黑马财经2024-10-18 16:40:23发布:人工智能与制造业深度融合：内涵、机理与路径

「摘要」人工智能与制造业深度融合是推动数字经济高质量发展的重要内容，其对促进科技自立自强、加快建设制造强国和构筑国家竞争新优势具有重要意义。论文分析了人工智能与制造业深度融合的内涵和运行机理，并在此基础上，针对人工智能与制造业融合存在人工智能工程化能力、任务场景、数据采集和融合支撑要素等四方面挑战，提出了强化工程实践能力、丰富工业应用场景、完善数据管理和治理、补齐融合发展要素的建议，以期推动人工智能与制造业深度融合。

「关键词」人工智能；数实融合；高质量发展

一、问题提出与文献综述

人工智能作为引领新一轮科技革命和产业变革的“领头雁”，其与制造业的深度融合推动智能制造、工业互联网、数字孪生等智能经济在全球范围内蓬勃兴起。世界主要经济体纷纷出台了科技创新战略规划，支持人工智能、机器人、智能制造等重点技术和产业领域发展（陈楠、蔡跃洲，2020）。数字技术和数字经济成为全球竞争的战略制高点，推动人工智能与制造业深度融合成为促进科技自立自强、推动数字经济高质量发展、构筑国家竞争新优势的重要抓手。

党的十八大以来，我国高度重视制造业与数字技术的融合发展。2015年5月，国务院印发《中国制造2025》，提出加快推动新一代信息技术与制造业技术融合发展，将智能制造作为两化深度融合的主攻方向。围绕数字经济与制造业融合发展，我国先后出台了《国务院关于深化制造业与互联网融合发展的指导意见》《智能制造发展规划》《工业互联网发展行动计划》《关于促进人工智能和实体经济深度融合的指导意见》《关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意见》等一系列政策和规划。党的二十大报告再次强调要“加快发展数字经济，促进数字经济和实体经济深度融合，打造具有国际竞争力的数字产业集群”。

人工智能、数字技术、数字经济等一直都是学术界和政策界研究的热点和重点话题之一。梳理已有文献发现，目前相关研究主要围绕三个方面：一是人工智能测度及其经济社会效应分析。学者们构建理论与计量模型，研究人工智能对经济增长、收入分配、就业替代、国际贸易、产业结构等经济社会发展的影响及其机制（Gordon，2017；Brynjolfsson et al.，2018；Acemoglu & Restrepo，2019、2020；Frey & Osborne，2017；Goldfrab & Trefler，2018；Faber，2020；蔡跃洲、陈楠，2019；何宇等，2021；陈楠等，2022；王林辉等，2022）。蔡跃洲、陈楠（2019）基于人工智能的技术-经济特征，分析人工智能对国民经济各领域经济增长的影响以及对就业的影响。王林辉等（2022）基于中国劳动力动态调查数据，应用机器学习模型测算人工智能技术的职业可替代率，考察任务属性和职业技能宽度对可替代风险的影响，以及这种职业替代的组群性和劳动选择偏好。二是生成式人工智能技术机理、行业应用及其治理。随着2022年底ChatGPT的爆火，以“生成式人工智能”为主题的中文文献数量呈现爆发式增长。已有研究重点关注生成式人工智能内容的技术机理、因果性、可能产生的行业冲击及其治理等（程睿，2023；韩旭至，2023；张欣，2023；何大安、许一帆，2023；尤洋、郭宇，2023；张钺等，2023；郑世林等，2023；许雪晨等，2023）。尤洋、郭宇（2023）围绕因果性讨论ChatGPT技术的因果规则、因果表征和因果解释，分析ChatGPT因果认知与学习的底层逻辑。郑世林等（2023）分析了ChatGPT新一代人工智能在劳动力、就业、教育、科学研究、人工智能产业等多个领域的发展机遇和挑战。三是围绕人工智能与实体经济的融合发展。这类文献侧重于构建不同维度的指标体系，探讨数字经济与实体经济融合的概念内涵、融合机理、融合水平、融合效应、驱动因素、挑战对策等（赵剑波，2020；张帅等，2022；郭晗、全勤慧，2022；史宇鹏、曹爱家，2023；罗兴等，2023；洪银兴、任保平，2023）。洪银兴、任保平（2023）对数字经济和实体经济深度融合内涵进行了界定，并分析了数实融合目前存在的问题及提升路径。张帅等（2022）与郭晗、全勤慧（2022）分别选取不同变量构建指标体系，衡量区域数字经济和实体经济的发展水平，然后采用协调度或者耦合度测度融合程度。

但是，上述研究存在以下两个问题：一是研究内容方面，以人工智能为关键词，内容上更多侧重于宏观经济、劳动力市场和收入分配，尤其是关于人工智能技术应对就业总量、就业结构、劳动报酬、收入分配、经济增长等方面的研究。相比较而言，研究人工智能对产业结构变迁的影响，尤其是人工智能与制造业的融合发展研究相对较少。少数关于人工智能与制造业转型或者企业绩效的研究，更多是在数字化转型这一大的主题下进行，研究不同行业的数字化转型路径、约束瓶颈、预期收益和对策建议等。二是数字技术方面，已有研究更多将数字技术或者数字经济作为一个整体进行研究，没有区分人工智能、区块链、大数据、云计算等不同数字技术。受限于人工智能数据可得性，已有研究大多使用工业机器人作为代理变量，难以精准把握人工智能技术特征。人工智能虽然属于新一代信息通讯技术，但与工业机器人、元宇宙、区块链等其他数字技术的技术特性存在较大差异（蔡跃洲、陈楠，2019；洪银兴、任保平，2023）。

因此，本文聚焦人工智能与制造业融合发展，以“科技自立自强”和“做大做优做强实体经济”为目标，研究人工智能和制造业融合发展的内涵和机理，并在此基础上针对当前存在的问题提出相应的对策建议。本文的边际贡献在于：第一，本文聚焦人工智能技术和制造业，不仅将人工智能技术与区块链、机器人等其他数字技术进行有效区分，同时考虑制造业与其他实体经济的差异，集中探究人工智能与制造业深度融合的内涵、机理和路径；第二，本文从技术-产业互动视角，不仅研究人工智能对制造业的影响机理，也反向分析制造业发展对人工智能技术进步的影响机理，将人工智能和制造业发展“两手抓”，统筹推进二者深度融合。这既有助于未来深入研究人工智能影响制造业发展的机制和效应，又为提出科学合理的数字经济与实体经济融合策略提供决策参考。

二、人工智能与制造业深度融合内涵

数字经济与实体经济的“深度融合”本质上是数字技术和数据要素渗透实体经济的全过程，以数据要素与数字技术双轮驱动对实体经济进行改造（洪银兴、任保平，2023）。数字技术包括人工智能、5G、区块链、云计算等，不仅具有渗透性、创造性、协同性等技术经济特征，也具有基础设施的非排他性、非竞争性、外部性、溢出性等特性（蔡跃洲、陈楠，2019）。但是，与其他数字技术相比，人工智能也具有其他数字技术不具备的技术特性。Cockburn et al.（2019）认为人工智能包括机器人、神经网络和机器学习等，其关键特征在于人工智能通过处理数据而作出决策，而非简单地执行给定的操作和任务集。陈凤仙（2022）根据各国公共机构和学者的研究，将人工智能属性归纳为三个维度：第一，机器属性。人工智能是由计算机视觉、机器学习、知识图谱等一系列技术集合而成的系统，通过搜集和使用数据来预测、分析、推荐、决策某些特定行为，具有不同程度自主性的技术、软件、机器等，其本质是一个物质实体。第二，能力属性。人工智能具有某些与人类似的能力，比如视觉、听觉、分析、推断、创造、决策等能力，甚至具有某些情感，能够与人互动。第三，品质属性，这也是人工智能区别于传统信息技术的地方。传统信息技术大多执行常规化、编程化任务，无法处理非标准、不确定的任务，而人工智能通过数据分析等具有自我分析、推断和决策能力，在任务品质上实现新的“质”的飞跃。

总体来说，人工智能是使机器“表现”出一项或者几项人的能力，根据机器“表现”出的人的能力大小，人工智能可分为弱人工智能、强人工智能和超人工智能。其中，弱人工智能具有部分人的能力，强人工智能具有完整的人的能力（也称通用人工智能），超人工智能具有超人的能力。本质上，人工智能与制造业融合表现为人工智能技术在制造业领域的应用，属于人工智能产业的应用层。一方面，随着人工智能技术的不断发展，人工智能与制造业的融合程度逐渐加深。但是，考虑到现实中不同制造业细分行业的要素禀赋、技术水平、生产流程等差异，以及不同地区的工业现代化水平，人工智能与制造业融合是一个循序渐进的过程。一般来说，数字化是第一步，其次是网联化，最后是智能化（见图1）。数字化阶段是将CAM、CAD、CAE、MES等工业软件应用到制造业，通过工业传感器采集海量工业数据，强调机器的自动化功能，实际上是制造业的“数字化+自动化”，解决的是数据的有无问题。网联化阶段是将制造业角度的“共联网+”，即将互联网工具应用到制造业，通过互联互通、高速传输、云端计算，一方面解决多个业务系统、多个设备之间的数据流动问题，打破工厂内部、企业之间的“信息孤岛”，打通供应链各个环节数据流，实现产品全生命周期的数字化，另一方面打通强调消费端与供给端之间的连接，减少信息不对称，提高交易效率。智能化阶段核心是解决数据自动流动和决策等问题，由工业互联网采集各种生产数据，放到云计算资源中，通过深度学习算法处理后，学习沉淀形成知识，最终由智能设备自主执行，关键是在数据流动和决策过程中不需要人去参与，机器具有自主学习、自主决策能力。最终，随着人机协作的深化，未来智能制造将以“人”为中心，统筹协调人、信息系统和物理系的综合集成大系统，即“人－信息－物理系统”（human-cyber-physical systems，HCPS）。

总体来说，数字化是网联化的基础和前提，只有机器具备了采集和上传数据的能力，才有可能将多台机器、多个工厂跨地域联网，实现数据共享、万物互联。“人工智能+制造业”则是在网联化基础上进一步加入自然语言处理、机器学习、数字孪生等实现智能化的手段与结果。

三、人工智能与制造业深度融合的运行机理

人工智能与制造业发展存在相互促进作用。一方面，人工智能通过赋能数据要素、资本要素、劳动要素、土地要素、知识要素和能源要素，改变制造业领域的传统生产和商业模式。另一方面，制造业发展也通过提供大量的消费数据、工业数据和应用场景，促进人工智能技术进步。国内制造业丰富的应用场景、广阔的消费市场、海量的工业和消费数据、发达的物流体系等为人工智能企业提供了宝贵的“练兵”机会，加速人工智能技术迭代与创新，促进科技自立自强（见图2）。

（一）人工智能技术促进制造业升级的机制

人工智能具有快速识别数据之间的复杂关系、稳定提升数据分析结果、敏捷适应外部变化等优势特征，被认为特别适合应用于生产制造领域。人工智能通过要素赋能优化制造业要素资源配置，提高要素回报率，缩短实体经济创新周期，提高生产效率，进而达到变革制造业的目标。

一是数据要素。数字经济时代，制造业完整的产业体系和生产流程、丰富的场景、发达的流通体系和庞大的消费群体，将产生海量的工业数据和消费者数据。个人消费产业和积累的数据，是电子商务、平台经济、数字金融、网络直播等个人消费行业发展的基础。通过分析个人消费数据，识别消费群体特征和消费习惯，提供精确的市场预测和需求预测，指导企业制定产品种类、数目和价格，优化企业生产经营决策。工业大数据则包含高价值的业务信息乃至商业机密，基于工业大数据的数据挖掘和分析则有助于实时的设备监测，及时了解生产线产品生产、设备运转、能源消耗等情况，提前做好生产调整和预测性设备维护，提高生产的稳定性和可靠性，减少人为错误、维修成本和资源浪费，优化生产工艺和流程，提高产品质量和种类。

二是资本要素。一般而言，技术进步内含于机器之中。一方面，随着传感器技术、标签技术、控制器技术、嵌入式系统、物联网操作系统等一系列标准的统一和应用，机器设备采集、分析数据的能力增强，再加上视觉分析、语音识别等人工智能技术的赋能，机器智能化水平将显著提高，生产效率大幅上升。另一方面，机器自身对设备、物料生产、运输等各环节信息的采集与分析，具有自我预测、自我优化的功能。人工智能通过机器设备和大数据平台的分析，能够进行设备全生命周期管理，预测设备异常，进行预测性维护，从而提高生产安全水平，降低维护和管理成本。

三是劳动要素。人工智能作为一种模仿人的能力的技术形式，其将对人类在不同维度的能力进行替代。在人工智能发展的初期阶段，人工智能将通过处理编程化、常规化的任务替代低技能和中等技能劳动者；在人工智能发展的后期阶段，随着人工智能自我适应、自我生成和自我决策能力的提高，将可能会对非程序化、认知能力较强的高技能劳动者进行替代，从而降低劳动者在制造业的参与程度，达到节约人工成本的目的。另外，以3D打印、大数据、人工智能为代表的数字化和信息化技术的普及，降低制造业的进入门槛，没有生产设备和工厂的个体也能进入制造业的研发设计、运营、销售环节，降低个人进入门槛和学习门槛，进一步细化制造业领域内分工。

四是土地要素。5G、云计算等信息技术的进步和新型基础设施的广泛普及，使得工厂跨越地理距离的局限，实现远程互联、联动生产成为可能。传统工业时代，为了实现生产的规模化和集群化，企业大多数选择在邻近消费者或者产业链齐全的地区分布。未来随着远程办公、万物互联的实现，工厂的选址因素将发生变化，工厂所在地的重要性下降，工厂将通过人工智能、数字孪生、云计算等技术对全球工厂内的车间信息、生产流程、物流信息等进行实时掌控和分析，工厂的选址将更加多元化，物理空间和物理距离的约束进一步缩小，减少对发达地区高昂的土地成本的依赖。进而，工厂组织形式将从横向集成为主向纵向集成转变，通过纵向集成把传感器、各层次智能机器、工业机器人、智能车间与产品有机地整合在一起，构成工厂内部的网络化制造体系，从而满足个性化产品生产需求。

五是知识要素。20世纪80年代“知识经济”产生时，知识已经成为生产函数中的一种重要要素。人工智能等数字技术的扩散，重构了知识创造、传播、存储和复用新体系。生成式人工智能则基于监督和半监督算法，使计算机能够利用旧内容（如文本、图片、代码、文献、视频、音频等）创造新内容，带来新的创意产生渠道。企业不仅可以将生成式AI应用于市场营销、销售、客户服务等行政和服务部门，提高广告设计、营销方案等知识产生和创造效率，还可以在产品工程领域，将人工智能、机器学习和高性能计算机结合，提供产品设计模型和方案，释放创造力。另外，制造业领域另外一个问题是隐性知识的传递与转移，比如优秀工程师离职或退休带来的生产知识和经验流失。人工智能搜集和分析大量机器生产数据、维修数据、设备手册等工业大数据以及工程师的经验总结等，有助于企业“留下”工程师的知识和经验。

六是能源要素。仿真设计系统通过继承AI模块，将产品设计到生产制造业的全过程通过数字孪生等方式全流程数字化。基于数字孪生模型中积累的数据在人工智能模型中进行数据分析和决策，然后进一步将人工智能模型的决策结果在数字孪生模型中反复仿真和验证，为研发人员提供决策支持。产品研发和设计具有高成本、高度不确定性的特征，基于人工智能的仿真设计系统不仅将极大地降低研发设计环节的高成本，提升研发效率，缩短研发周期，从而降低能耗，更能在后续实际生产运营中进一步达到减少能耗的目的。ChatGPT不仅可以分析全球最新的工厂节能技术，为企业提供最佳节能方案，还可以定期收集能耗数据和环境数据，使用大模型进行自适应学习，从而根据环境变化优化能源方案。

（二）制造业发展“反哺”人工智能的机制

人工智能包括算法、数据和算力三要素，其中数据是食材，算力是厨具，算法是菜谱。而实现人工智能主要依靠两种方法：一种是基于规则的方法，另一种是基于数据统计的方法。其中，基于数据统计的人工智能技术路线依赖于大量的人工和数据，并且随着数据量的增大，统计机器翻译的效果越来越好，这也是当前大数据重要性大幅提升、数据成为重要生产要素的主要原因。2023年8月16日，2023WAVE SUMMIT深度学习开发者大会上，百度首席技术官、深度学习技术及应用国家工程研究中心主任王海峰以文心一言为例，阐释了人工智能所具有的理解、生成、逻辑、记忆的核心基础能力，其中的第一步就是从数万亿数据和数千亿知识中融合学习得到预训练大模型，在此基础上采用有监督精调、人类反馈的强化学习和提示等技术，具备知识增强、检索增强和对话增强等技术优势。而制造业发展将主要通过提供海量数据和任务场景两个渠道反向促进人工智能技术的发展。

一是工业数据。数据作为支撑数字经济发展的核心要素，是人工智能发展的“食材”，是数字经济的“新能源”。新型基础设施对数据进行收集、储存、传输、分析、应用，为人工智能产业生态提供要素支撑和实现手段。全球数字基础设施的大范围普及带来了数据量的爆炸式增长，网络信息通信技术取得了快速发展，手机、电脑等移动终端广泛使用。据美国思科公司统计，2000年约有2亿人和物接入了互联网，2013年已增至100亿左右，预计2020年接入互联网的人与网有望突破500亿。随着越来越多制造业企业拥抱生成式人工智能，再加上物联网智能终端的多样性以及工业设备的智能化，生产运营管理流程的高速数字化、智能化，工业数据在公司内部的采集和储存将成为可能，引发下一轮“工业数据核爆”。伴随着终端的智能化水平提升，不同物联网设备之间的互联互通技术，跨公司、跨区域的数据流动和共享变得更为重要，这不仅为人工智能模型的学习、训练、优化提供充足的原材料，更加复杂多变的应用场景也对数据挖掘和算力提出更高要求，从而倒逼人工智能技术取得新的突破。

二是消费数据。数字经济时代，劳动力将成为新的数据消费者和生产者。农业经济和工业经济时代，人口数量、人口结构和人力资本，是促进一国经济增长、提高经济竞争力的重要要素。改革开放以后，我国创造“经济奇迹”的原因之一便是庞大的人口数量和相对年轻的人口结构带来的“人口红利”。数字经济时代，每一个人都是网络上的一个节点。根据梅特卡夫法则，网络的价值等于网络节点数的平方，与联网用户数的平方成正比。人工智能技术发展也取决于数据质量、数据分布、AI的算法能力等多种要素，基于数据统计的方法确实会表现出随着数据量增大人工智能效果增高的趋势。这意味着，人口将通过网络创造虚拟世界的竞争力。中国拥有独特的数字消费者群体，不仅消费者数量庞大，而且由于年龄结构、收入结构、地域和文化差异等，消费者偏好多元，能够产生丰富的消费数据。数量庞大的消费群体、多样化的消费需求，再加上高度渗透的数字应用、发达的物流体系等，都将为人工智能在消费和服务领域的应用提供广阔空间和巨大潜力，而这也恰好是中国数字经济发展的比较优势之一。

三是任务场景。人工智能快速发展不仅仅是依赖于技术进步，也取决于任务场景的适配性。由于人工智能发展早期更多是根据“知识库”和“if-then”逻辑推理这种基于规则的方法来实现对人类能力的模拟，但是受限于规则的难写以及工业任务和场景的复杂多变，人工智能技术仅仅在矿藏勘测、污染物处理、太空舱任务控制等少数领域得到初步应用。随着人工智能技术路线的变更，目前人工智能主要处理分类任务和回归任务两类基本计算任务，通过基本任务的组合再处理复杂任务。而制造业是实体经济中最为庞大复杂的体系，中国是全球最重要的“世界工厂”。随着中国收入阶段的转变，产业技术水平提高和产业分工深化导致产业结构进一步细化。按照GB/T4754-2011分类标准，中国产业体系具体细分为20个门类、96个大类、427个中类、1098个小类，相较于GB/T4754-2002的20个门类、101个大类、405个中类、932个小类，产业构成更加复杂和多样化。不同产品所需的要素禀赋结构、生产工艺、生产流程、生产环境等都存在较大的异质性，这就要求人工智能技术不仅要与制造业不同细分领域的工业机理相匹配，也要处理和应对复杂多变的生产场景和流程，从而为人工智能技术的发展和应用提供“idea的源泉”。

总体来说，制造业是人工智能技术应用和落地的主要场景，也将反向促进人工智能技术的发展，形成“科技-产业”良性循环。以2020年各行业专利申请总数来看，制造业人工智能专利申请数最多，达到33763个，其次是科学研究和技术服务业以及信息传输、软件和信息技术服务业，分别是31062个和27722个，远高于排名第四的批发和零售业的7811个。其他行业人工智能专利数目更少，最低的是住宿和餐饮业、农林牧渔业和卫生、社会工作，均为10件左右。随着人工智能技术的不断进步，产业应用的深度和广度将持续拓展，加速制造业产业升级和经济增长。

四、人工智能与制造业深度融合面临的挑战

人工智能作为新一代信息技术的“领头羊”，制造业作为经济高质量发展的重要支撑，二者存在相互促进关系。但是现实中，人工智能与制造业融合发展不是自然而然的结果，存在诸多堵点和痛点，存在“不能融合”“融合不全”“融合不深”“不愿融合”和“不便融合”等问题（洪银兴、任保平，2023）。麦肯锡“2022全球AI调查”显示，全球领先国家AI使用率已经达到60%左右，而中国目前的AI使用率仅为41%，暂时落后于全球平均水平。更为重要的是，仅有9%的中国企业可借助AI实现10%以上的收入增长，而领先国家受访企业中有19%的公司能实现该增长。具体来说，阻碍人工智能与制造业深度融合的因素包括但不限于以下几个方面：

一是人工智能工程化能力受限。人工智能企业能够快速赋能各行各业，响应多样化需求，其关键在于企业的工程化能力（中国信息通信研究院，2022）。人工智能工具链是工程实践能力的核心，包括人工智能开发流程、工具体系、模型管理、自动机器学习技术、云网端协同管理技术等。我国制造业关键核心技术和材料受制于人，“工业四基”（包括核心基础零部件、关键基础材料、先进基础工艺和产业技术基础）对外依赖程度较高，“缺芯少核”的“卡脖子”问题也严重影响了人工智能工程化技术的完整度和成熟度。这使得人工智能在制造业的应用场景还停留在某些开发环节、设计环节或者某些特点的技术领域，导致人工智能与制造业“不能融合”或“融合不深”。

二是制造业任务场景受限。人工智能与制造业的融合不仅依赖于人工智能技术的发展，也受限于工业任务和场景的复杂多变。一方面，随着我国收入阶段的转变，禀赋结构、技术结构和软硬基础设施均发生了显著变化，发达地区“腾笼换鸟”政策导致传统产业向中西部或者东南亚地区转移，可能带来产业“空心化”问题。中国制造业出现了国内制造业比重下降但全球制造业比重上升的“内外剪刀差”现象（黄群慧、杨虎涛，2022）。这种生产制造环节的缺失，可能导致应用场景不足，使得人工智能缺乏足够的“练兵”机会，难以产生新想法、新算法，限制人工智能在制造业领域的应用。另一方面，工业任务和场景的复杂多变，不同行业的工业机理、生产流程、产品工艺等存在较大差异，导致人工智能与不同行业的融合难度系数存在较大差异，算法编写难度太大。

三是工业大数据采集、应用与价值实现受限。人工智能技术的发展不仅需要算力、算法的支持，更需要海量的高质量数据的支撑。工业大数据作为支撑工业数字化转型和数实融合的关键要素，有别于一般的大数据资源。工业大数据采集和分析难度大，不仅需要完善的工业网络基础设施、工业互联网标准体系、工业互联网安全技术、工业互联网平台建设、工业大数据核心技术等多方面的技术支持，而且需要发展战略、组织机制、行业平台、资本保障等组织和环境要素支持（王君泽等，2020）。再加上，企业要素供给意愿不足、工业大数据安全隐患较多、数据深度应用场景不足、价值创造潜力受限等（陈楠、蔡跃洲，2023），导致人工智能与制造业融合程度不深。

四是人工智能与制造业融合支撑要素受限。人工智能与制造业的深入融合需要新型基础设施、人才、资金、时间、制度等多方面要素的支持。尽管制造业企业当前面临人工成本上升、“招工难”等成本上升因素，也有主动提升产品质量和企业竞争力的主动升级动机，但是大多数企业面临技术人才要素支撑不足、前期投入高、回报不确定性较大的难题，企业有意愿没行动。朱兰、王勇（2022）基于广东省调研数据分析企业转型升级行为，发现虽然制造业首选“机器换人”，但是服务业更加倾向于多元化、优化管理模式等成本较低的转型方式。制造业的“机器换人”也大多停留在使用工业机器人、企业上云、使用ERP软件等传统自动化、数字化阶段，与智能化、工业互联网距离较远（高柏、朱兰，2020）。

五、推动人工智能与制造业深度融合的对策建议

促进人工智能与制造业深度融合，不仅是推动数字经济与实体经济深度融合、数字经济高质量发展的重要内容，也是加快科技自立自强、实现制造强国战略、构筑国家竞争新优势的重要路径。建议统筹人工智能与制造业高质量发展，“两手都要抓，两手都要硬”，从强化工程实践能力、丰富工业应用场景、完善数据管理和治理、补齐融合发展要素四个方面着手，推动人工智能与制造业深度融合。

一是强化人工智能工程实践能力。强化基础研究能力，加快实现人工智能关键核心技术的自主可控，突破人工智能行业发展瓶颈。启动人工智能工程化研究，引导人工智能从理论学科向工程学科发展。强化企业科技创新主体地位，鼓励龙头企业与国家实验室、科研机构合作，支持产学研各界联合提升人工智能工程化能力，丰富人工智能工程化应用场景。成立全球工业和制造业人工智能联盟，加强国内外同一领域的技术交流和与合作，推动人工智能技术在制造领域的创新与应用，促进人工智能与制造业深度融合。

二是丰富工业应用场景。提高对传统产业的重视，不能将传统产业当成“低端产业”简单退出，保持制造业体系的完整性，就是保护工业应用场景的丰富性和多元性。结合人工智能技术特点，聚焦关键领域关键环节，横向梳理人工智能工业领域应用场景。围绕重点产业，深入垂直行业腹地，通过人工智能技术对传统产业进行全方位、全角度、全链条的改造，以智能制造为主攻方向推动产业技术变革和优化升级，提升工业现代化水平。制定新发展阶段适用数实融合的产业政策，营造良好的应用环境和氛围，鼓励企业试点应用人工智能技术，同时推广典型应用案例、引导企业技术交流和合作，加快AIGC等人工智能技术在各行各业中应用的探索和推广。

三是完善数据管理与治理。在《个人信息保护法》《网络安全法》《数据安全法》《中华人民共和国反垄断法》等法律基础上，进一步制定人工智能、数字经济与实体经济融合法律法规、治理框架和规则体系建设，为数实融合发展奠定制度基础。落实《工业数据分类分级指南（试行）》《企业数据资源相关会计处理暂行规定（征求意见稿）》等数据管理规章制度，加强数据安全和隐私保护。加强数据确权、数据安全、数据价值挖掘研究，探索不同类型数据监管方式。建立合规高效的数据要素流通和交易制度，建立安全可信的数据交易监测体系。明确工业数据安全管理责任，防止数据滥用、数字诈骗、数据泄密、数据偷窃等数据安全问题。

四是完善数实融合发展支撑要素。适度超前部署下一代智能设施体系，持续推进5G网络、IPV6、大数据中心等新型数字基础设施建设。健全适应数实融合发展的现代金融体系，加快打造数字金融服务平台，丰富产业数字金融产品供给，推动产业场景聚合和产业生态对接。借鉴德国高等教育经验，以学位和课程为抓手，以校企合作为平台，加强人工智能专业学生工程实践培养与实践，培养人工智能与工程复合型人才，做好人才储备和梯队建设。加强人才引进政策，吸引全球人工智能领域、工程领域人才到国内从事相关工作，努力创造全球人工智能人才高地。