问题：制造业要实现人工智能“用得起、用得好”，关键瓶颈仍底层能力。当前，人工智能在制造领域正从试点示范走向规模化落地，训练、推理、仿真等环节对算力的需求快速增长。但在不少地区和企业中，高端算力供给不足、异构资源难以统一管理、云边端协同不强、算力建设与应用需求脱节等问题依然突出，导致一些场景“模型能做、生产难用”，影响产业升级效率与成本可控。 原因：一上，制造业场景复杂、链条长，既需要大规模训练算力支撑工艺优化、质量预测等任务，也需要产线、车间等边缘侧完成低时延推理，呈现“云端集中训练+边缘分布推理”的结构性需求。另一上，算力体系涉及芯片、服务器、高速互联、平台软件与运维服务等多个环节，任何一环薄弱都会抬高整体成本、增加不确定性。同时，区域算力资源分布不均、平台标准不统一，也削弱了跨域协同与资源利用效率。 影响：八部门联合印发的《意见》为解决上述痛点提供了政策抓手。《意见》围绕创新筑基、赋智升级等任务作出部署，并将“夯实人工智能赋能底座”置于重点位置，明确以“强化人工智能算力供给”为先导，指向三条关键路径：一是推动智能芯片及软硬协同关键技术突破，提升安全可靠供给能力；二是进行高水平智算设施布局，完善监测与调度体系，服务全国一体化算力网建设；三是开展智算云服务试点，推动大模型一体机、边缘计算服务器与工业云算力部署，促进算力与制造应用深度耦合。业内认为，这套组合措施有望降低企业用算门槛，推动人工智能从“可用”走向“好用、管用”，并更大范围内形成可复制、可推广的行业做法。 对策：围绕政策导向，有关科技企业正加快补齐“算力平台化、服务产品化、应用场景化”的能力短板。以青云科技为例，其技术路线聚焦异构算力统一调度、智算平台与云边协同服务等方向，探索为制造企业提供从底层资源管理到上层应用承载的支撑能力。在软硬协同上，通过构建全栈智算体系，实现对多元异构算力资源的统一纳管与调度，并适配不同形态的硬件服务器，提升算力利用率与稳定性，回应政策对关键核心技术与平台软件能力的要求。 智算设施与调度上，企业参与区域智算中心建设与运营，推动“一个平台纳管多种算力服务”的模式，借助智能化调度算法实现资源动态分配，以兼顾大规模计算与人工智能训练等不同负载需求。据介绍，相关平台已超算与智算融合实践中实现对千P级乃至更大规模算力的统一调度，为地方建设高水平智算基础设施提供了可参考的工程路径。随着全国一体化算力网加快推进，算力监测、跨域调度、计费与运维等能力将成为基础设施运行效率的关键变量，平台化、标准化趋势也将继续增强。 在服务与应用上，制造业对算力的需求呈现“多场景、分层级”特征：研发侧需要高性能训练与仿真，生产侧需要边缘推理与实时控制，管理侧需要工业数据治理与安全合规支撑。《意见》提出推动智算云服务试点，鼓励大模型一体机、边缘计算服务器等部署，契合制造企业对灵活供给与快速上线的现实需求。结合行业实践，部分企业已将智算平台与工业软件能力协同，面向装备制造、能源电力等领域推出设备故障诊断、工艺参数优化等应用，探索将行业知识与模型能力可控算力环境中融合，以缩短落地周期、降低运维成本。在离散制造如汽车、电子等行业，则通过“应用+算力”的组合交付，提高推广效率与复制能力。 前景：从趋势看，“人工智能+制造”正进入以工程化、体系化为特征的新阶段，算力将从单点投入转向网络化配置，从项目制供给转向服务化供给。下一步，政策落地的关键在于三上协同：其一，以关键技术攻关提升自主可控与稳定供给能力，降低对单一供给链的依赖；其二，以算力网与调度体系促进资源跨域流动，实现“算力找任务、任务找最优算力”的高效匹配；其三，以行业标准、评测体系与安全合规机制推动应用可信可用，减少“能演示、难规模”的断点。业内预计，随着智算设施布局完善、云边协同成熟以及工业数据体系加快建设，人工智能在质量检测、预测性维护、工艺优化、研发仿真等环节的渗透率将持续提升，带动制造业全要素生产率改善，并催生新的服务形态与产业生态。
人工智能与制造业的深度融合既是技术演进的趋势，也是推动新型工业化的重要路径；此次政策出台，意味着我国智能制造的系统性布局深入加速。面对全球产业链重构带来的挑战与机遇，只有坚持技术创新与产业协同，才能提升竞争力，推动从“制造大国”迈向“制造强国”。