工业大模型与工业互联网深度融合（“AI+制造”）研究报告

工业大模型与工业互联网深度融合（“AI+制造”）研究报告

作者：泷澹实业（上海）有限公司、泷澹工业研究院
完成时间：2026 年 8 月

摘要

伴随新一代人工智能技术迭代演进，工业大模型、工业智能体技术加速与工业互联网基础设施深度耦合，“AI + 制造” 已经由概念探索走向规模化落地的关键周期。2026 全球工业互联网大会将于 9 月召开，大会预热信息释放出产业发展核心信号：工业大模型技术迭代落地、工业智能体场景化部署、工业数据要素市场化制度建设、“绿舟行动” 引领工业碳足迹追踪与制造业绿色改造，共同构成当前我国工业互联网与智能制造转型的四大核心议题。

本报告立足于全球工业互联网大会前瞻信号，系统剖析工业大模型与工业互联网融合的底层逻辑、技术架构、产业现状，围绕工业大模型、工业智能体、工业数据要素市场化、绿舟行动与工业碳足迹四大主线开展深度研判，梳理当前产业链发展格局、典型落地场景，剖析产业现实瓶颈，研判中长期发展趋势，并给出产业发展对策建议。报告综合工信部公开文件、产业联盟调研数据、头部机构市场测算、行业标杆企业实践案例，客观呈现 “AI + 制造” 发展全貌，为制造企业数字化智能化转型、产业服务商业务布局、政策研究提供参考依据。

\\ 关键词：\\ 工业大模型；工业互联网；AI + 制造；工业智能体；数据要素市场化；绿舟行动；工业碳足迹

第一章 绪论

1.1 研究背景

全球制造业正在经历数字化、智能化、绿色化三重变革叠加，新质生产力的培育要求制造业摆脱传统路径依赖，依托数字技术实现质量变革、效率变革、动力变革。工业互联网作为新型工业化关键基础设施，经过多年建设，已经实现覆盖 41 个工业大类、185 个工业中类，2025 年国内工业互联网核心产业规模突破 1.6 万亿元，带动相关产业增加值超 3.9 万亿元，基础设施底座已经基本成型。

过去数年，工业互联网建设重点集中在设备联网、数据采集、平台搭建，解决 “连接” 问题；而 2026 年产业重心转向 “数据价值释放”，以大模型为代表的人工智能技术，为海量工业数据的分析、推理、决策提供全新技术路径。通用大模型向工业垂类迁移，催生工业大模型，进一步演化出具备感知、推理、任务拆解、闭环执行能力的工业智能体，推动工业系统从 “辅助分析” 迈向 “自主决策执行” 的新阶段。

国家层面政策持续加码，工信部等八部门印发《“人工智能 + 制造” 专项行动实施意见》，明确提出到 2027 年培育 3‑5 个深度落地制造业的通用大模型，落地 1000 个高水平工业智能体，建设 100 个高质量工业数据集，推广 500 个典型应用场景，从顶层设计层面推动工业互联网与人工智能双向赋能。同时《“数据要素 ×” 三年行动计划（2024‑2026）》、工业数据筑基行动等系列政策落地，推动工业数据要素确权、登记、流通、交易体系逐步完善，解决 AI 工业化落地的数据供给难题。

双碳目标约束之下，制造业绿色转型压力持续加大，欧盟 CBAM 碳边境调节机制等国际规则倒逼国内企业完善产品全生命周期碳足迹管理。本次 2026 全球工业互联网大会将正式启动的 “绿舟行动”，聚焦工业碳足迹追踪与企业绿色改造，推动工业互联网平台承载碳数据采集、核算、溯源、优化能力，实现数智化与绿色化双向协同，补齐 “AI + 制造” 绿色维度的发展版图。

1.2 研究意义

理论层面，本报告梳理工业大模型与工业互联网融合的技术范式，厘清工业大模型、工业智能体、工业互联网平台、数据要素、工业碳管理之间内在逻辑关系，丰富国内 “AI + 制造” 领域的研究体系，为后续学术研究提供事实参考。

产业实践层面，当前大量制造企业面对纷繁复杂的 AI 技术，存在选型难、落地难、价值难量化的现实困境。报告结合大会释放的前沿议题，剖析技术落地的真实价值与现存短板，帮助制造企业客观认知工业大模型、工业智能体的能力边界，理性规划智能化改造路线。

生态建设层面，报告分析数据要素市场化、绿舟行动带来的产业机遇，为平台服务商、AI 企业、系统集成商找准赛道定位提供参考，助力产业链各方协同破解数据孤岛、模型适配、成本高昂等共性难题。

政策参考层面，报告总结产业发展堵点，为后续细分行业标准制定、数据集建设、中小企业扶持、绿色数字化政策优化提供现实依据。

1.3 研究范围与研究方法

本报告研究边界限定于工业大模型依托工业互联网基础设施落地的 “AI + 制造” 赛道，重点围绕 2026 全球工业互联网大会预热披露的四大焦点：工业大模型、工业智能体、工业数据要素市场化、绿舟行动‑工业碳足迹追踪与绿色改造展开分析。

研究方法采用文献研究法，梳理国家部委政策文件、行业联盟白皮书、头部机构产业测算报告；案例分析法，选取离散制造、流程制造领域标杆实践；产业对标法，对比海外工业 AI、工业数据、工业碳管理发展路径；综合研判法，结合大会前瞻信息研判未来产业演进方向。

第二章 工业大模型与工业互联网融合的底层逻辑与技术架构

2.1 工业互联网与工业大模型的互补关系

工业互联网完成 OT 设备、IT 系统广泛连接，实现设备、产线、工厂、产业链的数据采集、传输、存储，解决 “数据从哪里来” 的问题；工业大模型承担海量异构工业数据的理解、推理、归纳、生成，解决 “数据怎么用” 的问题，二者天然具备互补属性。

传统工业互联网平台更多依靠机理模型、传统机器学习算法，对标准化工况适配良好，但面对非结构化工业知识，包括工艺手册、运维文档、故障案例、设备台账等处理能力有限，复杂场景下需要大量人工配置规则，泛化能力不足。工业大模型依托大参数预训练、多模态能力，能够读取文本、图像、音频、设备时序数据，把沉淀在工程师头脑中的工艺经验转化为模型能力，降低复杂工业场景规则开发成本。

但工业大模型无法脱离工业互联网独立运行。第一，工业大模型训练、微调、推理需要来自真实产线的时序数据、图像数据，数据源高度依赖工业互联网的采集网络；第二，工业大模型输出的决策指令，需要通过工业互联网网络下发至 PLC、SCADA、MES 等现场控制系统完成闭环；第三，工业场景对安全性、确定性要求极高，大模型存在幻觉风险，必须依托工业互联网的安全管控、权限隔离、结果校验机制约束模型输出，避免 AI 错误指令造成生产事故。

二者融合不是简单把大模型部署在工业互联网平台之上，而是形成 “网络‑平台‑数据‑模型‑执行‑反馈” 完整闭环。工业互联网负责感知层、网络层、平台底座，工业大模型作为智能引擎嵌入平台，向上支撑应用场景，向下接收现场数据、回传优化指令。

2.2“工业互联网 + 工业大模型” 整体技术架构

整体架构自下而上分为五层：感知接入层、网络传输层、工业互联网平台底座层、工业大模型与智能体引擎层、行业应用层。

感知接入层：包含传感器、工业网关、PLC、机器人、机器视觉设备，完成设备状态、工艺参数、质量检测图像、能耗碳排放原始数据采集，是整个体系的数据源头。

网络传输层：包含 5G‑A 工业专网、时间敏感网络 TSN、工业以太网，实现高可靠、低时延数据传输，区分业务数据流，保障控制指令与 AI 推理数据传输隔离。

工业互联网平台底座层：包含时序数据库、关系数据库、数字孪生引擎、标识解析系统、数据治理模块、安全管控模块，完成数据清洗、标注、存储、资产登记，为上层模型提供标准化数据集，同时承担权限管控、风险校验、日志留存。2026 年发布的 GB/T 47969‑2026《工业互联网数据要素登记要求》国家标准，为本层的数据资产登记、确权提供统一规范，2027 年 2 月正式实施。

工业大模型与工业智能体引擎层：分为通用基础大模型、行业垂类工业大模型、工业智能体组件。基础大模型完成通用语义、多模态理解；垂类工业大模型导入行业工艺知识、机理模型完成微调适配；工业智能体基于垂类大模型，封装工具调用、任务拆解、记忆模块、反馈闭环，实现面向产线的自主任务执行。本层是整个架构的智能中枢，也是当前产业创新最活跃的环节。

行业应用层：面向不同工业细分行业输出场景化能力，覆盖研发设计、生产排产、质量检测、预测性维护、供应链协同、能耗优化、碳足迹核算等业务。

2.3 从工业大模型到工业智能体的范式跃迁

行业普遍将工业智能体视作工业大模型落地的高阶形态。单纯工业大模型更多承担问答、分析、辅助决策；工业智能体具备完整的 “感知‑认知‑任务拆解‑工具调用‑执行‑反馈迭代” 闭环，能够对接 MES、ERP、SCADA 等工业系统，自主完成复杂工业任务，被视作第四代工业互联网的核心技术标志。

工业智能体区别消费端 Agent 的核心特征是强工业机理约束。消费端 AI 允许一定概率幻觉，但是工业场景一旦出现错误推理，会带来设备损坏、产品报废、安全生产事故，因此工业智能体必须将工艺规则、安全约束作为硬边界嵌入推理链路，不能完全依靠大模型自由生成结果。

从产业落地节奏看，当前国内工业智能体处于早期规模化部署阶段。IDC 调研显示，国内已经部署大模型与工业智能体的工业企业占比由 2024 年 9.6% 提升至 2025 年 47.5%，增长速度较快，但大部分企业停留在试点阶段，全产线大规模落地案例仍然有限。赛迪顾问数据显示，2025 年国内工业 AI 智能体市场规模 148 亿元，2026 年预计达到 204 亿元，同比增速超过 37%，未来五年复合增长率维持高位。

第三章 2026 全球工业互联网大会核心焦点产业深度解析

3.1 焦点一：工业大模型产业发展现状与落地实践

3.1.1 工业大模型分类

工业大模型分为通用基座大模型工业适配版本、行业垂类大模型、场景专用小模型三类。
第一类，通用基座大模型工业适配版本，依托通用大模型底座，通过少量工业数据微调，优势是迭代速度快，短板是对行业工艺机理理解不足，多用于文档解析、故障知识库问答、生产报告生成等非强控制类场景。
第二类，行业垂类工业大模型，针对钢铁、石化、汽车、电子制造等特定行业，导入海量工艺手册、故障案例、产线时序数据，深度融合行业机理，适配行业复杂工况，是当前产业投入重点。
第三类，场景专用小模型，针对单一细分任务，例如缺陷检测、设备故障预警，模型参数量更小，推理速度快，部署在边缘端，保障实时性要求，经常与垂类大模型协同使用。

3.1.2 典型落地场景

研发设计场景：利用大模型读取历史仿真数据、实验报告，辅助方案迭代，缩短新产品研发周期，部分车企借助工业大模型将整车研发周期显著压缩。
生产工艺优化：针对冶炼、化工、焊接等流程工艺，大模型分析海量历史参数与良品率的对应关系，给出工艺参数优化建议，降低能耗、提升良品率。
设备预测性维护：读取设备振动、温度、电流时序数据，结合历史故障案例，提前预判设备潜在故障，减少非计划停机。
工业知识流转：把企业沉淀的设备手册、运维案例、故障处置经验转化为大模型知识库，新员工可以通过自然语言调取专业知识，降低人才经验流失带来的损失。
生产运营管理：对接 ERP、MES，完成智能排产、异常工单分析、供应链风险研判，处理非结构化生产报告。

3.1.3 现存现实短板

第一，高质量工业训练数据供给不足。制造业高质量标注数据集稀缺，行业测算显示制造业数据当中符合大模型训练标准的高质量数据占比仅 4%，大量工业现场数据噪声高、标注缺失，不同工厂设备协议不统一，数据治理成本高昂。
第二，模型泛化能力不足。同一行业不同工厂设备、工艺参数存在差异，在 A 工厂训练效果良好的模型迁移到 B 工厂性能明显衰减，每一条产线往往需要二次微调，推高落地成本。
第三，安全风险约束。大模型幻觉问题在工业场景被放大，错误推理结果直接作用生产环节将带来严重损失，工业场景对模型输出的可解释性要求远高于消费互联网，当前很多大模型推理过程属于黑盒，难以满足工业安全审计要求。
第四，投入产出门槛高。大型企业可以承担数据集建设、模型微调、系统集成成本，大量中小企业资金、人才不足，工业大模型项目前期投入较高，制约普及速度。

3.2 焦点二：工业智能体，驱动工业互联网走向自主协同

工业智能体是本次全球工业互联网大会重点发布方向，也是 “AI + 制造” 从辅助决策走向自主执行的关键载体。不同于传统软件固定逻辑，工业智能体可以接收复杂业务目标，自主拆解子任务，调用不同工业系统工具，完成任务之后接收反馈持续迭代优化。

3.2.1 主要应用场景分布

根据产业调研数据，工业智能体落地场景占比排序：生产制造场景占 44%，研发设计占 32%，设备运行维护 25%，供应链管理 19%。
生产制造方向：智能排产智能体，接收订单、物料库存、设备状态，自动完成排产，遇到设备故障自动重排产；工艺执行智能体，针对焊接、装配等工序，感知工况变化自主调整工艺参数。
设备运维智能体：7×24 小时监测设备状态，识别异常，自动调取历史故障方案，推送处置工单，部分场景可以联动控制系统完成自主处置。
供应链智能体：跟踪上下游物料交付、库存水平，识别供应链风险，输出采购、调库建议。
工厂运营智能体：对接多套业务系统，完成报表生成、异常告警、合规自查。
多智能体协同是未来重要演进方向，多个不同职能智能体互相配合，共同完成工厂复杂业务，这也是第四代工业互联网技术体系的重要特征。

3.2.2 产业落地现实挑战

第一，跨厂商互通标准缺失。当前各家厂商推出的工业智能体大多是封闭体系，不同厂商智能体之间无法直接交互协同，行业缺少统一接口、任务描述、安全约束标准，制约规模化推广。
第二，OT 与 IT 系统集成难度大。工业智能体需要调用 MES、SCADA、ERP 等大量存量系统，老工厂大量老旧设备接口封闭，改造集成工程工作量巨大。
第三，安全与责任界定难题。智能体自主执行生产操作，一旦发生生产事故，责任如何在设备厂商、智能体服务商、制造企业之间划分，目前缺少明确制度与行业规范。
第四，人才缺口突出。既懂生产工艺机理，又懂 AI 智能体技术的复合型人才供给不足，限制企业内部迭代优化能力。

头部企业已经开展规模化试点，美的集团部署上万级工业智能体，实现显著降本增效；同时大量中小项目还处在试点验证阶段，距离大规模复制推广仍需要时间。按照国家专项行动目标，2027 年国内要实现 1000 个高水平工业智能体落地，未来两年将迎来场景爆发期。

3.3 焦点三：工业数据要素市场化，筑牢 AI + 制造的数字底座

工业大模型、工业智能体性能上限本质由数据质量决定，工业数据要素市场化就是解决工业数据 “不敢共享、不愿共享、不会使用” 的制度体系，也是本次大会核心议题之一。我国拥有全球规模最大完整工业体系，2025 年国内工业数据资源总量接近 20ZB，占全球工业数据总量 20% 以上，数据资源体量巨大，但大量数据处于沉睡状态，中小企业数据利用率不足 30%。

3.3.4 当前制度建设进展

政策层面，《“数据要素 ×” 三年行动计划（2024‑2026）》设置 “数据要素 × 工业制造” 专项行动，鼓励工业数据流通、数据集建设、数据资产价值释放。工信部启动工业数据筑基行动，目标建设行业可信互联平台，打造一批高质量行业数据集，赋能工业大模型与智能体，打通工业数据 “采‑集‑用” 全链路。

标准层面，2026 年 8 月 GB/T 47969‑2026《工业互联网数据要素登记要求》正式发布，作为国内工业互联网领域首个数据要素登记国家标准，建立工业数据资产登记统一规则，解决工业数据确权登记缺少统一依据的痛点，支撑数据资产入表、数据交易、数据知识产权登记工作落地。

实践层面，多地推进工业可信数据空间试点，可信数据空间通过技术手段实现数据 “可用不可见”，打消企业数据泄露顾虑，推动产业链上下游之间数据协同。浙江、贵州等地推进工业数据资产入表、数据知识产权登记试点，探索工业数据资产价值实现路径。国内多地数据交易所上线工业数据产品，但整体来看场内交易活跃度有限，场外流通仍是工业数据流通主要形态。

3.3.2 现存痛点

第一，权属界定复杂。工业数据产生于设备、产线、上下游多主体协同过程，设备厂商、工厂企业、产业链上下游多方参与，数据所有权、使用权、收益权划分复杂，缺少成熟司法判例与落地操作细则。
第二，企业顾虑突出。工业数据包含大量工艺、生产、供应链商业机密，企业普遍担心数据共享之后发生泄露，带来商业损失。
第三，高质量数据集供给稀缺。适合工业大模型训练标注数据集数量不足，数据标注成本高，行业缺少统一数据集质量评价体系。
第四，价值评估体系缺失。工业数据价值受行业、场景、数据颗粒度影响极大，缺少通用的价值评估方法，制约数据交易商业化发展。

整体判断，工业数据要素市场化当前处于制度搭建、试点探索阶段，短期难以完全实现大规模场内交易，未来一段时间重点工作集中在数据登记、可信数据空间建设、高质量数据集培育，为工业 AI 提供数据供给，中长期逐步释放数据资产商业价值。

3.4 焦点四：“绿舟行动” 启动，工业碳足迹追踪与制造业绿色改造

2026 全球工业互联网大会将正式启动 “绿舟行动”，聚焦工业碳足迹全生命周期追踪、企业数字化绿色改造，推动工业互联网、AI 大模型赋能制造业双碳转型，实现智能化与绿色化深度融合，是本次大会绿色维度的重磅动作。

3.4.1 “绿舟行动” 的核心内涵

“绿舟行动” 依托工业互联网基础设施，打通能源、碳排放数据采集、核算、溯源、优化全链条。一方面推动企业建设数字化能碳管理体系，基于物联网传感器采集水、电、气、原材料消耗数据，实现产品全生命周期碳足迹追踪，形成产品数字碳护照；另一方面依托工业大模型对能耗、碳排放数据开展智能分析，识别节能降碳潜力，输出工艺优化、设备改造方案，带动企业绿色技术改造，实现 “算碳‑管碳‑降碳” 闭环，同时对接国内碳市场、应对 CBAM 等国际碳贸易规则要求。

3.4.2 技术实现路径

工业互联网提供底层底座，部署物联网采集终端，打通生产系统、能源系统，实现能耗、物料、排放数据自动采集，替代过去大量人工填报模式；工业标识解析体系实现一物一码，对产品从原材料、生产制造、运输、使用到报废全生命周期碳排放信息进行绑定，实现碳足迹可追溯；工业大模型承担碳数据分析任务，分析海量能耗数据，识别高耗能工序，仿真模拟工艺调整之后的减排效果，给出降碳优化策略。

3.4.3 产业价值与现实挑战

商业价值层面，第一，帮助企业满足国内双碳合规要求，同时应对欧盟 CBAM 碳关税，完整可追溯的碳足迹数据是出口企业参与国际贸易的硬性条件；第二，AI 赋能实现精准节能降碳，不再依靠粗放式技改，通过算法优化工艺参数，挖掘现有设备节能潜力，降低企业能源成本；第三，催生绿色服务新业态，第三方机构依托工业互联网平台提供碳核算、碳足迹认证、绿色改造咨询服务。

现实挑战同样突出：第一，碳足迹核算需要上下游全链条数据，上游原材料碳排放因子获取难度大，产业链协同难度高；第二，大量中小企业缺少碳管理数字化基础，传感器部署、系统建设成本形成门槛；第三，不同行业碳核算标准、因子库尚未完全统一，跨企业数据可比性不足。

“绿舟行动” 的落地，标志国内工业绿色改造从传统设备改造，走向 “数字化 + 绿色化” 协同新阶段，工业互联网平台将同时承载生产优化与碳管理双重职能。

第四章 “AI + 制造” 产业链全景与典型行业案例

4.1 产业链构成

完整的 “工业互联网 + 工业大模型” 产业链分为上游基础层、中游平台与模型层、下游行业应用层。

上游基础层：包含工业芯片、算力硬件、工业传感器、工业网关、工业软件基础组件，提供算力、数据采集硬件底座。当前高端工业传感器、工业芯片仍然存在短板，制约边缘端大模型部署。

中游平台与模型层：第一类是传统工业互联网平台厂商，在原有平台之上叠加大模型、智能体能力；第二类 AI 大模型企业，面向工业领域开发垂类模型；第三类专业数据服务商，提供工业数据治理、数据集标注、可信数据空间建设服务；第四类系统集成服务商，负责模型、平台与工厂存量系统对接落地。

下游行业应用层：覆盖钢铁石化流程制造业、汽车、电子、装备制造离散制造业，以及能源、建材等众多细分行业，面向大中小不同规模制造企业输出解决方案。大型企业自建平台模型居多，中小企业更多采用 SaaS 化工业 AI 服务。

4.2 典型行业落地案例

案例一：流程制造‑化工行业

某化工企业依托工业互联网平台采集数百套装置时序数据，导入行业垂类工业大模型，融合化工机理知识。大模型实时分析温度、压力、流量等上千项参数，识别工艺异常先兆，提前预警风险，同时仿真不同参数组合对能耗、产品纯度影响，输出工艺调优建议。实现装置非计划停机下降，单位产品能耗下降，体现工业大模型在流程行业的价值。

案例二：离散制造‑汽车零部件行业

汽车零部件工厂部署工业互联网，对接产线 MES、质检设备。工业大模型处理机器视觉缺陷图像，实现零部件缺陷智能识别；同时部署工业智能体，接收订单变化自动完成智能排产，当设备故障发生，智能体自主重新规划生产任务，平衡交期、产能、换产成本，提升产线柔性，适配多品种小批量订单需求。

案例三：绿色改造场景，绿舟行动参考实践

某装备制造企业开展数字化能碳管理建设，依托工业互联网采集车间电、气、蒸汽消耗数据，建立产品碳足迹台账，为每一类产品生成碳足迹档案。工业大模型分析不同工序碳排放贡献，识别高碳环节，输出设备改造、工艺优化方案，实现单位产品碳排放下降，同时完整碳足迹数据支撑产品出口合规申报。

第五章 产业发展面临的共性瓶颈

综合前文对工业大模型、工业智能体、数据要素市场化、绿舟行动四大方向分析，当前 “AI + 制造” 产业面临五大共性瓶颈。

第一，高质量工业数据供给短板突出。工业现场数据噪声大、异构程度高，跨设备协议不统一，数据治理成本高；高质量标注工业数据集稀缺，企业出于商业保密顾虑不愿开放自有数据，数据要素流通机制尚在建设，制约模型训练迭代效果。

第二，模型的工业适配与安全风险。通用大模型缺少行业机理知识，迁移到真实产线性能衰减；大模型幻觉带来工业生产安全风险，工业场景对模型可解释性、可审计性要求极高；工业智能体跨厂商标准缺失，不同系统之间互通困难。

第三，改造成本与投入产出矛盾。完整的工业大模型项目包含数据采集改造、数据集建设、模型微调、系统集成，整体投入较高。大型企业具备承受能力，广大中小企业资金有限，难以承担完整改造投入，SaaS 轻量化工业 AI 产品成熟度有待提升。很多项目试点效果优秀，规模化复制时 ROI 难以保障。

第四，复合型人才缺口巨大。产业同时需要懂工艺机理、懂工业现场、懂 AI 算法的复合型人才，该类人才供给总量不足。传统工厂运维人员缺少 AI 知识，AI 算法人才不熟悉工业生产逻辑，人才短板制约项目落地与后期运维迭代。

第五，制度标准体系仍待完善。工业数据要素的确权、价值评估、交易规则仍处于试点阶段；工业智能体安全规范、责任划分机制尚未成型；工业碳足迹核算不同行业标准、因子库有待进一步统一；部分细分行业缺少工业大模型应用指南，企业选型缺少参考依据。

第六章 产业发展趋势研判

结合 2026 全球工业互联网大会前瞻信号、政策导向、产业技术演进路线，未来 2‑3 年 “工业大模型 + 工业互联网” 呈现五大发展趋势。

第一，技术范式：工业大模型由通用基座向行业垂类、场景小模型协同演进，工业智能体加速普及。不会出现一个通用大模型解决全部工业问题的局面，行业垂类大模型 + 边缘端场景小模型组合成为主流；工业智能体从单点试点走向多智能体协同，成为工业互联网平台的标配能力。模型安全、可解释性将成为工业 AI 产品硬性准入门槛。

第二，数据层面：工业数据筑基行动持续推进，高质量行业数据集加速建设，可信数据空间大规模试点。工业数据登记国家标准落地实施，数据资产入表、数据知识产权登记试点扩大，工业数据要素市场化由理论走向实操，重点解决 AI 工业化的数据供给问题，但大规模场内交易仍需要较长周期。

第三，场景价值导向：从追逐技术概念转向价值优先。产业更加看重降本、增效、提质、节能的可量化收益，能够带来明确 ROI 的场景优先落地，不追求全产线一步到位，优先选择高价值局部场景切入，逐步迭代推广。中小企业轻量化 SaaS 化工业 AI 产品供给增加，降低转型门槛。

第四，数智与绿色双向融合：伴随 “绿舟行动” 落地，工业互联网平台同时承载生产优化与碳足迹管理能力。工业大模型广泛应用于能耗优化、碳足迹核算、减排方案仿真，智能化改造与绿色改造项目耦合开展，企业数字化建设同步兼顾双碳目标，数绿融合成为制造业转型主流模式。

第五，生态协同趋势：单一厂商难以独立完成端到端项目，产业走向生态化分工。工业互联网平台企业、AI 模型厂商、制造龙头企业、科研院所、数据服务商组建联合体，分工完成数据治理、模型微调、系统集成、场景验证，产业链协同攻关数据集、行业标准、安全规范等共性问题。

第七章 对策建议

7.1 面向政府与产业主管部门

第一，持续推进工业数据筑基行动，围绕重点行业打造一批公共高质量工业数据集，降低中小企业获取训练数据门槛；加快落地工业互联网数据要素登记国家标准，扩大可信数据空间试点，完善数据知识产权配套制度。
第二，加快工业大模型、工业智能体相关标准研制，重点制定安全规范、接口互通标准、可解释性评估规范，明确 AI 用于工业控制场景的责任划分机制。推进 “绿舟行动” 配套标准建设，完善细分行业碳足迹核算因子库。
第三，实施梯度化扶持政策，避免一刀切。一方面支持龙头企业开展前沿场景试点；另一方面面向中小企业推出轻量化转型服务，通过服务券、算力补贴等方式降低中小企业智能化、绿色改造成本。
第四，推动产教融合，定向培养兼具工业工艺与人工智能能力的复合型人才，完善学科设置，鼓励企业、院校联合建设实训基地。

7.2 面向制造企业

第一，理性看待工业大模型与工业智能体，拒绝 AI 万能论。优先选择痛点明确、收益可量化的局部场景先行试点，不盲目追求全产线大规模一次性改造，验证价值之后再逐步推广。充分认知大模型幻觉风险，在控制类场景保留人工校验机制，守住生产安全底线。
第二，夯实数字化底座。工业大模型发挥效果的前提是基础数据采集到位，企业优先完善设备联网、数据治理工作，梳理自有工艺知识资产，为 AI 落地打好基础。
第三，同步规划数字化与绿色化转型。参与 “绿舟行动” 相关实践，将碳足迹采集、能耗优化纳入数字化建设规划，实现一套平台兼顾生产优化与碳管理，避免重复建设。
第四，重视内部人才队伍建设，培养既懂本企业生产工艺，又理解 AI 技术边界的内部人员，保障项目落地之后能够持续迭代优化。

7.3 面向产业服务商

第一，坚持工业机理优先，不能直接把消费端大模型方案简单迁移到工业场景。深度深耕细分行业，沉淀行业工艺知识，提升模型在复杂工况下的稳定性、可解释性，强化安全约束机制。
第二，针对中小企业开发轻量化 SaaS 产品，降低使用门槛，输出开箱可用的标准化模块，而不是只面向大型企业提供定制化项目。
第三，积极参与产业生态合作，与工业互联网平台、制造企业、科研机构组建联合体，共同建设行业数据集，共建标准，分摊研发成本。
第四，把握数绿融合机遇，将碳足迹核算、能耗优化能力融入产品体系，对接 “绿舟行动” 相关产业需求，打造 “AI + 工业互联网 + 绿色低碳” 一体化解决方案。

第八章 结论

工业大模型与工业互联网深度融合，是我国推进新型工业化、培育新质生产力的关键路径。即将召开的 2026 全球工业互联网大会，将工业大模型、工业智能体、工业数据要素市场化、绿舟行动‑工业碳足迹追踪与绿色改造确立为产业焦点，精准反映出当前产业发展阶段特征：工业互联网完成广泛连接之后，产业重心转向数据价值释放，人工智能成为释放工业数据价值的核心引擎，同时智能化与绿色化两大转型方向深度耦合。

当前产业已经跨过概念炒作阶段，进入试点规模化落地的关键时期，市场空间广阔，但同时仍然面临数据供给不足、模型适配、安全风险、成本门槛、人才短缺、制度标准待完善等多重现实瓶颈。工业大模型与工业智能体不是可以一键解决所有制造难题的万能方案，技术落地必须扎根工业机理，坚持价值导向，守住生产安全底线。

未来，在政策引导、产业链协同、企业实践共同推动之下，工业数据要素制度持续完善，工业智能体场景不断丰富，伴随 “绿舟行动” 等专项工作落地，“AI + 制造” 将持续向制造业各个细分行业渗透，为我国制造业高端化、智能化、绿色化转型提供强大技术支撑。

数据来源

1. 工业和信息化部《“人工智能 + 制造” 专项行动实施意见》2026 年
2. 工业和信息化部《工业数据筑基行动通知》2026 年
3. 国家市场监督管理总局 GB/T 47969‑2026《工业互联网数据要素登记要求》国家标准，2026 年发布
4.《“数据要素 ×” 三年行动计划（2024‑2026 年）》国家数据局等部门
5.2026 全球工业互联网大会公开预热信息，沈阳日报、东北新闻网公开报道，2026 年 8 月
6. 中国工业互联网研究院相关产业测算数据
7.IDC、赛迪顾问、弗若斯特沙利文工业 AI、工业智能体市场调研白皮书 2025‑2026 年
8. 工业互联网产业联盟产业调研成果、行业白皮书系列报告
9. 人民论坛网、经济日报公开产业研究文章与公开调研数据
10. 头部制造企业公开实践案例、公开技术披露资料

免责声明

本报告由泷澹实业（上海）有限公司、泷澹工业研究院编制，报告内容仅用于产业研究与行业参考，不构成任何投资建议、商业决策建议。报告基于公开政策文件、行业公开报道、第三方机构公开调研数据整理分析，对引用第三方数据、观点不承担担保责任。报告中的市场规模、增速等预测数据受技术迭代、政策变化、市场环境多重变量影响，存在不确定性。未经书面许可，不得对本报告内容进行篡改、歪曲传播；引用本报告内容，请注明完整出处。报告观点仅代表研究机构研究视角，不代表任何政府、行业协会立场。