以新一代智能制造为主攻方向:AI 的价值答案藏在场景里

《意见》把发展新质生产力的核心标志，落在“全要素生产率大幅提升”上，并将“推动科技创新和产业创新深度融合”单列部署，明确改造提升传统产业、培育壮大新兴产业、前瞻布局未来产业，促进数字经济和实体经济深度融合。值得注意的是，《意见》在强调“人工智能+”的同时，也划出了红线，要坚持先立后破、稳中求进，不能脱实向虚、贪大求全、搞泡沫化。这对势头正劲的“AI+制造”，是一剂清醒剂。

全国先进制造业大会则给出了更具体的路线图：坚持智能化、绿色化、融合化方向。智能化，以新一代智能制造为主攻方向。这意味着我国智能制造的战略重心，正从过去十年以数字化、网络化为主的“补课”，转向以人工智能深度应用为特征的“升级版”。

按照工信部等六部门部署的智能工厂梯度培育行动，智能工厂分为基础级、先进级、卓越级、领航级四个层级。根据人民日报和工信部数据，截至目前，我国已累计建成5.6万余家基础级、9000余家先进级、500余家卓越级智能工厂，培育15家领航级智能工厂，规模以上制造业企业人工智能技术应用普及率超过30%。2026年版培育条件进一步加码：卓越级智能工厂应用人工智能技术场景比例从不低于20%提高到不低于30%，领航级则要求不低于60%。

政策“指挥棒”的变化意味深长。此前考核的关键词是“数据采集”“系统贯通”，如今换成了“人工智能应用场景比例”。换言之，建好系统只是起点，AI有没有真正跑在业务上、产生可核算的效益，才是新阶段的门槛。

放眼全球，这已是一场竞速。主要工业大国正争相依托人工智能重构制造业竞争格局，德国更新工业4.0架构，将工业AI、数据生态、数字基础设施并列为三大支柱。对我国而言，制造业规模连续多年全球第一，但大而不强、部分环节受制于人的矛盾依然存在。以新一代智能制造为牵引发展先进制造业，既是应对大国博弈的产业答卷，也是发展新质生产力最厚实的落点。

华为监事会副主席陶景文在华为全联接大会2026制造峰会上致辞中表示，制造行业的智能化升级，不是简单地在原系统上叠加几个模型、部署几个智能体，而是要面向新一代智能制造体系，系统性地回答三个问题：哪些核心流程值得围绕AI重新设计，组织与人才如何适配新质生产力，几十年的工艺积累如何转化为AI可理解、可调用、可运营的数据资产。制造行业的AI落地，应当坚持 “价值场景为锚点、数据知识为根本、模型工具开放、算力为基础” 的原则，让AI最终落在产线上、落在效益里。

这三问背后，是制造业AI落地的三重痛点：数据孤岛林立，工艺知识依附于老师傅的个人经验，难以沉淀复用；工业软件、工业控制等基础环节开发调试成本高，“卡脖子”约束尚未完全解除；中小企业受限于算力、人才与投入，转型面临“不敢转、不会转”的现实困境。

质量追溯被称为制造业质量管理的“最后一环”，也是产品可靠性与供应链安全的关键支撑。华为将30多年来ICT设备制造中积累的质量管理能力外溢，联合伙伴打造出全息质量追溯解决方案，把质量追溯基线最佳实践、质量数据资产与封装好的追溯应用资产沉淀为可复用的产品。今年9月，智慧工厂全息质量管理解决方案正式发布：方案以新一代数据分析平台为数据底座，实时数仓实现千万条数据秒级入库、亿级数据秒级查询，最大支持2048节点大集群；在此之上搭建全息质量追溯引擎，内置追溯使能服务引擎、全息追溯数据规则引擎、质量AI引擎与知识图谱能力，覆盖事前精准抽样与实时质量预警、事中精准隔离锁定、事后根因诊断与一键追溯的全场景业务应用。据披露，这套方案把追溯要素从单一物料扩展到研发、工艺、物料、环境等15类，颗粒度由订单级细化到PCS级，追溯新场景的开发周期从月级压缩到小时级，供应商来料经AI辅助的精准抽样使故障拦截率提升3倍，具备推广借鉴与规模化复制价值。按照规划，全息质量追溯将以“1个基础平台+N个产业服务”的架构对外输出，从单维度的物料追溯走向全要素全向量的全息正反向追溯。

质量追溯这样的传统管理环节，没有另起炉灶搞“AI技术跃迁”，而是以三十余年积累的质量管理基线为切入点，把沉淀下来的追溯数据、规则与业务知识交给模型去学习、复用，让AI长在产业熟悉的流程里。

作为深耕中医药领域的代表性企业，广药的新药研发正从“经验试错”向“精准智研”跨越，随之而来的是药研数据、模型与实验流程的复杂度成倍膨胀。在医药行业，药品研发的三个十定律正倒逼药企加快精准智能化转型，而中药与小分子研发长期依赖人工试错、经验判断，靶点发现、分子筛选、临床申报等环节调试成本高。华为与广药的合作给出工程化解法，依托昇腾智算、鲲鹏通算和OceanStor高性能存储构建算力底座，私有化部署DeepSeek、GLM、Qwen等通用大模型，以及SE3-EDlingoMOL、MolVado等专业药研模型，通过“1个算力底座+3类核心模型+6个关键智能体”架构，覆盖中药研发、小分子发现、临床试验、报告撰写、临床翻译和情报分析，并以“干湿闭环”实现计算设计—实验验证—模型迭代，兼顾效率与核心资产安全。根据相关推算，广药小分子药物筛选周期预计缩短50%。

放到行业尺度看，这种“效率跃迁”并非孤立的技术验证。广药数科联合华为申报的《算力驱动的新药创制AI智能体研发与应用》项目，2026年7月入选工信部《人工智能高价值场景应用案例集》，成为国内制药行业唯一入选项目，完成行业首个自主创新AI药研模型与算力的生产业务验证。平台稳定运行后，每年将推动5个以上高价值创新药物管线进入临床，并对外输出标准化AI制药落地方案，带动国内生物医药行业数字化协同升级。

以价值场景为锚点、以数据知识为根本、以开放模型工具和自主算力为基础，让AI先在最疼的地方见效，再沿着业务链条把单点能力沉淀为可复制的方案。这正是AI从“演示态”走向“生产态”的分水岭。

单个工厂的成功，还不足以支撑整个产业的跃迁。当前我国制造业AI应用普及率虽已超过30%，但从“用起来”到“用得好”，仍横亘着几道坎。

其一，是数据资产化这道坎。新一代智能制造的图景，是以工业数据为根基、垂域大模型为大脑、工业智能体为载体、人智协同为路径的新型制造系统。这要求企业像对待设备一样对待数据——治理它、标注它、运营它。华为将自身30多年ICT设备制造中积累的全链路质量追溯体系平台化，打通人、机、料、法、环、测全要素数据，联合伙伴形成可输出的全息质量追溯方案。头部企业的能力外溢说明，最好的行业方案往往诞生于自家产线，而非实验室。

其二，是生态协同这道坎。智能化的门槛，决定了大多数中小企业不可能单打独斗。今年9月，华为在发布七大行业解决方案的同时，推出面向制造业的开源鸿蒙伙伴发展计划“鸿企100”和AI落地共创机制DIMAK特训营，聚焦生产产线、智能装备、产业园区等场景联创招募。《意见》也提出，因地制宜、分业施策布局国家人工智能行业应用中试基地和高价值应用场景。把行业样板点、中试基地、开源生态串成网络，本质上是把“一厂一策”的摸索成本，摊薄为全行业共享的公共品。

其三，是人与组织这道坎。技术跃迁的速度，往往快于组织适配的速度。智能工厂的新增考核里出现了工业智能体的要求，但懂工艺又懂数据的复合型人才依然稀缺。东莞一家工厂的实践提供了微观注脚：一线工人转型“AI训练师”，用“老师傅”的经验打磨算法模型，让AI越用越准。AI替代的不是工人，而是重新定义了工人的价值——这一判断正在从理念变成工位上的现实。