)、物聯(lián)網(wǎng)等技術在工業(yè)中的深度融合與創(chuàng)新應用，促進日本工業(yè)向數(shù)字化、智能化的快速轉型。

3 工業(yè)智能演進路徑與特征需求

3.1 演進路徑：工業(yè)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(shù)據(jù)分析仍是工業(yè)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(fā)展，工業(yè)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(shù)據(jù)進行處理并實現(xiàn)溝通互動，然而其對數(shù)據(jù)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(shù)字孿生、仿真推演、決策優(yōu)化、協(xié)同計算和知識工程為代表的工業(yè)智能技術譜系發(fā)展已不再單純局限于一項具體的技術，而是業(yè)務場景、行業(yè)機理知識與通用 AI 算法深度融合的新方法、路徑，為工業(yè)生產的智能化升級帶來全新的機遇和變革，助力工業(yè)企業(yè)在復雜多變的市場環(huán)境中提升競爭力，實現(xiàn)可持續(xù)高質量發(fā)展。

3.2 特征需求：實時性、靈活性、可靠性、可解釋性

工業(yè)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(yè)智能系統(tǒng)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(huán)境中，實時的數(shù)據(jù)處理和決策能力可以幫助企業(yè)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(yè)環(huán)境。隨著生產場景和需求的不斷變化，工業(yè)智能系統(tǒng)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(yè)生產對智能系統(tǒng)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(yè)智能系統(tǒng)的穩(wěn)定性和可靠性至關重要。企業(yè)需要確保系統(tǒng)能夠在長時間運行中保持穩(wěn)定，避免因系統(tǒng)故障而帶來的生產中斷?？山忉屝允侵腹I(yè)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(tǒng)的決策。

4 工業(yè)智能發(fā)展趨勢與現(xiàn)存問題

4.1 發(fā)展趨勢：以模型為中心趨向于以數(shù)據(jù)為中心

早期的工業(yè)智能發(fā)展主要采用行業(yè)專用智能發(fā)展路線，即針對不同的行業(yè)和應用場景，開發(fā)專用的工業(yè)智能設備和系統(tǒng)。這種發(fā)展路線雖能滿足特定行業(yè)和應用場景的需求，但也存在著開發(fā)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(yè)自動化、數(shù)字化、智能化發(fā)展，通用智能和生成式 AI 技術的出現(xiàn)，3C 電子、汽車、鋼鐵、醫(yī)療等數(shù)據(jù)密集型行業(yè)，質量檢測、設備預測性維護、生產優(yōu)化等應用場景都需要大量的數(shù)據(jù)支持^［13-15］，數(shù)據(jù)在工業(yè)智能中的重要性日益凸顯，產業(yè)發(fā)展逐步趨向于以數(shù)據(jù)為中心。

4.2 現(xiàn)存問題：技術主導權缺失、場景應用受限、數(shù)據(jù)質量不高

（1）技術創(chuàng)新與能力開發(fā)面臨“卡脖子”。國內企業(yè)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(yè)運營的風險，制約了產業(yè)的發(fā)展。同時科研機構與企業(yè)協(xié)同創(chuàng)新不緊密，高端技術人才匱乏，研究成果與產業(yè)化需求適配度低，如在鋼鐵行業(yè)，既懂行業(yè)工藝又熟悉AI技術的復合型人才稀缺，高校相關優(yōu)質畢業(yè)生供應不足。科研機構的研究成果往往與企業(yè)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(yè)拓展深陷“荊棘地”。部分細分領域和傳統(tǒng)行業(yè)應用場景單一，技術應用范圍窄，價值發(fā)揮不充分。例如思必馳反饋數(shù)據(jù)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(fā)展和創(chuàng)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(jīng)濟成效和投資回收期存在變數(shù)，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(yè)推廣普及，阻礙產業(yè)全面發(fā)展。如華興源創(chuàng)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(shù)據(jù)質量與安全隱患仍是“攔路虎”?，F(xiàn)有的數(shù)據(jù)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(shù)據(jù)模態(tài)多樣、噪聲大、缺陷品數(shù)據(jù)少問題，數(shù)據(jù)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(yè)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(shù)據(jù)隱私和安全的風險。數(shù)據(jù)管理與安全保障體系尚不完善，工業(yè)領域設備和系統(tǒng)多樣性導致數(shù)據(jù)整合和標準化難度大，數(shù)據(jù)質量標準、隱私保護機制和安全技術研發(fā)存在不足，制約產業(yè)健康發(fā)展。

5 工業(yè)智能推進建議

5.1 完善工業(yè)智能要素支撐

提升模型算法能力，鼓勵人工智能企業(yè)優(yōu)化基礎算法模型，開發(fā)適應工業(yè)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(yè)共性需求。優(yōu)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(fā)展模型選型、調優(yōu)等延伸服務，完善邊緣側、終端側的配套部署。強化數(shù)據(jù)要素供給，推動公共數(shù)據(jù)、行業(yè)數(shù)據(jù)開放，構建工業(yè)語料庫、數(shù)據(jù)集，推動產業(yè)鏈供應鏈數(shù)據(jù)融通，開展高質量數(shù)據(jù)集、數(shù)據(jù)空間等試點，深化數(shù)據(jù)開發(fā)利用。

5.2 強化智能應用場景推廣

加快制造業(yè)全流程智能化，深化人工智能技術在制造業(yè)全流程融合應用，提升研發(fā)設計、生產制造、運營管理等環(huán)節(jié)智能化水平，建設一批智能車間、智能工廠。加快重點行業(yè)智能升級，聚焦鋼鐵、紡織、汽車、醫(yī)藥、電子信息等帶動能力強、數(shù)字化基礎好的重點行業(yè)，面向視覺檢測、智能運維、參數(shù)優(yōu)化、智能巡檢等場景，選擇樹立行業(yè)應用標桿，爭創(chuàng)國家人工智能典型案例。

5.3 推動工業(yè)大模型應用突破

構建環(huán)節(jié)大模型，面向鋼鐵、紡織、新能源等數(shù)據(jù)密集型行業(yè)，深挖數(shù)字化轉型需求，重點突破研發(fā)設計、生產制造、運營管理等環(huán)節(jié)大模型，推動環(huán)節(jié)大模型和企業(yè)業(yè)務應用嵌入集成，持續(xù)優(yōu)化迭代。突破行業(yè)大模型，圍繞生物醫(yī)藥、新材料、高端裝備、能源電力等重點行業(yè)，引導生態(tài)型企業(yè)加速垂直細分領域大模型研發(fā)，加快發(fā)展專業(yè)度高、落地性強的行業(yè)大模型。探索高階工業(yè)智能，推進行業(yè)大模型與專用小模型協(xié)同應用，超前謀劃人工智能未來應用，將大模型能力向產業(yè)鏈上下游企業(yè)輸出，帶動行業(yè)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(wǎng).八部門關于印發(fā)《“十四五”智能制造發(fā)展規(guī)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(wǎng).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(yè)和信息化部.工業(yè)和信息化部等八部門關于加快傳統(tǒng)制造業(yè)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