问题——订单波动、库存攀升已成为制造业的普遍难题；论坛现场，戴欣结合宏观经济波动与产业结构变化指出，许多企业都经历“客户不好找、货不好卖、库存不好消化”，过去行之有效的经验在当下往往不再适用，甚至会变成新的成本。尤其在款式更新快、需求起伏大的行业，库存一旦失控，现金流与利润会被连续拖累。 原因——供给侧的标准化逻辑与需求侧的个性化趋势出现结构性错位。戴欣分析，工业经济长期依靠规模化、标准化来摊薄成本，但在渠道多元、信息更透明、偏好更分化的影响下，消费端越来越呈现“小批量、多批次、快迭代”。以纺织服装行业为例，头部企业日更款式数量庞大，任何单款判断失误都可能迅速累积为库存压力。早在2012年，对应的研究团队就提出“零库存”理念，其核心并非简单压库，而是用需求牵引替代供给推动，从“预测后生产”转向“订单与预售确认后生产”，尽量把不确定性前移到市场端消化。 影响——数字化能力正在抬高产业竞争门槛。戴欣认为，数字经济的重要作用之一，是缓解工业时代长期存在的“过剩”问题：借助互联网、移动网络与智能算法提升供需连接效率，让生产更贴近真实需求。部分企业依托更完善的供应链与海外预售周期，实现15至20天的快速响应，库存水平明显下降，运营方式更接近“按需即产”。在这个过程中，竞争优势不再仅来自单点自动化设备，而更多取决于全链路数据打通与协同效率。他判断：未来缺乏数字化基础、无法与智能系统联动的工厂，将更难进入主流订单体系。 对策——以场景落地为牵引，循序构建“数据—模型—流程”闭环。围绕“技术如何进车间、如何转化为利润”，戴欣强调，制造业智能化不是“买来就能用”的成品，而需要在业务实践中迭代，在数据与流程中逐步形成能力。他分享的思路是：一上，从容错空间更大、收益更易量化的场景切入。例如订单排产、设备调度、质量预警、能耗优化、呆滞物料识别等环节，决策频次高、协同链条长、人工投入大，只要把效率优势稳定转化为减少等待、降低浪费、压缩资金占用，就能形成可验证的收益。以呆滞料治理为例，不少企业因管理颗粒度不够，出现“库里有却找不到、看不见”，导致重复采购、交期延误和资金沉淀；通过智能识别与联动处置，节省的往往就是直接利润。 另一方面，要正视模型在工业应用中的边界与风险。戴欣提醒，智能系统的输出可能“看起来很专业”，但在缺少机理约束或可信数据支撑时，仍可能产生偏差。因此，工业场景应坚持“先设边界，再逐步加大使用强度”：对调度优化、趋势预警、异常检测等允许一定误差、可人工复核的领域，可以加快应用；对安全、精密加工、强一致性质量判定等高风险环节，则应以标准、规则与验证体系为前置条件，稳妥推进，避免把不确定性带入关键流程。 围绕制造企业如何系统推进转型，戴欣提出四项原则性路径：一是把按需生产融入业务逻辑，前端要能快速捕捉需求变化，后端要能把数据高效传递到计划、采购、生产与物流环节，形成快速闭环；二是提升新品研发与工艺迭代能力，以柔性制造支撑市场端快速上新，减少对存量产品的依赖；三是打造“既快又灵活”的交付体系，既缩短从接单到交付的周期，也具备多品种、小批量的组织能力；四是先夯实数字化底座，持续积累高质量数据，为后续智能应用提供可靠基础。 前景——智能化转型正从概念走向规模化落地，竞争焦点将从单点技术转向体系能力。与会观点认为，制造业下一阶段的关键不在于“更自动”，而在于“更协同、更敏捷、更贴近需求”。当数据贯通、流程再造与场景应用形成闭环，企业才能在不确定环境中实现更可控的成本、更稳定的交付与更高的资源利用率。面向未来，率先完成从信息化到数字化、再到智能化协同的企业，有望在供应链协作、全球订单响应与产品快速迭代中赢得先机。
制造业转型的关键，不在于采购一套技术就能立刻见效，而在于把需求拉动的业务逻辑、可复用的应用场景、可持续的数据治理与可落地的组织流程真正打通。在不确定性上升的市场环境中，谁能更早完成从经验驱动到数据驱动、从库存驱动到需求驱动的转变，谁就更可能在新一轮产业竞争中掌握主动权。