问题——工业现场“热在生活、冷在车间”的落差仍然明显。
随着智能技术在消费与办公领域迅速普及，制造业核心环节的应用推进却相对缓慢，尤其在一线岗位，直接使用相关工具的比例偏低，部分企业在项目实践中反映“一线员工使用比例不足10%”。
这意味着，工业企业虽已积累大量数字化基础，但距离把智能能力稳定嵌入研发、工艺、生产、运维等关键流程，仍存在“最后一公里”的现实阻碍。
原因——“建不起”与“用不好”叠加，制约规模化落地。
一方面，数据、算力与人才等要素供给不均衡，许多企业缺少可持续的投入能力与工程化团队；另一方面，工业场景差异化强、流程链条长，难以套用通用方案。
企业沉淀的数据多用于流程记录与结果统计，结构与语义并非为训练和推理而设计，难以直接转化为高质量输入。
更关键的是，制造业长期依赖师傅经验、工艺诀窍和隐性知识，不少环节涉及图纸、规范、参数、材料与设备状态等多模态信息，如何让系统“读懂”CAD图纸、理解工艺逻辑、对齐现场语境，往往需要深度定制与长期迭代，这也是企业“观望”情绪的重要来源。
影响——门槛高，但一旦突破将带来效率与竞争力跃升。
从企业实践看，工业场景的价值并不在“炫技”，而在能否把研发周期缩短、质量波动收敛、成本结构优化。
以上海凯泉泵业为例，水泵叶轮叶片形状受多因子耦合影响，传统方式依赖资深研发人员多周设计与测算，成本高且成功率有限。
企业将多年积累的设计图纸与运行历史数据引入相关系统后，低年资工程师在更短时间内完成设计任务，成功率明显提升。
此类案例表明，当“知识与数据”形成闭环并沉淀为可复用能力，企业不仅能缩短产品研发周期，还能降低对稀缺高端人才的依赖，推动技能结构从“经验独占”向“能力共享”演进。
对策——以“场景颗粒度”破解落地难，用标准化指南推动可复制推广。
本次大会发布的《上海市“AI+制造”场景建设指南》突出“手把手”特征，将智能能力嵌入制造全流程拆解到可操作层面。
例如围绕新车型开发，指南将人机工程优化、车身覆盖件断面设计、车身钣金结构建模等环节进一步细化到任务接收、环境准备、知识调用、自动绘图、结果输出等步骤，目的在于把“想做”转化为“会做、能做、做得成”。
同时，白皮书结合调研指出企业普遍痛点，强调从数据治理、模型适配、工程部署到安全合规的系统化路径，避免“点状试验”难以扩展。
首批样板企业提出的50项场景需求，则为供需对接和联合攻关提供了明确靶向，有助于形成“需求牵引—联合研发—工程验证—复制推广”的闭环机制。
前景——依托产业底座与工业互联网先发优势，上海有望推动从试点走向规模应用。
上海制造业门类齐全、链条完整，为“AI+制造”提供了可验证、可迭代的丰富场景。
近年来，上海围绕汽车、高端装备、航空航天等重点行业持续推进“工赋上海”行动，培育链主企业、链接上下游资源，推动工业设备联接、工业软件开发与机理模型构建，形成较为扎实的数字化底座。
随着指南、白皮书与样板场景同步推出，叠加5G与工业互联网基础设施能力提升，预计将推动更多企业从“试用工具”迈向“再造流程”，在研发设计、质量检测、设备运维、能耗管理等领域加速形成一批可复制、可推广的解决方案。
与此同时，行业也需要正视差异化场景带来的长期投入要求，持续完善数据标准、人才培养与生态协作，避免“一哄而上”与“建而不用”。
从"经验驱动"向"数据驱动"的转变是制造业高质量发展的必然趋势。
上海此举不仅是对自身工业底座的充分利用，更是在全国范围内树立了"AI+制造"系统化推进的标杆。
通过建设指南的指导和样板企业的示范，越来越多的制造企业将有机会跨越应用门槛，实现从低效的经验依赖向高效的智能决策的转变。
这一过程中，关键在于持续打通数据、算力和人才的堵点，让AI真正成为广大一线员工的"智能助手"，而非少数企业的专属工具。
随着这一模式的推广和完善，中国制造业的整体竞争力必将迎来新的提升空间。