工信部定调：实施“人工智能+制造”行动！AI技术将“再定义”人才培养！

2025年6月，工信部在审议《工业和信息化部信息化和工业化融合2025年工作要点》时，明确提出要实施“人工智能+制造”行动，加快重点行业智能升级，打造智能制造“升级版”。

这一表态不仅释放出国家层面对“人工智能+制造”深度融合的高度重视，也为制造业在新一轮技术革命中指明了方向。同时意味着AI浪潮下，制造业正面临深层次的结构性挑战与转型压力，站在“再定义”的门槛上。

然而，人工智能赋能制造，并不仅仅是为了提升效率、降低成本，它更深刻地作用于制造系统的逻辑结构、组织方式与治理能力，推动制造业从流程驱动向数据驱动、从自动化向智能化、从人控系统向人机协同演进。

因此，AI技术的嵌入，正开启一场对制造业和人才培养的“再定义”。

“人工智能+制造”的落地路径：从感知到决策的五次迭代

随着“人工智能+制造”深度融合的推进，制造系统的底层架构正在发生一场静悄悄却深刻的重构。

传统制造体系长期沿用“感知-控制-执行-运营-决策”分明的层级型架构：传感器采集数据，上传至控制系统，指令驱动执行单元，自动化系统进行过程管理，决策层基于周期性数据分析进行计划与调整。

这种自上而下、中心控制的线性架构曾支撑了大规模、标准化的工业化生产，但在当下愈加复杂、动态、多变的制造环境中，其局限性日益凸显。

今天，制造业正从层级式架构向平台化、一体化、去中心化的系统重构迈进。感知、控制、执行、运营与决策不再是彼此割裂的系统，而是在统一的技术平台上协同运行、实时互动、智能闭环。

在这个架构中，人工智能的能力不再是简单地插入某一环节，而是深度嵌入整个制造网络的神经中枢，成为系统智能的支撑。

这种范式的转变，也勾勒出AI在制造业落地的五次迭代路径：

1.感知迭代：从“能看见”到“能理解”

制造的第一步，始于感知。随着AI视频分析、智能传感器、工业物联网的发展，制造现场的“眼睛”变得更加敏锐，也更具洞察力。

AI赋能的视频分析系统，能够自动识别生产异常、故障预警、物品状态变化，补足了传统规则算法的局限性。在数据采集端，传感器不仅采集数据，更通过边缘AI实现初步分析与事件触发，为后续控制与执行提供实时依据。感知层的强化，是AI向制造系统全面介入的起点。

2.控制迭代：从“规则控制”到“智能生成”

控制系统的智能化，正在重写工业控制的逻辑。以软件定义自动化（SDA）为代表的新一代工业控制系统，打破了传统控制系统中硬件与编程绑定的封闭结构，构建起开放、模块化、可重构的控制平台。

在此基础上，AI助手工具的引入，让PLC编程不再是工程师独自完成的任务。通过自然语言描述控制目标，AI可自动生成控制逻辑、流程图、语义注释，甚至进行调试与验证，实现从人写代码到人机共写的跃迁，提升控制系统的开发效率与迭代能力。

3. 执行迭代：从“自动化”到“智能协同体”

制造执行层也正在发生变化。AI与工业机器人深度融合，推动形成具备感知、判断、执行能力的“工业智能体”。

AI驱动下的机器人不仅能完成重复性操作，还可实现自适应路径规划、实时视觉识别与多机协同调度。通过数字孪生与仿真平台，机器人在部署前可在虚拟环境中完成训练与验证，极大压缩上线周期。从此，制造的“手脚”不再只是执行指令，而是具备判断力的智能执行体。

4. 运营迭代：从“记录管理”到“预测优化”

制造过程管理系统也因AI的引入而全面重构。人工智能正加速集成于MES、设备管理系统等生产过程核心平台，成为制造优化的智能引擎。

AI可对设备运行数据进行建模，提前识别潜在故障，实现预测性维护；通过实时数据流分析，优化OEE表现；在质量管理中，借助AI识别缺陷模式与根因，提升产品的一致性与合规性。制造过程管理正在从反应式控制迈向预测式运营，实现进程级、数据驱动的智能优化。

5. 决策迭代：从“周期滞后分析”到“实时智能决策”

制造企业的决策也正迎来智能化转型。AI将逐渐具备辅助排产、库存模拟、质量预测等高复杂度决策任务的能力。

借助AI模型，企业可以进行情景模拟，快速评估不同排产策略的资源占用与交付可能性；结合历史与实时数据，AI可预测质量波动趋势，提前调整工艺参数；在库存管理中，AI可动态推荐补货策略，提升库存周转效率。制造决策从滞后响应迈向前瞻洞察，成为企业敏捷性与韧性的关键支撑。

在这五次跃迁中，我们看到，人工智能不再是外置的工具，而是制造系统内部的智能因子。它跨越传统边界，融入每一层级、每一节点，推动制造系统从分层控制走向智能协同，从局部优化走向系统智能。

这场系统性重构，正是“人工智能+制造”的内涵所在。

“人工智能+”时代的人才培养：需要什么样的系统能力？

在制造业数字化转型的浪潮中，一个共识正在形成：真正阻碍行业进步的并非技术本身，而是掌握技术的人。据麦肯锡调研，超过70%的数字化转型项目未能达到预期目标，主要原因有三点，第一是企业平均拥有的应用系统过多，但集成和数据流通受阻；第二是传统自动化流程无法适应业务变化，维护成本高；第三点就是显著的数字化人才短缺。

国家工信安全中心发布的白皮书显示，中国2020年的人工智能人才缺口就已经达到了30万人，智能制造领域今年的缺口将攀升到500万人。

智能制造需要更多人，而不是更少人。

这意味着，AI的广泛应用，并未带来裁员潮，反而催生了对新型技能与复合型人才的强烈需求。

过去，AI更多被视为一种工具：用于辅助检测、分析数据、生成报表。而如今，随着AI模型在预测性维护、质量控制、排产调度等环节的渗透，它正逐步从辅助判断者演化为参与决策者。

这种演化不仅改变了技术角色，也重塑了组织结构。制造企业正在从“以人决策、AI协助”的单向关系，转向“人机共决策”的双向协同模式。AI不再是后台工具，而是嵌入业务流程、参与流程演化、触发流程再造的智能要素。

这也意味着，企业对人才的要求正在发生质变：不仅需要懂AI的工程师，也需要懂制造的AI人才。具备跨界能力、系统思维与业务理解力的AI通才型人才，将成为组织智能化转型的关键支撑。

但制造业的复合型人才并非简单的技术堆砌，而是需要贯通工业工程、运营技术、AI等信息技术，这类人才既需要理解生产流程中的工艺痛点，又要能将AI算法、工业大数据转化为车间中切实可行的降本增效方案，时下来看是不可多得的。

虽然中大型企业都在自研数字化人才培养体系，但内部造血的模式存在明显局限：一是周期长，从学习到业务融合至少需要两三年沉淀；二是培养成本高；三是流失风险，制造业的数字化人才可能会流向互联网等高溢价行业。

叠加因素的“困境”在产业链协同中被进一步放大。上游供应商的数字化地基浅，下游企业就难以构建全链条智能模型。人才短缺如同多米诺骨牌，正在拖慢整个制造业的智能化进程。

而更深层的矛盾还在于培养机制。传统教育体系下，工科生缺乏数据思维训练，AI+人才又对产线和工程实践认知模糊，高校教育和企业需求之间存在“断崖”。今天的“AI+制造业”人才培养梯队和体系，几乎是一片无人区。

破局之道：构建产业链教育链人才链协同育人生态

AI领域对于人才的专业性、可塑性、敏感性和自主学习性要求较高，在教育要求方面强调硬科技专业背景，以硕博为主。但当前高校“学科建设”导向和“院系制”组织模式难以适应AI领域深度前沿探索、交叉融合创新的发展趋势。与此同时，校企共建实验室多集中于通用领域，先进制造设备及核心算法资源较少向高校开放，也加剧了人才培养环节与产业创新实践的脱节。这些问题的存在不仅导致院校AI人才培养能力远远落后于产业发展要求，更将影响到未来AI领域的人才竞争，构建产业链教育链人才链协同育人生态方是破局之道。

一是建立分层分类培养体系。聚焦应用型人才培养，推动学位论文替代试点，允许以原创算法、产品开发、场景应用方案等替代，推动“基于问题解决”的人才培养创新，实现学术价值与产业价值的统一。围绕研发型人才培养，推动领军企业与高校院所共建AI人才协同培育机制，以行业需求为引导，按照基础研究、技术开发、系统集成等环节定制人才方案，开发跨学科课程模块，实施基于“研发创新”的嵌入式人才开发。面向基础型人才培养，强化高中与高校衔接，在“强基计划”中扩大AI比例和覆盖面，建立本硕博直通机制，产学研结合编制教材，缩短人才培养周期，支持青年人才在20—30岁黄金期投入产业创新实践。

二是打造“双师型”师资队伍。打通企业与高校院所人才流动和职业发展贯通通道，使企业高水平专家“站讲台”常态化，试点头部企业技术骨干入校授课占比专业课时达到50%左右。实施专业教师入企实训与项目参与计划，推动青年教师带薪加入头部企业开展1年左右的实训实践或项目参与。重构教师能力标准体系，推动构建“教学能力—工程能力”双维度专业教师人才评价体系，将新产品新技术新服务开发、技术转化成果纳入教师职称评价体系，并实施高水平成果“一票晋级”制。推动教师将掌握AI工具作为必备技能，积极开展AI伦理判断、价值选择等问题研究。

三是搭建产学研协同创新实践平台。鼓励企业与地方共建产业开放实验室，推动相关软件及算力资源共享，实施基于问题导向的联合研发项目。支持高校建设产教融合实验室，并采用有偿机制引入企业核心资源，助力高校相关模型训练及项目研发。充分发挥产业联盟作用，推动产业学院建设，实现“入学即入职”。以AI赛事驱动人才发展和自由涌现，设立国家级AI创新大赛，开设产业、企业命题赛道，推动“以赛鉴人，以赛引人”，通过专业竞赛识别早期“天才少年”，进而贯通大中小培养链条，实施人才定制化培养。在智能制造、智慧医疗等新兴领域，靠近产业应用场景建设校企联合实验室及创新孵化器，让学生直面产业需求，开展应用化“钻研性”学习。

四是创新人才发展激励机制。围绕构建AI领域人才、场景与商业价值之间的高效闭环，推动科技、人才与产业政策创新。建立AI专利授权绿色通道，推动校企合作项目专利授权周期缩短至半年以内，加快建设快速审查、快速确权、快速维权一体的AI“一站式”知识产权服务体系。聚焦AI领域重点企事业单位，推动重点人才工程计划配额制试点。面向重点产业链“链主”企业、重点研究机构等下放高层次人才认定权。实施超级AI人才项目，对来自海外高水平大学的STEM专业博士，给予具有竞争力的经费及生活保障支持。推动扩大自然基金企业联合项目，探索建立“企业出题、协同攻关、市场验收、政府补助”的科研项目形式与支持机制。建立AI领域“人才投”与“人才贷”“人才板”等联动机制，组建“投贷保”联盟，发挥AI人才投资基金的引导集聚效应。