制造业场景人工智能应用分类分级蓝皮书（2025）

制造业场景人工智能应用分类分级蓝皮书（2025） 工业互联网产业联盟2025年10月 声明 本报告所载的材料和信息，包括但不限于文本、图片、数据、观点、建议，不构成法律建议，也不应替代律师意见。本报告所有材料或内容的知识产权归工业互联网产业联盟所有（注明是引自其他方的内容除外），并受法律保护。如需转载，需联系本联盟并获得授权许可。未经授权许可，任何人不得将报告的全部或部分内容以发布、转载、汇编、转让、出售等方式使用，不得将报告的全部或部分内容通过网络方式传播，不得在任何公开场合使用报告内相关描述及相关数据图表。违反上述声明者，本联盟将追究其相关法律责任。 工业互联网产业联盟联系电话：010-62305887邮箱：aii@caict.ac.cn 前言 人工智能作为引领新一轮科技革命的核心驱动力，正在深刻重塑全球制造业的竞争格局。2025年成为“人工智能+制造”规模化落地的关键年份，中国制造业在政策推动与技术迭代的双重作用下，正经历从“自动化”向“智能化”的战略转型。截至2025年2月，中国已建成3万余家基础级、1200余家先进级和230余家卓越级智能工厂，覆盖超80%制造业大类。以工业互联网、大数据、人工智能（ArtificialIntelligence，AI）为代表的新一代信息技术加速渗透至研发设计、生产制造、供应链管理等全流程，推动制造模式向智能化、自动化、服务化方向转型。当前，全球制造业企业通过构建工业互联网平台、智能工厂和数字化供应链体系，显著提升了生产效率与柔性化生产能力，同时，产业链上下游协同创新与数据共享机制逐步完善。未来，随着5G、云边协同、人工智能等技术的深化应用，制造业信息化将向全要素、全链条的、协同化、智能化、服务化方向演进。 然而，随着人工智能技术快速发展，在制造业应用落地上仍面临诸多挑战。制造业企业普遍认为AI技术对其未来发展具有重要影响，但并没有做好准备，对AI技术所能产生的作用认识不足；AI的制造业应用处于探索阶段，当前应用模式、算法、模型呈现多样化特点，缺乏统一的评价体系；AI系统研发难以与制造业实际应用场景直接对应，造成系统 功能与场景需求不匹配，困扰供需双方。 蓝皮书就制造业场景AI应用分类分级展开。通过对制造业AI应用场景采用分类、分级的方式，试图解决制造业领域AI难以匹配企业需求、供需双方认知差异大的问题，制定一套按照应用领域、场景进行智能化分类、分级的方法论，切实促进人工智能与制造业的结合落地。 蓝皮书中的结构框架、观点内容、案例素材由参编单位、工业互联网产业联盟和专业机构的专家们共同完成，特别是PTC郎燕、华为郭小龙对整体框架的指导。他们的努力和专业知识为本蓝皮书系列提供了宝贵的支持和帮助，衷心感谢他们的付出和奉献！ 组织单位：工业互联网产业联盟 参编单位（排名不分先后）：中国电信集团公司、天翼物联科技有限公司、美国参数技术公司（PTC）、走向智能研究院、中国信息通信研究院、北京机械工业自动化研究所有限公司、和利时科技集团有限公司、华为技术有限公司、数治云（北京）科技有限责任公司、中国石油国际勘探开发有限公司、浙江大学杭州科创中心、中国移动集团有限公司、深圳艾灵网络有限公司、思爱普（中国）有限公司 参编人员（排名不分先后）：张东、谢兵兵、赵敏、郎燕、沈彬、田洪川、李亚宁、杨宝刚、龚涛、郭小龙、李晓雄、李敏、曹晓擎、闫霞、杨磊、周威、俞一帆、张浩 统稿：乔岩、高志峰 目录 第一章制造业场景人工智能应用的发展历程..................................................7 （一）传统的工业人工智能.....................................................................9（二）以大模型和智能体为代表的新一代人工智能......................11第二章分类、分级方法.................................................................................12（一）分类方法..........................................................................................13（二）分级方法..........................................................................................19第三章案例分析..............................................................................................20（一）传统机器学习.................................................................................20（二）机器感知与机器视觉...................................................................21（三）生成式人工智能............................................................................22（四）认知与推理.....................................................................................23（五）人工智能代理（AIAgent）.......................................................26（六）智能机器人.....................................................................................30（七）融合智能..........................................................................................31（八）群体智能..........................................................................................35 第一章制造业场景人工智能应用的发展历程 AI在制造业的历史演进始于20世纪中叶，早期以专家系统和规则引擎为主，用于故障诊断和流程优化。20世纪末至21世纪初，随着机器学习（聚类、回归、时序预测等）、和工业自动化的发展，AI逐渐应用于质量控制、预测性维护和供应链管理。深度学习、物联网（IoT）和大数据的融合推动了智能制造的革命，实现了柔性生产、实时优化和数字孪生等创新应用，使制造业向智能化、自适应和高效化方向快速发展。当下，大模型和AIAgent技术的融合，正在推动制造业从“自动化”向“决策自主化”的质变跃迁，重构了传统制造流程。人工智能技术在制造业的应用经历了从“单点工具”到“全域智能”的演进过程，逐步渗透到研发、生产、供应链等核心环节。目前应用在制造业场景的人工智能应用主要围绕环境、状态、集群和任务展开： 1、面向环境的智能：感知和预测环境的变化及不确定性。2、面向设备的智能：感知设备状态变化，对设备性能及风险影响因素进行评估和预测。3、面向任务的智能：完成任务目标，及预测和管理任务实施所引起的不良结果。4、面向集群的智能：包括与环境中其他个体之间的配合和协同，以及从其他个体的活动中学习新的知识和经验。 经过AI技术多年的演进，制造业通过AI技术提升生产效率的核心思路经历了隐藏问题显性化、知识积累及应用和数据驱动智能决策的三个阶段： 1、使工业系统中隐性的问题显性化，进而通过对隐形问题的管理避免问题的发生 （1）测量原本不可被测量或无法被自动测量的过程因素：涉及设备状态评估与故障预测、机器视觉、模式识别、先进传感等技术。 （2）建立过程因素之间，以及过程质量之间的关系模型：涉及多变量过程异常检测、虚拟测量、深度学习神经网络等技术。 （3）动态优化最优的过程参数设定，使系统具备自动补偿能力，增强系统的鲁棒性：涉及优化算法、动态误差补偿、智能控制系统等技术。 2、实现知识的积累、传承和规模化应用 （1）提升知识作为核心生产要素的生产力边界，提升知识的产生、利用和传承过程效率和规模，从而获得本质的提升。（2）重新优化生产组织要素的价值链关系，使得整个产业链中的各个环节围绕最终用户的价值以高效的协同方式为其提供服务。 3、实现数据驱动决策、资源动态优化和系统自主进化 （1）充分采集并释放数据价值，解决过往“数据孤岛和浅 层智能”的问题，将制造业现场经验转化为可复用的智能模型，以数据为基础驱动全域智能决策。 （2）全流程贯通的数据流可以完整、实时、动态地反映制造生产全过程，通过调用生产工艺的机理模型可以实时分析工业生产运转情况，实时对生产进行调整优化，实现动态交互的生产资源过程优化。 （3）新一代人工智能技术具备的“系统自主进化”能力，促使AI从制造业静态工具向动态智能体的跃迁。其核心在于通过架构设计、学习机制与环境交互的协同创新，实现无需人工干预的持续优化与适应。 （一）传统的工业人工智能 2015年之前，制造业主要使用机器学习、规则引擎、统计模型（如回归分析）等作为辅助环节，聚焦单点应用。参考李杰教授在《工业人工智能》中的定义，工业人工智能是一种实现智能系统在工程领域应用的系统训练及方法，具有系统性、快速性和可传承性的特点。由于其收敛性和效率导向的功能特点，使得工业生产以及设备机器在原本的基础上差异化提升，如提高能源利用的效率、交通工具的安全性、机器的稳定性等。应用方向聚焦在工业设备和制造业，交通运输（高铁、航空、船舶等），能源行业（电网、风电、发电设备等），生产装备及自动化（机器人、数控机床等）。 2015年-2023年深度学习的快速发展带动了人工智能技术在制造业的进一步应用。卷积神经网络（CNN）、循环神经网络（RNN）更好的解决了图像分类、时序预测等问题。生成对抗网络（GAN）、长短期记忆网络（LSTM）推动了预测性维护、工艺优化在制造业的落地。深度学习作为机器学习的子领域，通过多层级特征抽象与端到端学习机制，在制造业复杂场景中展现出显著优势。深度学习可实现自动特征提取，从原始数据中学习多层抽象特征。通过深层网络拟合复杂函数关系，并处理图像、语音、文本等非结构化、多模态数据，具备更强的模型拟合、泛化、数据处理和动态适应能力。 传统的工业人工智能解决制造业问题的类型可以归纳为： 1、分类：根据一组训练数据，将新输入的数据进行分类的业务，主要任务为识别特定物理对象，例如半导体、3C电子等生产线上接受质检产品的图形。 2、连续评估：根据训练数据，评估新输入数据的序列值，常见于预测型任务，例如根据各种维度的数据来预测备件需求，根据过程参数预测产品质量（虚拟量测）等。 3、聚类：根据任务数据创建系统的单个类别，例如基于消费者数据预测消费偏好。 4、运筹优化：即系统根据任务产生一组输出为特定目标的 函数优化结果，例如排产优化、维护排程优化、选址优化、无人车调度优化等。5、异常检测：根据训练数据/历史相关性判断输入数据是否异常，本质上可以认为是分类功能的子范畴，例如多变量过程异常检测、设备健康预警、网络入侵识别等。6、诊断：常见于信息检索和异常诊断问题，即基于检索需求按照某种排序标准呈现结果，例如提供产品购买推荐、出现残次品时的异常排查推荐等。7、决策建议：根据训练数据针对某一个活动目标提供建议，例如维修计划建议，例如维修计划建议。8、预测诊断：通