上海“AI+制造”新措施发布：制造企业如何把工业智能体落到生产现场？

政策信号：AI正在从展示型项目转向生产系统能力

上海市经济和信息化委员会于2026年7月发布进一步推动“AI+制造”的相关措施，重点覆盖工业垂类大模型、工业智能体、物理AI、工业软件、工业互联网等方向。国家层面的“人工智能+制造”专项行动也明确提出，以场景牵引、安全可信和产业智能化为原则，推动人工智能进入研发、中试、生产、质检、运维、供应链和经营管理。

这意味着制造企业的AI项目不能只以“完成一个问答助手”作为目标。更有价值的建设方式，是把AI嵌入生产经营闭环，让它能够读取可信数据、理解业务约束、提出建议、触发受控动作，并通过结果反馈持续优化。

• 研发环节：知识检索、设计辅助、文档与规范检查
• 生产环节：排产辅助、工艺分析、异常诊断与质量预测
• 设备环节：智能巡检、故障识别、预测性维护与工单协同
• 经营环节：订单分析、库存预警、供应链协同与经营预测

不要从“模型能力”出发，要从生产瓶颈出发

制造现场的高价值问题通常隐藏在交付周期、良率、停机时间、库存、能耗和人工经验中。企业应先找出影响经营结果的瓶颈，再判断AI能否通过识别、预测、检索、生成或任务编排改善这个瓶颈。

适合首批试点的场景通常具备四个条件：业务频率高、历史数据可获得、人工判断规则能够被描述、结果可以量化。对于数据稀少、责任风险高或工艺仍频繁变化的场景，应先做数字化补课或采用辅助决策模式。

• 把“建设工业智能体”改写成明确的业务指标
• 记录当前基线，例如平均停机时长、质检耗时和异常闭环周期
• 区分建议型、审批型和自动执行型场景
• 优先选择90天内能够完成闭环验证的切入点

工业智能体的底座是数据、知识与IT/OT连接

工业智能体需要同时理解设备状态、工艺参数、产品标准、历史故障、生产计划和人员权限。这些信息往往分散在PLC、SCADA、MES、ERP、QMS、WMS、文档系统和个人经验中。如果没有统一的数据语义与接口，智能体只能停留在孤立问答。

建设时应明确数据权威来源、采集频率、质量规则和访问权限，并通过API、消息、边缘网关或数据平台连接系统。知识库需要保留文档版本、适用产线和审批状态，实时数据则要考虑时序、延迟、缺失和异常值。

• 统一设备、物料、工单、工艺和质量问题的关键编码
• 为实时数据、业务数据和文档知识设计不同接入方式
• 将权限从原系统继承到AI应用，避免跨角色越权
• 建立数据血缘、更新时间和回答依据展示机制

把智能体设计成受控协作者，而不是黑箱自动化

生产现场容错空间有限。智能体可以分析告警、检索规程、生成处置建议或创建工单，但涉及修改工艺参数、停止设备、调整排产和释放质量结果时，需要明确授权等级与人工确认点。

建议把能力划分为只读查询、辅助建议、受控执行和高风险禁止四级。每次工具调用都记录发起人、输入、依据、动作、结果和人工确认，失败时能够回退到人工流程。这样才能让效率提升与生产责任保持一致。

用小闭环试点验证价值，再复制到产线和工厂

试点不应只做功能演示，而要使用真实班次、真实工单和真实异常进行验证。上线前建立离线测试集，上线后观察准确率、建议采纳率、误报漏报、人工节省时间、业务指标变化和单次任务成本。

当一个场景达到预设门槛后，再沉淀数据接入、权限、评测、监控和发布模板，扩展到相邻设备、产品或工厂。平台化应该发生在可复制模式被验证之后，而不是在第一个场景前先搭建大而全的平台。

• 第1-2周：现场访谈、流程观察与基线测量
• 第3-6周：数据接入、原型开发和离线评测
• 第7-10周：小范围上线、人机协同与风险观察
• 第11-12周：业务复盘、验收和复制决策

项目验收要同时看业务、技术、安全与运营

工业AI项目的验收不能只看页面和功能清单。业务侧要确认指标是否改善，技术侧要确认性能、稳定性和接口质量，安全侧要确认权限、审计和应急机制，运营侧要确认知识更新、模型评测和问题责任人。

对于外部实施或FDE合作项目，还应交付场景说明、数据字典、接口文档、评测集、测试报告、权限矩阵、部署手册、监控规则、培训材料和迭代清单，避免系统上线后无人维护。