先给你看一个车间。
杭州中策橡胶的高性能子午胎智能工厂里，几十辆 AGV 沿着既定路线精准穿梭，机械臂以微米级精度完成轮胎硫化工艺。平均每 3.1 秒 ，就有一条轮胎下线。24 小时不间断。
结果是什么？生产效率提升 300% ，产品不良率降到 0.5% 。
再看另一个车间。某空调工厂上了一套 AI 视觉质检系统，单台设备替代 8 名质检人员，人力成本压缩 87.5% 。
还有更狠的。某模具工厂用大模型生成参数配置方案，试模周期从近百次缩短到 2 次 ，产品合格率从 92% 提升到 97%。
这些不是概念，不是 PPT，是正在中国制造车间里真实发生的事。
今天这篇文章，我想跟你聊四个问题： 制造企业的 AI 应用走到哪一步了？钱到底在哪些场景赚到？价值怎么算？最后一公里还差什么？
01、一个数字：从 9.6% 到 47.5%
判断一项技术在产业里处于什么阶段，最好的办法不是听厂商讲故事，而是看渗透率。
IDC 的中国工业企业调研给了一个非常清晰的信号：应用大模型及智能体的工业企业比例，已经从 2024 年的 9.6% ，飙升到 2025 年的 47.5% 。一年翻了五倍。
更有意思的是另一个数字：在研发、制造、供应链等 多个环节同时应用 AI 的企业比例，从 1.7% 跃升到 35% 。这说明 AI 在制造业已经跨过了 " 单点试验 " 阶段，正在走向 " 跨环节协同 "。
钱也在跟进。IDC 预测，到 2028 年，中国工业企业 AI 支出规模将接近 900 亿元 ，年复合增长率 37.7%。用行业里的话说：AI 已经从 " 概念投入期 " 进入 " 可规模化扩展期 "。
政策层面同样明确。八部门联合印发的《" 人工智能 + 制造 " 专项行动实施意见》提出：到 2027 年，推动 3-5 个通用大模型在制造业深度应用，推出 1000 个 高水平工业智能体，打造 100 个工业高质量数据集，推广 500 个 典型应用场景。山东更是在 8 月一口气发布了 100 个 "AI+ 制造 " 场景清单，用 " 场景牵引 " 的模式推进落地。
什么叫可规模化扩展？就是企业不再问 " 要不要做 AI"，而是问 "AI 怎么真正帮我提质、降本、增效 "。而回答这个问题的钥匙，是场景。
02、四大趋势：AI 正在改变制造的 " 底层操作系统 "
趋势一：从单点试点，到全链条渗透。
在 230 余家已建成的卓越级智能工厂里，全链条应用已经跑出了结果：产品研发周期平均缩短 28.4% ，生产效率平均提升 22.3% ，不良品率平均下降 50.2% 。AI 不再是质检环节的一个插件，而是从设计师画第一张图纸，到产品交付后运维服务的每一个环节，都有它的位置。
趋势二：从 " 工具赋能 "，到 " 价值创造核心 "。
华为在 AI+ 制造行业峰会上有一个判断：大多数企业仍把 AI 视为 " 效率工具 "，而在领先企业中，AI 正从 " 工具赋能 " 转向 " 价值创造核心 "。把 AI 当工具，你会在现有流程里找个地方把它插进去；把 AI 当价值创造核心，你会用 AI 原生的视角，重新设计流程、重新定义岗位、重新算账。目前国内 30% 以上的规上制造企业已经建立了 AI 相关组织。当 AI 开始倒逼组织变革的时候，它就不再是工具，而是引擎。
趋势三：从 " 会说话 "，到 " 懂工厂 "。
通用大模型很聪明，但把它直接搬进车间会出问题：模型说不清结论来源、预测缺乏物理约束、" 幻觉 " 可能酿成生产事故且难以追溯。所以行业给出的答案是 工业世界模型 ——把真实工厂的全量数据与业务逻辑封装进模型，让 AI 理解工业的实体、因果关系与运行规律，做到结论带证据、可回放、可审计、可追责。这是 AI 进入生产核心流程的 " 通行证 "。
趋势四：从 " 单兵作战 "，到 " 智能体集群 "。
单点的 AI 应用就像乐队里只有小提琴在拉，其他乐器都不动。真正的跃升来自协同：质检智能体再准，如果设备管理、排产调度、供应链协同各自为战，整体效能依然上不去。美的的智能体矩阵已经落地 158 个核心场景，工厂的运作模式正在从 " 流水线作业 " 升级为 " 网状协同 "。从自动化到自主化，从数字工具到数字员工——这是制造企业 AI 应用的进化主线。
03、钱在哪里赚到：九大高价值场景
趋势讲完了，落到企业层面，最实际的问题是：AI 到底在哪些场景里真金白银地赚到了钱？综合各地发布的场景清单和已验收的工厂实践，我梳理了九个被反复验证的高价值场景。先看全景：
场景一：AI 视觉质检——最成熟的第一站。
为什么几乎所有制造企业的 AI 第一站都是质检？因为痛点足够痛（人眼疲劳、标准不一、漏检率高），数据足够好拿（相机架上去就有标注样本），价值足够好算（替代几名质检员一目了然）。中策橡胶把不良率干到 0.5%，华为南方工厂的 AI 质检准确率达到 99.9% ，某空调工厂单台设备替代 8 名质检员、人力成本压缩 87.5%。今天的进化方向是多模态质检：不止看图，还结合声纹、振动、温度做综合判断——轴承听声音就知道有没有内伤。
场景二：设备预测性维护——从 " 坏了修 " 到 " 预测修 "。
传统设备管理是两选一：坏了才修（非计划停机，损失最大），或者定期修（过度维护，浪费成本）。预测性维护的思路是给设备装上 " 体检仪 "：融合振动、温度、电流、声学等多源传感数据，模型提前预判故障窗口。行业数据是非计划停机时间降低 15%-30% 、维护成本降低 10%-25%。对连续生产行业（化工、钢铁、玻璃、水泥）来说，一条产线非计划停机一天的损失可能是几百万，这个场景的账最好算。
场景三：智能排产——把老师傅的 " 经验直觉 " 变成 " 最优解 "。
多订单、多产线、多工序、交期约束、设备能力约束、换型时间 …… 排产是典型的组合爆炸问题，老师傅排一张表要几小时，还不一定最优。AI 排产能在几分钟内给出可行解并支持动态调整：订单插单、设备故障后自动重排。美的落地智能体矩阵后，制造端设备综合效率（OEE）提升 30% 。柔性化程度越高的企业（小批量、多品种），这个场景价值越大。
场景四：工艺参数优化——大模型开始 " 偷 " 老师傅的手艺。
这是最有想象空间的方向。注塑、硫化、焊接、热处理这些工序，参数怎么设长期依赖老师傅的经验，试错成本极高。某模具工厂用大模型生成参数配置方案，试模从近百次缩短到 2 次 ，合格率从 92% 提到 97%。往深了走，就是 " 工艺世界模型 "：把历史工艺数据、机理公式、实时工况全部喂给模型，让每个产品在投产前就知道最优参数窗口。经验从 " 存在老师傅脑子里 " 变成 " 存在模型里 "，这是制造企业最核心的知识资产化。
场景五：生成式研发设计——画图的速度变了。
研发设计环节的 AI 应用有两层：一是效率层，生成式设计自动出方案、仿真加速迭代，卓越级智能工厂的研发周期平均缩短 28.4% ；二是突破层，AI 在材料配方、拓扑优化上能探索人类工程师想不到的设计空间。对装备制造和新材料企业，这一层的价值远超 " 画图变快 "。
场景六：供应链预测与优化——从车间看出去。
需求预测、安全库存、物流路径、供应商风险——供应链是数据密集型环节，天然适合 AI。美的供应链端到端交货周期缩短 39% ，库存周转天数减少 30% 。这个场景的特点是跨企业协同：数据要打通供应商和渠道，难度高，但一旦跑通就是对手抄不走的壁垒。
场景七：能耗优化——被低估的 " 隐形金矿 "。
高耗能行业（钢铁、水泥、化工、造纸）的电费是成本大头。AI 能耗优化在电价波动、负荷约束下动态调整生产节奏，错峰用能、优化高耗能工序的运行参数。在双碳和电价市场化的大背景下，这个场景正在从 " 锦上添花 " 变成 " 雪中送炭 "。
场景八和九：安全识别与数字员工——门槛最低的切入点。
安全行为识别（未戴安全帽、违规进入危险区、叉车近距预警）技术成熟、投入适中，很多企业拿它练手。知识型数字员工则是大模型时代的新物种：设备运维问答、工单智能填派、售后客服，美的的车载终端对话式 AI 渗透率已达 51% 。这类场景不碰核心工艺，风险低、见效快，特别适合作为企业大模型能力的 " 练兵场 "。
怎么选场景？三个判断标准： 数据可得性（这个场景有没有积累历史数据）、价值可量化（效果能不能算成钱）、失败可承受（AI 错了会不会出安全事故）。三个都满足的，就是你的第一站。
04、算一笔价值账：四本账
场景看完了，企业做决策最终要落到账上。建议管理者把 AI 的价值分成四本账：
第一本：效率账。 生产效率提升 300%（中策橡胶）、研发周期缩短 28.4%（卓越级智能工厂均值）、OEE 提升 30%（美的）。AI 把人从重复劳动里解放出来，把机器的潜能压榨到极限。
第二本：质量账。 不良率降到 0.5%、质检准确率 99.9%、试模从近百次到 2 次。质量账最容易被低估——一次批量质量事故的损失，可能抵得上全年 AI 投入的十倍。
第三本：成本账。 人力成本压缩 87.5%、库存周转天数减少 30%、交货周期缩短 39%。成本账不只是省人，更是压缩整个价值链上的资金占用和时间损耗。
第四本：模式账。 这是最高阶的账。装备企业从卖设备转向 " 硬件 + 软件 + 智能服务 "，产品交付不再是价值的终点，而是数据收集和模型迭代的起点。睡眠干预算法 + 智能床、依据运行数据的精准维保、基于云端 AI 的能耗优化——制造企业正在从 " 产品提供商 " 变成 " 方案解决商 "。前三本账是存量优化，第四本账是增量创造。大多数企业目前算的是前三本，而真正拉开差距的，是第四本。
05、最后一公里：四道坎
说到这里，你可能觉得形势一片大好。但作为在数据领域干了很多年的人，我必须泼点冷水。AI 入厂的 " 最后一公里 "，至少有四道坎：
第一道坎：数据根基薄弱。 近半数工业企业已经用上大模型，但传统数据体系适配性不足的问题依然突出。制造企业的生产数据涉及核心机密，跨企业、甚至企业内部不同分公司之间的数据共享都有壁垒。没有高质量数据，工业 AI 模型就无米下锅。行业已经提出要构建 " 采集、提纯、灌注 " 的全链路数据体系——说到底，还是数据治理那套基本功。
第二道坎：模型与现场的匹配度。 实验室里训练得好好的模型，部署到真实、多变的工业场景后，性能明显下降。更危险的是，大模型在物理规则理解和空间推理上仍有局限，AI 一旦产生指令性错误，可能造成不可挽回的系统性风险。
第三道坎：算力成本。 有企业测算过，自建算力服务器光显卡成本就要 1200 万元；改用公有云，又要面对数据安全和网络延迟的新问题。这也是为什么政策层面在推产业集群级 AI 赋能平台——用公共算力、公共数据、公共算法，把单个企业扛不动的成本摊薄。
第四道坎：复合型人才。 懂制造的技能人才不懂 AI，难以把业务需求转化为 AI 应用场景。业内甚至提出了一个新岗位—— " 产业 AI 架构师 "：既懂生产流程，又懂 AI 技术，还要能设计方案、推动落地。这类人才今天极度稀缺。
你会发现，这四道坎没有一道是纯技术问题。 数据是管理问题，匹配是场景问题，算力是成本问题，人才是组织问题。 AI 落地制造，三分靠技术，七分靠组织。
第一，一把手挂帅，但别一把抓。 AI 转型是一把手工程——因为它涉及流程重构、组织变革、预算重排。但拍板之后要建立专职团队、分层推进，而不是老板亲自抓每个项目。AI 是变革，不是采购。
第二，按 " 三个标准 " 选场景，小步快跑。 数据可得、价值可算、失败可承受——用这三个标准从九大场景里挑两三个先干，先算清 ROI 再谈规模化。核心生产环节的 AI 应用设计成 " 可回滚 "：AI 给建议，人来决策，逐步放权。
第三，把数据治理提到 AI 战略之前。 模型可以买、算力可以租，唯独高质量的数据资产只能自己攒。物料主数据、设备数据、工艺参数、质量记录——这些数据的规范化、标准化、资产化，是 AI 落地的地基。地基不打牢，楼盖得越高越危险。
第四，人才梯队比技术选型更重要。 技术路线会变、模型会迭代，但 " 懂业务又懂 AI" 的团队是长期资产。内部培养一批 " 产业 AI 架构师 " 式的骨干，外部引进少数领军者，与高校和生态伙伴共建人才管道。
最后的话
回到开头那个车间。3.1 秒一条轮胎，99.9% 的质检精度，2 次试模——这些数字很容易让人以为，制造业的 AI 革命是机器换人的故事。
不是。真正的革命藏在数字背后： 价值创造逻辑在变 。从卖产品到卖方案，从流水线到网状协同，从经验决策到智能体联合决策，从 " 交付即结束 " 到 " 交付即开始 "。
IDC 预测，到 2029 年，中国 AI 总投资规模将达 1114 亿美元；到 2030 年，智能终端和智能体应用普及率将超过 90%。窗口期就在这三五年。
答题的顺序，我想用一句话概括： 先把数据的地基打牢，再按三个标准挑对场景小步快跑，最后用组织变革接住 AI 释放的生产力。
顺序错了，AI 就是昂贵的摆设。顺序对了，它就是你未来十年最大的杠杆。
共勉。
