加快推进“AI+制造”(三)

📌推进“AI+制造”是一项系统工程，必须抓住关键任务、精准发力。本章从建设数智基础设施、推进工业互联互通、建设工业高质量数据集、发展工业智能体、构筑工业安全防护屏障五个维度，系统阐述重点任务与实施路径。

任务一 · 建设数智基础设施

（一）构建新型工业网络：从“连接工具”升级为“智能基座”

工业网络经历了模拟信号、现场总线、工业以太网等阶段，当前已进入新型工业网络阶段。2025年，工业以太网市场份额增长至76%成为主流，亟需构建云边协同、控网算一体的新型基础设施，破解“联不稳”“算不快”的瓶颈。

“新”趋势：大带宽需求提升千倍以上；柔性化要求换线时间从10天压缩至2-3天，AGV控制时延＜10ms；智能化要求网络与计算内生，支持网络自愈等AI原生需求。

“新”架构：打破传统五层金字塔结构，扁平化为“端—边—云”三层，通过工业5G、工业光网等提升协同效率。

“新”技术：布局工业无线增强、端到端确定性、算网协同、新型工业控制，探索无源物联、先进以太网等前沿技术。

“新”场景：孵化远程集控、L4自动驾驶、工业元宇宙、动态能效管理等应用。

“新”产业：新型工业网络产业链可分为上游（基础软硬组件）、中游（终端与网络设备）和下游（集成应用服务）三个部分，结合技术方向，梳理形成新型工业网络产业链图谱。

（二）布局工业算力体系：边缘云·企业云·产业云“三云”协同

📦 边缘云

部署于车间/厂区，聚焦低时延高可靠任务，支撑边缘推理、本地控制回路，部署工业边缘推理服务器，处理实时数据，与企业云实时同步。

🏭 企业云

企业智能运营中枢，部署CPU/GPU集群与大模型一体机，整合生产、供应链数据，支持企业级模型训练与业务优化。

🌍 产业云

行业算力枢纽，打造智算中心，构建算力调度平台，提供大模型租赁、仿真优化等公共服务，降低中小企业算力门槛。

任务二 · 推进工业互联互通

打通设备、协议、系统三大壁垒，实现人、机、料、法、环、测全要素泛在互联。仅头部10万家工厂，连接规模可达2亿以上（如海尔中央空调智能工厂已互联4256台设备）。

🔓 打通“设备”壁垒：从硬连接到软定义

打造自主可控的工业实时操作系统（“工业安卓”），软硬件解耦
内核级确定性硬实时调度，保障毫秒级响应
软件定义控制，实现云边端算力弹性调度

🔗 打通“协议”壁垒：从被动翻译到主动自适配

构建通用开放互操作架构，掌握互联规则制定权
全互联通信中间件，屏蔽底层报文差异
自适配技术实现设备即插即用

🧠 打通“系统”壁垒：从数据孤岛到语义贯通

AI驱动的语义解析，自动转化工业数据含义
标准化信息模型，实现从“数据交互”到“意图交互”
分布式协同架构，支撑多智能体点对点协商（如机械臂与AGV自主避让）

任务三 · 建设工业高质量数据集

分类构建产业链数据集、企业运营数据集、企业生产数据集三类高质量数据集，是“人工智能+制造”的有效路径。

✔️ 产业链数据集：反映上下游供给关系，支撑产业分析与区域规划。✔️ 企业运营数据集：打通订单、采购、库存等，提升市场响应能力。✔️ 企业生产数据集：设备运行、工艺参数等核心“语料”，训练工业大模型最宝贵资源。

中国工业互联网研究院联合汽车、有色金属、煤机装备等行业龙头，开展实践探索：“建什么”——场景-模型-数据集映射；“去哪找”——工业数据资产登记与目录体系；“怎么用”——云边协同+隐私计算，实现“数据可用不可见”。

📈 典型成果：汽车领域构建产业链协同数据集，供应链响应速度提升40%；有色金属领域电解铝工艺数据集，分子比预测偏差≤0.06，温度波动减少30%；煤机装备领域全生命周期数据集，模型跨工况迁移成本降低30%。

“模数共振”空间建设路径

围绕20个重点行业，探索数据怎么汇、模型怎么训、生态怎么建。复用工业数据筑基行动的数据资源，打造跨主体数据汇聚与模型训练的共享底座；建立“数据集-大模型-智能体”三级协同评测机制；构建创新联合体，形成全栈式解决方案。

建立面向细分行业的大模型场景应用评测体系。分行业、分层级梳理大模型工业应用场景，构建定制化评测数据集。行业大模型测试，重点从基础能力（如文本图像理解生成）、场景能力（如工业标准问答、智能质检、设备运维），以及行业能力三个维度，验证工业场景适配与推理泛化水平。场景智能体测试，重点评估核心组件、业务落地、平台运营三大能力，保障生产可用、运营可控。最终形成“评测诊断—数据集优化—模型能力提升”的常态化闭环，以评测驱动良性优化。

建设城市“模数共振”空间，搭建用数建模的协同基础设施。基础层，对接各类异构数据源和工业总线协议；应用层，支撑大模型部署、智能体工厂研发应用；服务层，借助云侧可信数据空间与边缘可信数据空间，基于数据标识的数联网、工业数据资产登记平台、工业数据目录系统，构建分布式数据供给体系，探索“云边协同、联邦优化”的工业模型分布式训练路径。在边缘侧，部署边端数据空间，数据仅在本地完成清洗、语义规范化和本地特征提取与模型计算，原始数据不上云；在云侧，平台根据场景需求将模型分解并下发请求，统筹协调各边缘节点，整合分布式计算的结果（如模型梯度、参数）开展联合运算，在云端完成全局模型的迭代与优化。