汪红驹、丁少斌：创建“智造业”新形态：趋势、约束与路径

2025年《国务院关于深入实施“人工智能+”行动的意见》（国发〔2025〕11号）明确提出，要全方位赋能千行百业，将智能制造作为制造强国和数字中国建设的重要支撑，通过系统性重塑制造业生产方式、组织形态和产业生态，推动生产力实现革命性跃迁。

在制造业领域，以生成式人工智能为技术内核的新一代人工智能与大数据、云计算、物联网、工业互联网等技术加速融合，一方面为解决传统制造成本高、效率低、韧性不足等结构性问题提供了新工具；另一方面也为推动产业链供应链重构、培育新质生产力打开了新空间（刘建丽、李娇，2024；罗雄，2025）。经过前期自动化、信息化和数字化改造，我国已形成一定的装备基础和数据基础，但也存在数据适用性和技术适配性不足、劳动力技能适应性转型等制约智能制造系统性升级的因素，这些基础条件与现实约束的交织，决定了必须在更高起点上重新审视新一代人工智能技术与制造业深度融合的发展路径。

“十五五”时期是我国以发展新质生产力为重要着力点、加快构建现代化产业体系的关键阶段。党的二十届四中全会强调，要坚持智能化、绿色化、融合化方向，统筹推进新一代信息技术与制造业深度融合，构建具有全球竞争力的现代化产业体系。2026年《政府工作报告》首次提出“打造智能经济新形态”，从“互联网+”到“人工智能+”，再到今天的“智能经济”，中国产业发展的叙事逻辑正在经历一次深层跃迁，而“打造智能经济新形态”更是对“人工智能+”的系统性升级，标志着我国人工智能发展从技术应用的单点突破，迈入构建全新经济形态的系统布局阶段。

基于此，本文立足“十五五”规划建议中关于建设现代化经济体系的总体部署，研究我国构建“智造业”新形态的趋势、挑战与路径。梳理智能制造发展脉络，研判新一代人工智能技术全方位赋能制造业的总体趋势，系统分析数据适用、技术适配和劳动力供需错配等方面的主要制约，从适度超前建设新型基础设施、打造全环节落地应用场景以及健全劳动保障与教育培训支撑体系等维度，提出推动人工智能技术与制造业深度融合的实践方向与政策建议，为“十五五”时期构建现代化产业体系提供参考。

（一）智能制造缘起于“智能制造1.0”

1.智能制造的全球发展历程

从全球制造业发展历程看，智能制造的兴起并非孤立事件，而是与历次工业革命一脉相承。工业革命之前，制造活动主要依靠手工工具和经验技艺，生产规模小、效率低、成本高。第一次工业革命以蒸汽机为代表，将机械动力引入生产过程，推动制造业从手工作坊迈向机械化生产。第二次工业革命依托电力和电机技术，形成以流水线和大规模机器生产为特征的规模化制造范式。20世纪60年代以来，计算机和互联网的应用标志着第三次工业革命到来，数控机床、柔性制造系统和计算机集成制造系统等不断涌现，制造方式开始兼顾批量效率与柔性响应（汪红驹、李原，2025）。进入21世纪以来，特别是近十余年，人工智能、大数据、物联网、云计算等新一代信息技术加速演进并相互融合，推动制造业从数字化、网络化阶段迈向以智能化为核心的新阶段。以美国《振兴美国先进制造业》报告、德国“工业4.0”战略为代表的国家级行动，将智能制造确立为先进制造模式的核心方向，强调通过信息物理系统、工业互联网等手段，实现生产系统的自感知、自学习、自决策和自适应（Kagermann and Wahlster，2022）。

在概念演化层面，智能制造经历了从“自动化制造”到“数字化制造”“网络化制造”再到“智能化制造”的渐进过程。20世纪80年代以来，学界根据制造车间自动化的范围和集成程度，先后提出柔性制造单元、柔性制造系统、计算机集成制造等概念，早期更强调以数控技术和自动控制为主的自动化与柔性化。Wright和Bourne（1988）在《制造智能》（Manufacturing Intelligence）一书中首次系统提出“智能制造”概念，将其界定为通过集成知识工程、制造软件、机器视觉和机器控制等，使智能机器在较少人工干预的情况下完成小批量生产的一种新型制造方式。

随着信息技术和网络技术的进步，各国政府和权威机构不断给出更具工程实践导向的定义。国际上通常从系统特征、关键技术和支撑要素等维度界定智能制造的内涵（Mittal et al., 2019）。美国国家标准与技术研究院强调智能制造是“通过先进传感、监测、控制和过程优化技术，将信息通信技术与制造环境深度融合，实现对工厂和企业能耗、生产率及成本的实时管理的全集成协同生产系统”。德国在“工业4.0”语境下更重视“灵智制造”，强调通过嵌入式软件、传感器和CPS构建高度灵巧、经济、高效的生产系统。中国工业和信息化部、财政部联合制定的《智能制造发展规划（2016—2020年）》和后续文件中，将智能制造界定为“基于新一代信息通信技术与先进制造技术深度融合，贯穿于设计、生产、管理、服务等制造活动的各环节，具有自感知、自学习、自决策、自执行、自适应等功能的新型生产方式”，突出智能技术在全流程的应用（李廉水等，2019）。

从制造业技术路径看，世界制造业智能化大致经历了三个阶段：一是数字化制造阶段，代表技术是数控机床以及计算机辅助设计、计算机辅助制造；二是网络化制造阶段，通过将多台数控设备连接成柔性制造系统，并在企业层面推广计算机集成制造系统，实现生产设备与管理系统的网络互联；三是智能制造阶段，以“工业4.0”、工业互联网和智能工厂为载体，强调数据密集型信息技术在车间及以上层级的广泛应用，实现对复杂生产系统的实时感知和智能响应,形成以智能设计、智能加工、智能监控等为代表的一系列智能制造系统场景（Zheng et al.，2018）。

2.中国制造业的智能化历程与“智能制造1.0”

中国制造业的智能化演进与世界趋势同频共振，又受自身发展阶段和政策取向的深刻影响。总体来看，新中国成立以来,中国制造业经历了“工业化带动信息化”“信息化与工业化深度融合”“智能制造引领新型工业化”三个阶段。1958年，新中国成功研制第一台数控机床，拉开了工业化与信息化融合发展的序幕。改革开放后，沿着用市场换技术的路径大规模引进自动化生产线和信息系统，逐步形成覆盖全国的工业与信息基础设施网络。党的十七大以来，“两化融合”战略的提出和推进，使企业资源计划管理系统、制造执行系统、产品生命周期管理系统等信息系统在工业企业广泛铺开。进入“十三五”时期，《中国制造2025》等纲领性文件将智能制造确立为制造强国战略的主攻方向，智能制造试点示范和智能工厂建设全面启动。

在这一演进脉络下，为了更好地推动“十五五”时期迈向“智能制造2.0”，本文将当前已经较为普遍铺开的阶段概括为“智能制造1.0”。“智能制造1.0”是指在以自动化改造和数字化建设为主线的长期投入基础上，以企业内部生产流程的自动化、关键业务环节的信息化、局部环节的智能化为主要特征，以“自动化＋数字化”为核心形态的一种阶段性智能制造实践。其技术基础主要包括可编程逻辑控制器、分布式控制系统、工业机器人等自动化装备，以及管理与生产信息系统，辅以条码、射频识别、工业传感器等数据采集手段。“智能制造1.0”阶段在生产现场实现了生产设备和生产线的高度自动化，并在生产管理环节中完成企业内部初始数字化的基础性跃迁。从技术集成方式看，“智能制造1.0”阶段开始出现自动化系统与信息系统的初步融合。生产设备通过现场总线和工业以太网接入车间级控制系统，再通过数据采集与监控系统或制造执行系统，将关键设备参数和生产信息上传到企业级系统，实现了“设备层—控制层—执行层—管理层”的层级式信息架构。这种自下而上的集成模式，使得制造企业可以在较大范围内实现对生产过程的可视化监控和事后分析，部分领先企业还开始探索预测性维护和能耗管理等应用场景。

但是，就整体特征而言，“智能制造1.0”仍然更多停留在“自动化＋数字化”的层面，呈现出若干局限性。其一，系统架构多为条块分割建设，自动化系统、信息系统和业务系统之间标准不统一、接口不开放，造成信息孤岛普遍存在，即便企业内部已经积累了大量生产和管理数据，也难以实现跨系统、跨部门和跨工厂的全面打通。其二，数据主要用于事后统计和局部优化，决策模式仍然以人工经验和预设规则为主，智能算法应用多集中在单设备、单工艺或单环节，实现的是点状智能而非系统性智能。其三，企业间、产业链上下游之间的连接程度有限，工业互联网平台的推广和应用尚处于起步阶段，难以支撑产业链层面的协同优化和资源重构。

从发展定位看，“智能制造1.0”是中国从“制造大国”迈向“制造强国”的必经阶段。一方面，它通过自动化和数字化改造，有效提升了企业的生产效率、产品质量和资源利用效率，为应对劳动力成本上升、资源环境约束趋紧等结构性压力提供了现实支撑；另一方面，它也为新一代人工智能赋能奠定了基础，使大规模设备数据、工艺数据和管理数据得以持续积累，为构建面向未来的工业大数据资源库和行业知识图谱创造了条件。同时也应看到，随着“十五五”时期智能经济跃迁目标的提出，仅依靠“智能制造1.0”阶段的自动化、数字化红利已难以支撑制造业在全球新一轮竞争中的地位重塑。由此，本文在后续部分将提出人工智能技术与制造业深度融合的“智能制造2.0”方向，突出以认知智能、自主决策和系统协同为特征的“智造业”新形态。

（二）“智造业”新形态——“智能制造2.0”的总体判断

1.从判别式到生成式的新一代人工智能技术迭代

从“十四五”时期及更早阶段的智能制造实践来看，企业应用的主流智能技术，仍然是围绕“感知—识别—分类”的判别式人工智能展开。判别式人工智能主要通过对大量已标注样本的学习，完成图像识别、故障诊断、质量判别、异常检测等任务，本质上是在既定数据空间中划分边界、进行模式分类。这与“智能制造1.0”阶段的总体特征高度契合，生产系统已经实现初级智能化，但距离实现工业全要素智能联动和生产方式系统性重塑仍有显著差距。

进入“十五五”时期，以生成式人工智能为技术内核的新一代人工智能技术体系加速演进，围绕生成式人工智能、具身智能、科学智能和自主智能体等方向的突破使智能制造从以判别为主的初级范式，加速迈向以生成与自主为特征的高级范式（刘诚，2025；欧阳日辉、刘昱宏，2025）。这一迭代可以从技术内核、物理形态、认知深度和协作角色四个维度来理解（见表1）。

第一，在技术内核上，从判别式人工智能向生成式人工智能演进。判别式人工智能主要用于分类和预测任务。例如，识别零件是否合格、判断设备是否故障。生成式人工智能则能够在学习大规模语料、图像和工业知识的基础上，主动生成文本、图纸、代码、工艺方案和控制策略。生成式人工智能通过预训练模型与少量任务样本的结合，可以快速适配不同生产场景，大幅降低知识建模成本，显著拓展智能制造在方案设计、工艺创新、运维知识库构建等环节的应用空间（蔡永明、马夏夏，2025）。

第二，在物理形态上，从离身智能向具身智能演进，实现了从“虚”到“实”的跃迁。过去相当长时间内，人工智能主要以“离身智能”的形态存在于云端服务器和企业信息系统之中，多数算法被封装在工业软件或平台应用里，与现场设备和作业过程存在一定距离，更多扮演后台大脑的角色。随着高性能传感器、工业机器人、移动操作平台和信息物理系统的快速发展，具身智能逐步成为新一代智能制造的重要方向。智能算法直接嵌入机器人本体、数控装备和柔性产线，使设备在复杂环境下具备感知、规划、控制和协同能力。例如，协作机器人在装配线与工人并肩作业，移动机器人在工厂内部实现自主导航和柔性物流，智能检测装备在高速生产线上完成在线识别与自适应调节（疏爽等，2025）。

第三，在认知深度上，从数据拟合向科学智能演进，实现了从“经验”到“科学”的跃迁。“智能制造1.0”中应用的大量算法，本质上是围绕历史数据进行拟合，只要输入特征和输出标签足够多，就可以训练出性能尚可的预测或分类模型，但这类模型往往缺乏对物理机理、工艺机制和系统约束的深入理解，遇到工况变化和极端情形时容易失效。科学智能是指人工智能与科学机理模型深度耦合，通过机器学习挖掘数据中的隐含规律，辅助发现新材料、新结构、新工艺，并反向推动生产系统的优化和重构（惠宁等，2025）。

第四，在协作角色上，自主智能体的出现正推动人工决策迈向人机协同的“智造业”新形态。在“智能制造1.0”阶段，人工智能更多被视为一种高级工具，用于辅助操作工完成检测、诊断和统计分析，核心主导者仍然是人类工人，机器执行的是预设流程和指令。随着大模型技术、强化学习技术和多智能体系统的发展，自主智能体开始在工业场景中出现。在工厂内部，自主智能体可以持续感知环境状态，基于目标函数自主决策。在跨企业协同中，不同节点的智能体还可以通过协议和规则实现博弈与协作，完成供应链重构和资源重新配置（陈柳钦，2025）。在这种框架下，工人的任务逐步转向设计目标、设定约束、监督系统，人和智能体之间形成一种长期、稳定、可进化的伙伴关系。

2.市场驱动的效率革命

当代制造业所面对的市场环境，已经从过去相对稳定、以规模化标准产品为主的格局，转向高度不确定、个性化需求快速涌现的新常态。一方面，居民消费升级和细分市场持续扩张，倒逼企业在产品功能、外观设计、服务体验等方面不断迭代；另一方面，从产业链上下游看，产品交付方式也在发生明显变化，下游整机厂和终端客户更加重视订单履约的稳定性和可预测性，上游零部件和原材料供应环节则被要求做到更高频次补货、更精细对接生产节拍、更透明的交付过程，交付环节总体呈现出准时、可视、可追溯的新特征。传统依靠人工经验组织生产、固定节拍运转生产线的方式，很难同时满足高质量、低成本、短交期的多重目标。在这一意义上，人工智能技术驱动的智能制造，被企业视为缓解供需矛盾、提升市场适应性的关键技术路径。从更宏观的视角看，生成式人工智能正在被视为继电气化、信息化之后的新一轮通用技术，是企业提升生产效率必须重视的新一轮技术革命（汪红驹、丁少斌，2025）。这与国际上将数字技术和人工智能视为第二机器时代核心动力的观点相呼应（Brynjolfsson and McAfee，2014）。

从产业链和供应链的视角看，人工智能正在驱动产业链协同效率革命。当前全球产业链格局深度重塑，外部环境不确定性显著上升，使得制造企业不仅要关注单个工厂的效率，还要关注上下游协同的响应速度和风险防控能力。人工智能在需求预测、库存优化、供应风险预警等环节的应用，使企业能够在多个节点实时感知供应链状态，强化对订单波动、物流中断、价格剧烈波动等风险的前瞻识别能力，通过动态排产、替代供应商推荐、智能路径规划等手段，构建闭环体系。通过这种方式，产业链从过去以线性供给网络为特征的刚性链条，逐步演化为具备自适应和自优化能力的智能生态体，产业链整体效率和抗风险能力得到同步提升，为构建现代化产业体系打下了基础。

生成式人工智能进一步放大了上述效率革命。生成式人工智能通过在海量非结构化数据上的预训练，再结合少量企业内部数据进行微调，能够在产品方案设计、工艺路线规划、编程调试、设备说明书生成等环节，自动输出可用草案，极大压缩了从概念到可制造方案的时间，降低了知识表达和沟通成本，释放了工程师和技术人员的创造性精力。同时，工业领域的多模态生成式人工智能大模型，具备同时处理文本、图像、视频、语音等多种数据形态的能力，可以通过自然语言或多模态交互控制工业设备、工业系统和管理软件，将人工智能、工业互联网和数字孪生等技术有机结合，在供应链管理、生产调度、质量检测、能源管理等场景中承担越来越多的分析和决策工作，从而在不增加过多人工投入的前提下，实现效率的显著提升。

3.人工智能与智能制造深度融合的战略指向：数字化普及与智能化升级

站在“十五五”时期智能经济跃迁的关口来看，人工智能技术与制造业深度融合下的“智能制造2.0”是在既有自动化、信息化、数字化基础上，完成从局部数字化向数字化普及，从点状智能向系统性智能升级的综合跃迁。

从数字化普及的角度看，“智能制造2.0”首先意味着数字底座要从局部试点走向全面铺开。数字经济在“十四五”时期已经完成了从基础设施到产业体系的快速扩张，形成覆盖生产、流通、消费全链条的数字化产业体系和数字基础设施体系，为后续智能化跃迁积累了量变基础。在此基础上，“智能制造2.0”阶段的“数字化普及”，至少包括三个层面的深化：一是在企业覆盖范围上，要从少数龙头企业、示范工厂，扩展到更多的中小企业和产业集群，而不是只停留在样板间；二是在业务环节上，要从生产环节的局部数字化，扩展到研发设计、生产制造、运维服务、经营管理、供应链协同等全生命周期，让每一个关键业务环节都留下可计算、可追溯的数据足迹；三是在数据流动方式上，要从部门内部、车间内部的数据孤岛，走向跨系统、跨车间、跨工厂乃至跨企业、跨区域的端到端数据贯通，构建真正意义上的工业数据空间和行业级数据资源池。这种数字化普及，并不是简单增加信息化系统数量，而是重构企业的运行逻辑。当前我国传统制造仍处在“工业2.0补课、工业3.0普及、工业4.0示范”的多进程并行阶段，许多企业存在“不敢转、不会转”的现实难题。“智能制造2.0”所强调的“数字化普及”，正是要通过标准化的工业软件、通用的工业互联网平台以及可复制的系统解决方案，把这种深层次变革从少数先锋企业推广到更广泛的企业群体，形成面向行业的整体跃迁，而不是单点突破。

在智能化升级层面，“智能制造2.0”强调以人工智能为代表的新一代信息技术，从工具化应用走向深度融合。“十五五”时期智能经济的一个关键趋势，就是数字化向智能化迈进。这意味着，“智能制造2.0”不仅要在更多场景中使用人工智能，更要在算法形态和系统功能上实现跃升。生成式人工智能作为新一代人工智能的技术内核，既兼具渗透性、替代性、协同性、创造性等通用目的技术特征，又具有自适应性、并行性等关键技术经济特征，能够在产品设计、工艺规划、代码编写、说明书生成等环节显著压缩时间、释放创造力。面向工业场景训练的垂直行业大模型和自主智能体，将越来越多地嵌入生产调度、质量控制、设备维护和供应链协同之中，推动工厂从人工决策、机器执行走向人机协同决策、系统自适应执行。从应用场景看，“智能制造2.0”的智能化升级，集中体现在“生产智能化、管理数智化、服务创新化”三个方向。人工智能技术在制造业场景中的深度应用，可以推进生产过程的智能化、经营管理的数据智能化，以及围绕产品全生命周期构建新的服务模式。在研发设计环节，通过基于生成式人工智能的创成式设计和数值仿真，减少试错成本。在生产制造环节，通过深度强化学习等方法对制造执行系统采集的时序数据进行特征挖掘和模式识别，构建动态工艺优化和预测性维护模型，实现生产过程的自学习、自优化。在运维服务和供应链环节，通过智能监测、故障预测、路径规划和库存优化等功能，构建可预见、可调度、可协同的新型运维和供应链体系。

需要强调的是，“数字化普及”与“智能化升级”并不是前后截然分割的两个阶段，而是人工智能技术与制造业深度融合过程中的相互嵌套、相互促进。数字经济量变的持续积累为智能化质变提供了必要条件，智能化并非对数字化的简单叠加，而是从数据记录走向自主分析决策，实现全链条能力的飞跃。对制造业而言，如果没有普遍、可靠、可计算的数字基础，人工智能只能停留在点状试验和演示项目。而如果止步于数字化而缺乏智能化升级，企业又难以在成本、质量、效率、韧性、绿色等多目标约束下获得系统性优势。“智能制造2.0”正是要通过数字化普及夯实数据底座，通过智能化升级激活数据价值，从而驱动新质生产力在制造领域加速形成。

（一）数据适用性挑战

在“智能制造2.0”阶段，数据已经从生产过程的副产品上升为与劳动、资本、技术并列的关键生产要素，是人工智能深度赋能制造业的前提条件。智能制造本质上建立在横向贯通产业链、纵向贯通企业内部的两条数据链之上，数据要素在其中的战略地位日益凸显，深度嵌入研发、采购、生产、物流、服务等各个环节，成为驱动效率提升和模式创新的核心资源。其中，工业大数据是制造业应用人工智能的基础和关键，没有结构化、标准化、可计算的高质量数据，就谈不上算法优化和智能决策，更难以形成数据驱动效应所蕴含的新质生产力。

从国家层面看，数据已经被明确纳入生产要素体系，正在通过数据要素市场化配置改革，逐步构建起“数据资源—数据要素—数据资产—数据资本”的完整链条，为包括智能制造在内的智能经济发展提供基础制度供给。《国家智能制造标准体系建设指南（2024版）》把人工智能、大数据、云计算、边缘计算、数字孪生、区块链等一并纳入“智能赋能技术标准”子体系，对工业领域数据的分类分级、命名规则、元数据字典、确权规则、数据采集与处理、平台建设等提出了系统性要求，力图通过标准化手段夯实工业数据的采集、存储、流通和应用基础。

然而，从实践效果看，人工智能技术与制造业深度融合的进程中，数据适用性仍然是最突出的短板之一。

第一，数据采集与贯通能力不足。许多制造业企业仍然停留在信息化初级阶段，设备联网率和数据采集率偏低。即便实现了数据采集，数据也往往分散在不同车间、不同系统和不同业务条线之中，形成深层次的信息孤岛和数据壁垒。当前工业互联网平台和企业内部IT系统之间在通信协议、数据格式和接口标准上仍不统一，IT系统与运营技术系统融合不足，严重制约了设备、系统和应用之间的数据互联互通，阻碍了智能制造系统形成端到端的数据闭环。

第二，数据质量和结构化程度不高，难以支撑生成式人工智能模型训练和部署。“智能制造2.0”不再满足于简单的报表统计和经验决策，而是需要依托高维度、多模态的工业大数据，训练面向细分行业和具体工艺场景的行业模型和场景模型。在大量制造业场景中，数据记录不完整、更新不规范、口径不统一、噪声干扰严重，低质量数据占比很高，即便能够采集到海量数据，也难以直接用于算法建模和智能分析。不少中小企业缺乏系统性的数据治理能力，既没有统一的数据标准和元数据管理体系，也缺乏专业团队开展数据清洗、标注、脱敏、质量评估和持续维护，导致工业数据的可用性和可信度明显不足。从智能赋能技术的角度看，《国家智能制造标准体系建设指南（2024版）》已就工业领域数据分类分级、标识规则、数据平台建设、数据处理与分析等提出较为完备的标准框架。但在执行层面，大量企业尚未真正落实这些标准，企业内部的企业资源计划、制造执行系统、高级计划排程系统等软件系统之间数据模型尚未打通，接口集成多以点对点对接甚至人工导入导出为主，数据处理成本居高不下。在这种情况下，企业难以构建高质量、可复用的数据资产池。

第三，数据治理和安全合规能力薄弱，制约数据共享与要素化配置。“智能制造2.0”强调“跨部门、跨层级、跨区域”的协同优化，这必然要求工业数据在企业内部、供应链上下游乃至区域间有序流动和安全共享。然而，在实践中，制造企业对数据权属、数据安全和数据合规普遍缺乏清晰认识和系统安排。一些企业担心数据外流导致商业秘密泄露，对外部平台甚至产业链伙伴严防死守，形成新的数据围墙，既阻碍了供应链协同优化，也削弱了企业从外部数据中学习和改进的能力。在数据要素化配置方面，当前数据确权、定价、交易、收益分配等制度建设仍处于起步阶段，尤其是在机密性要求极高的工业数据领域，平台型企业、核心制造企业和中小配套企业之间对数据收益权和风险责任划分尚无成熟、可复制的模式。一些地方虽已探索“工业数据交易平台”“工业数据地图”等新机制，但交易品种以简单的统计数据和通用数据为主，真正具有高价值、可训练的过程数据和设备数据仍难以进入市场。这既制约了数据价值的充分释放，也削弱了企业投入数据基础设施建设和数据治理能力建设的动力。

（二）技术适配性挑战

与数据适用性相比，技术适配性更多反映在技术供给端和工业应用端之间的错位，一侧是发展迅猛的新一代人工智能技术体系，另一侧是高度异构、强调安全稳定和长期可靠的工业现场，两者在硬件、软件、算法、标准和组织能力等方面存在明显的适配性不足。

第一，关键硬件与基础软件能力仍显薄弱，制约前沿人工智能技术在工业场景中的可用性和可控性。当前，在人工智能芯片、智能传感器、工业控制专用处理器等关键硬件领域，国内供给体系仍有明显短板，高性能算力资源在成本、可获得性和安全可控方面都存在现实约束。在基础软件层面，面向深度学习、强化学习等的新型计算框架和开源生态尚不成熟，自然语言处理、计算机视觉和机器学习等核心算法的自主创新能力需要持续提升，通用框架与工业级实时控制、确定性通信、长周期运行的适配性不足。

第二，通用模型无法精准对接工业场景，算法工程化和场景化能力不足。面向互联网训练的大模型，大多是围绕文本、图片、语音等数据构建，数据来源相对干净、场景相对柔软。而工业数据具有强工艺约束、强时序性、强专业性和高噪声等特征，设备和工艺状态数据格式多样、语义复杂、异常点众多，如果不做大量二次建模和清洗，就很难直接用于模型训练和推理。制造业典型场景中广泛存在场景数据质量不高、场景协同不足、场景支撑体系不健全等问题，导致不少算法停留在实验室验证和小范围试点阶段，难以在复杂工业环境中长期稳定运行。

多模态生成式人工智能大模型虽然具备处理文字、图片、视频、语音等多模态信息的能力，可以通过自然语言和多模态交互控制工业设备、工业系统和管理软件，将人工智能、工业互联网和数字孪生有机结合，但不同行业、不同企业在业务流程、工艺逻辑、数据语义上的差异极大，跨模态信息的关联与约束建模非常困难，需要经历长周期的场景化适配和持续调优，才能在具体产线、具体工序上获得可靠效果。对于资金与人才相对有限的中小企业而言，这种重适配、重运维的要求，在实际生产中很容易阻碍其推进深度融合。

第三，工业软件体系和信息技术系统碎片化严重，阻碍人工智能与制造系统的深度嵌入。企业资源计划系统、制造执行系统、高级计划排程系统、质量管理系统、设备管理系统等往往在不同阶段、由不同供应商分别建设，数据模型和接口标准各不相同，系统之间通过定制接口或人工导出导入实现对接。《国家智能制造标准体系建设指南（2024版）》围绕工业软件、工业控制系统、工业互联网平台和工业操作系统提出了多层次标准框架，力图通过标准化解决缺乏统筹建设的问题，但整体落地仍处于起步阶段，企业内部软硬件异构、系统多头的状况在短期内难以根本改变。

第四，人工智能技术在工程可靠性、实时性和安全性方面尚未完全达到工业级要求。与互联网应用相比，工业现场对系统失误的容忍度极低，算法的误判、延迟甚至短暂宕机，都可能导致设备损坏、安全事故甚至环境风险。新型工业化进程中，人工智能关键硬件与开源软件储备不足、法律法规和标准体系不健全等问题并存，覆盖算法设计、系统集成、现场应用等全流程的测试验证和认证体系尚未形成，企业难以对复杂人工智能系统的边界行为和在极端工况下的表现做到心中有数。

近年来，围绕智能制造场景下可解释人工智能的研究也日益强调算法透明性与工程可用性的平衡（Puthanveettil Madathil et al.，2025）。在制造业许多关键环节，控制系统需要毫秒级响应和高度确定性，习惯采用冗余架构和严格的安全认证。一旦将人工智能算法引入控制闭环，就必须在可解释性、鲁棒性、抗干扰性以及故障时如何安全降级等方面进行大量工程设计和现场验证，还要防范对抗样本、恶意攻击以及数据污染等新的安全威胁（丁少斌、汪红驹，2026）。这些工程化与安全治理能力，在当前不少人工智能解决方案中仍然不足，进一步加剧了企业对技术可靠性的担忧。

（三）就业替代与劳动力转型压力

新一代人工智能技术与制造业的深度融合过程正对劳动市场结构和社会承接能力带来系统性挑战。一方面，生成式人工智能、具身智能和自主智能体等新技术加速进入研发设计、生产调度、质量检测、运维服务和经营管理等环节，推动制造体系朝着更高效率、更强自主性和更深层次人机协同方向演进；另一方面，传统制造业岗位结构、技能供给体系和社会保障机制调整相对滞后，难以及时适应技术替代和岗位重构带来的冲击。如果这种错位在“十五五”时期得不到妥善应对，人工智能赋能制造业所带来的效率红利，就可能在微观层面转化为阶段性失业上升、技能错配加剧和收入分化扩大的现实压力，进而影响“智造业”新形态推进的社会基础和可持续性。

第一，重复性、程序性和标准化岗位面临较大替代压力，人机协同条件下劳动过程和劳动关系加快重构，对劳动者适应能力提出更高要求。与以往自动化主要替代体力劳动不同，新一代人工智能技术正在向部分程序化认知劳动、基层管理劳动和标准化服务劳动延伸。在生产现场，基础检验、简单调度、规则化记录、常规客服和部分辅助设计等岗位，都可能因智能系统的广泛应用而被压缩或重构。这意味着制造业劳动者面临的风险，不只是岗位总量的简单变化，更是岗位内容、岗位层级和岗位技能要求的系统调整。随着生成式人工智能、具身智能和自主智能体嵌入研发设计、生产调度、质量控制和运维服务等环节，越来越多劳动者将从直接操作转向系统监控、参数干预、异常处置和协同决策，其岗位职责将由单一执行向复合协同转变。这种转变虽然有助于提高生产效率和管理精度，但也意味着劳动者需要持续适应新的工作节奏、评价体系和组织方式。对于缺乏数字素养和跨任务能力的劳动者而言，人机协同并不必然降低工作压力，反而可能带来适应成本上升、岗位边界模糊和职业稳定性下降等新问题，从而构成推进“智造业”新形态过程中不可忽视的现实约束。

第二，技术进步将加快岗位重构和技能门槛抬升，劳动力市场中的结构性错配问题可能更加突出。“智能制造2.0”并非单纯减少用工，而是在替代部分低技能岗位的同时，创造设备运维、数据治理、系统监督、模型训练、人机协同管理等新岗位。但这些新岗位往往要求劳动者具备数字技能、复合技能和持续学习能力，而大量传统制造业从业者短期内难以完成这种能力转换。如果职业教育、岗位培训和继续教育体系跟不上，就容易出现低技能岗位需求减少、高技能岗位供给不足的并存局面。此外，岗位调整具有明显的时滞性和摩擦性，就业替代与岗位创造难以同步完成。人工智能技术进入制造业后，并不会简单表现为旧岗位减少、新岗位等量出现的线性替代过程，而更可能呈现出旧岗位先收缩、新岗位后形成的非对称调整特征。企业在成本约束和效率导向下，往往更容易优先推进对重复性、标准化岗位的替代。此外，与人工智能应用相伴生的新岗位，如设备运维、系统集成、数据治理、模型优化和人机协同管理等，通常需要新的组织架构、岗位体系和能力认证机制，其形成具有明显滞后性。由此，在智能化转型过程中，就业市场容易出现岗位收缩快于岗位扩容、用工退出快于技能重构的阶段性失衡，从而加大制造业劳动力转移和再配置的摩擦成本。

第三，若劳动保障和收入分配调节机制不健全，技术替代效应还可能进一步向社会风险传导。对于部分年龄偏大、技能转换成本较高的劳动者而言，岗位被替代后重新进入新就业岗位的难度较大，容易出现转岗周期延长、收入不稳定甚至退出正规就业市场的情况。如果失业保险、再就业援助、灵活就业保障和劳动权益保护等配套机制不完善，人工智能技术扩散的收益与成本就可能在不同群体之间分布失衡，从而削弱社会对智能制造升级的认同度和承受力。

（一）扎实推进“智能制造2.0”基础设施建设

在“智能制造2.0”阶段，要真正支撑以生成式人工智能为代表的新一代人工智能在制造业全流程落地，必须把过去偏向办公和消费的互联网基础设施，系统升级为面向工业体系的智能制造基础设施。“十五五”时期，智能基础设施建设应该被视为推动人工智能技术与制造业深度融合的先手工程，围绕网络、算力、数据、安全和标准等关键要素，形成可持续演进的工业级智能底座，这样才能为后续大规模场景应用提供长期、稳定、可复制的支撑。

1.完善工业互联网和移动物联网网络基础设施

在网络层面，深度融合需要的不是简单联网，而是面向工业场景的高可靠、低时延、广覆盖的一体化网络能力。工业互联网和移动物联网应当成为“智能制造2.0”阶段的神经系统。按照国家智能制造标准体系建设思路，工业网络标准已经被纳入关键技术标准子体系，涵盖确定性网络、时间敏感网络、信息技术与运营技术融合、异构网络互通、增强型互联网协议第六版和高可靠组网等方向。在这些标准的基础上，需要加快工程化落地和大规模部署，把标准真正转化为网络建设和改造的具体技术路线。《智能制造典型场景参考指引（2025年版）》提出，工厂可以围绕数据中心、工业网络和安全基础设施，整体规划网络结构，合理部署工业交换机、第五代移动通信技术基站和接入终端，通过算力资源动态调配、负载均衡、异构网络融合、高带宽实时通信等技术，全面提升工厂的网络承载能力和服务质量。此外，在园区和产业集群层面，可以依托移动物联网万物智联能力，加快普及窄带物联网和第五代移动通信技术等接入方式。只有在强化网络接入能力的基础上，人工智能技术与制造业务流程才能实现长期、稳定可扩展的深度耦合。

2.布局“数据中心+智能算力+边缘计算”协同体系

算力在“智能制造2.0”中的地位，已经从后台资源上升为战略基础设施。为了支撑大模型训练、复杂工艺仿真和海量在线推理，“十五五”时期有必要系统构建“数据中心＋智能算力＋边缘计算”协同的算力基础设施。一方面，区域层面应当规划建设面向重点制造业集群的智能计算中心和工业数据中心，作为行业级算力枢纽，为行业大模型、优化调度、虚拟试验等提供统一算力平台。工厂内部和园区现场需要同步布局工业边缘节点，把部分计算能力前移至产线附近。应鼓励企业依托工业控制器、边缘网关和工业边缘服务器，部署本地推理节点，对时延敏感、数据不宜外传、安全要求较高的任务在本地完成，把云计算、边缘计算和终端计算通过统一的平台进行协同调度，这样才能在实时性、安全性和成本之间取得平衡。同时，考虑到生成式人工智能技术在工业领域的快速推广，各地在新建和升级数据中心时，可以预留多模态大模型推理所需的加速算力和高带宽存储，通过共建共享的方式打造“行业智算中心”“模型服务平台”，以服务模式向中小企业开放算力和模型能力，降低人工智能技术赋能的门槛。

3.构建工业数据全生命周期基础数据设施

人工智能在制造业中的关键应用依赖于高质量工业数据。因此，在基础设施路径中，工业数据全生命周期的基础设施建设应该放在更加突出的位置。按照国家智能制造标准体系的设计，工业大数据相关标准可以从四个层次推进：元数据与数据字典、标识解析、数据平台、数据处理。围绕这四个层次，各地区和行业可以建设一批工业数据中心和行业数据中台，支持企业将生产、质量、能耗、供应链等多源异构数据有序汇聚，并通过统一的标识解析体系实现跨系统、跨企业的数据关联，为数字孪生工厂构建和行业模型训练提供可用、可信的数据底座。在工厂层面，推进深度融合时，建议把数字基础设施建设和数字孪生工厂构建这两个典型场景统筹安排，前者侧重网络、算力、安全等硬基础，后者则强调围绕厂房、产线、设备等资产开展数据采集和数字孪生模型开发，利用工业数据集成、异构模型融合、工厂操作系统和行业垂直大模型，逐步建立“设备—产线—车间—工厂”多层级数字孪生模型。

4.强化工业场景安全基础设施

安全问题贯穿智能制造基础设施建设全过程，必须把安全基础设施作为人工智能技术嵌入的底线工程。在网络和系统层面，建议在规划工业互联网和工厂网络时，同步规划安全架构，构建多层次安全体系。《国家智能制造标准体系建设指南（2024版）》已将安全标准纳入基础共性标准，并对工业网络、数据流通和平台提出了安全要求，基础设施建设应主动对接这些标准，把防火墙、入侵检测、安全网关、态势感知平台等纳入项目必选项，而不是可选项。在人工智能应用层面，还需要提前布局算法安全、模型安全和数据安全基础设施。例如，可以在数据中心和工厂边缘节点预置模型审计、异常检测、对抗样本防护和敏感信息过滤模块，在引入生成式人工智能技术时，通过统一的安全网关对输出进行校验和约束。

5.推进标准制度一体推进的基础设施制度性底座建设

基础设施不仅是物理底座，还应该是制度底座。在深度融合框架下，网络、算力、数据和安全设施如果缺乏统一的标准体系、接口规范和治理规则，就很容易再次走向碎片化建设。“十五五”时期，可以依托国家智能制造标准体系建设，到2026年修订一批覆盖智能装备、工业软件、智能工厂、智慧供应链、数字孪生装备、人工智能工业应用、工业数据流通、网络协同制造等领域的国家和行业标准，把基础设施建设的关键参数、接口规则和安全要求尽量标准化。各地在推进新建工厂、改造项目和园区基础设施建设时，应按照统一标准组织实施，避免重复建设和互不兼容的情况。在区域和行业层面，还可以探索“基础设施＋标准＋应用”一体推进的模式，以区域骨干网络、算力中心和工业数据中心为基础，同步构建统一的标识解析体系、统一的数据分级分类标准和统一的接口规范，再通过一批典型场景、示范工厂把这些标准固化为可操作的工程方案。推动智能制造基础设施从单个项目的硬件投入，升级为支撑整个产业集群长期演进的制度性底座。

（二）大力推广“智造业”应用场景创新

在数据适用性和技术适配性尚不充分的客观约束下，推进人工智能技术与制造业深度融合，更可行的思路是在既有技术条件和工程可靠性边界之内，把一批可落地、可复制、可扩展的应用场景作为深度融合的主攻方向。在技术适配性不足、底层体系尚需持续完善的情况下，可以优先通过应用场景路径，围绕制造全流程系统谋划和分步实施一批技术上可行、经济上合理、组织上可承受的重点场景，通过持续迭代和推广，带动企业生产方式、管理模式和商业模式协同升级。具体而言，可以从研发设计、生产制造、运维服务、经营管理、供应链协同等关键环节入手，逐步形成由点到面、由局部试点向整体跃升的推进格局。

1.推动研发设计与工艺创新场景的AI赋能

在研发设计和工艺创新环节，应当率先布局生成式人工智能技术的综合应用，推动设计范式从经验驱动向“数据驱动＋模型驱动”转变。在产品创意和结构设计方面，可以优先推广创成式设计工具。企业围绕产品平台化开发、模块化设计等任务，让研发人员通过自然语言或示意图输入性能指标、使用场景、约束条件等关键信息，由模型自动生成多套结构方案和参数组合，再由工程师进行筛选、修正和验证。在验证测试和工艺仿真方面，有必要加快数字样机和虚拟样机的普及应用。围绕重点产品和关键总成，构建高保真数字模型，在虚拟环境中开展强度分析、热特性分析、疲劳寿命评估等仿真工作，并结合机器学习方法识别潜在设计薄弱点和工艺敏感区间，把大量试制工作前移到虚拟空间完成，从源头上减少物理样机数量、降低试制成本。

在此基础上，还可以探索建设行业或企业级研发设计大模型和知识库。通过系统整理既有设计图纸、工艺规程、试验报告、质量问题案例等资料，构建结构化知识体系，并在此之上训练面向工程设计的专用模型，使工程师能够通过对话式查询类似案例、常见失效模式、典型工艺参数区间等，逐步形成人工智能辅助创新、工程师主导决策的新型协同机制。

2.深化生产制造与质量管控场景的AI应用

生产制造是推进深度融合的核心环节，应当系统构建一批示范性融合场景。在生产流程优化方面，可以将人工智能算法与制造执行系统深度融合，利用现场采集的时序数据，构建动态排产、瓶颈识别、能效优化等模型，推动生产计划从静态编制转向滚动优化，使产能利用率、在制品周转效率和能耗水平在全局范围内实现综合优化。在质量控制方面，应大力推广质量在线检测和智能溯源。针对外观缺陷检测、尺寸检测、装配质量控制等典型环节，部署基于视觉识别和多传感融合的在线检测系统，逐步由抽检向全检过渡。同时，通过将缺陷信息与工艺参数、设备状态数据进行关联分析，建立质量问题快速定位和工艺参数反向优化机制，形成从发现问题到修正工艺的闭环。在安全与环境监测方面，可以在关键设备和高风险工序周边布设多类型传感器和边缘计算节点，实时监测温度、压力、振动、有害气体浓度等关键指标，利用异常检测算法实现预测预警，并与联锁系统联动，在必要时自动采取降载、停机等安全措施，降低生产安全和环境风险。通过上述场景协同推进，有条件的企业可以进一步构建统一的智能工厂中枢，对生产、质量、安全等多类业务进行集成监控和协同优化，推动车间层面由点状智能向系统智能转变。

3.拓展全生命周期场景中的AI转型

深度融合不仅要提升生产环节效率，还应围绕产品全生命周期构建新的运维服务模式，推动从设备销售向提供整体解决方案和全生命周期服务转型。在设备运维方面，可以建设远程运维与预测性维护平台。通过在设备和终端产品上集成状态监测传感器和通信模块，持续采集振动、温度、电流、负载等运行数据，依托云平台或企业数据中心开展故障诊断和寿命预测，实现远程监控、远程指导和基于状态的检修，将计划检修逐步转向按需检修，减少计划外停机时间。在条件成熟的领域，设备出厂阶段就预留数据采集与云接入能力，配套软件订阅、性能优化建议、按使用量计费等服务方案，为用户提供设备运行分析、能效优化、升级推荐等增值服务，逐步形成“硬件＋软件＋服务”的综合解决方案，增强客户黏性和长期收益能力。在服务支撑能力方面，还可以构建多模态智能服务助手。企业将说明书、维护手册、故障库、工单记录等资料统一纳入知识库，利用多模态大模型，为一线运维人员提供故障排查步骤建议、参数设置参考、备件选型推荐等服务，通过语音、图像、文本等多种交互方式提升问题处理效率，并在持续使用中不断丰富和优化知识库内容。

4.带动供应链协同与产业生态升级

应用场景路径的更高层次，是通过供应链和产业生态，把单个企业的智能化升级延伸至整个产业链和产业集群，形成协同联动的深度融合格局。在供应链协同管理方面，可以推动订单、库存、物流、结算等关键信息在供应链核心企业与上下游之间有序共享。依托供应链管理系统和工业互联网平台，建设供应商数字化管理、采购计划协同、库存共享监控等应用场景，通过需求预测、联合计划、协同补货等方式，降低全链条库存水平，提升交付稳定性和响应速度。在智慧物流与仓储领域，则可以结合物联网、智能感知和路径优化算法，构建工厂内外一体的物流协同系统。通过对运输车辆、托盘、货箱等对象进行实时定位和状态监测，利用路径规划和调度优化模型，提升运输效率和仓储利用率，缩短物流周转时间，为生产柔性化和按单组织创造条件。在产业生态层面，有必要鼓励龙头企业建设开放式工业互联网平台和公共服务平台，集成人工智能算法、工业软件工具、数据治理能力等资源，以服务形式向产业链中小企业提供即插即用的解决方案，帮助其低成本接入深度融合体系。通过标杆场景示范、典型案例推广和平台化赋能，逐步带动整个产业链的智能化水平和融合化水平整体跃升。

（三）健全劳动保障与教育培训支撑体系

人工智能技术与制造业深度融合，不仅是技术体系重构和产业形态升级的过程，也是就业结构调整、劳动过程变革和人力资本再配置的过程。随着生成式人工智能、具身智能和自主智能体等新技术不断嵌入研发设计、生产制造、运维服务和经营管理等环节，制造业在提升生产效率、优化资源配置和增强产业韧性的同时，也会对部分重复性、程序性和低技能岗位形成替代压力，并推动岗位结构、技能需求和劳动关系发生深刻变化。如果缺乏与之相适应的劳动保障和教育培训支撑，技术进步所释放的效率红利就可能难以及时转化为包容性增长成果，反而加大转岗摩擦、收入波动和技能错配等问题。为此，“十五五”时期在推进“智能制造2.0”的过程中，有必要把健全劳动保障与教育培训体系作为“智造业”新形态建设的重要配套路径，同步完善就业稳定机制、转岗支持机制和终身学习体系，增强制造业智能化升级的社会承接能力。

1.建立面向智能制造转型的就业监测、预警和转岗帮扶机制

推动人工智能技术与制造业深度融合，首先要提高对就业影响的前瞻识别和动态应对能力。应围绕制造业重点行业、重点企业和重点岗位，建立智能化转型背景下的就业监测和风险预警机制，及时掌握岗位替代、岗位重构和用工变化趋势，形成面向地方政府、产业园区和企业的预警信息共享体系。对于受技术替代影响较大的岗位群体，应及早开展职业转型评估和再就业辅导，提供岗位推荐、技能测评、转岗指导和就业援助服务，尽可能把就业压力化解在企业内部和区域内部，降低劳动力大规模被动退出的风险。对实施智能化改造的企业，还可探索将稳岗扩岗、内部转训和岗位再设计纳入政策支持范围，引导企业在提质增效的同时更好承担转岗安置责任。

2.完善与智能化转型相适应的劳动保障制度安排

“智能制造2.0”条件下，劳动者面临的风险不再只是传统意义上的失业风险，还包括转岗周期延长、收入波动增大、劳动关系形态变化和职业稳定性下降等新风险。因此，需要在现有制度基础上，进一步完善失业保险、职业伤害保障、再就业援助和劳动权益保护等制度安排，增强对技术替代冲击的兜底能力。对处于岗位转换期的劳动者，可探索提高培训期间的生活保障和就业服务支持，减轻其转型成本。对参与平台化、项目制、远程化和灵活化工作的制造业劳动者，也应加快完善社会保险衔接机制和劳动权益保护机制，避免因就业形态变化出现保障空白。与此同时，要健全智能化生产场景下的劳动标准和劳动关系协调机制，合理界定人机协同条件下的岗位职责、工作强度、绩效评价和责任边界，防止技术应用演化为对劳动者权益的隐性挤压。

3.构建面向“智造业”新形态的终身教育和职业培训体系

从长期看，应对就业替代和技能错配的根本出路，在于加快提升劳动者适应智能化生产方式的能力。要围绕智能制造发展需求，推动职业教育、继续教育和企业培训协同发力，重点加强工业软件应用、设备运维、工业机器人操作、数据治理、系统集成、智能控制和人机协同管理等领域的人才培养，推动劳动者由传统操作型技能向数字技能、复合技能和系统协同技能升级。针对不同群体，可构建分层分类的培训。通过把教育培训嵌入智能制造升级全过程，逐步形成与“智造业”新形态相适应的人力资本供给体系。

4.强化重点群体就业支持，增强智能化转型的包容性

在制造业智能化升级过程中，不同群体受到的影响并不相同。年龄偏大、受教育程度较低、长期从事单一重复劳动的劳动者，往往面临更高的岗位替代风险和更大的技能转换难度；而青年劳动者、高技能人才和具备数字基础的复合型人才，则更容易进入新岗位和新职业。因此，在政策设计上应更加注重分类施策，对重点受影响群体提供更有针对性的培训补贴、就业援助和岗位适配支持，防止技术进步红利过度向少数群体集中。与此同时，也要重视发挥智能制造升级对高质量就业的带动作用，通过扩大设备运维、系统集成、工业软件应用、数据管理和技术服务等新岗位供给，推动制造业就业从数量扩张向质量提升转变，使“智造业”新形态建立在效率提升与民生改善相统一的基础之上。

推进新一代人工智能技术与制造业深度融合的本质，是在既有自动化、信息化和数字化基础上，以充分响应生成式人工智能为技术内核的新一代人工智能技术进步，通过“数字化普及＋智能化升级”，推动“智能制造2.0”升级。当前推进二者深度融合面临数据适用性不足、技术适配性受限以及就业替代与劳动力转型压力等方面的现实制约。面向“十五五”，一个可行的总体思路是协同推进基础设施路径、应用场景路径以及劳动保障路径，夯实网络、算力、数据、安全和标准等硬底座和软规则，并围绕研发、生产、服务、管理和供应链等关键环节持续打造可复制、可扩展的融合场景，同时围绕就业稳定、技能提升、岗位转换和权益保障，加快健全与智能制造升级相适应的社会支撑体系。只有在上述层面形成良性互动，才能真正把既有技术潜力转化为产业优势，把局部数字化积累转化为面向全产业链的系统性智能化能力。

从更长远的视角看，构建“智造业”新形态不仅关乎制造业自身的转型升级，也关乎新型工业化进程与现代化产业体系构建的基础支撑。只有在制造领域率先形成以数据为关键生产要素、以人工智能为核心驱动、以产业链协同为主要形态的新质生产力，才能在全球产业竞争格局重塑中赢得主动。构建“智造业”新形态，将是“十五五”时期发展中国“智能经济”新形态、构建现代化产业体系的一个重要着力点。