制造业又将迎来一个关键转折点，最近工信部宣布将研究出台“人工智能+制造”专项行动实施方案。这一消息无疑再次将产业界的目光聚焦于智能化升级的浪潮之上。
根据官方信息，下一步，工信部将推动人工智能产业高质量发展，加快高水平赋能新型工业化，研究出台“人工智能+制造”专项行动实施方案，部署重点行业、重点环节、重点领域、智能化转型任务，制定人工智能+制造转型路线，发布实施制造业企业人工智能应用指南。
在中国的政策风向之外，全球范围内的产业趋势也在同步演进。
市场研究机构IoT Analytics最新发布的《2025-2030年工业人工智能市场报告》指出，2024年全球工业AI市场规模已达436亿美元，预计到2030年将跃升至1540亿美元，年复合增长率为23%。
这不仅仅是数字的放大，更标志着工业AI已经进入高速增长和战略重塑的窗口期。
我国“人工智能+制造”专项行动的推出，与全球产业链的智能化跃迁形成强烈共振，推动着“世界工厂”在全球新一轮竞争格局中加速迈向高质量发展。
回顾过往，产业界对工业AI的普遍认知曾长期停留在“降本增效”的范畴。但在《“人工智能+制造”的关键时刻：不是降本，而是重构》一文中，笔者认为工业AI的真正意义并非简单的成本优化与效率提升，而在于对制造底层逻辑的“系统性重写”。AI不只是一个工具，而是重塑整个产业结构和价值体系的变革力量。
基于此，本篇文章将进一步深入剖析：工业AI正在如何改变“制造的本质”。
这种改变，不只是管理流程的升级、局部环节的智能化，而是对产业链组织方式、价值分配模式、企业间协同机制的根本性重构，甚至延展到供应链网络的全面重组，以及制造企业从“产品导向”到“服务导向”的商业模式创新。
改写制造底座：从线性分工到智能网络
过去，工业AI在制造企业中的角色，大多停留在试点项目或IT部门，是技术创新的点缀，却很少真正进入企业战略的核心。而今天，这一格局已被彻底颠覆。
最新的全球工业AI市场研究清晰地显示，AI已不再是边缘化的IT项目，而是在越来越多的大型制造企业中，成为CEO主导的战略主线。
根据IoT Analytics调研报告显示，2021年，绝大多数制造企业还在将工业AI视为“实验项目”或“辅助工具”。但到了2025年，工业AI已经被写入企业路线图，成为董事会和CEO在财报季反复讨论的关键议题。
以丰田为例，这家全球制造业的标杆企业在2025财年投入106亿美元，打造以工业AI和软件为核心的新型工厂，强调人机融合、技能传承和智能赋能。丰田的智能工厂愿景，不仅仅是引入AI技术，更是让一线员工具备机器学习能力，将工程师的经验和知识沉淀为企业的智能资产，实现实时问题预警和生产力提升。这样的转型，不再是“局部试验”，而是推动整个组织能力和管理哲学的系统性升级。
更深刻的变革，正在产业链与供应链层面展开。传统制造业长期依赖“线性分工”“串联式流转”的组织方式，导致信息流、物流和决策流层层传递，响应迟缓、灵活性低下。工业AI的深度融入，正在打破这一路径依赖。产业链不再是单一企业的“疆域”，而是演化为多主体、多节点实时互动的“智能协同网络”。
在全球制造业面临深度转型的今天，企业管理层对工业AI的高度关注，已将“智能协同网络”推上了产业变革的主舞台。事实表明，AI的崛起不仅仅是一次技术升级，更是在深刻重塑制造产业链的基本组织方式。
最为根本的变革，来自于软硬件解耦与开放自动化的广泛落地，所引发的“由内而外”的变化。
曾经主宰工厂控制权的那套以专属硬件绑定为基础的“金字塔式”分层架构，正在被虚拟PLC、工业互联网平台等新一代技术体系所取代。西门子、施耐德、博世力士乐、倍福等龙头企业率先完成软硬件解耦，将控制逻辑从专用硬件中释放出来，赋予工厂以更大的架构弹性和接口开放性。
虚拟PLC的逐渐普及，让工厂能够用标准IT服务器集中管理原本分散在生产线各处的数百台控制器，工程师们无需再奔波于产线之间，远程即可完成批量升级、运维和应急响应。以奥迪为代表的实践样本已证明，虚拟PLC不仅显著提升了工厂的灵活性和弹性，还极大降低了系统复杂度和一线人工成本。
这种软硬件解耦和虚拟化正本清源地推动着数据流动的彻底重构。虚拟PLC通过云端部署、标准化通信协议和远程管理能力，将OT（运营技术）与IT（信息技术）之间的壁垒打通，让供应、制造、物流、销售等多环节的数据实现无缝流通。这是“全链路透明化”的基础。
工业AI得以实时采集、分析和处理多终端、跨设备数据，形成覆盖全生产链的动态视角。一旦信息孤岛被消除，企业就能够以前所未有的速度感知市场变化、风险信号和资源瓶颈，从而以数据驱动实现全链路的动态优化和弹性调度。
正如IoT Analytics的行业调研所指出，工业数据管理和DataOps正成为智能制造转型的核心支点。基于此，生成式AI在制造业项目中的渗透率2024年已达6%，预计到2030年将升至25%。跨企业的知识共享、智能供应链网络的构建、制造网络的柔性一体化，正在成为行业新的进化方向。
更为深远的变革，体现在协作机制的自适应和智能化上。工业AI不只是让企业内部流程自动化，更在重构企业间协同关系。通过AI赋能的供应链协同平台和工业互联网，企业间可以实时共享产能、资源与订单信息，动态调整供需匹配，实现“需求驱动、能力共享、柔性协作”的生产网络。
这一网络不再依赖传统的刚性协议和层层审批，而是由智能体驱动的“自组织生态”——每一个节点都具备自我感知、学习和优化的能力，能够在面对环境变化时自动协同、快速响应。
更进一步，工业AI智能体有望担任“军师”的角色，逐步取代人工调度，自动协调原本需要多方博弈和协商的制造、供应、物流等环节，使整个产业链从机械式串联进化为分布式自治、实时优化的复杂系统。
从“卖产品”到“卖服务”再到“卖智能”
IoT Analytics的调研显示，自动化视觉检测已经占据制造AI应用的11%，成为最具规模效益的场景。令人惊讶的是，工业AI投入仅占制造业收入的0.1%，但带来的回报常常高达数百万量级，这一结构性“资本杠杆”正在引发整个行业的价值观重塑。
在制造业漫长的进化史中，价值分配始终围绕着“制造为王”的铁律展开。企业的核心竞争力，曾经无一例外地依托于硬件制造能力以及规模化、低成本的单一产品交付。
然而，AI技术的深度赋能让这一切正在悄然发生结构性转移。
制造业的价值创造不再只是产线上的“硬件与产品”，而是转向了对数据、算法与智能服务的系统性运营。数据与算法已成为产业链中最具溢价能力的战略资源，正逐渐取代传统硬件资产，成为企业新一代的核心生产要素。
这种价值分配模式的重构，首先体现在服务与增值运营的兴起。工业AI技术推动下，预测性维护、远程诊断、数字孪生、智能供应链等新型服务正在制造业中快速普及。企业与客户的关系正从“一次性交付”转向“全生命周期运营”，服务环节利润不断提升，带来持续且高质量的现金流。
以法国雷诺为例，仅通过工业AI驱动的预测性维护工具，就在一年内为企业节省了2.7亿欧元的能源和维护开支。美国Georgia-Pacific公司则依托AI打造的自动化检测与智能运维系统，每年创造数亿美元的新增价值。这些案例背后，正是制造企业通过智能服务抓住了价值分配的主动权。
更为深远的变化，是平台型企业的崛起。工业AI平台和生态连接能力，正在成为制造业新一轮价值分配的主导力量。那些能够主导产业数据流、算法流、知识流的企业，逐渐掌握着对上下游资源的调度权和创新权。平台主导、多元共创的新格局正在形成，制造业价值链被重塑为一个以智能和数据为核心枢纽的动态生态系统。
自然而然，制造业的商业模式，正在经历一场前所未有的转型。
无论是设备即服务、预测性维护，还是产线优化咨询，制造企业已经能够像SaaS厂商一样，将自身能力通过持续订阅的方式，源源不断地为客户创造新价值，“智能产品即服务”“用效果计价”将成为新常态。这种转型不仅带来了收入模式的根本性变化，更让企业和客户之间建立起了长期、动态、共赢的合作关系。
制造企业与客户之间的关系，将从单向交付转变为“产品-服务-数据-再创新”的正反馈闭环——客户的使用行为、设备的实时状态、服务的增值空间，都被纳入企业的数据运营体系中，成为创新和价值持续生长的土壤。
真正具备行业引领力的企业，已经在“智能生态运营商”的赛道上迈出了关键一步，工业垂直领域的基础模型也有望即将出现。未来的制造企业，必然是智能服务的提供者、数据运营的专家和生态协同的核心枢纽。
理性进化：人工智能在制造业的“能”与“不能”
在AI成为制造业战略核心、引领产业链组织与价值分配重构的同时，也必须承认：人工智能绝非万能良药。理性分析AI在制造业中的边界、风险和约束，是企业实现高质量智能化转型不可或缺的底线思维。
首先，人工智能并不适用于所有制造场景。
AI擅长处理大规模、结构化的数据分析、模式识别与自动决策，例如视觉检测、预测性维护、动态排产等环节。但在高度依赖物理极限、复杂工艺经验或极端小样本决策的场景下，AI的“短板”愈加明显。
例如，核心工艺参数极度敏感但数据不足的高端材料制造、需要极高精度和安全冗余的航空航天、核电等特种制造领域，AI模型的泛化能力和可解释性难以完全满足要求。再如，柔性装配、非标定制、极低批量多品种等业务，数据积累难以形成规模经济，工业AI的ROI长期处于不确定状态。更不用说，部分涉及隐私、数据主权或知识产权敏感的场景，数据流通和AI训练本身就面临天然限制。
其次，工业AI应用中存在不容忽视的数据风险与治理挑战。
数据孤岛、数据质量不佳、采集过程中的安全与隐私合规，都会直接影响工业AI模型的可靠性和可用性。制造企业如果盲目引入AI算法，而没有建立完善的数据治理、数据安全和合规管理体系，很容易陷入“数据黑洞”——算法决策看似智能，实则建立在污染、失真或不完整的数据基础之上，最终导致系统性偏差和业务风险。
尤其是在供应链多环节、多主体协同的网络环境下，数据接口标准不统一、数据共享意愿不足、数据权属和流通机制不清晰，都会成为AI能力扩展的“天花板”。
此外，AI算法本身的黑箱特性，依然是制造业大规模应用的隐忧。
复杂的深度神经网络在决策逻辑上缺乏透明度和可追溯性，一旦出现异常、误判或安全事故，责任认定和应急处置的难度急剧上升。对于涉及安全生产、生命财产、合规监管的关键制造环节，企业不能盲目依赖工业AI“自动驾驶”，更不能将控制权完全交给算法黑箱。
更要警惕的是，AI技术的快速更新迭代带来的路径依赖风险。
企业若过度押注某一代AI平台、算法模型或生态标准，极易被供应商锁定，丧失自主可控和灵活升级的能力。尤其是对“平台型”AI服务的依赖，可能带来数据资产流失、技术迁移障碍和生态博弈的被动局面。一旦外部平台出现服务中断、合规变动乃至地缘冲突，企业核心生产力将遭遇系统性风险。
智能制造的真正价值，不在于无条件拥抱每一项新技术，而在于对工业AI的理性驾驭和创新融合。只有清醒认知工业AI的优势与局限，才能在产业智能化的道路上走得更远、更稳、更有价值。
写在最后
未来的制造世界，将属于那些既能用好AI、又能深度融合行业经验、持续探索创新边界的企业。真正的领先者，从不是盲目追逐技术潮流的跟随者，而是在理性认知、务实实践与生态共创中，把握产业变革主动权的开拓者。
智能制造的下半场，考验的不只是技术，更是组织的战略远见、能力积累与协同创新。对于每一个有志于高质量转型的制造企业来说，这既是挑战，更是难得的历史机遇。
本文来自微信公众号 “物联网智库”（ID：iot101），作者：彭昭，36氪经授权发布。
