現代人工智能是先進計算的產物，也是賦能千行百業的技術。從早期符號主義在有限算力下的躑躅前行，到神經網絡思想歷經沉浮，直至大數據與圖形處理器（GPU）的邂逅，引爆了深度學習的革命，使復雜模式識別與認知成為可能﹔再到今天，支撐起超大規模模型訓練的已是千億乃至萬億參數級別的並行計算集群和高速互聯網絡。正是這樣一場波瀾壯闊的計算進化，將人工智能從實驗室推向了產業應用，成為一股賦能千行百業、重塑社會的顛覆性力量。

對智能的向往從未停止

人類對於智能的向往並非源自現代，而是深植於數千年的文明積澱之中。當遠古的先民發出第一個有意義的音節，創造出能夠指代事物、表達意圖、傳遞復雜信息的符號系統，存在於個人大腦中的思維便獲得了在群體間流通的載體，語言成為人類智能的第一次偉大迸發。結繩記事、刻畫符號，直至體系化的文字出現，人類首次突破了大腦記憶的時空限制，將思想、律法、天文觀測、生產工藝等寶貴信息固化於泥土、金石與竹簡之上，樹起了一座人類“智能存儲”的裡程碑。從打磨第一件石器開始，人類就走上了一條通過創造“智能實體”來放大自身能力之路，隨著車輪、指南針、火藥、蒸汽機等的發明，人類始終渴望通過制造工具和使用工具實現對物理世界的認知、理解與改造。

由計算驅動的智能革命

如果說人類對於智能的向往是人工智能發展的“初心”，那麼先進計算技術的突破則是其誕生的“物質基礎”。從1936年圖靈提出圖靈機計算模型，首次表達了通用計算的理念，到1946年馮 諾依曼等建成第一台通用電子計算機ENIAC，正式開啟了“可實現的計算”之旅。隨著1960年代世界上第一台工業機器人Unimate和世界上第一台移動機器人Shakey的誕生，人工智能開始從信息空間走向物理空間。1960年代到1980年代專家系統的蓬勃發展，推動了人工智能的實用化，MYCIN專家系統開始用於細菌感染患者的診斷和治療，BKG9.8系統擊敗了雙陸棋世界冠軍﹔與此同時，以Hopf ield神經網絡和反向傳播算法為核心標志的神經網絡，進一步推進了模式識別、手寫文字識別等領域的發展。進入21世紀，深度學習的興起將人工智能的發展推向了新的高峰。2012年，杰弗裡·辛頓提出了卷積神經網絡CNN模型，其圖像識別效果大幅度超越傳統方法﹔2016年，AlphaGo擊敗世界圍棋冠軍李世石，展示了人工智能在復雜決策領域的強大能力。

如今，大模型浪潮奔涌而至。2017年，谷歌提出Transformer架構，為BERT、GPT等大模型奠基﹔2020年，OpenAI發布包含1750億參數的GPT-3模型，展現出“規模即智能”的潛力﹔2024年，“深度求索”推出Deepseek，以低成本、高效能且開源等特性，打破美國在AI大模型領域的壟斷﹔同年，OpenAI推出的文本生成視頻模型Sora，具備模擬復雜場景和物理世界的能力，標志著人工智能在視頻生成領域的重大突破。

人工智能經歷了專家系統、機器學習、深度學習為代表的狹義人工智能階段，正在通往以生成式AI為基礎的通用人工智能階段，未來將迎來基於感知與交互的機器自主進化的超級人工智能。目前，人工智能在圖像分類、自然語言推理、視覺問答、英文理解等方面，超過了人類平均水平，並且在多任務語言理解和數學競賽方面，也展現了超過人類平均水平的潛力。這場由計算驅動的智能革命，正向著與實體經濟深度融合、賦能千行百業的新階段邁進。

汲取“養分”也催生新學科

人工智能從來不是單一學科的獨奏，而是多學科交叉融合的交響樂。它既廣泛汲取各領域的養分，也反過來催生和推動了眾多新興學科的發展。數學為人工智能提供了核心理論工具，是智能算法設計的基礎﹔神經科學與認知科學為人工智能提供了靈感源泉，推動了智能模擬范式的演進﹔計算機科學與工程技術為人工智能提供了實現路徑，支撐了智能系統的工程化落地。

與此同時，人工智能應用於生物學，催生了生物信息學發展，AlphaFold2模型利用數據驅動的端到端深度學習模型預測蛋白質的復雜結構，解決了蛋白質折疊問題。人工智能應用於材料科學推動了新材料的發現，美國勞倫斯實驗室結合GNoME工具預測並成功合成了超過41種新材料，為材料合成開辟了新的途徑。

“融入”並“改造”物理世界

黨的二十屆四中全會提出，構建以先進制造業為骨干的現代化產業體系。制造業作為人工智能賦能的重點領域，“人工智能+制造業”將成為提升優化傳統產業、培育壯大新興產業和未來產業的重要舉措。

根據IDC調研數據，我國工業企業應用大模型及智能體的比例，從2024年的9.6%提升到2025年的47.5%。《中國互聯網發展報告2024》顯示，已培育421家國家級智能制造示范工廠，人工智能、數字孿生等技術在90%以上的示范工廠得到應用。近期，在南京召開的2025世界智能制造大會，公布了智能工廠梯度培育情況，我國已累計建成7000余家先進級、500余家卓越級智能工廠，並遴選出15家領航級智能工廠培育對象。從統計數據可以看出，我國在人工智能與制造業深度融合方面取得了顯著成效。

2025年8月，國務院印發《關於深入實施“人工智能+”行動的意見》明確提出，推動工業全要素智能聯動，加快人工智能在設計、中試、生產、服務、運營全環節落地應用。工業全要素智能聯動，就是要利用人工智能技術，通過嵌入行業知識、融合業務流程，對傳統產業進行全方位、全鏈條的升級改造，是一項涉及技術、知識、流程、組織的系統工程。實體系人工智能作為連接信息世界與物理世界的橋梁，通過“感知-認知-決策-執行”體系架構，使得機器能夠自主地“融入”並“改造”物理世界，是讓“人工智能+制造業”從概念走向落地這一系統工程的重要環節。

走出數字世界仍有挑戰

人工智能的發展經歷了符號主義、連接主義、行為主義等多條技術路線的並行探索，在不同歷史階段各領風騷。如今，隨著技術的成熟，多技術路線融合統一成為發展趨勢。

從虛擬的數字空間走向真實的實體空間，是人工智能發展的歷史必然。技術條件的成熟，為人工智能進入實體空間提供了可行性支撐。傳感器技術的發展實現了實體空間的精准感知，為智能決策提供輸入﹔機器人技術的突破實現了感知與執行的一體化，移動機器人、協作機器人等能夠在實體空間自主移動、靈活操作﹔AI芯片性能的飛躍，為大規模模型訓練和推理提供了強勁動力，支撐了大模型實現﹔大模型的發展，融合了語言、視覺、語音等多種感知能力，實現了跨模態的理解與生成，為推理和決策提供有力支持。

行業應用的需求牽引，成為人工智能走出數字世界的核心動力。無論是實現生產線的柔性重構、復雜產品的精密裝配，還是對設備進行預測性維護、對能耗進行動態優化，都要求人工智能系統能夠直接感知設備狀態、實時分析生產數據、並精准控制物理執行機構。這種與物理過程深度耦合、並能直接帶來質量提升與成本節約的賦能模式，是推動實施“人工智能+制造業”行動的迫切需求。

然而，實體系人工智能的發展正面臨著技術壁壘高、實施路徑不清晰、規模化發展難度大等多重挑戰。

加速實體系人工智能發展

技術攻關方面，實體系人工智能需以信息物理深度融合為基石，構建“感知—認知—決策—執行”技術體系。首先，建立對物理實體及其運行環境精准表征的信息空間，包括數據模型、機理模型、語言模型、空間模型、屬性模型等，准確感知物理世界。其次，構建大小模型協同的決策體系，利用大模型的“通才”能力解決頂層任務規劃、場景語義理解等復雜決策，利用小模型的“專才”能力執行具體、單一的確定性任務，提高推理和決策的准確性。最后，建立分層與端到端結合的推理控制架構，充分利用分層架構“有序拆解復雜任務”的優勢，和端到端架構將動作序列直接生成可執行代碼的能力，實現准確、快速的動作執行。

應用示范方面，實體系人工智能需建立“場景開放+政策激勵”雙輪驅動模式，打通技術到產業的“最后一公裡”。一方面，通過央地聯合，組織面向高價值場景的重大應用示范，打造一批標杆應用場景。另一方面，發揮政策引導作用，通過“智能工廠梯度培育行動”等，鼓勵企業參與智能工廠建設，加速實體系人工智能全鏈條發展﹔同時，在財政上予以精准補貼或稅收優惠，推動多行業應用落地。

標准引領方面，實體系人工智能需構建統一的體系架構與系統評估、規范的技術方法指導與測評、通用的系統應用定義與要求等標准體系，實現行業模型的“縱向專用”和系統集成的“橫向通用”，引領產業生態建設，為實體系人工智能的規模化發展提供有力支撐。

綜上所述，堅持“以數據為牽引、以模型為核心、以平台為支撐”發展路線，通過技術攻關、應用示范、標准引領三位一體協同聯動，必將加速推動實體系人工智能發展，全面賦能生產制造的各個環節，為“人工智能+制造業”行動的深入實施注入強勁動力。

（作者：於海斌，系中國工程院院士、中國科學院工業人工智能研究所研究員）

分享讓更多人看到