周城雄（中国科学院科技战略咨询研究院研究员）

　　近日，工业和信息化部召开专题会议，明确提出推动大模型在制造业重点行业落地部署。这一举措标志着中国人工智能发展正式从“实验室攻坚”阶段迈入“产业深水区”。制造业，作为国民经济的坚强支柱，正逐步成为大模型技术转化的核心领域。在钢铁高炉的轰鸣、汽车生产线的机械臂运作、电子元器件的精密加工中，大模型正悄然改变中国制造的底层逻辑。这不仅是技术的迭代升级，更是生产模式、组织形态和价值创造方式的一次系统性革新。

　　制造业的数字化转型之路并非坦途。传统制造企业长期面临数据孤岛、工艺知识难以积累和决策响应滞后的难题。以汽车行业为例，有车企因供应链中断导致月度产能损失高达数亿元，而传统的ERP系统难以有效预测零部件短缺风险。同样，某家电企业的焊接机器人由于缺乏自适应算法，导致产品不良率持续高企。

　　这些问题凸显出制造业对“智能决策”能力的迫切需求。大模型的核心价值在于其“认知+推理+生成”的综合能力。通过训练海量行业数据，大模型不仅能模拟人类工程师的经验判断，还能在复杂工况下自主优化决策路径。例如，某大型钢企通过部署行业大模型，实现产线自动排程编制效率提升40%，轧硬卷周转周期缩短12%，返回卷减少35%，年均增效超过千万元。这一案例充分展示了大模型作为制造业“知识资产化”关键载体的作用。

　　大模型在制造业的落地并非简单的技术移植，而是涉及数据治理、算法优化和场景适配的系统性工程。从技术实现路径来看，主要呈现以下特征：

　　一是数据驱动的智能决策。制造业积累的海量生产数据为大模型训练提供了丰富素材。通过构建行业知识图谱，大模型能够深度关联分析数据。例如，某化工企业利用大模型实时监控和预测生产过程中的5000多个参数，成功将产品合格率提升至99.8%。这种基于数据的智能决策使生产过程从“经验驱动”转变为“数据驱动”。

　　二是多模态融合的应用创新。大模型突破了传统AI模型的单模态限制，实现了文本、图像、视频等多源数据的融合处理。在质量检测环节，某电子企业通过视觉大模型与NLP模型的协同，能够精准识别产品外观缺陷（准确率达99.7%）并智能分析缺陷原因，检测效率提升300%。这种多模态融合能力使大模型能够覆盖从设计到售后的全生命周期管理。

　　三是“边缘—云端”协同的部署架构。针对制造业对实时性要求高的特点，大模型采用“边缘端实时处理+云端深度优化”的混合部署模式。例如，某装备制造企业在车间部署边缘计算节点，实时处理设备振动数据（响应时间<50ms），并将异常数据上传云端进行深度分析，实现预测性维护的闭环管理，设备停机时间减少40%。这种架构既满足了实时性需求，又降低了算力成本。

　　尽管前景广阔，但大模型在制造业的落地仍面临数据壁垒、人才缺口和投资回报周期长等挑战。制造企业数据分散在ERP、MES、SCADA等系统中，且存在数据安全顾虑。此外，既懂制造工艺又擅长AI建模的复合型人才短缺，中小企业也难以承受大模型部署的初期投入。

　　因此，政策创新需聚焦精准支持。例如，针对离散制造业（如汽车零部件），可推广“AI微工厂”模式，通过模块化部署降低改造成本；针对流程制造业（如化工），可建立“行业模型库”，共享共性算法资源。同时，需警惕“伪智能化”陷阱，避免企业盲目追求数字化指标而上马无效项目。

　　当德国工业4.0聚焦信息物理系统（CPS），美国工业互联网强调设备互联时，中国选择了一条独特路径——以海量场景推动大模型进化。这种战略的底气源自全产业链纵深优势、工程化能力转化和新型举国体制。工信部“揭榜挂帅”机制推动AI芯片、工业软件等领域协同攻关。中国制造的价值内核正在被重新书写，不再仅是规模和成本，而是通过智能化实现价值跃升。

　　总之，未来一段时期，大模型与制造业的深度融合将推动中国制造实现价值、动力和地位的三大跨越。这不仅关乎产业兴衰，更承载着重塑全球制造业格局的历史使命。当大模型技术渗透至每个生产单元，数字孪生技术让工厂在虚拟世界重生时，中国制造将走出一条从“跟跑”到“领跑”的跨越之路。

（文章来源：21世纪经济报道）