问题——全球主要经济体加速将人工智能嵌入制造业体系，从研发设计到生产组织、供应链管理再到服务模式，竞争焦点正由单点技术突破转向"技术—场景—产业"系统能力。调研显示，我国人工智能制造业应用总体推进较快，但结构性不均衡仍较突出：在研发设计、市场服务等价值链两端渗透较深，而在工厂级运营优化、质量控制、工艺自适应、供应链协同等高价值生产运营环节应用相对不足，距离"真正转化为现实生产力"仍有提升空间。同时，人工智能快速扩散带来数据安全、算法偏差、责任界定等治理新课题，亟需制度供给与产业实践同步迭代。 原因——一上，制造业场景复杂、流程长、设备异构，数据采集标准不统一，导致模型训练与跨企业复用成本偏高；部分企业数字化基础薄弱，难以支撑从"上系统"向"用数据、用模型、用智能决策"的跃升。另一方面，产业链分工细、企业数量多，形成了丰富的应用需求，但也使协同改造难度加大；部分应用更偏向"看得见、上得快"的展示型环节，而对需要持续投入、见效周期更长的运营环节推进不够。治理层面，全球竞争压力下容易出现"重速度、轻规则"的倾向，一味追求短期技术指标与市场份额，忽视长期伦理与社会影响评估，给产业可持续发展埋下隐患。 影响——从全球视角看，制造业增加值约占全球GDP的15%，人工智能带来的效率每提升1%，有望创造年均超过1600亿美元的增长空间。对我国而言，人工智能与制造业深度融合不仅关系单个企业降本增效，更关系产业链韧性、安全水平与国际竞争力重塑。我国拥有全球最完整的工业体系、超过600万家制造业企业，构成了人工智能最宝贵的全场景"试验场"和"训练场"；算力规模位居世界前列，数字基础设施完善，人工智能核心产业规模已超过万亿元。这些条件使我国有望把"场景优势、规模优势"深入转化为产业发展的"非对称优势"，关键环节形成更强的系统竞争力。但如果高价值环节推进不力、治理体系滞后，可能导致应用碎片化、重复建设增加，并在数据合规、风险控制上形成新的掣肘。 对策——受访委员建议，推动制造业智能化升级，要在"用得上"基础上向"用得深、用得稳、用得广"迈进。其一，聚焦高价值运营环节加力突破，围绕工艺优化、设备预测性维护、质量追溯、能耗管理、供应链协同等痛点，推进可复制、可推广的行业解决方案，提升模型在复杂场景中的泛化能力与稳定性。其二，打通科技创新与产业创新链条，强化"科研智能化"与"研发智能化"协同：面向科学研究的"AI for Science"更侧重解决"从0到1"的原始创新问题；面向产品与工艺开发的"AI for R&D"更侧重完成"从1到10"的工程化与产业化落地。下一步要推动两者贯通衔接，使科研成果更快、更有效转化为工程能力和产业竞争力，形成"从0到10"的跃升通道。其三，完善人工智能治理体系，坚持发展与安全并重。建立覆盖数据、模型、应用的全流程规范，强化风险评估、透明可解释、责任追溯与合规审查，推动形成可预期、可操作的制度环境，避免"短期主义"驱动下的无序扩张与系统风险累积。 前景——随着新型工业化推进和超大规模市场优势持续释放，人工智能将更深嵌入制造业全链条，带动生产方式、组织方式和商业模式变革。未来竞争不只是算力与模型的比拼，更是数据要素质量、工业知识沉淀、场景落地效率、产业协同能力与治理水平的综合较量。加快推动"人工智能+制造"从试点示范走向规模应用，将有助于我国在全球产业分工调整中形成更坚实的主动权，为培育新质生产力、塑造高质量发展新动能提供支撑。
人工智能赋能制造业是一场关乎未来的竞争。我国拥有得天独厚的优势条件，但优势只有转化为实际行动才能成为现实竞争力。关键在于既要抓住机遇、加快创新，又要保持理性、防范风险，在科技进步与社会责任之间找到平衡点。唯有如此，才能在新一轮全球竞争中赢得主动，推动制造业向更高质量、更高效率、更可持续的方向发展。