本文转自：光明日报
于海斌
现代人工智能是先进计算的产物，也是赋能千行百业的技术。从早期符号主义在有限算力下的踯躅前行，到神经网络思想历经沉浮，直至大数据与图形处理器（GPU）的邂逅，引爆了深度学习的革命，使复杂模式识别与认知成为可能；再到今天，支撑起超大规模模型训练的已是千亿乃至万亿参数级别的并行计算集群和高速互联网络。正是这样一场波澜壮阔的计算进化，将人工智能从实验室推向了产业应用，成为一股赋能千行百业、重塑社会的颠覆性力量。
对智能的向往从未停止
人类对于智能的向往并非源自现代，而是深植于数千年的文明积淀之中。当远古的先民发出第一个有意义的音节，创造出能够指代事物、表达意图、传递复杂信息的符号系统，存在于个人大脑中的思维便获得了在群体间流通的载体，语言成为人类智能的第一次伟大迸发。结绳记事、刻画符号，直至体系化的文字出现，人类首次突破了大脑记忆的时空限制，将思想、律法、天文观测、生产工艺等宝贵信息固化于泥土、金石与竹简之上，树起了一座人类“智能存储”的里程碑。从打磨第一件石器开始，人类就走上了一条通过创造“智能实体”来放大自身能力之路，随着车轮、指南针、火药、蒸汽机等的发明，人类始终渴望通过制造工具和使用工具实现对物理世界的认知、理解与改造。
由计算驱动的智能革命
如果说人类对于智能的向往是人工智能发展的“初心”，那么先进计算技术的突破则是其诞生的“物质基础”。从1936年图灵提出图灵机计算模型，首次表达了通用计算的理念，到1946年冯・诺依曼等建成第一台通用电子计算机ENIAC，正式开启了“可实现的计算”之旅。随着1960年代世界上第一台工业机器人Unimate和世界上第一台移动机器人Shakey的诞生，人工智能开始从信息空间走向物理空间。1960年代到1980年代专家系统的蓬勃发展，推动了人工智能的实用化，MYCIN专家系统开始用于细菌感染患者的诊断和治疗，BKG9.8系统击败了双陆棋世界冠军；与此同时，以Hopf ield神经网络和反向传播算法为核心标志的神经网络，进一步推进了模式识别、手写文字识别等领域的发展。进入21世纪，深度学习的兴起将人工智能的发展推向了新的高峰。2012年，杰弗里·辛顿提出了卷积神经网络CNN模型，其图像识别效果大幅度超越传统方法；2016年，AlphaGo击败世界围棋冠军李世石，展示了人工智能在复杂决策领域的强大能力。
如今，大模型浪潮奔涌而至。2017年，谷歌提出Transformer架构，为BERT、GPT等大模型奠基；2020年，OpenAI发布包含1750亿参数的GPT-3模型，展现出“规模即智能”的潜力；2024年，“深度求索”推出Deepseek，以低成本、高效能且开源等特性，打破美国在AI大模型领域的垄断；同年，OpenAI推出的文本生成视频模型Sora，具备模拟复杂场景和物理世界的能力，标志着人工智能在视频生成领域的重大突破。
人工智能经历了专家系统、机器学习、深度学习为代表的狭义人工智能阶段，正在通往以生成式AI为基础的通用人工智能阶段，未来将迎来基于感知与交互的机器自主进化的超级人工智能。目前，人工智能在图像分类、自然语言推理、视觉问答、英文理解等方面，超过了人类平均水平，并且在多任务语言理解和数学竞赛方面，也展现了超过人类平均水平的潜力。这场由计算驱动的智能革命，正向着与实体经济深度融合、赋能千行百业的新阶段迈进。
汲取“养分”也催生新学科
人工智能从来不是单一学科的独奏，而是多学科交叉融合的交响乐。它既广泛汲取各领域的养分，也反过来催生和推动了众多新兴学科的发展。数学为人工智能提供了核心理论工具，是智能算法设计的基础；神经科学与认知科学为人工智能提供了灵感源泉，推动了智能模拟范式的演进；计算机科学与工程技术为人工智能提供了实现路径，支撑了智能系统的工程化落地。
与此同时，人工智能应用于生物学，催生了生物信息学发展，AlphaFold2模型利用数据驱动的端到端深度学习模型预测蛋白质的复杂结构，解决了蛋白质折叠问题。人工智能应用于材料科学推动了新材料的发现，美国劳伦斯实验室结合GNoME工具预测并成功合成了超过41种新材料，为材料合成开辟了新的途径。
“融入”并“改造”物理世界
党的二十届四中全会提出，构建以先进制造业为骨干的现代化产业体系。制造业作为人工智能赋能的重点领域，“人工智能+制造业”将成为提升优化传统产业、培育壮大新兴产业和未来产业的重要举措。
根据IDC调研数据，我国工业企业应用大模型及智能体的比例，从2024年的9.6%提升到2025年的47.5%。《中国互联网发展报告2024》显示，已培育421家国家级智能制造示范工厂，人工智能、数字孪生等技术在90%以上的示范工厂得到应用。近期，在南京召开的2025世界智能制造大会，公布了智能工厂梯度培育情况，我国已累计建成7000余家先进级、500余家卓越级智能工厂，并遴选出15家领航级智能工厂培育对象。从统计数据可以看出，我国在人工智能与制造业深度融合方面取得了显著成效。
2025年8月，国务院印发《关于深入实施“人工智能+”行动的意见》明确提出，推动工业全要素智能联动，加快人工智能在设计、中试、生产、服务、运营全环节落地应用。工业全要素智能联动，就是要利用人工智能技术，通过嵌入行业知识、融合业务流程，对传统产业进行全方位、全链条的升级改造，是一项涉及技术、知识、流程、组织的系统工程。实体系人工智能作为连接信息世界与物理世界的桥梁，通过“感知-认知-决策-执行”体系架构，使得机器能够自主地“融入”并“改造”物理世界，是让“人工智能+制造业”从概念走向落地这一系统工程的重要环节。
走出数字世界仍有挑战
人工智能的发展经历了符号主义、连接主义、行为主义等多条技术路线的并行探索，在不同历史阶段各领风骚。如今，随着技术的成熟，多技术路线融合统一成为发展趋势。
从虚拟的数字空间走向真实的实体空间，是人工智能发展的历史必然。技术条件的成熟，为人工智能进入实体空间提供了可行性支撑。传感器技术的发展实现了实体空间的精准感知，为智能决策提供输入；机器人技术的突破实现了感知与执行的一体化，移动机器人、协作机器人等能够在实体空间自主移动、灵活操作；AI芯片性能的飞跃，为大规模模型训练和推理提供了强劲动力，支撑了大模型实现；大模型的发展，融合了语言、视觉、语音等多种感知能力，实现了跨模态的理解与生成，为推理和决策提供有力支持。
行业应用的需求牵引，成为人工智能走出数字世界的核心动力。无论是实现生产线的柔性重构、复杂产品的精密装配，还是对设备进行预测性维护、对能耗进行动态优化，都要求人工智能系统能够直接感知设备状态、实时分析生产数据、并精准控制物理执行机构。这种与物理过程深度耦合、并能直接带来质量提升与成本节约的赋能模式，是推动实施“人工智能+制造业”行动的迫切需求。
然而，实体系人工智能的发展正面临着技术壁垒高、实施路径不清晰、规模化发展难度大等多重挑战。
加速实体系人工智能发展
技术攻关方面，实体系人工智能需以信息物理深度融合为基石，构建“感知—认知—决策—执行”技术体系。首先，建立对物理实体及其运行环境精准表征的信息空间，包括数据模型、机理模型、语言模型、空间模型、属性模型等，准确感知物理世界。其次，构建大小模型协同的决策体系，利用大模型的“通才”能力解决顶层任务规划、场景语义理解等复杂决策，利用小模型的“专才”能力执行具体、单一的确定性任务，提高推理和决策的准确性。最后，建立分层与端到端结合的推理控制架构，充分利用分层架构“有序拆解复杂任务”的优势，和端到端架构将动作序列直接生成可执行代码的能力，实现准确、快速的动作执行。
应用示范方面，实体系人工智能需建立“场景开放+政策激励”双轮驱动模式，打通技术到产业的“最后一公里”。一方面，通过央地联合，组织面向高价值场景的重大应用示范，打造一批标杆应用场景。另一方面，发挥政策引导作用，通过“智能工厂梯度培育行动”等，鼓励企业参与智能工厂建设，加速实体系人工智能全链条发展；同时，在财政上予以精准补贴或税收优惠，推动多行业应用落地。
标准引领方面，实体系人工智能需构建统一的体系架构与系统评估、规范的技术方法指导与测评、通用的系统应用定义与要求等标准体系，实现行业模型的“纵向专用”和系统集成的“横向通用”，引领产业生态建设，为实体系人工智能的规模化发展提供有力支撑。
综上所述，坚持“以数据为牵引、以模型为核心、以平台为支撑”发展路线，通过技术攻关、应用示范、标准引领三位一体协同联动，必将加速推动实体系人工智能发展，全面赋能生产制造的各个环节，为“人工智能+制造业”行动的深入实施注入强劲动力。
（作者：于海斌，系中国工程院院士、中国科学院工业人工智能研究所研究员）
久联优配提示：文章来自网络，不代表本站观点。
