问题：从“能用”到“好用”，工业数据仍是智能化升级的关键短板。当前，制造业推进智能化改造时普遍遇到数据来源分散、标准不统一、质量不稳定、沉淀不足等问题：一方面，设备、产线、供应链等多源数据难以贯通，出现“采得到、汇不齐”；另一方面，行业知识与工艺经验难以结构化沉淀，导致“集得来、用不好”。数据底座不牢，直接限制行业大模型、工业智能体在真实生产环境中的可复制、可推广与可评估。 原因：顶层设计持续强化，政策以“小切口”优先打通堵点。工信部近日印发通知，启动工业数据筑基行动，面向制造业重点行业，围绕关键环节以“小切口”开展先行先试，力求用可落地、可验证的方式突破工业数据在采集、汇聚、治理和应用上的瓶颈。政策导向更清晰：以高质量行业数据集建设带动数据治理能力提升，推动数据从“资源”加快变为“资产”，为智能体深入工厂一线提供稳定、可靠的数据支撑。今年以来，国家层面信号深入明确：有关专项行动提出到2027年推动通用大模型在制造业深度应用，形成行业大模型体系，推出千个高水平工业智能体，建设百个工业领域高质量数据集并推广典型场景；政府工作报告强调深化拓展“人工智能+”，推动重点行业领域商业化、规模化应用，培育智能原生新业态新模式。政策重心从“鼓励探索”转向“目标牵引”，并通过数据集、场景、智能体三类抓手协同发力。 影响：地方与企业加速跟进，应用从点状突破走向链式扩散。在地方层面，多地围绕制造业转型升级提出时间表和任务书：有的以大型企业数智化应用全覆盖、智能工厂全覆盖为目标；有的聚焦开放应用场景，打造垂直行业模型和工业智能体，组建创新中心与知识联盟；也有的以“产业大脑、未来工厂”等模式带动产业链、创新链、资金链、人才链协同。政策的连续性与可操作性增强，推动各地从“单厂试点”逐步转向“行业推进”。 在企业层面，工业智能体布局呈现两大趋势：一是从单点工具向全价值链矩阵化延伸，覆盖研发、制造、供应链、营销与管理等环节；二是从内部提效走向生态输出，面向行业客户提供平台化解决方案。部分家电、装备制造、工业互联网企业相继发布面向生产组织、质量检测、设计建模、内容生成等环节的智能体方案，强调与企业知识库、工艺规则、设备数据深度融合；通信运营企业也在纺织等细分行业推出生产环节智能体应用，推动“边生产边检测”“秒级纠错”等能力下沉至车间。多方投入的直接结果，是智能体在更多高频、刚需场景中率先形成可量化收益，同时带动行业对数据规范、接口标准、评估体系的需求上升。 对策：以数据治理为先导，以场景闭环为路径，夯实规模化落地基础。业内认为，工业智能体要从“能跑”走向“跑得稳”，关键在三项基础能力。其一，提升行业数据集的完整性与一致性，围绕工艺、质量、设备、能源、安全等关键主题形成可复用的数据资产，并建立持续更新机制。其二，同步完善数据标准、模型接口、知识表示与安全合规要求，降低跨系统、跨工厂、跨区域迁移成本。其三，用场景闭环检验价值，围绕“目标—数据—模型—流程—评估”建立可度量的迭代机制，把产线节拍、良品率、能耗、交付周期等指标作为落地成效的硬标准。同时，要平衡开放共享与安全可控，推动分级分类管理与可信流通，避免“有数据不敢用、能用的数据不好用”。 前景：数据底座加快夯实，工业智能体有望进入“规模复制”阶段。随着行业数据集建设先行先试推进，叠加国家目标牵引、地方细则落地与企业产品化能力增强，工业智能体将更快从单一任务助手演进为面向复杂流程的协同系统，在排产调度、质量管控、设备运维、设计仿真、供应链协同等领域实现更大范围的复制推广。市场机构预计，未来几年工业企业在人工智能相关投入将持续增长，资金、技术与人才将进一步向高价值场景集中。可以预见，谁能率先打通数据治理、行业知识与工艺流程，谁就更可能在新一轮制造业竞争中占得先机。
从“数据筑基”到“智能体落地”，折射出我国制造业智能化转型路径的逐步清晰：以数据要素夯实底座，以场景应用牵引创新，以政策协同保障推进。下一步，能否在更大范围形成标准化数据体系、可复制的行业数据集与可验证的应用成效，将决定工业智能体从“试点示范”走向“普遍应用”的速度与质量。把数据治理做实、把场景价值做清、把安全底线守住，制造业智能化升级的新增量才能持续释放。