趋势一数据从成本变为价值增长引擎

　　数据，既是人工智能赋能制造业的痛点，更是增长点。清华大学新闻与传播学院/人工智能学院双聘教授沈阳发现，当前，传统制造行业普遍存在数据孤岛、数据不标准化、数据质量低的问题，很多企业的数据依然分散在不同系统中（ERP、MES、CRM等），导致AI算法难以高效训练，无法提取有效洞察。

　　“在传统制造业数字化转型过程中，破解数据孤岛和质量难题的关键，是构建‘技术筑基、治理护航、场景驱动’的有机体系。”广电计量副总经理于莉莉认为，企业可以分三个层次推进。首先要夯实数据底座，通过工业互联网平台整合ERP、MES等系统，像搭建“数据高速公路”一样实现多源数据的实时流动与智能清洗；其次要建立治理规则，打破数据壁垒的同时，提升数据质量，让数据标准化、可利用。

　　最后的落脚点是价值落地。如同广电计量为头部车企所做的数字化转型蓝图，结合数字孪生和AI大模型将数据转化为实际生产力；同步培育既懂制造又通数据的复合型团队，并通过参与行业数据生态建设形成持续进化能力。“通过这种‘边修路、边立规、边创效’的路径，企业完全能在18~24个月内实现数据可用性提升60%、算法开发效率倍增的实质性突破，真正让数据从成本项变为价值增长引擎。”于莉莉告诉记者。

　　趋势二既懂业务又懂AI的跨界人才成刚需

　　记者调研时发现，AI+制造业的应用当前仍处于起步期，传统行业借助人工智能转型存在不少痛点。例如，制造业的专业性和多样性较强，不同制造业之间，甚至同一个行业的不同产业链环节之间，技术需求，技术路线以及转型升级的需求，都有比较大的差别。与商业领域不同，传统制造业很难通过一个通用模型去解决行业的所有问题。

　　“商业领域，可以用一种比较‘互联网’的方式，解决几乎所有的商业问题——它不在乎你卖什么产品，一个平台就可以成为‘万能的淘宝’‘万能的朋友圈’，这些虽然是戏谑，但也反映了部分真实。”中国社会科学院工业发展研究室主任邓洲认为，“制造业的场景多样性到了一定程度后，即便利用人工智能，创造颠覆性创新的可能性就会相对小，制造业企业采用AI的动力也就没那么大。”

　　清华大学新闻与传播学院/人工智能学院双聘教授沈阳还关注到，许多传统行业的一线员工会对“AI+”有一定顾虑甚至抵触，担心被AI取代或被监控，管理层缺乏对AI的系统认知，导致AI项目在推进中受到组织内阻力，难以真正融入日常运营。

　　“我认为，传统行业企业里的人才结构亟待转型，特别是在AI部署方面缺乏既懂业务又懂AI的跨界‘翻译官’，AI团队无法理解行业痛点，业务团队又看不懂AI模型，最终导致项目出现了无用功。”沈阳告诉记者。

　　趋势三创新链与产业链加快“无缝对接”

　　当AI开始重构传统制造价值链，传统行业与创新链如何实现“无缝对接”？

　　在沈阳看来，“行业+AI+科研”三位一体协同机制至关重要。

　　该机制下，可以采取一种科研团队“驻场式”合作：科研人员以“项目合伙人”身份进入企业参与产品全生命周期，实现从实验室技术到实际场景的深度融合，同时，依托重点园区设立试验区，为技术成果提供中试条件与应用反馈。

　　“在这样的机制下，产业‘图谱’与技术‘地图’就可能形成一套联通系统，在AI对接网络的辅助下，打通产业需求与科研成果，可以用AI生成适配方案与模拟部署效果，提升企业引入新技术的效率，特别是提高传统行业企业借力AI的信心。”沈阳表示。