当前，人工智能技术正在推动制造业生产方式和发展模式深刻变革。业界认为，工业智能化作为我国制造业转型升级的重要方向，已实现从单点技术应用向系统化、网络化、自主化方向进阶，但在技术、产业、生态等多个层面仍面临关键挑战。
头部企业纷纷加码布局
近年来，随着人工智能技术的跃迁和不断深度应用，越来越多的工业企业开始探索工业大模型及工业智能体在工业制造场景中的应用落地，诸多头部企业纷纷加码布局“工业+AI”，从研发设计、生产制造到经营管理，智能应用场景日益丰富。
(资料图片仅供参考)
今年5月，联想发布了制造领域智能体，以AI技术与行业经验的深度耦合为核心，实现从研发设计、生产优化、供应链协同、客服服务等关键场景的数据闭环与智能驱动。其中，在“供应链控制塔”智能体的助力下，联想全球供应链已实现端到端的全价值链覆盖。这使得决策时间缩短了50%至60%、工作效率提升10%至20%、订单交货及时率提升5%、制造和物流成本降低了20%。
6月21日，华为发布FusionPlant 3.0智能工业互联网平台战略，携手产业打造“AI Agent+智能应用+硬件创新”一站式孵化平台，助力伙伴高效开发垂域专属AI Agent与工业智能应用，加速智能硬件创新创业。
百度方面，据介绍，其文心大模型已在能源、电力、制造、金融、交通、政务、互联网、教育、电商等几十个行业、上百个场景中落地，有一半以上的央企正在联合百度智能云进行AI创新。
此外，在近日举行的2025世界人工智能大会上，包括中国电信、中国移动、中国联通在内的多家企业也展示了公司借助AI赋能工业发展的最新成果。
工业企业中探索智能体的比例也在显著提升。IDC 2025中国工业企业调研结果显示，工业企业中，已经应用了大模型及智能体的比例已从2024年的9.6%提升到2025年的47.5%，其中，已在多环节开展应用的企业从1.7%提升到35%。
产业链发力推动工业智能化进阶
近年来，我国新型工业化加快推进，政策端也在不断发力，鼓励以科技创新驱动制造业数字化转型和智能化升级。6月6日，工业和信息化部两化融合工作领导小组会议审议《工业和信息化部信息化和工业化融合2025年工作要点》，会议提出，以工业智能体为抓手深化人工智能工业应用，带动工业数据集、工业大模型的创新迭代。
IDC中国高级研究经理崔粲表示，未来一段时间内，将有更多高价值场景智能体应用落地和复制。伴随更多智能体的应用，预计到2028年，中国工业企业AI支出将达到900亿元。
“现阶段，企业在生产过程里不太可能用大语言模型直接去做操控工作。但在设备运维、设备管理、决策分析等需要知识与数据交互的工作环节，可以把大语言模型的能力融入进去。”百度智能云智慧工业行业解决方案总监曹凯表示，大模型可以快速地进行知识检索、精准地分析、生成报告等，大大提高了效率。
记者了解到，如今产业链上市公司也在积极布局工业智能化，在研发设计、生产优化、供应链协同、客服服务等细分领域不断发力。
近日，威士顿在互动平台上表示，公司已投入研发工业领域的AI智能体应用，正在形成以工业AI智能体与大模型联合驱动的工业信息化数字应用形态，并尝试多模协同的AI应用新模式。
东方精工披露称，子公司东方合智以灵活的业务模式，通过与东方精工瓦楞纸包装装备业务单元强化协同、为行业客户提供工业互联网平台和定制系统软件、提供包装行业数字、AI化升级方案为公司的主要业务，公司将持续加强在该领域的研发投入，引领行业的智能化转型，真正实现包装行业AI+赋能。
恒华科技则表示，公司积极布局人工智能技术与能源业务场景的融合创新，加快底层平台和产品的研发迭代速度。在核心技术平台方面，迭代升级人工智能引擎和智能流媒体平台，为多场景行业信息化产品及项目研发赋能，提升研发效率。在应用拓展方面，积极推进AI+BIM（建筑信息模型）服务于智能设计与建造业务、AI+无人机服务于勘测、监测和巡检业务、AI+能源大数据分析与增值服务等多场景应用服务。
科大讯飞披露，公司旗下的图聆工业云平台将积极推动人工智能与工业产业全环节的深度融合，用AI赋能工业领域，实现AI应用对工业行业的深度覆盖，帮助工业企业实现数字化、智能化升级，用人工智能赋能工业新发展。
还需加强生态协同
业界认为，随着工业智能化的不断进阶，未来会有更多高价值大模型应用场景显现。但对工业产业链公司而言，还需在技术突破、商业闭环、社会治理间寻找平衡，未来的竞争不仅是单点技术优劣，更是生态协同能力的较量。
“未来的中国制造业，大语言模型的应用场景将会更多元化，在AI领域，将集中于判别式和生成式模型的混合应用与落地。”联想中国区政企业务群制造行业总经理宋涛表示。
崔粲也表示，未来一段时间内，预计将有更多高价值大模型应用场景显现，建议工业企业开展大模型应用时树立正确期待，打好数据基础，深化工程优化。
但也有业内人士指出，当前工业智能化仍面临数据、技术、商业模式、政策等多维度的挑战，比如数据孤岛与碎片化，数据质量参差不齐，AI大模型泛化能力不足，头部企业持续投入而中小企业受限于资金、技术等因素难以规模化应用等，需全产业链协同突破。
“大模型的产业落地目前还有一些难题亟待解决，比如算力吃紧一直是制约大模型发展的关键因素。与此同时，在大模型的训练、推理过程中，算力的利用效率却普遍不高。”曹凯表示。
标签：
