制造業數字化轉型該怎么做？下面通過 1.6W 字干貨內容，全面講透制造業數字化轉型。

（為防后續找不到，建議大家先點贊+收藏~）

引言：

1、發達國家制造業回流力度加大，中國制造業戰略地位提升。

隨著全球制造業生產從西向東轉移，許多發達國家經濟體經歷了一段衰退期。美國制造業在20世紀50年代達到巔峰，約占經濟總量的28%，但此后逐步下降至略高于10%；1991年至2022年期間，制造業在德國經濟所占比重也從25%降至19%。然而在過去的幾年間，新的制造業時代開始形成，以德、美、日、法為代表的發達國家紛紛加大制造業回流力度，積極部署制造業自動化、智能化升級，以求提振制造業在國民經濟中的戰略地位。

對于中國而言，制造業發展水平不僅關乎國家地位，對于加快發展現代產業體系、鞏固壯大實體經濟根基并在建設工業強國的同時構建高質量發展新格局更具有重要的戰略意義。歷經數十年的高速發展，中國制造業已經建立了獨立完善的產業體系，中國制造業規模排名世界第一，2022年中國制造業增加值占GDP比重達27.7%。

注：數據來源于工信部

2、數字化技術全面重塑制造業生產體系，并為產業鏈上各環節帶來發展新機

中國制造業體量龐大，一些產業內的先進企業正積極探索從自動化、信息化向數字化、智能化發展，但是多數企業對于前沿技術的融合落地應用還處于初級階段， 我國制造業距離完成真正的數字化轉型還有很長距離。

隨著制造業數字化進程的加速，人工智能、工業互聯網等底層技術正全面重塑制造業生產體系，推動新的生產要素、研發范式和商業模式的建立。這個變革過程不僅是對原有制造體系的顛覆，而且會影響制造業的所有細分行業和產業鏈價值鏈的每個環節，為眾多領域以更高效率穩住發展動力提供了新的可能。

本報告從“研發設計”、“供應鏈”、“制造生產”及“營銷及售后服務”四個部分，闡述工業互聯網、人工智能等底層數字技術對制造業各環節的支持與賦能，并在此基礎上對中國制造業數字化轉型趨勢做出展望。我們相信，本報告所展現的產業洞察將為業界帶來新的啟示，幫助眾多制造業創新企業更好地把握數字化轉型的要點及路徑。

一、制造業數字化轉型底層技術支持：

1、人工智能

（從技術突破到應用拓展，AI技術正加速在制造業中的滲透。）

以深度學習、計算機視覺等為代表的AI技術正加速向制造業滲透，領先的AI能力能成為我國制造業在全球競爭力的重要體現。

1）深度學習。曾經制造業的數據分析方法以經典統計學和計算機科學為基礎，能夠處理的數據量和計算速度都較為有限。引入深度學習等機器學習方法后，制造業企業能夠對海量數據進行高效處理分析，并使其產生業務價值。深度學習技術能夠將工業數據轉化為具備價值的數據資產，隨著各類算法的逐漸完善，深度學習技術逐漸成為衡量制造業數字化轉型進程的核心技術之一。

2）計算機視覺。計算機視覺是以深度學習為基礎的、研究機器如何獲取、處理、分析和理解數字圖像的技術。對比人眼，計算機視覺具有識別精度高、速度快、效率高、環境適應性好、方便信息集成等優點，目前這類技術已廣泛應用于電器制造、汽車、紡織等制造業領域。未來，隨著人力成本的不斷上升和傳感器、電子元器件等工業硬件成本的逐漸下降，機器視覺在制造業中的滲透率將逐步提高。

（技術體系支撐下的工業互聯網是工業制造業實現全面數字化轉型的關鍵基礎設施。）

工業互聯網是新一代信息技術與工業制造業深度融合的產物，通過對人、機、物、系統的全面鏈接，構建起覆蓋工業制造業全產業鏈的全新制造和服務體系，是工業制造業數字化轉型的關鍵綜合信息基礎設施。

（5G、區塊鏈、邊緣計算、數字孿生、低代碼等技術將在更廣泛的生產制造場景中實現落地應用）

以5G、區塊鏈、邊緣計算、數字孿生、低代碼等技術為代表的新興數字技術對支撐工業互聯網體系架構中的網絡、平臺和安全的建設以及實現數據優化閉環具有重要作用。

1）5G技術。制造業領域中的人、機、物系統的全面鏈接，離不開具有海量連接、低時延的網絡連接技術。5G作為最新一代的蜂窩移動技術，具備海量連接、高可靠、低時延等優勢，利用5G無線技術、網絡切片技術，以及其他與網絡技術融合的5G+時間敏感網絡、5G+云等技術，可有效解決不同工業場景的多樣性需求。當前，5G賦能工業互聯網已經取得了一定的研究及應用成果。在生產制造場景下，5G能夠支持AGV等移動機器設備的部署，并在網絡架構融合的基礎上支持部分設備的遠程控制。

2）區塊鏈。企業在部署工業互聯網過程中，隱私數據需要上云，因此需要區塊鏈技術解決工業互聯網平臺中的互信協作及數據安全、數據控制權等問題。通過區塊鏈的加密算法、訪問控制、隱私保護、入侵檢測等技術，可以實現企業內部各個環節的數據共享、網絡加密及訪問權限控制等功能。目前，區塊鏈技術在產品質量管理及生產過程追溯等環節已經落地應用，未來隨著“區塊鏈+工業互聯網”融合研究以及各項標準制度的發展與完善，區塊鏈技術將在工業互聯網中持續發揮更大的作用。

3）邊緣計算。一些需要高效計算能力的生產控制場景不支持將數據傳輸到云端后再進行計算，并且由于生產現場設備之間通信標準的不統一和總線連接的異構，需要將計算資源部署在生產現場附近，以滿足這部分業務的高效實時需求。邊緣計算技術與工業互聯網的融合，能夠將工業場景中的計算以及存儲分散到工業互聯網邊緣來降低云端計算和存儲的壓力，解決云計算模式存在的實時性差、運維成本高、數據安全風險等問題。未來，邊緣計算技術的數據安全能力及其協同性、可靠性將進一步提升，邊緣計算將成為制造業數字化轉型的強大驅動力。

4）數字孿生。數字孿生為工業互聯網智能化部署提供了強大驅動力。數字孿生是物理世界在數字世界的建模映射，起源于新興信息技術與不同領域技術的融合，其技術基礎包括物聯網、大數據、機理模型建模、人工智能及云邊協同計算等技術。這些數字技術的融合賦予數字孿生系統數據采集、建模分析、高效計算和判斷決策等功能，未來，數字孿生與工業互聯網的融合將持續完善工業互聯網的功能架構，幫助企業實現全方位數據優化閉環。

5）低代碼。低代碼是一種低代碼編寫量、可視化的應用開發與數據分析方式，相對于傳統需要編寫許多行代碼的“純代碼”方式，低代碼可以減少代碼編寫量，或不使用代碼編寫，進行應用的開發、數據的拉選及分析。在低代碼模式下，專業開發人員或業務人員可以通過圖形化的用戶界面，以拖拉拽組件、模塊的方式輕松連接數據源，進行應用開發與數據分析，并自動同步到移動端，同時也可以結合編寫少量代碼的方式進行功能的擴展， 輕松為工業企業實現針對生產、經營管理、運維等全方位的建模、執行和分析。

近年來，工業數字化軟件逐漸向低代碼化發展，從而能夠在短時間內賦能工業企業完成數字平臺的落地，解決數據孤島、業務孤島、OT與IT融合等問題，降低數字化轉型的資金及時間成本，使得企業能更加專注于業務的持續創新，提升企業的敏捷性與自主性。

目前國內低代碼平臺在制造業領域做得還不錯的優秀廠商有：織信Informat、葡萄城等。

二、研發設計

1、產品設計洞察

（大數據、AI、物聯網等數字技術助力企業貼近需求端，加快研發效率的同時，縮短研發周期）

工業設計是制造業的第一步，也是產品的起點與核心，包含需求洞察、產品研發、仿真優化等環節。工業設計與創新能力息息相關，設計越活躍，其市場競爭能力越強，制造業水平越高。數字技術的成熟，推動企業可在設計環節，根據用戶需求，在大數據、人工智能、虛擬現實等支撐技術的作用下，對海量信息進行分析，實現高效設計的同時，對產品進行仿真，進而快速產出符合用戶需求的產品設計。

在需求洞察環節，過去主要依賴研發人員，研發思路、手段、創意均受到限制，這導致家電、汽車、服裝等制造業細分產業的產品同質化嚴重，各品牌難以通過差異性產品搶占市場份額，行業競爭激烈。此外，消費者需求愈加碎片化、多元化，僅依靠傳統產品設計思路已難以適應市場變化。精準挖掘并高效響應市場需求，已成為決定企業市場份額螺旋上升的關鍵。因此，制造業積極探索需求洞察環節的數字化，借助大數據、人工智能、物聯網等數字技術，抓取并分析需求，指導新產品的設計與改進，縮短研發周期的同時，提升研發效率。

1）人工智能+大數據。大數據技術可基于用戶訪問、交易等海量數據，對需求端進行全方位深度挖掘分析，以數據驅動，構建用戶、產品畫像的同時，及時捕捉用戶需求，從而為新品設計提供思路，提高研發效率。此外，隨著深度學習和知識圖譜等技術的成熟，大數據分析能力和效率增強，可深度挖掘數據價值，提升數據洞察能力。美的即通過瓴羊旗下的數據銀行產品，洞察消費趨勢，準確了解消費者喜好及目前使用痛點，明確“清洗方便”是急需提升的產品特點，從而進軍免洗破壁機市場，研發出更復合年輕消費者對廚房空間和生活方式期待的產品。

2）物聯網。物聯網可打通消費端與設計端，遠程從IoT設備獲取設備數據，評估產品運行狀態，收集消費者使用反饋，幫助產品進行迭代設計。

2、研發類工業軟件

（研發類工業軟件輔助設計工作，但面臨要求高、數據孤島等問題。）

研發設計類工業軟件融合多學科，利用計算機計算和圖文處理能力，以可視化方式，在設計階段即可規劃產品整個生命周期，幫助設計人員完成產品設計和工程繪圖等多項工作，提高設計環節效率的同時，大大簡化了設計人員的重復工作，降低誤差概率，管控研發質量。

傳統工業研發軟件基于單機或局域網本地部署，對使用環境配置、數據版本一致性、數據安全性有較高要求，各環節的獨立也導致團隊合作較為割裂。此外，目前各個研發軟件差異較大，各軟件間數據一致性、時效性不同，且存在難以流通、數據孤島問題，對企業的研發工作造成困難。AI與云計算等數字技術和軟件一體化有望解決以上問題，提升設計效率和結果的同時，降低軟件使用成本。

（AI、一體化、云計算幫助研發類工業軟件實現研發質量與效率的雙提升）

1）一體化。研發類軟件一體化指將設計各環節、各類軟件功能聚合，標準化并共享設計數據，有望實現多方協同設計，縮短開發時間。例如，中望軟件提出all-in-one CAx戰略，逐步向CAx一體化軟件平臺發展，從二維CAD軟件逐步向三維CAD、CAM、CAE拓展，并協同發展PDM、PLM軟件能力。再比如，【織信低代碼】提出企業級低代碼的概念，逐步向信息一體化軟件研發平臺發展，可以覆蓋企業各類業務場景需求，將傳統信息化軟件OA、CRM、ERP、SRM、WMS、MES、PLM等軟件進行一站式管理。并擁有足夠高的能力邊界，支撐這些系統快速開發的底層框架。

2）人工智能。AI技術有望引領研發工業軟件交互模式、設計模式變革，已在芯片、制藥等領域應用。具體而言，工程師通過自然語言下達指令，設定材料和工藝要求，AI自動生成多種設計方案，提高設計效率的同時，提前預設到各類影響因素，提升設計效果。在芯片制作領域，Cadence推出智能芯片設計工具Optimality，AI驅動取代傳統設計、測試和調整循環的交互流程，幫助工程師自動優化設計，生產效率提升近10倍，部分設計上操作速度提升百倍。

3) 云化。一方面，基于Web或云端部署的研發軟件，可將用戶產生的數據存儲在云端服務器上，方便其隨時掌握知識產權、產品生產制造等核心數據的同時，云架構軟件將各個環節整合，使設計師隨時隨地可協作工作，提高工作效率。另一方面，企業無需再配置本地圖形工作站和專業運維團隊，減少其軟件使用成本。以釘釘為例，基于云服務等技術，釘釘幫助企業實現生產數據上云，并可以通過低代碼開發的方式，幫助制造業企業以較小的成本實現研發工作的協同。

3、工藝仿真

（工藝仿真與數字技術的融合，有望解決行業門檻高、效率低、局部優化等問題。）

工藝仿真利用產品三維數字樣機，對產品裝配過程進行統一建模，在計算機上實現對零部件、裝置(整機)、生產線和工廠工作、運行狀態的模擬和仿真，從而在研發階段，通過虛擬調試，對產品性能與功能進行預測分析，并模擬真實生產制造工作狀態和表現情況，確保設計方案及工藝的準確性，協助設計人員及早發現制作工藝、工藝布局中潛在問題，減少物理實驗次數，加速設計迭代并降低試錯成本。

目前，傳統的工藝仿真技術面臨著單領域、單學科仿真僅能優化局部、使用門檻高、仿真效率低、仿真結果置信度不高等問題。在多物理場耦合、云計算、人工智能等技術賦能下，一方面工藝仿真的結果準確度和計算速度有望提升，另一方面，降低仿真技術使用門檻，最終實現研發環節的降本增效。

（多物理場耦合、云仿真和SaaS化、人工智能成為工藝仿真技術未來發展新機遇。）

1）多物理場耦合。工藝仿真需在多物理場耦合的情況下，對真實物理世界建模還原，應用過程復雜多樣，且各個參數相互影響。因此多單一學科中進行多次往返計算的工藝仿真無法滿足精確性要求，將底層求解公式融合的多物理場耦合仿真、多學科結合仿真成為未來發展方向。例如，COMSOL推出集成化仿真平臺COMSOL Multiphysics，可靈活組合電磁、結構力學、聲學等領域多個附加專業模塊，提供豐富的多物理場仿真解決方案，幫助客戶精確分析、預測真實場景下的設備、工藝和流程，提升仿真結果準確度。

2）云仿真和SaaS化。工藝仿真為確定最優設計參數，提高仿真效果，涉及大量計算，對算力要求較高。云仿真和SaaS化可解決算力問題，為工藝仿真提供多端訪問，讓客戶可直接在云平臺進行數據分析，靈活運用計算資源，提升計算速度的同時，大幅降低客戶使用門檻和采購、維護成本。例如，阿里云可為工藝仿真廠家提供上云服務。作為仿真業務底層基礎設施，阿里云實現云上高性能計算的性能無損。同時，阿里云高性能計算平臺（E-HPC）可自動管理計算資源，優化運維成本，改善用戶體驗，解決訪問潮汐問題。此外，用Serverless工作流編排函數計算，可同時拉起數百個CPU實例進行三維渲染，效率提升近百倍。

3）人工智能。AI與工藝仿真的融合可優化代碼生成能力的同時，使用AI自動尋找仿真參數、增強仿真，提升仿真速度和準確性。目前，Ansys等龍頭企業已開始使用AI優化工藝仿真技術。一方面，Ansys使用AI/ML方法自動查找仿真參數；另一方面，利用增強仿真，通過數據驅動方法或基于物理的方法訓練神經網絡，將仿真速度提高100倍的同時，優化仿真效果。

三、供應鏈

1、智能倉儲與物流配送

（智能倉儲物流系統將硬件與軟件有機結合，為企業實現倉儲物流環節的降本增效）

智能倉儲物流系統，通常是指通過信息化、物聯網和機電一體化等技術共同實現的智慧倉儲物流解決方案。這套方案能夠將物料出入庫、存儲、分揀、輸送等過程實現自動化、信息化和智能化。從構成來看，智能倉儲物流配送系統可分為硬件裝備和軟件系統兩部分。

制造業企業傳統倉儲與物流配送存在倉儲空間利用率低、人力成本高、物料盤點及出入庫流程手續繁瑣、倉儲信息透明度低、信息更新不及時、物料減配差錯率高、人工安全風險等諸多痛點。隨著軟硬件兩端的數字技術不斷更新，越來越多的制造業企業在智能倉儲物流系統的加持下，實現了倉儲與物流環節的降本增效。

1）工業移動機器人。在倉庫物料移動配送過程中，各類工業機器人的協同工作能夠在保障物料完好性的同時，提升物料出入庫的整體效率，以安踏晉江倉為例，其智能倉儲物流項目上線后，在各類機器人協同幫助下，全倉實現入庫產能1,000箱/小時，整體出庫產能20萬件/天；出庫效率為20,000件/小時，是傳統人工效率的2倍以上。

注：數據資料來源于東北證券研究所

（以機器人為代表的硬件和以智能算法為基礎的軟件雙輪驅動，助力制造業倉儲物流智能升級）

隨著計算機視覺、激光傳感器和機器學習等技術的成熟，分揀、搬運及堆碼垛機器人可應用于更多精細復雜的場景，滿足更多制造業企業的應用需求。

此外，云計算技術也在幫助工業機器人企業探索商業模式新方向。在阿里云協助下，極智嘉的機器人調度部署逐漸從本地化向云化發展。通過計算巢平臺，極智嘉能夠將其物流機器人軟件交付部署自動化、服務在線化，并在云上實現統一的運維與軟件更新。這種云化發展不僅能夠獲得高性價比的算力資源，也能保障業務的持續穩定運行。

2）智能算法。在人力參與的工作環節中，即使是最為瑣碎的工作內容，也需要工作人員的決策才能繼續推進，而人力做出決策需要消耗一定時間。一個物流環節作業量越大，需要進行決策的問題就越多，且問題之間的關聯也越復雜。在此情況下，單靠人力在短時間內很難給到最優決策。當前，智能倉儲物流系統中的智能決策算法正不斷更新，通過與自動分揀技術、射頻識別和語音識別等技術的結合，幫助制造業企業物料的收、存、發、配全過程任務逐步走向自觸發與自執行，在降低用人成本的同時提升物料周轉效率。例如，緯創資通建立的PCBA智能倉儲配送系統能夠通過智能決策算法將物料管理用人從6人縮減至3人，PCBA平均庫存周轉天數從3天縮短至1.5天。

2、供應鏈協同

（人工智能技術串聯供應鏈各環節數據，實現供應鏈高效協同）

供應鏈是整合公司與供應商、分銷商，實現原材料采購、生產、銷售、物流等全過程協同的組織形態。對于制造業而言，智慧供應鏈體系可降低企業經營成本和交易成本，有效提高各環節協同效率。

現階段，在流通環節長且多、貿易商格局分散的大背景下，我國制造業供應鏈存在體系建設不足的問題，導致企業運作成本高、流通效率較低。此外，供應鏈數字化程度較低，這表現為信息孤島、數據分割、數字化基礎設施薄弱、上下游企業聯動不足等問題頻發。人工智能、區塊鏈、物聯網等數字技術有效串聯、整合、分析各方業務數據，推動供應鏈高效協同且更加透明、智慧，實現供應鏈的降本增效。

1）人工智能。嵌入人工智能技術的供應鏈可根據經濟周期、地緣政治、天氣、經營情況等內外部數據和供應鏈策略，預測可能發生的問題、新需求等情況，并自動設計、決策、執行相應解決方案，幫助企業降低供應鏈管理難度，實現各環節數據高效協同和企業的降本增效。例如，阿里云基于數據中臺幫助某頭部乳業品牌拉通采購、生產、計劃、物流、銷售各部門數據，設計并形成內外部的全鏈路分析場景，通過全局數據洞察打造供需端到端協同；并通過人工智能算法，幫助該企業在實際訂單和未來需求的基礎上，綜合庫存、運力、需求、運輸時間等因素給出基地倉到總倉和總倉間調撥計劃和排單計劃。庫存調撥和排單算法的應用，將該企業的人工效率提升了20%以上。

（區塊鏈和物聯網技術打通產業鏈上下游并保證數據安全性，實現供應鏈管理的降本增效）

2）區塊鏈。區塊鏈去中心化、不可篡改、公開透明等特點，幫助供應鏈上下游企業提供互相信任基礎，保證區塊鏈上數據的安全性和保密性，簡化各企業操作流程的同時，使信息更加透明化，強化上下游協同，提高供應鏈運營效率。例如，廈門國貿的“國貿云鏈”智慧供應鏈平臺利用區塊鏈技術對數據進行加密，保證供應鏈透明安全。

3）5G+物聯網。5G與物聯網等技術的應用，使制造業全產業鏈可打破限制，進行更廣泛地連接，打通信息孤島，并推動數據、資源要素在產業鏈上下游高效共享，實現全局資源協同。企業可基于數據貫通多級供應商體系，構建供應鏈協同平臺，連接供應商采購、產品庫存、銷售等上下游環節，通過集成優化，實現供應鏈可視化管理和資源調控，降本增效。如新寶電器與阿里云合作構建供應鏈協同平臺，將35家核心供應商接入平臺，及時同步訂單計劃變動、生產安排調整等信息，系統整體運作效率提升10%的同時，實現供應鏈的透明化可控。此外，產業鏈協同平臺也幫助供應商實現降本增效，再反哺新寶物資采購質量、成本、效率的提升，實現雙贏。

四、制造生產

1、高級排產

（生產排程軟件整合各類生產信息資源，快速生成排產計劃）

排產即生產排程，是指將生產任務分配至生產資源的過程。在考慮訂單、人效、物料和設備等情況的前提下，如何平衡所有資源負荷，并優化生產任務的生產順序，是制造業企業排產環節的首要目標。

目前，大部分制造業企業已經在排產過程中普及了APS等生產排程軟件的應用，但這些傳統排產軟件仍面臨一定局限性。例如針對下游客戶越來越高的定制化需求，傳統軟件難以快速給到合理的換線計劃和生產安排；或是在發生設備故障、原材料短缺和自然災害等突發事件時，傳統排產軟件的計算速度無法及時響應重排應急需求。

隨著人工智能及模塊集成等技術的不斷迭代，排產軟件將基于生產一線繁雜多變的信息和資源狀況，更快速地實現作業計劃的高級排程，在提升生產效率、降低使用門檻等方面取得進步。

（人工智能和模塊集成等技術，幫助制造業企業實現更高效率的排產調度）

1）人工智能。由于排程約束信息的復雜性，目前絕大部分APS系統都采用規則或啟發式算法。這類算法優勢是能快速得到一個可行的排程結果，但是無法保證最優解，也無法量化排程結果。與人工智能動態調整算法融合后，APS系統的算法引擎能夠實現優化，有高度智能的生產計劃調度功能，可以在多任務且存在諸多約束條件的復雜生產流程中，最大化地利用企業的資源條件，找到最佳的調度排程結果。此外，在面臨重排需求時，人工智能優化后的APS系統能夠針對新的需求進行約束條件的動態調整，快速給出新的排產方案。以阿里云開發的工業生產調度優化解決方案為例，該方案通過配置高度智能的算法引擎，幫助制造業企業精細化工序與設備的生產計劃，精簡計劃人員需求，提升主計劃排產速度和效率。

2）模塊集成。APS作為生產排程系統，需要調用銷售、采購、倉儲、車間等諸多數據信息，因此在排產功能上與MES和ERP系統存在一定重疊。目前的趨勢是APS、MES與ERP等系統的一體化，企業希望在同一系統中實現功能模塊的集成，形成生產計劃和生產數據的閉環管理。

2、設備管理

（5G等通訊技術改善工業設備遠程控制中數據延時和控制精度不足等痛點）

工業設備是制造業企業執行生產的物質技術基礎，企業設備管理水平與其生產任務是否能按期完成密切相關。設備管理手段大致可以分為設備使用和設備維護兩類。其中，設備使用包括工業控制系統、工業設備遠程控制和設備調試/調參等，設備維護則主要是指日常巡檢、預測性維護等。

（智能工業裝備控制平臺解決傳統工控系統工具成本高、協同性不足等痛點）

1）工業設備遠程控制。制造業行業的生產現場環境通常較為惡劣、復雜，員工面對惡劣工作環境生產效率較低，并常伴隨生產安全隱患。智能機器人等工業設備的遠程控制能夠大幅提升工作效率、降低生產安全風險。目前，大多制造業企業的工業裝備遠程控制存在數據延時和控制精度不足等問題，5G等通訊技術的落地應用極大改善了這類問題。5G低時延、高帶寬的特性使其能夠快速傳輸工業現場數據，基于現場總線/TSN實現現場數據實時上傳和控制指令即時傳遞，能夠滿足生產現場的控制精度要求。例如，華辰智通通用型工業互聯網平臺可以通過其5G邊緣計算網關，實施對工業設備進行接入，并在采集生產數據的同時，對生產設備進行遠程控制。

2）智能工業控制平臺。傳統工業控制系統需要企業額外購買或自研授權軟件，工具成本較高，并且多套功能性系統的疊加提升了其整體復雜度，協同性不足。基于這種情況，越來越多的企業開始探索實時上云、軟件定義、集成協同的智能工控平臺。

以阿里云智能融合控制平臺為例，該新型工控平臺內置包含AI和傳統工控技術在內的各類組件，能夠針對工業設備實現系統試驗、工業分析、實時控制、離線訓練建模、性能監測等多種功能。阿里云智能融合工控平臺憑借其云端的低代碼開發和服務，基于SaaS化方式為客戶提供持續性的便捷服務。目前該新型工控平臺已經廣泛應用于鋼鐵、水泥、固廢和汽車等工業領域。值得一提的是，阿里云智能融合工控平臺是AI和傳統工控技術的結合，代表著新科學工具的發展和新科研范式的構建，契合了人工智能技術AI forScience的發展趨勢，能夠長久、持續地為制造業產業賦能。

（數字孿生技術是設備預測性維護的基礎，通過數字建模實現工業設備實時管理）

3）設備可視化與預測性維護。工業生產設備造價高昂，且一旦出現故障造成產線停工，會使企業面臨重大損失，但常規的人工點檢、日常巡檢和定期維護成本較高，并且難以及時發現故障隱患和細微的設備壽命衰減。因此，制造業企業需要在生產設備可視化的基礎上開展設備預測性維護，實現設備狀態實時監控、實時進行運行效率和性能狀況綜合分析，并作出故障診斷和故障預警。

數字孿生技術能夠通過數字建模實現工業設備運行狀態的可視化、實時分析與故障預測；設備健康預測模型能夠實現實時分析設備狀態，從而在設備出現故障異常時自動報警。以阿里云為某固廢企業提供的設備預測性維護服務應用為例，阿里云故障算法能夠將設備狀態數據、故障維修記錄和設備閾值規則等信息輸入至故障算法模型，通過該算法模型完成設備異常狀態檢測和趨勢預測，最終輸出設備具體故障，極大提升了設備檢修效率并降低了設備故障率。

3、質量管理

（作為產品生產生命線，質量管理面臨效率低、準確度差、數據無法收集應用等問題）

對于制造業而言，提升質量是推動產業鏈向中高端轉變，加速行業高質量發展的重要手段之一，因此，質量管理成為工業企業產品生產的生命線。質量管理指運用科學理論和專業技術對產品質量、性能等方面進行檢測，以保證產品符合標準并滿足消費者需求。

傳統質量監測主要依賴人工，以專業人員進行質檢為主，檢測效率低且易出現誤判，導致不合格產品流入市場，對消費者和企業造成損失的同時，影響企業形象。此外，傳統質量管理僅局限于檢測產品質量，無法收集并應用質量數據，實現產品全流程質量追溯。人工智能、區塊鏈等數字技術的應用，為越來越多工業企業提供高效質量管理與追蹤能力，提高良品率的同時，為產品迭代提供支持。

1）人工智能。隨著深度學習、機器學習、強化學習等技術的成熟，人工智能相關技術已可以覆蓋產品質檢、根原因分析、質量提升等質量管理全流程，工業企業質量管理能力得到提升的同時，實現生產效率的提速。

（人工智能和區塊鏈技術分別從提高檢測效率和數據管理兩方面，提高企業質量管理能力）

在質檢環節，基于深度學習的視覺檢測技術，讓機器擁有人的視覺功能，并支持2D/3D成像方式，提供缺陷檢測、分類、定位、分割提取等檢測功能。其非接觸、高精度、高速度等特點，降低人工質檢成本的同時，提高檢測準確率。在根因分析環節，機器學習技術幫助客戶在出現質量缺陷時，收集、建模分析數據，從數十個、甚至數百個分析維度，找出問題根源，降低產品質量診斷時間。在產品優化環節，強化學習技術在模型預測控制中進行滾動尋優，提高企業質量改進效率。以阿里云智能制造AI中臺解決方案為例，其工業視覺AI產品可管理、標注、訓練數據，提高檢測效率與準確度。

2）區塊鏈。工業企業通過數字化手段收集并記錄各環節質量信息，再通過條碼和區塊鏈技術，打通質量數據與產品實物間的聯系，實現產品全生命周期質量管控、追溯和改善，并為后續產品優化提供數據支持，加速產品迭代。例如，歌爾股份建立的質量管理系統，通過其內置的條碼和區塊鏈技術可對生產流程、供應鏈質量等問題追蹤分析，產品良率提升10%。

注：數據資料來源于中國信息通信研究院

4、能源管理與環保監測

（智能采集裝置可實時收集能源消耗與污染排放等數據，為后續管理提供數據基礎）

作為中國最重要的能源消耗和二氧化碳排放行業，制造業除依靠節能技術降低能耗外，能源管理與環保監測也可提高企業能源利用效率，并對制造可能產生的環境影響進行分析和評估，降低企業能耗的同時，構建綠色節能體系，是實現雙碳戰略目標的重要手段。

當前，我國能源管理與環保監測存在數據采集方式落后、運維監管粗放、安全隱患大等問題，傳統制造業轉型需求迫切。隨著人工智能、大數據、5G、工業互聯網等新技術加速滲透，技術創新引發軟硬件發生變革，一方面，檢測、采集設備加快智能化轉型，另一方面，智能分析系統被越來越多企業使用，推動制造業實現資源效率和社會效益雙提高。

1）智能監測、采集裝置。隨著窄帶物聯網、視聽感知、數據處理技術的不斷成熟，智能電表、智能傳感器等能源采集裝置加速崛起，制造業可實時采集生產全過程多能源介質的消耗數據和各種污染物排放數據，為后續分析管理提供堅實的數據基礎。具體而言，智能電表除了可完成傳統電表數據采集、計量等工作外，還滿足負荷監測、遠程控制、智能交互、信息儲存、處理等需求；智能傳感器具有編程自動化能力，可實現高精度信息收集，且成本較低。以安科瑞為例，推出電力監控儀表、電能管理儀表、電氣安全儀表等智能電力儀表，幫助用戶跟蹤用電設備或線路運行狀況。

（智能分析系統在能源優化、安全預警、污染優化和碳資產管理四方面，助力制造業綠色發展）

2）智能分析系統。基于實時收集的數據，智能分析系統可在能源效率優化、安全監控預警、污染優化和碳資產管理四方面，幫助企業實現節能環保并高效處理應急能源事件。在能源效率優化方面，通過構建能耗分析模型，可視化展示能源使用情況，分析能源最佳效率點，并制定相關計劃，進而優化能耗，實現節能降本。在應急響應方面，智能分析系統利用危險源采集的數據進行分析，可自動識別并判斷危險情況的發生，并根據預設解決方案，自動調度應急資源，高效處置安全事故，降低危險造成的損失。

在污染監測及優化方面，根據采集的污染數據，對污染物進行溯源分析，并建立環保模型，實時監控并優化污染排放情況。在碳資產管理方面，智能分析管理系統可收集并計算生產各環節碳資產數據，進而管控并優化碳交易全過程，提高碳資產計算效率。如阿里云推出碳管理及能耗優化產品——能耗寶，依托大數據及人工智能技術，幫助制造企業核算并監管碳排放量，并制定降碳方案的同時，提供智慧能源管理和優化服務，推動企業綠色發展。

五、營銷及售后服務

1、智能營銷

（從人群挖掘到效果評估，數字技術可優化營銷全鏈路，提升營銷效率）

營銷指讓消費者了解并購買產品的過程。在價格愈發透明且互聯網渠道日益成熟的大背景下，貿易展覽會、直銷、口碑營銷等形式為主的傳統營銷模式效率較低、成本較高，限制企業銷售發展。部分企業已開始向線上營銷轉移，但由于缺少準確的營銷策略且營銷模式、內容同質化嚴重，營銷轉化率不高。人工智能、大數據等數字技術的應用，賦能營銷全流程，提升營銷效率。

人工智能+大數據。利用數據分析能力和AI技術，企業可實現從人群挖掘、營銷渠道、預算分配、智能監播到效果評估的營銷全鏈路生命周期優化，提高企業營銷效率。在人群挖掘環節，企業通過豐富的社交媒體渠道，利用知識圖譜、機器學習、大數據等技術，將復雜的消費行為轉化為可理解的數據，進而全面了解消費者心理，并構建消費者360度全景畫像，再精準輸出人群策略，優化營銷策略，并針對不同人群匹配適宜的渠道及營銷內容。

此外，機器學習、大數據等技術的成熟，讓營銷效果監控成為現實，企業可從數據物理屬性、網絡屬性、行為屬性等多方面進行效果跟蹤，有效避免數據造假行為的發生，明確營銷策略效果，并及時進行策略調整，提高營銷效率。其中，消費品尤其重視營銷環節，以阿里云工業大腦產品為例，該產品功能之一便是利用人工智能和大數據技術幫助制造業企業實現智能營銷，不僅能夠為企業評估品牌形象，而且可以提供從宏觀產業洞察到微觀潛客挖掘的多層次分析。

2、銷售預測

（智能預測模型的不斷迭代，提升預測精準度和效率）

有效預判銷售情況對于生產安排、原材料采購、資源利用、庫存安排等環節至關重要，可幫助企業動態、準確定制各環節計劃，減少庫存擠壓的同時，避免資源浪費，提升供應鏈效率。傳統的銷售預測主要基于人工經驗和歷史數據，存在數據質量不佳、覆蓋面不全、個人偏見和時間成本等局限性，導致銷量預測常存在誤差。近年來，在算法技術的加持下，銷售預測變得更加精準，為供應鏈優化打下堅實基礎。

預測算法。隨著機器學習、深度學習技術的提高，銷售預測模型的算法不斷迭代，預測難度降低，精準度持續提升，目前常用機器學習模型、深度時序模型和時空圖網絡模型等算法。機器學習模型可從歷史數據中找到銷量和各類影響因素的相對穩定關系，并推演至預測期，預測效率較高；深度時序模型減少人工參與度，通用性、準確性較高；時空圖網絡模型考慮到時間和空間維度的關聯關系，適用于關聯替代性商品銷量預測。

例如，服裝制造行業對銷量預測要求較高，精準的銷量預測可優化庫存管理，進而可減少存貨滯壓和暢銷款缺貨等現象發生，提高企業效益的同時，提升用戶體驗。此外，汽車制造業具有較強周期性，通過各類預測模型對當季銷量進行預測，可對生產資源進行高效利用，實現降本增效。

3、售后服務

（工業互聯網的應用和數據分析能力的提升，推動售后服務向預測性轉變并支持遠程運維）

隨著制造業發展漸趨成熟，售后服務不再僅僅是銷售的附屬、用戶的基本保障，已成為企業差異化競爭點，創造出更大的后市場價值。傳統的產品設備故障發現主要依靠人工日常巡檢或使用，難以在出現潛在問題時，進行提前預判，問題日積月累常導致設備停機；此外，在出現故障后，一般售后需派遣維修人員到現場查看設備情況，存在配件不齊，一次難以維修好的情況，維修效率較低。面對高效運維的需求，利用工業互聯網、數據分析等數字技術，售后服務向在線化、預測性轉型，幫助客戶實現降本增效。

1）工業互聯網。工業互聯網的數據采集和分析能力幫助制造業企業實現產品監控和智能報警，用戶和企業均可自主、提前發現設備故障，并支持在線診斷和遠程維修，降低運維成本的同時，減少故障停機風險。此外，5G高速率的特點提高了數據匯總速度，縮短了用戶收到警報的時間，方便其及早進行維修。如積成電子借助工業互聯網解決方案，售后派工效率提升33%。

注：數據資料來源于浪潮

2）數據分析。云計算、人工智能等技術推動數據分析計算能力大幅提高，實現產品故障預測性分析，幫助工業企業提前進行預防性維修，減少故障損失。例如，現代斗山通過瓴羊Quick BI產品，對部品故障及維保費用等進行趨勢分析，進而優化維保政策及庫存管理的同時，Quick BI的即席分析功能，可以將任意多張報表同時進行對比分析，問題解決效率顯著提升。

六、總結與展望

1、產業總結

（制造業數字化轉型升級的核心價值在于降低生產成本、提升產業效率和創新商業模式）

工業互聯網、人工智能等新興數字技術從每個生產節點切入，賦能制造業數字化轉型。對于制造業企業而言，實現數字化轉型升級的核心價值在于降低生產成本、提升產業效率和創新商業模式。

1）降低生產成本。基于生產現場數據的收集處理和生產設備的智能應用，幫助企業實現更精準的供應鏈及財務管理，減少物料浪費、降低產品不合格率、降低勞動力需求及人工成本。

2）提升產業效率。通過大幅優化生產過程、改良生產工藝等手段，提升設備利用率和生產執行精度，縮短生產周期，提升產業鏈整體效率。

3）創新商業模式。通過智能網絡協同制造、產品遠程運維、智能銷售預測等多種新型生產方式，幫助企業創新商業模式，增加收入來源。

未來，隨著各類新興數字技術的發展與進步，制造業將在集成協同平臺、人機交互、共享制造和大模型應用等方向持續探索創新，最終實現制造產業產品、生產、銷售及服務、管理全方位、全流程的智能化。

2、趨勢展望

數字化轉型背景下，制造業將持續探索設計制造協同集成平臺對于制造業而言，設計制造創新的關鍵要素在于集成、協作和靈活性。未來，通過數字技術集成各類功能模塊，搭建協同集成平臺，制造業企業將能夠實現訂單需求、產品研發、產品設計和制造進度的有效同步。

1）需求同步：收到客戶訂單后，根據訂單需求進行智能計算，在系統平臺上通過知識管理技術的協同優化，使設計和生產動態無縫銜接提升設計制造環節的靈活性；

2）研發設計同步：利用工業設計的跨學科屬性將參數智能計算、產品變形設計、工藝變形設計、虛擬樣機設計、多領域優化設計及智能過程控制等通過PDM系統集成接口整合，縮短設計周期；

3）制造進度同步：集成協作平臺可根據產品特性與制造原料情況，實時同步產品制造進度，提升產品質量與生產效率。

目前，已有服務方案供應商能夠搭建這類集成平臺，如Braincube，通過自有的數字孿生和AI技術為企業客戶提供設計制造智能解決方案，但這類企業的配套技術仍局限于分析建模，在網絡環境等方面有待進一步探索提升。

（AR與多模態人機交互技術的結合，將使制造業人機交互協作更加個性化）

在制造業遠程運維等場景中，人機交互協作早已實現較高的普及度，但隨著AR、人工智能、機器視覺等新技術的迅猛發展和交互環境的變化，未來的人機交互模式將越來越多精準地識別眼動、手勢、語音等多模態生理信號，這類多模態交互模式將使智能工廠人機協作變得更加智能化、個性化。

人機交互是利用機器協助人提升工作效率，因此其核心仍是以人為本，如何提升交互模式的智能程度，并賦予交互系統最大限度的個性化體驗是人機交互的長遠目標。AR與多模態人機交互技術的結合為實現新型人機交互模式提供了創新技術路徑：若將AR作為連接人與機器的媒介，實現人機的多模態交互，并融合數據分析等智能技術，便可開發出AR環境下的個性化人機協作裝配意圖識別方法。該方法能夠以單個用戶為中心采集多維度、強相關的數據，構建出基于用戶行為習慣的多模態特征融合模型，并對AR環境中的各類物理行為進行識別，最終實現面向不同用戶的個性化意圖識別，提升人機協作過程中的個性化體驗和整體協作效率。

以AR智能眼鏡軟件平臺effiar為例，其與軟通動力聯合推出的遠程協作及視訊服務解決方案已在福特汽車等制造業企業落地應用。未來隨著采集分析等技術的迭代優化，這類多模態人機交互技術將在更多制造場景實現應用。

（云服務技術將幫助同行業制造業企業在云端實現更高效率的共享制造）

制造業各類中小型企業數量龐大，由于成本限制，這些中小型企業的數字化進程推進較為遲緩，難以應對市場的靈活需求。未來，在云服務技術支持下，同一垂直行業的制造業中小型企業工廠將能夠集合上云，實現以訂單驅動的產業鏈上下游資源整合，推動制造業產業范式革新與產業整體的數字化升級。

在云工廠模式下，客戶能夠通過統一的入口下單，收到訂單需求后，垂直行業的云工廠平臺可對訂單進行拆解和分發，根據垂直行業內所有工廠的產能、資源情況智能調度，并整合產業鏈上下游的供應鏈、物流等資源供所有工廠共同使用，由此形成更高效率、更高穩定性的共享制造。

目前，國內已有云服務企業提出類似概念，如阿里云在2022云棲峰會發布的數字工廠解決方案，基于其云+AI的開放式物聯網智能控制優化系統，提供強大的建模、仿真、優化、控制基礎能力，支持多工廠、多車間的統一建模。該技術可應用在智能控制、過程優化、數據建模和交互式分析等場景中，適配新能源、大型機械、離散和流程制造等多個工業領域。

（大模型與工業機器人結合，將提升制造業人機協作效率）

大模型代表人工智能落地模式的變革，通用大模型產品能夠打破技能壁壘，為制造業企業創新增長帶來更多發展機遇。隨著以ChatGPT為代表的預訓練大模型走入大眾視野。制造業也在持續探索大模型是否能在更多細分場景中帶來生產力的廣泛提升。其中，大模型與工業機器人的結合備受業界矚目。

目前，工業機器人的難點多數集中于復雜精密指令的執行。以機器手為例，能夠在接收并理解指令后，精確地抓取物品并將其放置到指定位置，便意味著對其語言理解系統和控制系統的極高要求。對操作者而言，大模型的介入能夠將操作者的語言命令直接轉化為機器代碼，大幅提升交互效率。例如，阿里云工程師正在實驗將千問大模型接入工業機器人，在釘釘對話框輸入一句人類語言，即可遠程指揮機器人工作。對于開發者而言，大模型能夠幫助開發者完善合適的運動規劃算法，通過算法將機器手的所有關節進行耦合，進而將采集到的高維數據降維成低維規劃，并聯合關節運動完成指令，最終實現靈巧作業。

未來，結合了大模型的工業機器人將在智能巡檢、遠程作業、倉儲物流等場景不斷發揮實效，一方面深入應用場景，在豐富數據儲備的同時，針對不同機器人持續開發模型庫，另一方面不斷與機器人芯片和硬件終端進行適配融合，形成軟硬協同的效果。

以上就是本次分享的全部內容，來源：36氪研究院。