每一次生产，都该成为下一次智能升级的起点。
作者｜田思奇
编辑｜栗子
制造业从来都不缺数据。
二十年数字化建设，让研发、生产、质量管控和供应链沉淀了海量记录。过去，这些数据大多服务于流程管理、事后追溯与统计分析。但到了2026年，AI使用数据的方式正在发生变化。
上周的云栖大会主论坛上，阿里巴巴集团CEO吴泳铭把长程任务、自我迭代和多模态放到了机器智能继续演进的重要位置。他提到，模型正在从真实任务和反馈中发现短板、构建数据、评价结果，并进一步推动自身进化。谈到多模态时，他强调“一个足够聪明的大脑还不够”。AI还需要获得更强的感知和交互能力。
这和今年科技行业最热的Physical AI形成呼应。AI正在从文本、图像和代码构成的数字环境，进一步走向设备、机器人、实验室和生产现场。对于制造业而言，过去二十年沉淀的数据，也有了新的用途。
基础模型能力快速提升，但企业自己的工艺经验、判断逻辑与隐性知识很难通过采购获得。模型可以买到，生产经验却不能。 它诞生于一次次研发迭代、生产调试、故障排查与参数优化，是企业长期形成的隐性资产。
与此同时，制造企业的数据还在增加。设备、产线、终端产品持续在线，运行状态、异常告警、能耗、维护与使用工况源源不断地产生新信息。
阿里云智能集团公共云事业部副总裁高飞
在云栖大会先进制造AI论坛上，阿里云智能集团公共云事业部副总裁高飞将这种变化概括为“从产品售出到产品在线”。产品交付出厂，并不意味着企业与它失去联系。真实运行数据如果能够回到研发和生产，每一次交付都可以继续为后续产品迭代和工艺优化提供输入。
制造企业的数据资产，由此有了新的衡量方式。
规模、成本、良率与供应链效率依然是制造企业的基本盘。但同样完成一轮生产，有的企业只获得产量和经营结果，有的还能留下下一轮研发和生产继续使用的数据与经验。
高飞将其总结为数据网络效应。它并不完全依赖新增客户。一台已经售出的设备、一条已经投产的产线，只要持续产生可用反馈，就能继续增加后续研发和生产的信息。
但数据不会自己变成资产。
制造现场的信息散落在不同业务系统里，工艺诀窍藏在技术文档和工程师经验中。从数据产生，到被AI理解，再到参与工程决策，中间还有很长的距离。
当前制造AI的核心缺口，是一条能够持续运转的数据产线。
它要把分散的数据组织成生产语境，把工程经验沉淀为知识，让模型和Agent调用已有工具，再把执行结果带回系统。高飞将这种变化概括为三层融合：物理世界与数字世界互锁、人与机器交织、企业之间互连成生态。
这条数据产线能不能跑起来，决定了AI离制造核心业务还有多远。
1.数据资产，贵在生产语境
制造业数字化已经积累了大量生产记录，也建立起相当成熟的信息系统。但新的矛盾逐步凸显：系统能够记录生产，AI未必理解生产。
Rockwell Automation今年针对17个国家1560名制造业高管的调研显示，93%的受访企业已部署MES系统，但实现MES与ERP、PLM、质量管理及OT系统全面打通的企业只有23%；43%的受访者表示，大量已经采集的数据没有得到有效利用。
「甲子光年」最近与许多制造企业交流时，也反复听到相似的痛点。企业希望AI掌握的，不只是生产现场发生了什么，更包括工程师做出判断的底层依据。完全相同的生产状态，放在不同的工艺条件、历史背景与经验体系下，可能指向完全不同的问题。AI要承担更复杂的工业任务，就必须读懂这种差异。
和互联网业务相比，制造业的上下文藏在持续变化的物理过程中，而且天然是多模态的：时序数据记录设备变化，图像呈现缺陷，图纸描述设计，文档保存工艺要求。多种信息拼在一起，才能还原一段生产过程。
阿里云解决方案架构总监贾朝辉将这一核心难题总结为：不同系统之间缺少 “共同语境”。
他把这种断裂拆成对象、时间和因果三层：不同系统记录的是不是同一台设备、同一批物料；前后事件能不能沿着时间接起来；质量结果能否追溯到此前的参数变化与工艺调整。
一方面，阿里云用多模态湖仓承接不同类型的数据，再通过工业本体组织对象、关系、事件与规则。放在行业演进中看，这补上了制造业数字化相对缺失的一层：把分散的数据重新组织成机器能够理解的生产语境。
在此基础上，数据产线沿着“数据—模型—执行”继续向前。设备、文档和业务系统中的数据持续汇聚，经过清洗、标准化和知识图谱处理，逐渐变成能够关联和复用的领域知识。企业再围绕具体业务组织样本和专家知识，训练专属模型。
到了执行环节，Agent负责把模型能力接入任务：大模型处理理解、推理和任务规划，小模型承担视觉识别、预测等专业能力，再调用企业已有工具和流程完成操作。执行结果、人工修正和新增业务数据随后重新回到数据和模型环节，用于更新数据集、补充知识和继续优化模型。
从数据接入，到知识组织、模型训练，再到业务执行和反馈回流，数据产线连接的是一整套连续过程。数据在其中不只是被保存下来，还会随着一次次业务运行继续进入新的模型和任务。
高飞将这一变化称为物理世界与数字世界的深度融合。这也解释了为什么云栖大会主论坛在多模态和数据管线上投入更多篇幅。制造业的数据并不只是一张表。图像、声音、时序信号、图纸和文字共同构成现场，模型获得更多模态的感知能力之后，才有机会把原本割裂的信息放回同一段生产过程。
但上下文只能回答 “发生了什么、和什么相关”，而工业场景的核心任务，永远要更进一步解答 “为什么会发生”。
失效分析（Failure Analysis）就是典型场景。系统监测到设备报警、良率下滑或产品缺陷后，工程师还要结合历史工况、工艺调整和同类问题的处置经验定位根因。机器如果只看到异常数值，只能描述现象；要找到原因，就需要调用企业自己的Know-how。
数据告诉模型发生了什么，Know-how决定这些变化意味着什么。很多工艺诀窍、异常判断和调参经验仍留在人脑和文档里，却直接影响良率、稳定性和生产节拍。
高飞所说的第二层融合——人与机器的融合，指向的就是把个人经验逐步沉淀成企业可以保存、调用和检验的知识。
阿里云用ADI，即AI×Data×Industry，概括这种组合。Data来自持续运行的生产现场，提供鲜活的动态数据；Industry注入工艺规则、业务约束与工程经验，锚定行业逻辑；AI则承担理解、推理与决策辅助的角色。
基础模型越普及，企业独有的隐性知识越显稀缺。通用模型可以进入很多工厂，但每家企业多年形成的工艺逻辑、判定标准与异常处置方式并不相同。制造AI的第一层分化，会落在企业自己的数据和Know-how上。
2.在既有工程体系中长出新能力
制造业引入AI，有一个现实前提：几十年积累下来的工程体系，不会因为大模型出现就推倒重来。
研发、仿真、生产和设备控制早已有各自成熟的软件、工具和流程。数据即使已经能够被AI理解，模型也不能停在分析和问答里。它还要进入这些既有体系，调用专业工具，参与真实任务。
因此，阿里云在制造业里强调的数据产线，并不只是数据治理。它还要把企业的数据、知识、模型和已有工具接起来，让AI能够沿着原有工程流程工作，并把任务结果继续留下来。
芯片设计率先把这道门槛摆到了台前。
2026年以来，全球三大EDA厂商密集推出Agent能力：2月Cadence发布ChipStack AI Super Agent；3月西门子推出Fuse EDA AI Agent；7月新思科技与微软联合发布自主EDA工作流并开放评估。
芯片研发高度软件化，设计、仿真、验证和迭代都有明确的工具与验收标准，适合Agent参与任务拆解和工具调用。但工具链越成熟，企业越没有理由为了AI重新搭建研发环境。
芯片设计数据、核心IP与研发环境都是核心资产，EDA许可证与工具链经过长期磨合，还牵涉安全、权限和供应链。高飞把这类场景的首要条件归结为两个字：信任。
这也是高飞在论坛上提出“四化”的背景：自主可信、本地化、专业化和生态化。
自主可信，解决的是制造企业能不能长期、稳定地使用AI。高飞把这一层进一步落到自主可信的“模型芯片”：Qwen提供模型能力，真武AI芯片提供自主算力，阿里云基础设施则负责承载训练、推理和Agent运行。模型、芯片和云形成一套完整技术供给，企业对安全、可控和长期运行的要求才有落点。
本地化，解决的是数据和算力放在哪里。对于设计数据、工艺知识等敏感资产，AI能力需要进入客户自己的环境，在数据不出安全边界的前提下运行。
专业化，解决的是模型能不能真正理解工业。通用能力进入制造以后，还要吸收企业自己的数据、工艺规则和工程经验，才能参与设计验证、良率分析、设备运维等专业任务。
生态化，则解决AI怎样进入已经存在多年的工业体系。制造企业不会为了大模型重造专业软件，Agent需要能够调用已有工具，并与软件、设备和现场系统协同工作。
制造AI要进入核心业务，既要有足够强的技术能力，也要适应工业现场已经形成的安全边界、专业规则和工程体系。
艾为电子与阿里云的合作就体现了这种思路。随着芯片项目增加和制程演进，艾为把部分仿真工作负载放到云端，在峰值时调用弹性算力；涉及核心研发管理数据和部分研发任务，则通过本地AI一体机运行。云与本地按照数据敏感度和计算需求分工。
艾为电子CIO陆轶在现场反复强调的一个变化，是AI已经逐渐从员工主动调用的工具进入流程。过去员工需要主动发起问答，现在系统自动触发，目前艾为有230个智能体在线运行，AI应用覆盖近400个SOP，其中64.5%的调用已经由系统自动触发，而非员工主动发起问答。
艾为电子CIO陆轶
研发场景更能说明这种变化。艾为使用Qoder参与企业系统开发后，人均代码产出提升100%，但这并非开箱即用。企业需要完成代码理解、环境对齐和流程改造，并划清人与Agent的边界：需求拆解、开发和测试可以交给智能体连续执行，客户验收与正式上线仍由人负责。
工业AI更像是在既有技术栈之上，生长出一层新的协同能力层。
随着Agent技术的发展，企业长期沉淀的图纸、工艺文档、故障案例和工程经验，正在逐步转化为可被智能体调用的数字资产。知识沉淀为知识库，专业软件、自动化控制逻辑和算法模型被封装为可复用的Skill，过去需要工程师逐项完成的工作，开始由智能体自主规划和执行。Agent也因此从“对话工具”进一步演进为能够完成实际任务的执行主体。
与此同时，工业场景对安全性和可靠性的要求决定了AI必须遵循云边协同的发展路径。智能体可以在云端完成开发和优化，在边缘侧或生产现场执行任务，在保障数据安全的同时实现能力持续迭代。
以施耐德电气为例，其正在探索将能源管理、设备运维和工业自动化领域沉淀多年的专业能力转化为智能体可调用的知识和Skill，并通过云边协同架构实现安全运行。这种实践表明，大模型进入制造业，并非取代既有工业能力，而是在重新组织和连接产业链中原本分散的知识、工具与服务。
这对应高飞所说的第三层融合——企业之间互连成生态。施耐德电气提供长期沉淀的工业知识和专业能力，阿里云提供云基础设施、模型和Agent能力。制造AI增加的不只是新的工具，也在重新组织产业链上原本分散的能力。
这也解释了阿里云为什么把自己的位置定义为“基座和编排者”：不重造工业工具，重点是让模型和Agent接入已有专业能力，并在不同安全边界下协同运行。
每一次任务执行所产生的数据、经验和结果，都将沉淀为新的知识资产，持续反哺研发、生产和运营。更重要的是，任务结束之后，执行结果还要留下来，成为后续研发和生产可以继续使用的输入。AI由此才会从外部工具，逐渐变成工程体系的一部分。
3.每次生产都是智能升级的起点
大型制造企业AI落地要迈过的下一道坎，是规模化复制。
德勤今年6月发布的《2026制造业AI报告》调研了140多家制造企业：84%的受访企业已经从AI应用中获得可量化收益，但实现跨工厂或企业级规模化的案例只有20%。
一个POC可以投入大量工程师，把数据、权限、模型和流程逐项接通。但应用扩展到几十个部门、上百条产线后，如果每进入一个场景都要重新建设，AI铺得越广，成本也会越高。
平台化的作用，说到底就是减少重复工程。
宁德时代AI研发与大模型负责人龚嘉栋在论坛上提到：“工业的本质是物理世界。”新能源电池研发与制造涉及材料、工艺、结构、化学反应和热管理，模型判断最终都要经过实验、设备和生产结果检验。
宁德时代AI研发与大模型负责人龚嘉栋
过去，一些电芯性能需要等待数年的实车验证才能确认。现在，宁德时代已经积累超过600TB研发测试数据，并覆盖全球3000万辆搭载宁德时代电池的新能源汽车和3000个储能电站的真实运行数据，用于电芯全生命周期的性能与衰减预测。产品交付后的使用数据，由此继续给下一代研发提供输入。
目前，宁德时代与阿里云共建的超智算中心已经承接材料模拟、结构仿真、工艺优化和多尺度计算等任务，同时把阿里云飞天算力底座部署到自己的数据中心。
研发、仿真、生产、产品运行的数据，第一次有机会进入同一个持续循环。
这套能力也在沿着制造企业的价值链展开。阿里云将核心场景归纳为研、产、供、销、服五个环节。研发端，工业研发Agent可以连接代码生成、AI辅助设计与仿真、研发知识检索和专业工具调用，并结合EDA上云承接高峰算力需求；生产端，多模态检测、模型训练与实时分析进入缺陷检测、AOI、良率根因分析和工艺参数优化。
供应链环节，AI将需求预测、物料风险识别、补货和协同排产放到同一套决策过程中；销售端，Agent连接客户与产品知识，用于销售辅助、商机洞察和客户跟进；服务端则进一步把客户反馈、维修知识和设备时序信号结合起来，支持故障预警、诊断和工单处理。
五个环节面对的是不同任务，却共享同一套底层逻辑：业务数据和行业知识进入模型，模型形成判断，Agent调用专业工具完成任务，结果再进入下一轮数据和评测。AI由此可以沿着研发、生产和运营流程继续向前，而不是停在一个孤立的应用里。
数据飞轮，也由此进入制造系统。一次研发和生产留下数据，模型基于数据作出判断，工具执行任务，业务结果再回到数据和评测体系。前一次任务的结果，也成为下一次任务的输入。
沿着这个方向再往前一步，就是阿里云提出的“可控的自主生产”。
自主不等于把人从工厂里拿掉。更现实的路径是：让软件和设备在质量、能耗、节拍和安全等约束下持续感知、判断和执行，同时保留必要的人工审核和责任边界。一次质量异常，可以从检测进入根因分析和参数优化，经过工艺审核后回写生产系统，再由新的检测结果验证效果。模型建议和人工修改都留下记录，日后可以追溯决策依据。
这已经不是某一个AI项目能单独解决的挑战。它要求算力、数据、模型、Agent和企业原有的软件体系长期协同。
吴泳铭在云栖大会主论坛提出另一个判断：机器正在成为思考的主力，智能正在成为一种可以规模化供给的商品。放到制造业，这意味着获取模型能力本身会越来越容易，难点会更多落到企业内部：怎样让这些智能进入自己的数据、知识和工程体系，并在真实生产中持续发挥作用。
先进制造的智能化，也在经历一轮能力升级，从早期的“系统上云”，走到今天的“云智融合”，下一步则指向更高程度的自主生产。过去，云主要承载算力、存储和应用，保障业务系统稳定运行；AI更多以视觉检测、预测性维护等小模型处理局部任务。算力和系统实现了集中，系统烟囱、数据孤岛以及大量依赖人工串联的流程依然存在。
现在，云和AI正在进一步进入制造核心流程。多模态数据通过数据产线持续汇聚，再借助工业本体和多模态湖仓形成可以被机器理解和复用的业务上下文；企业数据与千问结合，形成吸收行业知识和自身业务经验的专属模型；到了执行端，Qoder进一步编排智能体小队、调用企业已有工具链，把数据理解、模型判断和业务执行接到一起。
随着执行结果不断反馈回来，这套系统还会继续向生产之外延伸。AI可以进一步贯穿研发、生产、供应链、销售和服务五大环节，并与机器人、设备和生产环境连接，让数字系统中的判断进入物理现场。制造系统由此从局部任务的自动化，逐渐走向跨流程协同，以及自主感知、决策、执行和持续优化。
贯穿其中的是一条连续链路：数据形成上下文，模型形成判断，智能体负责执行，业务反馈再进入下一轮数据和模型。云承载企业的计算、数据和应用资源，AI则沿着业务流程持续向前。
「甲子光年」认为，衡量先进制造企业的AI能力，除了看部署了多少模型和Agent，还要看生产过程中产生的信息能否不断进入下一轮任务。生产线制造产品，数据产线则负责把经验留下来。
从产品在线到数据产线，设备状态、产品运行和生产结果持续进入数字系统，模型和Agent形成的判断再返回现场。数据与行动在物理世界和数字世界之间持续流动，两者的连接也从数据记录进一步走向生产闭环。
正如高飞在论坛最后强调的：“让AI走向数据，让知识接入生产，让每一家先进制造企业都能把自身最宝贵的现场经验，沉淀为持续复利的数据资产。”
（文中图片来自：阿里云。封面图由AI生成）
END.
