近期，工业和信息化部等八部门联合印发《“人工智能+制造”专项行动实施意见》，围绕技术基础、应用场景和产业生态，对人工智能赋能制造业作出系统部署。

　　人工智能与制造业深度融合，不仅能提高生产效率、降低制造成本，更有利于推动研发设计、生产组织、质量管控、供应链协同等全流程变革，使制造业从要素驱动、经验驱动逐步转向数据驱动、智能决策驱动。加快推进“人工智能+制造”，既是培育新质生产力的题中应有之义，也是增强产业链供应链韧性、提升制造业核心竞争力的必由之路。

　　我国制造业门类齐全、链条完整、场景丰富，推动人工智能落地生效具有天然优势。同时也要看到，制造业智能化转型仍处于爬坡过坎阶段。上了设备和系统后，如何打通数据、优化流程，不让智能化停留在局部自动化阶段？有平台和项目，如何制定解决方案、形成稳定的人才队伍，并形成规模效应？还有很多的问题需要我们关注和破解。

　　越是在这样的关键阶段，越要把方向看准、路径走实，坚持系统观念，抓住基础性、牵引性工作持续用力。推进“人工智能+制造”走深走实，既要打牢自主可控的技术和数据基础，让人工智能在工业场景中稳定运行，也要通过产业链协同把智能化应用从单点探索拓展到整体推进，同时完善产教融合和人才培养机制，为制造业转型升级提供持续支撑。

　　推进“人工智能+制造”，基础在技术、关键在数据。制造业对稳定性和安全性的要求极高，任何波动都可能带来质量和安全风险。因此人工智能进入制造业，不仅要能用，更要用得稳、用得久。这首先取决于技术底座是否扎实、数据体系是否健全。一方面，要把关键核心技术牢牢掌握在自己手里。制造业智能化离不开算力和工业软件支撑，特别是在高端芯片、核心软件等领域，唯有突破核心工业软件的技术封锁，实现从基础软件到行业应用软件的自主研发与迭代，才能真正让制造业智能化的“大脑”自主运转。我们必须持续推进自主创新，提升人工智能在工业现场的部署和运行能力，保障系统长期稳定运行。另一方面，要把工业数据这一基础资源建设好。人工智能模型的效果，很大程度上取决于数据质量，如果企业数据仍分散在不同设备和系统中，标准不统一、质量参差不齐，就会导致“采得多、用得少”等问题。下一步，应在技术底座和数据体系两方面同步推进，围绕研发、生产、质量和运维等环节形成有效数据资源，为制造业智能化提供长期支撑。

　　推进“人工智能+制造”，重点在协同、难点在贯通。单个工序、单条产线的智能化改造固然重要，但真正决定制造业竞争力的，是设计、研发、生产、供应链和服务等环节的全链条联动。人工智能要从局部提效走向系统增效，就得打通企业内部的数据壁垒，贯通上下游之间的协作链条。实践中，一些地区通过平台建设和场景对接，加快新技术落地；一些企业通过示教仿真和云端复制，提升产线切换和推广效率。下一步，应把产业链协同作为推进智能化的重要抓手，发挥龙头企业的带动作用，将成熟、好用的解决方案推广到更多中小企业。聚焦重点行业总结一批典型应用场景，总结成功经验，在实践中不断优化和推广，避免智能化改造碎片化、孤岛化。

　　推进“人工智能+制造”，成败在人才、根子在机制。制造业智能化是一项长期工程，需要既懂工艺设备、又懂数据算法的复合型人才队伍。技术人员懂现场、一线人员会系统，应用才能落地并不断实现迭代升级。工业现场最难的，不是写算法，而是把算法嵌入流程、把模型嵌入管理、把数据嵌入生产，归根结底考验的是企业员工在技术、管理、工程方面的综合能力。下一步，应把产教融合摆在更加突出位置，推动高校与企业共建产业学院、联合实验室和实训基地，让真实工业问题进入课程和科研；完善企业在职培训体系，促进产业工人向运维、调试、数据处理和工艺优化等方向转型；优化人才评价机制，鼓励跨学科合作与岗位复合能力培养，培育更多“懂行业的数字化工程师”和“懂数据的现场工程师”，推动企业从一次性项目建设转向长期能力积累。

　　总体来看，坚持稳中求进、以用促研、以点带面，才能让人工智能在车间里用得稳，把单点探索转化为普遍能力，并形成产业转型升级的内在动力。如此，我国制造业必能不断增强韧性和竞争力，为推进新型工业化、实现高质量发展提供更坚实支撑。

　　（作者：梁昊光，系中国科学院中国现代化研究中心主任、研究员）