“十五五”规划将工业数智化置于核心位置，通过“制造业数智化转型+工业互联网+人工智能+”三位一体策略，推动产业升级、科技创新与绿色发展。工业数智化涉及传统产业升级、新兴产业培育、数字技术与实体经济融合、基础设施现代化等领域。时代的号角已经吹响，对于中国经济而言，加快实现工业数智化，实现工业强基，成为数字中国建设的重点；对于制造企业而言，加快实现工业数智化，成为企业获得财政补贴、税收优惠、新的核心竞争力的重要抓手。

一、背景情况

工业数智化对于企业而言，还是一个全新的概念。要更好的理解数智化，我们可以先了解清楚工业现代化演进的几个过程：自动化、信息化、智能化、数字化、数智化。

自动化是工业现代化的物理基础。自动化的核心是用机器（包括机器人、PLC、数控机床等）替代人的“体力劳动”，实现生产操作的自动执行。“设备自动化” 是底层关键要素，强调生产装备的自动化水平和产线的自动化集成。自动化出现的问题是，一是刚性生产，单元设备或产线之间缺乏协同，柔性不足，难以快速响应产品换型和个性化订单；二是投资成本高，先进的自动化设备投入巨大，投资回报周期长。

信息化是业务流程的“电子化”。是企业迈向现代化的关键一步，核心是将传统手工作业流程，通过软件系统进行固化和管理。工信部推动"信息化"与"工业化"实现"两化融合"，重点就在于利用信息技术支撑业务管理。信息化出现的普遍问题一是信息孤岛：系统互不联通，数据无法共享；二是业务流程僵化：系统固化了流程，可能让组织变得不够灵活。

数字化是基于数据集成实现数字孪生。重心从“流程”转向了“数据”。它通过广泛采集物理世界的数据，来实现对现实的精准洞察和全局优化。数字化建设的重点是数据采集、设备联网、系统集成，目标是实现数字孪生。数字化出现的普遍问题一是系统集成难度大：工厂设备“七厂八制”，协议不一，接口不兼容、数据格式不一致是巨大障碍。二是数据质量与治理：数据采集不准确、格式不统一、数据孤岛等问题凸显，数据治理成为关键挑战。

智能化是利用先进的算法模型辅助决策。智能化让机器具备一部分分析、决策甚至行动的能力，实现从“描述现状”到“预测未来”和“辅助优化”的跨越。智能化碰到的普遍问题，一是模型的可靠性：AI模型可能存在“黑盒”问题，决策过程不透明，在严苛的工业环境下，其稳定性和可解释性不足；二是知识与技术壁垒：将工业专家的经验转化为AI可理解的模型门槛很高，同时复合型人才极度稀缺。

数智化是数据和人工智能的深度融合实现自优化自决策。数智化是智能化的深化和进阶，是当前数字化转型的前沿。它强调数据与人工智能技术的深度融合，尤其是指工业大模型、生成式AI等技术与工业知识底座的结合，实现系统级的自适应、自学习和自优化。国务院《关于深入实施“人工智能+”行动的意见》要求"推动工业全要素智能联动"。这标志着AI从“辅助工具”升级为与数据、知识共同驱动业务的“创新引擎”。

二、问题和挑战

上世纪九十年代至今，互联网获得了高速发展，但工业互联网却层层黑障，进展缓慢。自动化、信息化、数字化、智能化推进过程也障碍重重，企业尝到了一些甜头，但也走了很多弯路。现在，要加快实现工业数智化，企业将面临三大问题和挑战：

一是工业要素分散，业务场景粘合差

工业全要素既包括“人、机、料、法、环、测”等传统要素，又包括需要并深度融合的“数据、技术、资本”等新型要素，是一个复杂的生态系统。工业全要素要智能联动，就意味着这些要素要与业务场景全面融合，深入到工业生产经营的每一个细节。以人为为例，就包括每一个员工的基础档案，学习考试记录，操作检查履职记录，违章违规，人员定位等全过程履职行为和记录；以工艺为例，就包括工艺参数、报警阈值、运行监测、报警处置、报警优化、自动控制全过程记录；以设备为例，包括设备档案管理、实时监测、智能预测、故障报修、日常保养、全生命周期管理等等；以料为例，包括来料成分、入厂检验、入库、出库、道路运输充装、查验、使用等。

因此，工业生产的每一个要素，在传统的信息化管理中，都涉及到多个系统，比如人的管理，涉及到OA办公、ERP财务管理、培训考试、巡检、违章违规监控智能抓拍等系统；工艺生产，以化工企业为例，就涉及到生产控制的DCS系统、气体监测GDS系统、安全连锁SIS系统，以及工艺生产报警优化、自动化过程控制优化系统，智能巡检、隐患排查系统，不同的操作记录分散在不同的操作系统中，不同的操作系统通常由不同的技术商实现，知识经验碎片化，业务场景粘合差。很多企业光安全、环保就多达20多套系统，不同系统由不同人员维护，数据分散，信息孤岛，一提及信息化就头大。

二是数据治理缺失，过程管理不闭环

自动化、信息化、数字化、智能化，因为系统分散，孤岛林立，导致集成代价高，投资大，以某央企为例，一个企业，一个API接口连通就需要6万元。整个数字化平台多达上千个接口，动辄投资近亿元，导致大部分中小企业望而却步。

系统平台缺乏统一规划，数据治理缺失，导致数据价值低；数据平台缺乏数据规划、数据分层，系统没有基于全要素展开，导致信息孤岛，过程管理不能实现数字化闭环。

但事实上， 企业在自动化、信息化、智能化、数字化过程中，因为业务蓝图不清晰，管理域定义不明确，数据宽表、数据分层就混乱；加上数据采集、清洗、治理、应用，分不清重点，数据样本、数据集缺乏全域知识积累，导致数据治理缺失，数据难以赋能。

三是过程流程脱节，工业AI难显身手

传统的ERP系统虽然实现了财务业务一体化，但没有实现生产过程数字化。传统的ERP系统，均基于财务统计结果，分析原因，指导经营；但大数据时代，应该是基于过程中的生产控制，基于时序型实时数据，如工艺的温度、压力、液位、流量；设备的电流、电压、转速、声音、振动、位移；物料的检验检测质量指标；人的操作动作来进行多元变量的多头自制力分析，定义特征变量，找出特征因子，在过程操作中建立知识库、专家经验库，进行强化训练、监督学习、联邦学习，最终找到最佳控制操作和最佳控制参数，实现最优效益。

但实际上，因为企业系统分散，生产控制、设备运行、人员履职、制度执行、特殊作业、物料流通等过程管理与业务场景的流程管理相互脱节，没有有机融合，给工业AI造成了巨大的障碍。

一是通用AI在缺乏工业知识约束时，可能输出不靠谱的决策（幻觉问题）；且容易只关注单点任务，缺乏全局视角；二是数据-知识-模型融合难度大：如何将海量数据与深厚的工业知识有效结合，形成“数据+知识+专家经验”混合驱动，是落地的核心挑战；三是投入巨大且价值难量化：因为过程流程不通，构建知识底座难度大，驯化的料不好，导致训练和部署行业大模型面子好看，效果不佳，可能导致巨大的资金和技术投入浪费。红红火火的大模型推广，变成了企业仅仅只买到了一套AI一体机，做了一个简单的知识库，实际赋能非常有限。

三、加快实现工业数智化的具体建议

工业数智化要加快实现，在上海润吧信息技术有限公司严卫国看来，必须化繁为简，重点解决好以下三个关键问题：

一是场景驱动要素流动，过程管理数字化

围绕工业全要素“人、机、料、法、环、测”，定义管理域，定义业务场景，定义要素流动的全过程，并将其过程，通过底层数据链路打通，实现过程管理数字化。严卫国认为工业制造，新质生产力打造，本质上就是工艺过程控制优化和工艺创新，所以全要素中最重要的就是“法”（工艺），其他要素“人、机、料、环、测”，全部围绕“法”进行展开，所有的业务场景围绕要素流动进行过程融合。

以连续型生产的危化、医药行业为例，工艺生产围绕工艺流程展开，全过程管理包括工艺参数、阈值范围、实时监测、报警处置、报警优化、自动化过程控制优化。这个过程中，工艺流程、参数、阈值范围定义是基础，实际运行中，实时监测，异常报警是过程。过程中，系统报警后，除了DCS控制系统的人员及时进行控制操作外，报警消息需要同步到现场隐患排查的检查人员和工艺设备巡检的巡检人员，他们的现场处置记录需要统一归集到知识库中，并实时动态更新。最后再通过报警统计、分类分级、策略优化，降低报警；同时，将产出、收率、质量、能耗的结果数据接入，通过AI从操作记录中挖掘最佳操作、最佳工艺参数，通过自学习、自优化，将其固化下来，并实现数智化控制，这样工艺生产的全过程就实现了数字化闭环。

以机械制造加工的离散型生产为例，电镀、焊接、热处理工艺，每一台设备的电流电压波动，都可能导致虚焊、应力性裂缝等质量问题，质量检测结果只有和过程控制的数据闭环融合，才能发现根因，快速预警、预测、优化。准确判断是材料质量不合格，还是设备加工电压不稳定，还是操作人员技能不过关，现场温度、湿度等环境不合适，最终导致的质量缺陷。这时候，过程管理数字化，就是多元变量、多个过程、多个要素的闭环打通，再交叉融合挖出根因，这时候，大数据发挥的作用往往超越了管理经验范围。

二是数据治理要素激活，变量特征可视化

在数字化闭环过程中，涉及到的工业控制系统包括DCS、GDS、SIS、MES，工业感知系统，如视频监控、人员定位、设备感知，这些系统必须通过工业协议中台，打通全部工业协议；涉及到的业务场景系统，以危化行业为例，就包括重大危险源管理、双重预防、智能巡检、工艺生产报警优化、自动化过程控制优化等多个系统，必须通过数据链路联通，业务流程闭环，将工业过程数据，如工艺生产的温度报警，同步反馈到业务场景流程管理中，如隐患排查系统和生产巡检系统中，通过线下人工干预，现场处置，进行交叉验证，处置闭环。然后再将所有的操作、处置记录反馈到仪表位号下面，对应到设备和具体的工艺流程，这样工业数据、流程数据、知识积累就融为一体了。

同样的道理，其他要素“人（员工）”、“机（设备运行）”、“料（物料流通）”、“环（环境控制）”、“测”（检验检测），也必须定义全过程、全生命周期，将其过程中的传感器实时数据和流程中的管理场景数据进行融合，闭环打通，这里就不一一赘述了。

传统的ERP统计分析，是从结果中分析原因，但出现结果后，实际损失已经产生了；工业数据治理、数据融合，则是从过程变量中找相关性，找因子，输出的结果是超前预警、提前预测和实时优化、智能决策，其复杂性和难度显然要大得多！

第三，工业AI大模型驱动工业数智化加快实现

业务场景驱动，确保过程管理数字化打通，全过程数据和全流程数据交叉验证，有机融合后，大数据的样本就真实、有效了。大数据模型搭建就有了充足的语料，AI驯化就有了坚实的保障。

事实上，只要围绕“法（工艺流程）”，联通其他要素，工业AI大模型就可以渗透到生产过程的方方面面。比如通过AI工艺优化模型，可以快速找到最佳工艺控制参数，最佳操作，生成智能体，协助一线工人进行数智化操作，确保收率最高，质量最好，效益最佳；比如通过多模态复合模型，就可以结合工艺操作记录，自动生成一段培训视频，并推送给操作人员，帮助员工快速掌握操作技能；比如通过机理模型边缘计算，就可以快速诊断设备病症，提前预判故障，再将预测信息同步给设备点检人员，进行现场确认，现场确认记录再进入数据库动态进行模型训练，调优，就可以实现自学习、自由化，同时通过设备电流电压波动，联动工艺波动、质量指标异常，就可以通过多头自制力分析，实现及时预警、预测，避免质量损失。

将分散的业务场景通过要素流动进行聚合，再将要素流动的过程管理进行数字化打通，数据融合，工业全要素就像流水一样，轻松实现智能联动。这样，工业AI大模型就真正从“辅助工具”升级为与数据、知识、场景共同驱动，成为业务的“创新引擎”，企业发展就真正进入了最佳运行的智驾新阶段，高质量发展、安全发展、绿色发展就真正融为一体了。

除此之外，润吧云CEO严卫国认为，在实际推进中，要加快工业数智化实现，企业还必须采取有效的策略：

一是重点产品重点工艺试点先行，模型跑通普及推广。数据治理、模型优化，一开始，不要追求“大而全”，而是要聚焦于重点产品，重点工艺，先优化解决实际的质量效益问题。比如，先聚焦一个产品、一个质量指标，全过程、全流程融合做透，再逐步扩展，这样投资小，见效快，风险小，尝到甜头再滚动迭代。

二是利润优化可视化呈现，绩效驱动、管理闭环。工艺创新优化，最佳操作模型固化后，效益测算必须以看板的方式，可视化的实时呈现，这样经营管理者才会保持高度戒备，快速决策堵住效益流失，抓住成本控制的数据中枢神经；操作人员则必须绩效管理同步，最佳操作经验、最佳优化策略一旦确定，收率提高、优级品率提高，带来的效益改善直接测算出来，企业激励跟上，每个人就会成为一个发动机，民间自有智慧。

三是做好知识产权保护。工业AI大模型成熟后，发明专利等知识产权保护必须同步，AI+智能制造的时代，企业需要加快进行知识产权布局，打造行业独占性的细分模型，才能在激烈的市场竞争中独占鳌头。

深耕制造企业30年，自主研发13年，润吧云CEO严卫国在实践中已经找到了这条技术路线，实现了18个业务场景一体化，并将18个业务场景按照要素聚合为六个过程，通过数据中台实现过程管理数字化，这样，工业AI大模型就语料充足，多模型、多智能体就赋能到生产经营的方方面面！上海润吧信息技术有限公司的实践探索，为工业数智化加快发展提供了大量实证案例。

数智化时代已来，让我们一起跨越工业4.0，直接进入数智化新时代！

作者：严卫国，系上海润吧信息技术有限公司 创始人 应急管理部研究中心 上海应急管理局 特聘专家