制造业数字化转型是一场深刻的生产力革命，它将传统制造流程与先进信息技术深度融合，通过智能化升级推动产业结构的优化和效率的提升，尽管面临技术、资金、人才等多重挑战，但这一变革无疑为制造业开启了通往未来高质量发展的新路径。
制造业数字化转型持续推进
当前，我国制造业数字化转型正持续推进。
通过业务变革，流程创新，结合工业互联网、大数据、智能仿真等技术应用，目前，美的冰箱荆州工厂已将劳动生产率提高了52%，交货期缩短25%，每1.5秒就有一台冰箱下线。
铝车轮行业首家“灯塔工厂”中信戴卡，创建了“AI+数据+模型”融合驱动的零部件“设计—制造—质量”技术体系，结合自主研发的数字化精益智造协同中心，推动产品不良率下降21%，交付时间缩短38%，能源使用效率提升39%。今年3月开工建设的青岛啤酒生产基地，将实现酿造、包装、存储、包材以及安全系统的智能化，同时还将构建基于订单驱动的敏捷物流模式，实现柔性排产、AGV(AutomatedGuidedVehicle，即自动导引运输车)智能化搬运、全生命周期的跟踪和服务……
工业和信息化部数据显示，2023年我国工业互联网核心产业规模达1.35万亿元，已全面融入49个国民经济大类。截至2023年底，我国已培育421家国家级示范工厂以及1万多家省级数字化车间和智能工厂，重点工业企业数字化研发设计工具普及率达80.1%、关键工序数控化率达62.9%。
工业和信息化部等八部门于2023年12月份印发的《关于加快传统制造业转型升级的指导意见》指出，加快数字技术赋能，全面推动智能制造，并从大力推进企业智改数转网联、促进产业链供应链网络化协同以及推动产业园区和集群整体改造升级等方面提出了具体要求。今年3月份印发的《推动工业领域设备更新实施方案》指出，以数字化转型和绿色化升级为重点，推动制造业高端化、智能化、绿色化发展，为发展新质生产力，提高国民经济循环质量和水平提供有力支撑。
中国国际贸易促进委员会冶金行业分会副秘书长苏步新表示，以钢铁行业为例，钢铁生产过程极其复杂，具有多变量、强耦合、非线性和大滞后等特点，对数字技术的需求极为迫切。
中国国际贸易促进委员会冶金行业分会副秘书长苏步新
苏步新认为，钢铁企业通过数字化转型，一是可以实时掌握前沿科技动态，了解政府政策，分析市场需求，为钢铁企业高质量发展找准方向；二是通过数字化手段，可以为钢铁工业科技创新提供模拟仿真技术，降低创新的成本；三是通过数字化转型可以把钢铁生产过程的产品状态、性能、组织、结构等内部的规律摸清，指导科技创新和新产品的研发。
AVEVA剑维软件副总裁、中国区总经理崔静怡表示，目前，许多国内企业在数字化转型进程中，已由原先的“学习借鉴者”逐渐转变为“创新探索者”。以前，我们在国内做在线实时优化项目时，受限于基础设施和技术条件，企业需要为设备更新改造付出较大成本。现在，在线实时优化项目早已成为很多国内公司在运营或生产中的“标配”。这一变化正是近年来中国企业数字化转型发展的缩影。
AVEVA剑维软件副总裁、中国区总经理崔静怡
鲸云智能创始人赵宇认为，工业数字化发展进程可大致可以概括为L1—L3三个发展阶段。目前，国内绝大多数工业互联网产品，仍处于L1发展阶段，也就是工具类软件阶段。这个阶段主要是将传统线下的作业流程和管理方法论固化在软件上，初步实现了用软件辅助管理者进行降本增效提质。此外，国内工业软件正处于L1到L2的过渡阶段。L2阶段可以称之为工业AI阶段。L1和L2的本质不同在于，L2阶段不再单纯地展示企业管理数据，而需要挖掘管理过程各个维度数据的关联机理，然后进行优化、决策、复制。
鲸云智能创始人赵宇
“高质量的数据沉淀是关键。懂得规划、运筹自身数据资产的企业，势必会走在行业前沿。”赵宇强调。
端到端全价值链变革已成共识
时至今日，制造业数字化转型早已不是应用某个单一系统或软件之后就能完成的。
而一个全面系统的发展过程，不仅涉及从产品设计、供应链管理、生产制造、质量控制、物流配送到售后服务等各个环节的数字化改造和升级，还涉及企业文化、组织结构、工作流程和员工技能的变革。
赵宇表示，很多企业以为数字化转型就是应用系统和软件，却忽略了产品运营的问题。“制造企业只有不断细化管理颗粒度，沉淀整个生产过程的高质量数据，才能建立起有效的生产模型。另外，还需要将库存周转率、订单交付率等关键经营指标体系与数字化生产过程绑定起来，从指标提升上体现数字化的价值，否则都是空谈。”赵宇如是说。
纷享销客制造行业解决方案专家王亚辉
表示，以往，很多企业对于数字化的理解主要停留在技术层面或者简单的升级改造上，但随着制造业数字化转型进入深水区，越来越多的企业开始认识到，数字化转型不仅仅是技术的更新换代，更是一场涉及企业经营模式、生产流程、产业链上下协同的全面革新。
这种转型认知上的变化也促使制造业数字化转型呈现出新的趋势。“目前，智能化生产、物联网（IoT）技术应用、个性化的客户体验、数据资产化以及产品服务化正成为行业的新趋势。在这一趋势的推动下，数字价值将最终体现在从客户需求的精准洞察到客户需求满足的全链条体验上。”王亚辉说。
作为一家拥有121年发展历史的传统企业，青岛啤酒具有良好的数字化基础以及丰富的制造业场景。青岛啤酒数字化办公室副主任刘国栋表示，青岛啤酒自2001年开始集中化的信息化建设，历时20余年，建设了信息化运维、安全两大体系保障下，信息技术、信息基础设备两大平台支撑下的四类业务应用，形成了资源共享、数据统管、互联开放和安全合规四项能力。
在信息系统的开发与建设方面，青岛啤酒始终坚持以业务需求为导向，注重系统的实用性和前瞻性。围绕数字化转型战略蓝图，青岛啤酒以端到端全价值链为脉络，加速业务数字化推进，打破壁垒，提升协同质量，贯穿核心业务场景，实现从局部到全域的数字化。刘国栋举例，在客户链接方面，青岛啤酒建设了渠道合作伙伴门户，提供一站式的合同签署、订单下单、费用查询、运输管理、客户签收等数字化场景；在供应链方面，青岛啤酒建立了区域运营共享中心，打造全链条的智慧供应链体系；在生产方面，青岛啤酒通过生产过程的数字化管理、全流程的质量管理、厂内仓储、物流管理等推进数字化工厂建设，打造“全国一家啤酒厂”的标准化。
崔静怡表示，如果将数字化转型视作一张试卷，那么解题思路一定是发散的，不能简单套用公式。企业的状态不同，数字化转型的设计思路就要相应地调整。在这一过程中，解决方案提供商要具备提供贯穿全生命周期解决方案的能力，可以根据不同企业的实际需求定制每个阶段所需要做的工作，帮助企业确定转型事项的优先级。
由此来看，在数字化转型过程中，企业应着眼于整个价值链，而不是某一个环节，尤其要规划建设研发、生产、供应链、营销、经营管理和财务六大价值链关键环节的数字化体系，并将它们全线打通，形成紧密连接、互为促进的关系，共同创造企业全价值链的新生态。
大模型技术加速渗透
目前，中国已经拥有全球产业门类最齐全、产业体系最完整的工业体系，工业经济规模跃居全球首位，为大模型技术和工业领域应用的深度融合提供了更具价值的需求场景和更广阔的创新应用空间。
作为推进制造业数字化的关键变量，工业大模型的落地生根将为制造企业数字化转型升级提供全新路径。
苏步新表示，随着“人工智能+”战略的深入推进，制造业数字化转型已成为推动产业升级、提升国际竞争力的关键力量。大模型在制造业的应用场景主要包括工业文档智能问答、自动化工业文档与内容创作、工业产品设计创新与优化、工业数据智能分析与决策优化、智能化工业代码生成提升等。
例如，在工业产品设计创新与优化方面，利用大模型的生成能力，设计师可以通过简单的文字描述或草图输入，迅速获得高保真度的设计效果图。同时，大模型与CAD软件的结合，使得设计师能够更高效地进行工程制图和布局规划。此外，基于大模型先进的数据分析能力，可以为企业提供实时、深入的业务洞察，预测潜在的生产问题，并自动提出改进建议。
“事实上，大模型技术在国内应用还处于比较初步的阶段，在技术成熟度、系统兼容、成本、数据安全等方面都存在不少挑战。不过，现在相当多的领头企业与垂直行业服务商，在通用工业大模型、场景专业大模型、专业小模型、多模态能力、Agent（智能体）技术、RAG（检索增强生成）技术、知识库、知识图谱等细分领域有一定的研究与突破，相关成果也已应用于制造业的研发设计、生产制造与分析、仓储物流、经营管理、检索问答、工业安全等场景。”赵宇如此说道。
王亚辉表示，目前，制造企业利用大模型技术主要是进行数据智能监控、销售精准预测、供应链精益管理等工作。与传统的ERP（企业资源计划）系统管理不同的是，大模型技术应用所需要的数据源更为开源和开放，也使得解决问题的方式方法更加创新和多样化，这在一定程度上将提升企业的运营效率，降低实施成本。
如今，长安汽车、比亚迪等汽车企业已经开始利用多模态大模型提高智能驾驶的感知精度和安全性；一汽解放打造了汽车行业专属大模型的蓝图及工作框架，已在洞察助手、AI问答、造型设计辅助等多个关键项目应用中取得成果；上海汽轮机厂通过训练微调汽轮机专有场景的大模型，实现了汽轮机零部件的自动出图及尺寸、形状、标记等自动标注，极大地提高了出图效率和出图质量的一致性，缩短了研发及交付周期，降低了生产成本；济南二机床利用大模型技术，不仅改善了企业的排产调度情况，实现了生产效率和产品交付效率显著提升，还面向各种复杂场景打造智能安全生产监控平台……
大模型推进企业端尤其是工业领域应用已成为行业共识，并且呈现出以基础大模型为技术底座，工业应用为切入点的发展趋势。工业大模型依托基础大模型的结构和知识，融合工业细分行业的数据和专家经验，可以为工业垂直领域的技术突破、产品创新、生产变革等提供低成本解决方案。
数据要素赋能作用日益凸显
不可否认，数字化转型已成为制造业的“必修课”。在这一过程中，数据要素的赋能作用日益凸显。例如，数据要素与制造环节相结合，可以提升制造业网络化和智能化水平，推动产业体系向先进制造、柔性生产、精准服务、协同创新的方向转型升级。赵宇表示，在数据驱动时代，数据不再只是信息的存储形式，它被视为一种资产，在决策中发挥着“军师”作用。当数据成为企业的“独家秘方”，每个企业都需要将原始数据进行收集、整理和清洗，转化为可利用的数据资源，来优化业务流程、改善用户体验、提高效率，并进行更准确的预测和决策。
“针对数据的管理，大型集团企业更倾向于构建自有的数据库或者‘数据湖’，实现集团与分公司之间的数据共享和复杂的数据分析。这不仅有助于消除数据孤岛，提升数据治理能力，更能推动企业的创新发展。中小型企业则更关注主数据平台的建设，实现多系统数据的集中规范管理、调用及分发，促进数据共享，并为CRM（客户关系管理）、ERP、BI（商业智能）等提供数据支撑。”王亚辉如是说。
对于大数据的管理及价值挖掘，崔静怡认为，近年来，许多企业都意识到了数据的重要性。以前，采集上来的数据更多的是“沉睡”在企业的数据库或者数据中心，数据的开发利用程度并不高。现在，制造业企业都在探索如何进行数据平台的建设，实现数据的挖掘、分析以及优化，服务于企业的管理决策。
作为西南地区首个完成国家新天然气气质标准及尾气排放标准“双达标”升级改造的净化厂，宣汉净化厂拥有46,600多个采集点位。然而，每一个检测点位都有独立的数据来源和数据类型，这使得企业的整合和监控工作变得尤为吃力。基于此，AVEVA帮助工厂搭建了由点及线、由线到面的资产数据体，形成了标准化数据治理模式与标准化可复用模板，多角度上下贯通进行数据整合治理与开发应用，实现了基于工业大数据驱动的事前预测、事中监控、事后分析业务流程优化模式，进而推动人员能力与组织变革。
随着全球数字技术的加速发展和市场个性化需求的持续增长，生产组织、产出形态和商业模式不断创新，越来越多的制造业企业开始从单纯出售产品转为提供产品和服务的组合，即开始向服务型制造转型升级。数据凭借泛在性、非竞争性和时效性等特性，成为数字经济时代关键的生产要素。数据要素在研发设计、生产制造、用户交付、产品运维等典型场景广泛应用，并可通过数据洞察、软件定义、指令控制、数据实时流动和连接聚合等方式，全面提高服务型制造的运作绩效。
转型过程并非坦途
随着大模型技术的加速渗透和数据要素赋能的作用日益凸显，制造业数字化转型走入“深水区”，但转型过程仍然面临多种挑战。
这一过程涉及产业链长、企业量大、技术复杂等问题。特别是中小企业，它们在数字化转型中面临诸多困难，如数字化基础薄弱、转型成本高、技术门槛较高等。
具体来说，制造业企业在“智改数转”中面临的主要挑战包括“缺方案、不敢转”“缺技术、不会转”“缺数据、不能转”和“缺资金、不愿转”等。这些挑战涉及对数字化转型的认识不足、技术能力的缺乏、数据利用的不充分，以及资金投入的困难等。
苏步新表示，尽管数字化转型可以帮助企业精简用人规模，推进企业现代化治理，激发企业科技创新，促进企业市场发展，但也会面临数字供应链韧性不足，企业IT支出过大，中小企业数字化转型难等问题。一是如果按照传统的信息技术企业与制造企业“一对一”提供服务的传统解决方案，当今没有一家主机厂或数字技术服务提供商可以解决制造业数字化转型的所有问题；二是制造业企业信息技术资金投入远高于企业所在地GDP的增长幅度。相关机构分析数据显示，2019—2025年，全球GDP年均增长为4.6%，而全球制造业企业IT支出年均增长为10%。从可持续发展的角度而言，制造业企业数字化转型有资金支持不足的风险；三是中小企业数字化转型的症结突出表现在个性需求和规模供给之间的矛盾上。现在供给侧数字化转型服务商主要以工业互联网平台为代表，大体上处于项目制阶段，很多服务商没有完全完成对历史项目的经验或者模型的吸收及消化，导致标准产品较为缺乏。
“具体到钢铁行业，我们在数字化转型过程中遇到的困难主要是如下几方面。一是整体上看，智能制造发展水平不均衡。200万吨及以下钢铁企业处于基础建设或单项应用阶段的占40%；二是系统集成程度低。在500万吨及以下企业中，仅60%的企业实现了MES与过程控制系统的横向集成，面临点到线再到面的挑战；三是智能设备仍处于单点应用阶段。有超过20%的企业未使用任何智能设备，智能设备产线级应用少；四是融合创新能力不足，目前大多数智能制造工厂，还处于局部探索阶段，缺乏成熟系统的行业智能制造解决方案；五是缺乏高端人才培养机制，智能制造研发人才不足。”苏步新进一步说道。
崔静怡表示，实际上，企业对于数字技术的应用程度还有着较大差别。现在大部分企业信息化的部署仍然是应用单点的、孤立的解决方案，一体化建设还处在一个摸索阶段。不仅如此，以人工智能、大数据为代表的新一代的信息技术与制造业的融合，还处于寻找落地适配场景的阶段。在这一过程中，企业人员的理念和接受度则决定着技术及平台能否最大程度地发挥作用。
对此，王亚辉也深以为然。他表示，目前，制造业数字化转型主要面临四个方面的挑战：一是认知方面的挑战。现在仍有一部分企业管理人员缺乏转型意识，对于企业转型的使命远景并没有清晰规划；二是数字技术的储备和人才的缺失；三是技术的沉淀；四是资金成本的压力。
“数字化转型是一个全面的变革过程，而不仅仅是技术的引进。需要更新管理理念、方式、方法和体系，以适应数字化技术的发展。在实施过程中可能会遇到企业管理模式、KPI设置不一致等问题，需要建立相应的机制以保证技术的长期可持续应用。”崔静怡说。