智能经济是以人工智能为核心驱动力的新型经济形态，工业是国民经济的核心和压舱石，为智能经济的发展提供了广阔场景。依托工业互联网等新一代信息基础设施，基于人、机、物、系统的深度互联融通，人工智能正全面渗透设计、生产、流通、消费全链条，对传统工业体系实施全方位、深层次重塑。

一、智能经济下工业重塑的理论基础

智能经济的核心要素包括算力、算法、数据和智能体。数据是基础，算法是中枢，算力是支撑，智能体是载体。在工业领域，算力相关产品及面向应用的智能产品等工业产出，以及智能技术在工业领域的深度应用及对工业体系运行质量与效率的系统性重构，体现了智能经济下工业重塑的核心价值。

（一）智能经济下工业重塑的四个理论支撑

一是要素互联理论。根据梅特卡夫定律，连接力就是生产力，‌一个网络的价值与其连接节点数（或用户数）的平方成正比‌，要素互联的规模与质量共同决定价值创造水平，构成智能经济下工业重塑的基础。

二是技术扩散（渗透）理论。新技术的广泛扩散深刻影响产业结构与经济发展路径，技术扩散和渗透是智能经济重塑工业理论的核心。技术渗透与要素互联的广度和深度呈现极强的正相关性，智能技术在工业全链条全环节的广泛渗透加速推动工业创新快速迭代。比如AI与IoT（物联网）融合技术，已在汽车制造工厂的设备预测性维护、化工生产的流程优化等工业场景实现落地，通过对设备运行数据、生产流程数据的分析应用，避免生产停滞、优化生产条件。当前人工智能技术已全面渗透到制造业研发设计、生产制造、运营管理和产品服务全流程，专用小模型广泛植根于各环节，大模型也在复杂场景中展现出巨大潜力，持续驱动工业创新迭代。

三是数据驱动的系统优化理论。通过构建物理实体的多维度虚拟映射模型，实现全要素数字化；面向各应用场景的不同剖面数据，通过算法和模型匹配对应应用目标，实现对生产过程的仿真优化、实时监控与智能调控；依托系统理论寻求全局最优参数，提升制造精度、响应速度，促进节能降耗与绿色生产，实现系统整体最优，是智能经济下工业重塑的实现路径。

四是产业演进升级理论。工业智能技术与全链条深度融合优化形成正反馈机制，推动产业持续迭代升级，促使各环节持续优化，工业全要素效能发挥到最佳，赋能工业从低附加值向高附加值演进，助力工业向高端化、智能化、绿色化转型，产业升级成为必然结果。

（二）智能技术赋能工业领域三重变革

一是生产方式变革。智能技术推动工业生产由大批量、标准化、集中式向柔性化、定制化转变。传统大规模生产模式难以适配日益多元、个性化的市场需求，依托大数据与AI驱动的需求预测、个性化生产技术，企业可在基本不增加成本的前提下实现“以需定产”，从而实现工业生产从传统的“经验依赖、流程驱动”向“数据驱动、智能决策”转变。譬如，汽车制造商可根据用户偏好定制车型配置，服装企业可依据个体体型数据生产合身的服饰。同时，无人工厂与黑灯车间逐步普及，借助机器人、自动化生产线与智能控制系统完成全流程作业，可显著提升效率并降低人工成本与安全风险。此外，通过将智能技术广泛应用于产品设计、制造、检测与运维等环节，可大幅提升设计效率、优化制造工艺参数、超前进行故障预警、全面提升生产效能。

二是产业结构及产业质量优化。智能技术推动传统工业智能化改造，同时催生新兴产业快速发展。传统制造业通过引入智能控制系统、传感器网络与数据分析平台，实现生产过程的数字化与自适应调节；工业企业利用智能模型优化生产过程和工艺参数，提升产品质量，通过实时监测和智能预警技术，实现产线、设备设施的安全生产监控。同时，大数据、物联网等新兴智能产业迅速崛起，不仅为制造业提供技术支撑，也成为新的经济增长引擎。更甚之，产业边界日益模糊，跨界融合趋势明显，“制造+服务+数据”的新型商业模式成为主流。

三是价值逻辑变革和价值链重构。智能技术促使工业价值链由传统的线性结构向多维价值网络演进，数据驱动的价值创造模式日益明显。智能技术让数据流、服务流与资金流深度交织，企业通过提供增值服务、数据解决方案和系统集成服务创造多元收益。服务型制造成为主流趋势，如大型装备和设备生产企业不再仅靠设备销售，而是转向“硬件+软件+智能服务”的综合服务，企业可利用用户行为数据实现精准营销，挖掘潜在商业价值，进一步扩展设备租赁（可依据设备使用情况的数据精准租赁）、设备精准保养和维修（可依据设备及各零部件等运行数据进行精准保养）、运行策略优化（如根据云端AI分析优化能耗）等新型价值模式，并可开展延寿改造等服务，大幅提升产品全生命周期价值，持续增强客户黏性。产品交付不再是价值的终点，更是数据收集和模型迭代的起点。

二、智能技术在工业中的应用现状

人工智能技术进入大规模应用阶段，实体经济尤其是工业制造业成为智能经济发展的主战场。当前，大模型已在电子、钢铁、汽车等领域广泛应用，助力工业企业实现智能化运营和生产效率提升。比如，山东能源集团的盘古矿山大模型，从采煤、掘进等9个专业入手，实现了AI大模型在21个应用场景的落地；在某模具工厂，大模型生成的参数配置方案将试模周期由近百次缩短至2次，产品质量合格率由92%提升至97%；在某空调工厂，通过AI视觉质检系统，单台设备替代8名技术人员，人力成本压缩87.5%。IDC调研显示，我国工业企业应用大模型及智能体的比例已从2024年的9.6%提升到2025年的47.5%。在全国已建成的230余家卓越级智能工厂中，产品研发周期平均缩短28.4%，生产效率平均提升22.3%，不良品率平均下降50.2%。

我国高度重视人工智能在工业制造业领域的应用。《中华人民共和国国民经济和社会发展第十五个五年规划纲要》明确提出，“全面实施‘人工智能+’行动……抢占人工智能产业应用制高点，全方位赋能千行百业”。当前我国重点工业企业数字化研发设计工具普及率已达到80.1%、关键工序数控化率达到62.9%，“人工智能+”正切实推动各行业的智能化升级。2025年8月，国务院印发《关于深入实施“人工智能+”行动的意见》，明确提出“推动工业全要素智能联动，加快人工智能在设计、中试、生产、服务、运营全环节落地应用”。2026年《政府工作报告》明确提出“深化拓展‘人工智能+’，促进新一代智能终端和智能体加快推广”。工信部等八部门于2026年1月出台《“人工智能+制造”专项行动实施意见》，同年出台《工业互联网和人工智能融合赋能行动方案》。《“人工智能+制造”专项行动实施意见》围绕创新筑基、赋智升级、产品突破、主体培育、生态壮大、安全护航、国际合作等7大重点任务，部署了系列措施，提出开展“模数共振”行动，推动人工智能模型与数据资源协同互促、同频共振，体系化推动大小模型、智能体实现突破。《工业互联网和人工智能融合赋能行动方案》提出充分发挥工业互联网泛在互联、数据汇聚、资源调度的底座作用，为工业领域算力供给等问题提供解决方案。

目前，全球各行业已有超过3000万个AI智能体协同工作，深入生产、制造、金融等核心流程。AI智能体的工业应用场景十分广泛。据麦肯锡预测，生成式AI每年有望为全球制造和供应链领域带来高达2750亿至4600亿美元的增量价值。目前，我国规上制造业企业人工智能技术应用普及率已超过30%。人工智能应用已覆盖钢铁、有色、电力、通信等重点行业，逐渐深入到产品研发、质量检测、客户服务等重点环节。无人生产线、人机协同在车间和工厂成为“潮流”，极大提升了各环节的质效。

三、智能经济下工业重塑面临的挑战

智能经济的发展及其对工业体系的重塑是必然的，但当下仍面临技术、产业和社会方面的挑战。

（一）技术层面

通用人工智能技术能力持续提升，但在工业应用领域，技术层面的挑战广泛存在。一是大模型作为核心智能技术，其输出结果的确定性和准确性难以保障。工业应用需要模型机理清楚、过程可信、结果可靠，输出结果符合物理定律与工程逻辑，而目前大模型以语义生成为主，虽然行业垂直模型已通过机理、知识、数据及高质量垂直语料完成预训练与微调，使其具备对工艺参数、设备状态与工序约束的专业推理能力，但大模型的推理机制与逻辑仍难以满足工业领域的确定性应用需求，仍须由人作出最终决策。二是智能技术特别是大模型目前处于快速迭代阶段，稳定性不足制约企业应用意愿。三是我国在核心技术领域存在一定程度的受制于人，特别是高端人工智能芯片、工业软件、精密传感器等领域仍依赖进口，存在供应链断供风险，威胁产业安全。四是数据安全与隐私保护风险加剧，工业数据涉及工艺参数、客户信息等敏感内容，若发生泄露可能会导致重大经济损失与信任危机。此外，工业要素互联面临数据协议不统一、设备兼容性差等问题，阻碍了智能系统的集成与协同。五是工业场景的复杂性与长尾需求，导致通用AI模型难以覆盖全部细分工况，定制化开发成本高、周期长。

（二）产业层面

智能技术存在一定的门槛，对中小企业制约尤为突出。首先，多数中小企业面临资金短缺、人才匮乏、信息化基础薄弱等现实困境，普遍难以承担高昂的智能技术应用成本，其数字化、智能化升级高度依赖政策扶持与产业链链主或平台企业赋能，自主转型能力偏弱。转型红利的滞后性也使企业决策层对转型投入存在顾虑。其次，传统产业的技术架构与管理模式普遍难以适配智能技术要求，体系调整优化周期长、进程慢。再次，智能经济的产业生态尚不完善，适配性强、小快轻准、价格适中的解决方案依然缺乏，制约着智能技术在工业领域的推进效率。同时工业公共数据供给匮乏、市场化配置机制不完善，工业数据涉及设备制造商、软件服务商、工厂业主等多方主体，专有属性强且权属界定模糊，企业普遍存在数据安全顾虑，“不愿共享、不敢流通”现象突出。

（三）社会层面

智能经济引发多重结构性社会挑战。其一，就业结构承压显著，智能化将替代大量重复性岗位。据预测，到2030年，人工智能和自动化可能会导致全球范围内高达8亿个工作岗位面临被替代风险。若新岗位创造速度滞后，可能引发阶段性失业风险。其二，高技能人才严重短缺，兼具工业专业素养与算法能力的人才缺口突出，制约了工业智能技术落地。据教育部及行业调研，2024年我国人工智能专业在校生人数约为4.3万人，而产业界对AI技术人才的需求已突破500万大关，其中“人工智能+制造”的复合型人才尤其稀缺。国家工业信息安全发展研究中心发布的报告显示，目前我国人工智能人才缺口达30万人，智能制造行业数字人才缺口大，人才供需矛盾愈发尖锐。其三，法律法规滞后于技术发展，人工智能的工业伦理、各环节工业数据的安全合规管理、智能产品的责任认定等问题缺乏清晰法律框架，亟须制度补位。

四、应对策略

针对上述三方面挑战，要综合发挥市场和政府的协同作用，从技术创新、机制构建、生态建设和社会适配等维度系统施策。

（一）加强技术创新和数据开发

加强工业数据集开发，建立各行各业高质量数据集和语料库，加大对工业专用模型的支持，解决模型微调和专业知识注入难题，提升模型在具体工况下的推理可信性和结果可靠性。持续加大对人工智能芯片、工业操作系统、高端传感器等“卡脖子”技术的研发投入支持，加速国产算力建设，夯实人工智能工业应用的基础底座。

（二）构建分类分级、场景驱动的转型机制

不同规模、行业及区域企业数字化基础与资源禀赋差异显著，数智化转型须因地制宜、梯度推进。引导大型龙头企业基于技术、资源和人才优势，发挥产业链数智化转型的带动效应，开放平台能力，构建覆盖设计、生产、物流、服务的全链条智能生态，加速技术规模化落地与价值释放。针对中小企业资源短板，加强政府的公共服务，引导第三方数字平台开发“小快轻准”的解决方案，分级分类渐进推进企业数智化转型。统筹各级政府公共算力资源布局，降低企业大模型训练、微调成本，有效降低中小企业智能化应用门槛。

以场景应用作为企业数智化转型的核心抓手，聚焦智能参数化设计、设备预测性维护、工艺参数优化、产品质量检测、柔性产线调度等典型、高价值场景，以实际痛点和需求为牵引，推动AI技术与工业场景深度融合。打造标杆示范项目，提炼可复制的解决方案，降低中小企业应用门槛。深化“AI+制造”“AI+工艺”融合，推动算法模型与物理设备、工艺参数、生产过程的深度耦合，实现智能技术从“能用”到“好用”、从“单点突破”到“系统优化”的跃升。

（三）加强生态建设和社会适配

加强AI工业应用的标准体系建设，重点攻关要素互联、协议互认、数据互通的标准研发，发挥标准的引导作用。建立工业数据要素的体系化共享机制，破解大模型训练和微调所需要的高质量数据集不足的瓶颈。完善多层次人才培养体系，强化职业技能教育与产业需求精准对接，重点培育兼具专业素养与数字能力的跨领域复合型人才。加快完善人工智能工业伦理、工业数据安全合规、权责界定等法律法规与制度规范，补齐制度保障短板。

工业体系的智能化重塑是新一轮科技革命和产业革命的必然趋势。正如前三次工业革命一样，本次革命将从生产方式、产业结构、价值链条等维度对工业领域产生颠覆性影响，也是技术供给、场景牵引、政府责任和生态体系协同作用的系统性工程。在这一进程中，存在认知不足、供需脱节、应用门槛偏高、生态不健全以及社会适配不足等各种挑战，亟须强化供给侧技术创新研发、构建完善的转型机制，优化生态建设和社会适配体系，真正释放智能经济下工业体系重塑的巨大潜能。

（作者系中国工业互联网研究院总工程师 王宝友）

来源：《企业改革与发展》杂志2026年第6期