人工智能在制造業的應用已取得顯著成效

人工智能在制造業的應用，今天已經成為很普遍的話題，很多企業、很多專家都說這是一個必選項，不是選擇項。為什么？因為我們看到人相關技術在制造業多個環節實現深度融合，形成一批可復制、可推廣的典型應用場景，如智能質檢提升產品合格率、預測性維護保障生產連續性、綠色能源與智能制造協同發展等。

當前人工智能應用仍面臨“投入產出不匹配”與“泡沫化風險”

人工智能應用雖然廣泛推進，但為什么在座的人工智能服務商企業感到市場回收那么慢，市場價值實現總是比預期低；在座很多制造業企業感覺通過人工智能解決問題的實際效果和期望有比較大的差距，為什么？

（一）“索洛悖論”在AI時代再度凸顯

1988年諾貝爾經濟學獎得主Robert Solow發布了一個著名的論斷“We see the computer age everywhere except in the Productivity Statistics”。隨后人們對IT投資的實際收益和期望收益不一致的現象稱為“生產率悖論”。其實質是指為什么信息技術革命的出現與統計上的勞動生產率、全要素生產力增長水平下降相伴隨的問題。而我們似乎正目睹這一悖論在AI時代重演，甚至以更復雜的形式出現，有經濟學家稱之為“現代索洛悖論”或“AI索洛悖論”。

根據麻省理工學院2025年研究報告，全球企業在生成式人工智能領域累計投入300–400億美元，但高達95%的企業尚未獲得實質性回報。這表明人工智能技術尚未充分轉化為生產力提升，存在“技術滲透率高而經濟效益低”的現象。

（二）需警惕人工智能領域泡沫化傾向

瑞銀證券等機構指出，國內外部分AI企業存在“循環融資”（過去幾個月OpenAI先后與甲骨文、英偉達、AMD簽下1.4萬億美元的基建大單）、重基建輕應用等現象，可能掩蓋真實商業邏輯，形成局部泡沫。必須引導人工智能發展與實體經濟需求緊密結合，避免脫離實際、盲目投入。

（三）全要素生產率增長乏力

相比勞動生產率或資本效率，全要素生產率更能反映一個經濟體的綜合競爭力，它代表了除資本和勞動之外，制度、技術、管理、資源配置等因素的貢獻。根據國家統計局數據，2000–2021年間我國全要素生產率年均增長率僅為3.6%，反映出在資本與勞動之外，技術、管理、制度等要素對經濟增長的貢獻仍有較大提升空間。人工智能作為關鍵賦能技術，其成效最終應體現在全要素生產率的持續提升上。

制造業是現代化產業體系的根基，人工智能賦能必須堅持以制造業為重點

如何打破索洛悖論，提升全要素生產率，制造業如何加好AI，實現高質量發展，要以黨的二十屆四中全會精神為指針，需要轉變觀念、創新思想。

黨的二十屆四中全會提出：經濟增長保持在合理區間、全要素生產率穩步提升、經濟增長潛力得到充分釋放、居民收入增長和經濟增長同步、勞動報酬提高和勞動生產率提高同步、中等收入群體持續擴大等重要目標。

（一）制造業具有不可替代的基礎作用

沒有現代化的制造業，農業、服務業、數字經濟等都將失去賴以發展的物質基礎與技術支撐。制造業是人工智能、數字經濟等新興技術發展的土壤與載體。

（二）制造業智能化演進路徑清晰

從機械化、電氣化到自動化、數字化、信息化，再到如今的智能化，制造業技術發展具有明顯的階段性與連續性。必須遵循產業規律，扎實打好各階段基礎，不能盲目跨越。

（三）國家政策明確指向制造強國建設

黨的二十大及二十屆四中全會多次強調“構建以先進制造業為骨干的現代化產業體系”，明確提出“堅持智能化、綠色化、融合化方向”，為人工智能在制造業的應用指明了方向。

推動人工智能在制造業落地必須堅持“因地制宜、場景驅動、系統推進”

（一）發展新質生產力要堅持實事求是

新質生產力由技術革命性突破、要素創新性配置、產業深度轉型升級催生，必須立足本地稟賦與企業實際，科學理性推進，防止一哄而上、脫離實際。

（二）踐行“一把鑰匙開一把鎖”的工作方法

不同行業、企業、車間乃至工序，其問題屬性、數據基礎、工藝特征均不相同。必須深入具體場景，厘清“什么數據、什么算法、什么模型”，實現精準施策。

（三）重視內源性數據積累與模型構建

制造業90%以上數據源于內部生產、管理與運營過程。寶鋼、東方電氣等企業的成功實踐表明，只有基于長期積累的工藝數據與行業知識，構建自主、持續的模型優化能力，才能實現真正意義上的智能制造。

（四）典型案例提供有益借鑒

1.云南白藥：通過“雷公大模型”貫穿“種好藥、開好藥、講好藥、供好藥”全鏈條，體現數據驅動業務增值。

2.寶鋼股份：四十年持續推動工藝數據化、模型化，實現從引進消化到自主創新的跨越。

3.東方電氣：在重大裝備制造領域逐步構建智能研發、智能生產與智能服務體系，走在行業前列。

把握價值與方法

如何讓人工智能在制造業中真正扎根、結果？習近平總書記指出：“發展新質生產力需要具備一定稟賦條件”“要堅持因地制宜、分類指導”。這啟示我們，必須堅持問題導向、場景為本，做到“一把鑰匙開一把鎖”。推進“人工智能+制造”，必須理性回答四個核心問題：

（一）數據從哪來？制造業90%以上的有效數據來自內部：設備日志、工藝參數、質量檢測、供應鏈流轉……外部數據雖重要，但內部數據才是智能系統的“血脈”。

（二）算法如何選？不必盲目追求“大模型”。很多場景下，一個回歸分析、一個圖像識別小模型、一個工藝優化算法，就能解決真實問題。關鍵是匹配度，而非復雜度。

（三）價值怎么算？投入必須能在企業財務報表上體現為成本下降、效率提升、質量改進、收入增長。只有進入財務系統、影響全要素生產率的AI，才是真正的“生產力”。

（四）如何可持續？系統應具備迭代能力：能隨著工藝改進、產品升級、市場變化而持續優化。避免“項目制”交付后即成“孤島”。