工博会的新信号:AI 正从单点工具变成制造闭环

蓝图观察｜Lantu   2026年10月13日

制造系统的竞争，正在从单点自动化走向可持续学习的闭环。

10 月 12 日，第二十六届中国国际工业博览会在上海开幕。同日举行的 2026 年上海市新一代智能制造发展论坛，把一个过去容易被模糊处理的问题摆到了台前：所谓“新一代智能制造”，究竟新在哪里？

论坛上，国家智能制造专家委员会主任苏波把核心变化概括为“自主化”，即制造系统逐步形成自感知、自决策、自执行、自适应、自学习和自优化的能力。多位企业与研究机构代表则从另一个角度补充：数据、模型、工业软件、设备和人的判断，正在从彼此分散的工具，连接成能够连续运行的闭环。

工业和信息化部相关负责人在论坛上披露，截至 2026 年上半年，我国已累计建成 5.6 万余家基础级、1.3 万余家先进级、500 余家卓越级智能工厂，并培育 15 家领航级智能工厂；人工智能已经融入领航级智能工厂 70% 以上业务场景，沉淀了超过 6000 个垂直领域模型。

如果只看数量，这似乎仍然是一次制造业数字化进展的集中展示。但蓝图更关注的是另一层变化：模型开始进入研发设计、中试验证、生产制造、质量检测、营销服务和运营管理，过去被分割的环节正在获得共同的判断能力。

蓝图的核心判断是：AI 在制造业的真正价值，不是让某一个环节更快，而是让一次市场信号能够经过产品定义、设计、试制、生产和验证，再回到下一次判断。当这条链路能够持续运行，企业获得的不只是效率工具，而是一套会学习的商品创新系统。

这也是为什么今天讨论智能制造，不能只看机器人数量、模型参数或者单次识别准确率。更关键的问题是：一个判断能不能进入执行，执行结果能不能被记录，记录能不能改变下一轮产品。

一、从“自动化”到“自主化”，变化不在设备更多

传统自动化解决的主要问题，是让设备按照预设程序稳定重复。一条产线可以更快、更准、更少依赖人工操作，但它通常并不知道为什么要生产这一批产品，也不知道消费者在使用以后发生了什么。

数字化进一步把设备状态、工艺参数、质量结果和订单信息记录下来，让管理者可以看见过程。可见并不等于会判断。大量企业已经拥有仪表盘、监控系统和数据平台，却仍然要靠经验丰富的工程师在不同系统之间寻找线索，再决定是否调参、换线或暂停生产。

论坛所说的“自主化”，对应的是下一步：系统不仅能够感知状态，还能根据目标形成建议，调用设备或软件执行，并用结果校正自己的判断。它强调的不是无人化，而是感知、决策和执行是否形成闭环。

人并没有被移出系统，而是从重复操作的位置，转向设定目标、处理例外和审核关键决策。例如，模型可以发现某项工艺参数与缺陷率之间的关系，可以提出调整建议，但是否改变材料配方、是否接受新的质量边界、是否影响产品承诺，仍然需要工程、商品和经营团队共同判断。

这一区别对消费品企业尤其重要。消费品生产面对的不是一个永远不变的标准答案。颜色、手感、噪声、气味、包装开启方式、配件组合甚至交付节奏，都可能影响消费者对产品的理解。许多问题无法只靠设备报警来解释，必须把市场反馈与制造过程放在一起看。

因此，新一代智能制造并不是把工厂变成一台更大的自动机器，而是让工厂成为商品创新链路中的“验证器”。它验证设计是否能够稳定生产，验证体验承诺是否能在批量制造中成立，也验证市场反馈究竟来自传播偏差、产品定义偏差，还是具体工艺波动。

制造智能正在从预设执行走向感知、决策、执行与反馈闭环。

二、为什么“闭环”比单点提效更重要？

很多企业引入 AI 时，最容易从一个局部任务开始：生成设计草图、预测销量、检查外观缺陷、整理售后工单，或者辅助排产。这些应用都有价值，但如果彼此之间没有数据关系，企业得到的仍然只是若干更快的孤岛。

商品创新真正困难的地方，往往不是缺少某一次判断，而是判断不能连续。消费者研究形成了一份报告，商品团队据此定义新品；设计团队把定义转成外观与结构；供应链根据成本和工艺重新调整；生产端记录缺陷；销售与售后再收集评价。每一段都产生信息，却很少使用同一套对象、字段和版本。

结果是，市场端说“握持不舒服”，研发端看到的可能只是一个笼统标签；质检端发现某处装配偏差，却不知道它是否对应用户差评；下一代产品重新立项时，团队又从会议纪要和个人经验开始。数据存在，关系没有建立。

所谓制造闭环，至少需要四类连接。第一，产品对象要统一，材料、部件、工艺、版本和 SKU 能够相互追溯。第二，信号要可定位，投诉、退货、检测异常和设备变化能够回到具体批次与设计决策。第三，决策过程要留痕，系统知道某个参数为什么调整、由谁确认、产生了什么影响。第四，反馈必须进入下一轮，而不是只用于解释上一轮。

没有这些基础，AI 只能更快地处理碎片；有了这些基础，AI 才可能发现跨环节的因果线索。这里仍然要保持边界：模型发现相关性，不等于已经证明因果。工业环境中的改变需要实验、对照、中试和工程审核，不能把概率建议直接当成生产指令。

工业和信息化部等八部门发布的《“人工智能 + 制造”专项行动实施意见》，把研发设计、中试验证、生产制造、营销服务和运营管理放在同一条全流程升级路径上。这个安排的重要性，在于明确了 AI 需要跨过组织边界，进入从设计到经营的连续过程。

闭环的商业价值，是把“发生了什么”推进到“下一次应该怎样做”。当市场评价、使用数据、质检记录和制造参数能够被共同理解，企业才有机会缩短从信号到改款的时间，也才可能减少依靠一次大型押注来决定新品成败。

三、新品研发被重新书写：试制不是终点，反馈才是下一轮起点

在传统研发流程里，设计冻结、试制通过、量产启动，常常被视为阶段性完成。此后发生的问题，会进入售后、质量或下一年度的改款清单。信息回流速度慢，意味着企业可能在较长时间里重复生产一个已经暴露出问题的选择。

当数据链路逐步打通以后，试制的角色会发生变化。从判断“能不能生产”，到成为检验产品假设的实验场。一个结构变化是否降低装配时间，一个材料选择是否增加表面缺陷，一个交互方式是否导致误操作，都可以在小批量阶段留下可比较的证据。

以一个假设情境为例：某小家电品牌计划推出一款适合小户型的新产品。消费者研究显示，用户希望体积更小、清洗更方便、夜间使用噪声更低。过去，这些要求可能在设计、成本和制造环节被分别解释，最后只剩下“缩小尺寸”这一项容易量化的指标。

如果建立闭环，团队可以先把“方便清洗”拆成部件数量、拆装动作、残留区域和清洁时间，把“低噪声”拆成不同档位、不同距离和不同环境下的声学指标。AI 可以辅助生成结构方案、预测工艺风险并整理测试结果，但每个方案都要与中试数据、成本变化和用户测试对应。量产以后，售后工单和评论中的语言信号再回到同一套产品条件中。

这时，SKU 会成为连接需求、设计、工艺、批次和反馈的最小业务对象。企业能够知道某项体验承诺由哪些结构与工艺共同支撑，也能在问题发生时判断应该调整宣传、说明书、供应商还是产品本身。

工博会现场披露的具体应用，也说明工业 AI 正在向这种细颗粒度能力靠近。海康威视展示的产线行为 SOP 检测方案，面向换产频繁和新工件场景，可通过少量图片注册新模型；其高精度半导体封装 3D 检测设备，则把图像重建、缺陷分析和高精度量测连接起来。这些信息来自企业公开展示，只能代表具体方案，不能直接推导为行业普遍水平。

但它们提供了一个有价值的方向：当检测模型能够更快适应新产品，柔性制造才不只是设备能够换线，还包括质量规则、操作规则和数据模型能够同步更新。新品开发速度的上限，会越来越取决于企业更新整套验证系统的速度。

下一轮新品竞争，可能从“谁先生成一个概念”，转向“谁能更快地把概念变成可验证、可生产、可复盘的商品”。生成能力仍然重要，但它必须进入中试、质检和市场反馈，才会形成真正的产品能力。

新品研发的每一次验证，都应成为下一轮产品条件的输入。

四、中国制造的优势与门槛，都在真实场景里

中国制造拥有门类齐全、供应链密集和应用场景丰富的优势。同一种 AI 能力，可以在电子装配、家电、纺织、食品、医药、新能源和日用消费品中面对完全不同的材料、节拍、容错和合规要求。这些差异为模型训练和解决方案迭代提供了大量真实问题。

但场景多，并不自动等于数据好。许多中小企业仍然面临设备协议不统一、工艺知识依赖老师傅、质量记录难以结构化、订单变化频繁等现实约束。若直接部署一个通用模型，往往很难理解企业真正的生产语境。

论坛提出从单点效率走向全流程协同、从少数先进工厂走向广大中小企业，这一判断非常关键。普及的前提不是把大型工厂的系统完整复制过去，而是找到一个企业可以承担、能够验证的最小闭环。

例如，先选择一个影响交付和质量的高价值问题，把相关设备数据、质检结果和人工处置记录连起来；让系统先做异常归因和建议，再由工程师确认；经过若干轮验证以后，再把能力延伸到排产、供应商和新品设计。闭环可以很小，但必须真的闭合。

对中小企业而言，一套能够持续产生可靠反馈的小系统，通常比一个覆盖面很大却无法改变决策的平台更有价值。评价项目时，不应只看上线了多少功能，还要看一个问题从发现到纠正需要多久、同类问题是否减少、经验是否能够被下一位员工和下一款产品复用。

这也会形成新的服务机会。第一类是工业数据工程，帮助企业建立产品、工艺和质量对象之间的关系。第二类是面向具体任务的工业智能体，把设备、知识库和业务系统连接起来。第三类是智能中试与测试服务，让中小企业以较低成本验证材料、结构和工艺。第四类是面向新品的小批量柔性制造与智能质检，把“少量试产—快速反馈—再生产”变成可购买的服务。

中国市场真正有潜力的，是提供“数据整理、场景理解、执行接入和效果验证”组成的完整解决方案。越接近真实生产，越需要懂行业、懂商品，也懂组织如何作出决定。

新的服务机会，集中出现在数据、验证与执行之间的薄弱环节。

五、企业现在应该建立什么能力？

第一，从一个真实商品问题开始，而不是从模型能力开始。选择退货率、换产时间、外观缺陷、能耗或新品试制周期等可度量的问题，明确谁负责判断、谁负责执行，以及什么结果算改善。

第二，为产品建立可追溯的数据护照。至少让需求版本、设计版本、材料部件、工艺参数、生产批次、检测结果和市场反馈能够互相对应。它不一定一开始就非常完整，但对象命名和版本关系必须一致。

第三，保留人的判断。模型建议、工程确认、例外处理和最终结果都要记录。工业知识不仅存在于设备数据里，也存在于人为什么否决一个方案、为什么接受一次偏差的解释中。

第四，把中试和小批量生产当作创新基础设施。新品不应只在会议室里完成定义，而要尽早进入材料、结构、工艺和使用场景的联合验证。能够低成本试错，才有可能把更多市场信号转成具体商品。

第五，用“学习速度”评价智能化。除了准确率和效率，还要观察从问题出现到原因被定位需要多久，从方案调整到市场验证需要多久，以及一次经验能否进入下一款产品。

真正的竞争力，不是拥有最多模型，而是把模型放进正确的业务循环。当每一次设计选择、制造变化和消费者反馈都能够留下证据，企业会逐步减少凭直觉重复争论，也能更快识别哪些创意值得继续投入。

这与蓝图长期关注的链路是一致的：Data → Signal → Insight → Opportunity → Creation → Product Solution。不同之处在于，制造不再只是链路末端的执行环节，而会成为验证判断、生成新信号并推动下一轮创造的重要节点。

蓝图观察认为，工博会真正值得关注的，不是现场出现了多少更聪明的设备，而是中国制造正在尝试把感知、判断、执行和反馈放进同一个系统。如果这条路径继续推进，企业的商品创新能力将越来越取决于能否建立一条从真实世界出发、再回到真实世界验证的数据闭环。

参考信息

证券时报｜新一代智能制造“新在哪里”？这场论坛研判发展趋势｜2026-10-12｜适用市场：中国

国家数据局、工业和信息化部等八部门｜“人工智能 + 制造”专项行动实施意见｜2026-01-09｜适用市场：中国；政策文件落款 2025-12-25

每日经济新闻｜海康威视亮相 2026 中国工博会：物联感知 + AI，加速工业场景数字化｜2026-10-12｜适用市场：中国；企业展陈信息

人民网—上海频道｜“一展一会”齐亮相！第 26 届中国国际工业博览会即将在沪启幕｜2026-09-24｜适用市场：中国；展会背景

↓

欢迎点击关注和星标，第一时间收到推送消息