国务院发展研究中心指出AI赋能制造业的瓶颈并非技术能力而是工业体系的数据、可靠性、场景碎片化和经济性要求与AI大模型存在差异。文章分析了这四大挑战制造业对确定性的极致要求与AI概率推理的矛盾工厂数据虽多但质量差、标注成本高、不愿共享的问题工业场景的高度碎片化导致AI难以规模化复制以及制造业注重投入产出比的经济性考量。要实现AI在制造业的广泛应用需要从“替代人”转向“辅助人”推动模块化发展并优先治理数据基础。7月初国务院发展研究中心创新发展研究部第二研究室主任杨超接受中国经济时报专访给出了一个很反直觉的判断当前AI赋能制造业的瓶颈“不是人工智能大模型的能力约束而是工业体系本身的数据、可靠性、场景碎片化和经济性等要求与人工智能大模型的能力特征存在差异”。这意味着——不是AI不够聪明而是工业体系对AI提出的四项要求每一项都撞在了AI技术范式的软肋上。杨超还用六个字概括了当前局面示范多、规模化难。标杆案例不少能复制的几乎没有。杨超点出的四个方向——数据、可靠性、场景碎片化、经济性——恰好对应了AI落地制造业的四个最难挑战。一、确定性挑战99%的准确率在工厂里为什么不够用先说一个很多人没意识到的认知错位。互联网行业评价AI模型准确率达到95%就是可用达到99%就是优秀。但在制造业99%的准确率意味着什么意味着每100次判断允许出1次错。一条产线一天检测10万个零件1%的错误率就是1000个误判。哪怕只有十分之一是漏检把不合格的放过去了也有100个缺陷产品流向下游。一个缺陷产品到了消费者手里轻则退货重则引发安全事故。这些后果不是召回一批产品能兜底的。制造业对确定性的要求是近乎偏执的。拧螺丝的力矩是35N·m就不能是34.9。冲压机每分钟下压60次就不能变成59或者61。这种确定性写在工艺文件里刻在质检标准里嵌入在每台设备的PLC程序里。但AI的工作方式恰恰相反——它是概率推理不是规则执行。大模型告诉你这张图片上可能有裂纹背后是一个置信度数字。它不会给你100%的保证因为它本质上就是在做概率判断。杨超在访谈中把这个问题说得很清楚大模型在工业场景中幻觉率较高可解释性较差导致人工智能长期只能在感知环节发挥辅助作用难以真正进入生产执行闭环。关键词是辅助作用。你花了几百万上的AI系统真正承担的是预筛选角色AI先过滤掉正常零件把疑似有问题的挑出来由人工复检做最终判定。AI不是决策者只是建议者。因为出了事谁负责AI厂商说准确率99.5%“工厂说那0.5%的误判损失你赔吗”这个问题没人能回答。确定性挑战的核心矛盾工业需要保证不出错AI提供大概率不出错。这两个表述看似只差一点实际差了一个时代。二、数据挑战工厂不缺数据缺的是AI能吃的数据说到数据很多人第一反应是工厂有那么多传感器、那么多系统数据还能少数量不少但能用的不多。工业数据的问题不是没有而是有但不能用卡在三个环节。第一关数据散在各处取不出来。同一条产线上设备年代跨度可能有二十年。老设备走Profibus总线新设备走OPC UA协议MES接口是定制的ERP数据库结构是十年前的遗产。数据彼此隔离格式不统一时间戳对不齐。杨超称之为数据烟囱。很多工厂光做设备联网数据采集就要花一两年、几百万而这还只是AI应用的前置条件。第二关数据质量差标注成本高。制造现场的环境对数据采集极度不友好。电磁干扰让信号失真温度波动让传感器漂移振动冲击让接头松动。一条产线上积累了一年的运行数据剔除噪声和异常后真正可用的可能不到三分之一。更大的问题是标注。训练需要带标签的数据——“这张零件有裂纹位于左下角深度0.3mm”。这种标注需要懂工艺的工程师来做一天标50张算高效而训练一个视觉模型至少需要几千张。光标注成本就要几十万是互联网图片标注的几十倍甚至上百倍。第三关数据不愿共享训练无米下锅。杨超提到制造业企业将核心数据视为商业秘密“对数据共享天然保守”。工艺参数、缺陷数据、良率数据都是命根子让企业交给AI厂商训练通用模型几乎没人愿意。结果就是每家工厂都守着数据孤岛AI厂商到了现场只能从零采集换条产线又得重来。数据挑战的本质不是缺数据而是缺从数据到可用训练集之间的那条通路。这条路不通AI就是无米之炊。三、场景挑战为什么没有一个放之四海皆准的工业AI杨超在访谈中提到了一组数字41个工业大类、数百个工业中类。这组数字背后藏着工业AI最大的规模化障碍——场景碎片化。互联网AI能快速扩张因为场景高度同质化——推荐算法换平台改参数就能用一套模型服务上亿用户边际成本趋近于零。制造业完全是另一套逻辑。同样是质量检测——钢铁厂测钢板划痕需要耐高温相机纺织厂测布面断纱需要高帧率线扫相机电子厂测PCB焊点需要微米级显微成像食品厂测瓶盖拧紧用称重加视觉双系统。四个场景四套传感器四套数据特征四套判断逻辑。在一个场景训练的模型换到另一个几乎从零开始。杨超的原话说得很到位“企业需求往往停留在经验语言层面缺乏可量化建模的业务定义使每个落地项目都需要重新微调难以复制推广。”什么叫经验语言质检主管说表面不能有划痕。但多深算划痕0.1mm算不算在关键区域呢这些标准往往只存在于工人脑子里没写成文档更没量化成AI能理解的规则。于是AI厂商每接一个项目都要重新做需求调研、数据采集、模型训练、现场调试半年起步。而下一个项目大部分工作要推倒重来。这种一厂一项目、一线一模型的模式工程化成本比模型本身还高模型又无法跨场景复用。场景挑战的根子工业的多样性是本质特征不是通用大模型能消除的噪声。四、经济性挑战算不过账的AI走不出示范车间前面三个挑战是技术和场景层面的第四个挑战最现实——投入产出比。制造业企业上任何系统第一步不是问技术先不先进而是问多久能回本。一个中等规模企业年利润可能几千万你让他拿出500万投AI质检他会算能替代几个质检工一年省多少人工费良率提升多少几年回本算不过来账他不会投。这不是保守是生存理性。但当前工业AI的成本结构对中小企业并不友好。一个定制化项目——数据采集、标注、模型训练、硬件部署、系统集成的综合投入通常在百万以上还不算后续迭代和算力消耗。杨超提出的方向是轻量化普惠应用让中小微企业像买电一样用智能化。方向正确但离现实还有距离。有正面案例浙江真爱毯业的AI断纱质检系统年节省近300万元单条线14个月回本。但前提是单条线、单一场景、改造而非新建。推广到全厂区多条产线每条线都要重新采集数据、训练模型综合回报周期拉长到2到3年。2到3年回本——互联网行业可以接受但很多中小制造企业平均生存周期也就5到8年。经济性挑战的核心AI的投入是前置的、确定的回报是后置的、不确定的。这种收益结构和制造业先算账后花钱的决策习惯天然冲突。从能做到能用的三个跨越结合一线实践要跨越这四个挑战需要完成三个转变。第一从替代人转向帮人省时间。 先把AI放在感知辅助层——做预筛选、异常预警、趋势分析让人做最终判定。不要追求AI替代人先追求AI帮人省时间。等数据积累够了、模型稳定性验证够了再逐步向核心环节渗透。第二从项目制转向模块化。 把行业共性能力沉淀成标准化模块——视觉检测引擎、异常检测引擎、参数优化引擎——让工厂像搭积木一样组合而不是每次从零造轮子。杨超说的像买电一样用智能化前提是先建好标准化的发电厂和电网。第三从先上AI转向先治数据。 很多工厂连设备联网都没做完、质检标准都没文档化就想着上AI等于在沙地上盖楼。先做设备互联和数据归集再建数据标准和标签体系然后才是AI模型训练。数据底座不牢AI能力就没有附着点。写在最后国务院发展研究中心这次访谈最大的价值在于一个国家级智库用官方语言正式确认了这些问题的结构性AI落地制造业的困难不是某家厂商技术不行而是工业体系与AI技术范式之间存在系统性张力。它告诉所有人不要期待大模型再迭代两代这些问题就自动消失。数据治理体系要自己建场景标准要行业共同定义容错机制要逐环节设计经济模型要一笔一笔算清楚。工业体系的底层逻辑——确定性优先、数据私有化、场景碎片化、经济性刚性约束——不会因为AI的到来而改变。真正要变的是在认清这些约束的前提下找到AI与工业体系之间的适配方式。四个最难挑战不是四个死结而是四道必须跨越的门槛。跨过去AI才能真正从示范车间走向千厂万线。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取
