问题——制造业智能化转型进入深水区。
当前我国制造业正处在由规模优势向质量效率优势跃升的关键阶段，提质增效、绿色低碳、供应链韧性等多重任务叠加，传统依靠经验与单点自动化的路径难以应对复杂工艺、波动需求和多目标优化等挑战。
与此同时，人工智能加速向工业场景渗透，但“能用”与“好用”之间仍存在落差：不少企业在试点阶段见效，推广到全流程、全工厂时却遭遇数据、模型、成本等瓶颈，制约了规模化应用。
原因——“连接不充分、数据不成体系、模型难适配”是症结所在。
工业现场长期存在设备代际差异大、通信协议不统一、系统分散建设等现实情况，导致数据采集难、互联互通弱、数据链条断点多，形成“数据孤岛”。
同时，高质量工业数据不仅要“采得到”，还要“用得好”。
工业数据标注与清洗需要深厚的行业知识，成本高、周期长，数据质量参差不齐进一步影响模型训练效果。
再者，工业应用场景高度碎片化，工艺路线、设备参数与管理制度差异明显，通用模型难以直接迁移，工业大模型要真正形成可复制的能力，需要长期沉淀行业机理、规则与经验。
叠加算力供给与投入成本压力，一些中小企业更难持续投入，造成“想上却上不去”的现实困境。
影响——融合发展打开“从数字化到智能化”的通道。
将工业互联网与人工智能协同推进，关键在于把各自优势转化为对方能力的“放大器”。
一方面，工业互联网作为新型工业化的重要基础设施，承担着设备连接、数据汇聚、平台承载与安全保障等作用，既能把工厂“连起来”，也能把数据“聚起来”，为算法训练、模型迭代提供稳定、连续、可追溯的工业数据来源。
另一方面，人工智能具备感知分析、预测评估和辅助决策能力，可在设备运维、质量检测、工艺优化、能耗管理、供应链协同等环节提升效率与准确性，推动工业互联网从“连接与可视化”向“智能决策与自优化”升级。
对产业链而言，这种融合有望进一步降低试错成本，缩短研发与交付周期，提升柔性制造水平，并在关键行业形成可推广的智能化解决方案。
对策——以行动方案为牵引，补齐数据、模型与生态短板。
业内普遍认为，推动“人工智能+工业互联网”走向纵深，需要在三个方面集中发力。
其一，夯实数据底座。
加快老旧设备改造与协议适配，推动数据采集标准化、治理体系化，强化工业数据质量评估与全生命周期管理，促进数据在合规前提下的安全流通与共享应用。
其二，提升模型可用性。
围绕典型行业与关键工序，推动模型与机理知识融合，打造面向场景的行业模型与工具链，形成“可训练、可部署、可验证、可迭代”的工程化能力，避免“重模型、轻落地”。
其三，完善供给与应用生态。
通过平台化方式降低部署门槛，强化算力、算法、平台与应用协同，鼓励龙头企业、科研机构与中小企业协作创新，形成可复制、可推广的解决方案，并以安全为底线推动可信应用，防范工业场景对稳定性、实时性与安全性的高要求带来的风险。
前景——从试点示范走向规模应用，关键看“数据流”能否带动“价值流”。
从发展态势看，我国工业互联网已实现对41个工业大类的覆盖，网络、标识、平台、数据、安全等体系逐步完善，为人工智能在工业现场“落地生根”提供了土壤。
随着政策引导、标准完善与产业协同深化，“人工智能+工业互联网”有望在流程工业、离散制造、能源化工、装备制造等领域率先形成一批标志性成果，并带动设计、生产、管理与服务环节的系统性变革。
可以预期，未来竞争不再只是单点技术比拼，而是“数据—模型—场景—生态”一体化能力的较量：谁能持续沉淀高质量数据，谁就更可能在工业智能化浪潮中赢得主动。
工业互联网与智能技术的深度融合，既是技术发展的必然趋势，也是制造业转型升级的内在需求。
面对挑战，需以数据为纽带、以场景为依托，推动技术与产业协同创新。
唯有如此，才能在新一轮工业革命中抢占先机，为“制造强国”建设注入持久动力。