010-82781040
过去十年，我国逐步确立了“以智能制造为主攻方向，加快建设制造强国”的发展导向。与此同时，人工智能技术实现重大突破，成为新一轮科技革命的核心技术。
过去十年，我国逐步确立了“以智能制造为主攻方向，加快建设制造强国”的发展导向。与此同时，人工智能技术实现重大突破，成为新一轮科技革命的核心技术。
今年，国务院第十一次全体会议指出，加快发展新一代智能制造。新一代智能制造的核心是新一代信息技术与先进制造技术的深度融合，它既是第四次工业革命的核心技术，也是我国加快建设制造强国的核心驱动力。
在日前召开的2026国家制造强国建设论坛上，中国工程院院士，国家制造强国建设战略咨询委员会主任周济说道：“新一代智能制造是智能制造的高级范式与主体范式，是新一代人工智能技术与先进制造技术融合创新的产物。该系统可实现自主感知、自主决策、自主执行、自主学习，能够大幅提升制造环节的质量、效率与可靠性，推动产品、生产、服务以及各类新模式新业态实现制造业全方位创新优化，促使智能制造系统向着更精密、更高效、更可靠的方向演进。”
新一代智能制造的兴起，与2016年开启的新一代人工智能时代密切相关。近十年间，新一代人工智能与先进制造技术深度融合，形成新一代智能制造技术，实践重点集中在数字化制造与“互联网+”制造，并且取得显著成效。
周济表示：“智能制造是第四次工业革命的核心技术，是制造业转型升级的主要技术路径，更是制造业高质量发展的核心驱动力。应当明确，数字化转型与‘互联网+’制造是基础前提，没有这一基础就无法积累大数据资源，新一代智能制造便无从落地，智能化升级也难以实现。”
以机床设备为例，新一代智能制造体系下的机床不再是单纯执行预设程序的设备，而是具备自主感知、自主决策、自主执行、自主学习能力的新型制造系统。
全国政协常委、国家制造强国建设战略咨询委员会副主任苗圩表示，十年来，我国坚持以两化融合为主线、以智能制造为主攻方向，沿着数字化、网络化、智能化路径稳步推进制造强国建设，积累了丰硕成果。新一代智能制造是一场涵盖技术、模式、生态的系统性变革。目前，各领域的智能化升级都面临共同问题：单点技术突破容易，系统集成和协同创新难。智能制造的生态系统需要谁来“搭台”？如何构建让技术真正“落地”的生态？
经过多年建设，国内已经涌现一批标杆智能工厂，如何推动AI从感知智能进阶到决策智能、执行智能，实现AI原生应用走向规模化落地，成为当前智能制造首要难题。
启元国家实验室首席科学家、中国人工智能学会智能决策专业委员会主任委员梁斌指出，智能制造迈向高阶阶段，同时面临管理变革与硬件升级两大难题。在管理层面，面向广大中小企业的AI赋能，不仅是技术改造，更是组织模式、订单协同、技术共享的管理体系重构。理想的未来智能工厂，能够从图纸出发，自动完成仿真、工艺规划、加工、检验并持续迭代优化。机床、移动机器人、人形机器人将被统一视作具备感知与操作能力的智能执行单元，在设备之上叠加“大脑”算力与大模型能力。
航空产品属于典型多品种、小批量生产模式，对精度、可靠性要求严苛，国内航空工业数字化、数控化起步较早，基础级数字化工作在二十多年前便已基本落地。中国航空工业集团有限公司航空制造研究员王焱表示，航空领域以MBD（基于模型的产品定义）为基础，推进智能工艺生成，在切削、装配、辅材制造环节，依托知识图谱积累工艺知识，逐步引入AI模型打通数字模型到现场加工的数据链路。柔性制造能力比单纯自动化程度，更适合衡量离散制造的智能化水平，自动化依靠预设程序完成固定动作，而柔性能力代表生产系统自适应工况变化、快速切换产品的智能水平。
近年来我国创新药对外技术授权（Licenseout）增长迅猛，但近年仅有少数企业成功上市。北京大学药学院教授、教育部长江学者特聘教授刘振明表示，行业大浪淘沙证明，AI不能停留在算法刷分，必须扎根真实场景解决实际问题。
一方面，制造业主动拥抱AI技术，另一方面，AI科研团队走进产业场景完成技术验证。刘振明表示，未来微型化、模块化制药工厂将C7电子成为重要方向，如集装箱式微型制药单元，依托AI支撑基因导向的个性化配药，面向单个患者定制药物，重塑医药生产形态。
中国科学技术大学人工智能与量子化学讲席教授江俊和其团队构建了“理论预训练模型+机器人实验采样+模型迭代校准”的新模式：先用理论知识构建预训练大模型，指导机器人有针对性开展少量关键实验，再用真实实验数据回传微调模型，反复迭代，最终模型兼顾理论普适性与实验真实性。这套范式可以迁移到工业研发，指导工业现场小范围采样，再用产业真实数据反向校准模型，实现从0到1原始创新与复用已有成果。
高端数控系统、工业软件是我国制造业长期短板，AI赋能之下，数控机床由传统数控迈向智控，是否可以像新能源汽车一样，跳出传统赛道，实现换道超车，重塑高端装备竞争规则？
梁斌认为，换道超车的关键在于底层原理创新，而非在原有技术体系内持续追赶。同时，加工与检测是一对孪生环节，二者密不可分，刀具切削状态、材料损耗、进刀量等参数，需要实时感知，感知之后形成智能决策，再完成执行动作，完整形成感知-决策-执行闭环。具身智能和机床装备深度融合，将成为提升加工效率的重要方向，把感知能力植入加工装备，实现加工过程的自主感知与动态调整。
传统数控加工本质上是一种理想状态下的纯几何位置控制，其核心是假设机床与工件始终处于静态环境，不考虑加工过程中的复杂干扰因素。王焱指出，高速切削工况下，热变形、切削力以及工装与零件系统之间的耦合效应会共同作用，导致零件产生几何变形，此时单纯依赖位置控制无法保证加工质量。过去依靠人工现场观察、手动调整，但高速加工工况下，人类响应速度无法匹配加工节奏，必须依靠数字化、智能化手段，把变形与几何协调关系纳入加工控制逻辑。现阶段这类智能处理大多基于规则模型，未来会逐步引入AI模型。
新一代智能制造的系统性变革，并非单一工程技术问题，物理、化学、生物、医药、材料、计算机等多学科交叉融合是必然趋势。AI正在模糊传统学科边界，为跨领域协同创新提供统一接口。刘振明提出，AI时代融合的核心瓶颈，在于跨领域人才的培养与认知壁垒。教育部自2021年推动未来学习中心建设，正是面向跨学科创新人才培育。在AI时代，专家具备两大核心能力：一是发现、定义真实问题的能力；二是使用本领域专业语言准确描述问题的能力。同样的大模型、同样的AI工具，不同使用者产出结果差异巨大，根源在于使用者对行业场景的理解深度。
例如，一名原本希望就读计算机专业的药学院学生提问：AI时代为何还要学习药学？刘振明给出的答案是，AI可以完成计算、检索、模拟，但是只有深耕药学的人，才能提出真正有价值的科学问题。AI时代交叉人才培养模式需要重构，不能单纯依靠计算机专业人员进入各行业解决问题，必须让产业、医药、化学领域的从业者掌握AI工具，从本学科视角提出问题，自主使用AI开展研究。
江俊提出，物理、化学、制造本身不存在天然学科边界，AI带来知识平权，提供通用接口，打通不同学科之间的知识壁垒。AI作为通用工具，将放大不同领域科研人员的能力，让理论与实验之间实现高效对接。
同时，也要对大模型技术路线保持理性判断，Transformer架构并非唯一选择，单一架构容易出现伪原创问题，需要多种模型体系互补。落地到工厂的机器人也不存在统一形态，需要按需匹配场景：双足人形机器人、轮式移动机器人、协作机械臂、物流机器人各司其职，按照生产场景选择装备形态，避免追求“全能机器人”的误区。
我国制造业转型已经走过基础数字化阶段，当前核心矛盾，是AI技术如何从单点试点走向全行业规模化落地。一方面要持续补齐工业数据治理、模型可解释性、力觉感知等技术短板，依托具身智能、自适应控制提升装备自主能力；另一方面，必须打破学科、产业、组织之间的壁垒，依靠多学科协同，重塑研发与生产范式。
SaaS CRM最热的十年：红圈向左，销售易向右，纷享销客到底该何去何从？
易信视界（北京）信息科技有限公司，旗下品牌“人称T客”、“T研究”、“T媒体”，成立于2013年，是一家专注于企业服务市场的专业研究与服务机构。我们以数据为驱动，致力于为科技与产业融合提供全闭环、实效性的解决方案。 公司核心服务涵盖三大板块：Survey（数据与样本服务、科技与产业情报、数据快报）、Research（深度研究、行业报告、白皮书）以及Match（渠道与生态伙伴对接、用户线索服务）。我们拥有超过100万活跃企业样本，累计交付200多个专项研究项目。
服务热线
