智能制造网APP
智能制造网手机站
智能制造网小程序
智能制造网官微
智能制造网服务号
智能控制
机器人
仪器仪表
物联网
3D打印
工业软件
回放
回放
品牌
巨天 J-SKY
一、智能工厂与数智利用率内涵阐释
1.1智能工厂
智能工厂包含“一个本体、三个维度”。工厂本体由设备层、控制层、车间层、工厂层和企业层构成，目前整体架构已趋于扁平化与云化，基于云原生的技术架构逐渐成熟。三个维度：一是工厂全生命周期维度，包括工厂设计、建造、交付、运营维护、退役与回收等阶段；二是产品全生命周期维度，涵盖产品研发设计、工艺设计、采购、生产制造、销售、服务、废弃与回收等环节；三是生态维度，涉及供应链、产业链与价值链。
本体是基础，其作用的发挥离不开每一个维度。本体的建设水平由工厂全生命周期管理能力决定，而本体的运营水平则取决于产品全生命周期能力与工厂的生态能力。当然，每一个维度的有效运作也依赖于本体的支撑，各维度之间相互关联。
工厂的建设水平决定了工厂的运营效率、生产柔性、生产安全、节能环保、数智化等基础能力。工厂的运营水平决定了工厂的产品全生命周期水平。工厂的生态水平则影响其在供应链、产业链和价值链中的适应能力与创新能力。
1.2数智利用率
“一个本体、三个维度”的底层支撑要素包括人、财、物与数据。数据作为新型生产要素，其价值实现依赖于数据集成应用水平。工厂数据的集成应用水平取决于工厂的数智利用率，数智利用率决定了工厂的智能化程度。
这里所说的数智利用率并非单一指标，它是由数据利用率和AI利用率共同构成。数据利用率指的是智能工厂中数据的有效使用程度，其基础在于有效数据采集、数据治理与数据管道自动化水平，核心意义在于优化资源投入产出比，避免“数据囤积”，强调数据在业务场景中的实际效用。AI利用率则体现智能工厂中AI的价值应用程度，关注系统如何高效、体系化地运用AI创造价值。
二、数据驱动能力决定数据利用率
工厂每天都会产生和采集大量的数据，覆盖市场趋势、客户需求、产品销售、研发、制造、运营等“一个本体、三个维度”的各个方面。然而，原始数据往往杂乱无序，难以直接提取有效信息。数据治理水平与数据管道自动化能力是提升数据利用率的基础，而数据利用率本质上由数据驱动能力决定。数据驱动能力是面向优化决策，通过数据分析支撑业务目标达成的能力。
从数据驱动能力的成效来看，主要体现在工厂可视化程度和透明化程度。通过可视化掌握工厂运行状态，有利于发现问题；通过透明化揭示问题根源，有利于解决问题。数据的可视化和透明化水平决定了数据价值的发挥程度。
可视化是数据价值实现的基本形态，其重点在于呈现关键指标、量化业务逻辑、洞察业务痛点，进而支撑流程优化和业务决策。数据可视化的深层目标是构建企业级数据分析体系，释放和提升基于业务场景的数据价值。例如，某机械制造企业通过部署可视化平台，使异常问题发现效率提升了50%。
目前透明化主要基于机理模型分析，但在许多场景下仍只能基于大数据分析，存在透明度不足的问题。基于机理的白盒模型和基于大数据的黑盒模型融合形成灰盒模型，因其兼具白盒模型的内部可解释性和黑盒模型的内部不可解释性而具有独特优势。该模型在解决部分已知、部分未知的问题时表现出色，既保留了白盒模型的透明度，又继承了黑盒模型的简洁高效性，提供了一种灵活、可解释且可复制的解决方案。例如，某工程机械企业引入灰盒模型后，设备故障根因分析准确率从65%提升至92%，有效解决了“知其然不知其所以然”的困境。
三、数据智能能力决定AI利用率
随着AI技术的发展，通过数据治理与质量提升、大小模型协同训练以及AI与知识图谱、向量库的组合应用，实现了三个关键突破：从原始数据中提炼知识、将碎片化知识系统化、隐性知识显性化，进而实现机器推理与新知识的自主涌现。这一技术演进从根本上解决了知识在生成、流通与应用环节中的低效问题，极大提升了数据应用水平，推动数据驱动迈向数据智能，最终实现数据作为关键生产要素与人工智能作为新型生产力的价值释放。
数据智能能力的高低直接决定了AI在工厂中的实际应用效能。该能力在工厂中具体表现为两个方面：一是支撑AI发展的数据基础，包括数据规模、数据丰富度、数据质量与知识密度；二是深度协同共生的多模态大模型和智能体的应用广度和深度。
大模型为智能体提供认知和理解能力，而智能体通过系统化架构将这些能力转化为实际业务价值。基于工厂业务特点设计的智能体系统化架构将直接影响智能体的应用效能，进而制约数据智能能力的提升。具体表现在两个维度：
一是AI与工业场景的融合深度。如AI与ERP、PLM、APS、MES、SCADA等工业软件的融合，是“外挂式调用”(如AI工具独立于MES等系统运行，需人工完成闭环)，还是“平台内嵌”(AI模块集成于ERP、APS等系统，实现智能增强和数据自动流转)，或是到了“AI原生重构”(以AI为核心重新构建工业软件)。
二是AI与人员的协作深度。是“人机交互”(如人工通过终端查询AI分析结果)，还是“人机协作”(如人工驱动AI调整生产管理策略，AI协助人工进行管理决策)，或是到了“人机共生”(如人工聚焦创新和决策，AI作用于实现和完成)。
四、智能工厂预测应用与自适应系统构建
数据智能能力的成效最终体现在工厂的预测水平与自适应程度两个维度。通过预测能预知工厂的各种情况，有利于提前应对；预测水平的高低，主要表现在预测的准确性、及时性和预测应用广度。通过自适应能根据需求和环境变化情况自动调整制造系统；自适应程度的高低，主要表现在自适应的精准度、实时性与应用广度。
4.1智能工厂典型预测应用
未来智能工厂的预测将覆盖工厂的方方面面。目前最具代表性的两大预测应用是设备预测性维护与用户需求预测。
设备预测性维护：通过传感器采集振动、温度、压力、电流等实时数据，对原始数据进行深度挖掘，提取时域、频域、时频域等能够反映设备运行状态的关键特征，基于退化趋势预测剩余使用寿命，并结合业务规则制定预警策略。AI在该流程中已成为不可或缺的一环，众多装备密集型工厂已构建起“设备智能大脑”。例如，某风电企业通过传感器数据与AI模型预测设备剩余使用寿命，成功将非计划停机时间降低60%。
用户需求预测：作为客户需求、市场趋势与企业供应链能力等多重因素综合博弈的结果，AI预测模型可基于历史数据与实时需求动态调整决策，实现智能推荐、精准开发和及时生产，从而提升工厂效益与响应精度。例如，某快消品企业通过AI分析历史销售与市场数据，将需求预测准确率提升至88%，库存周转率提高35%。
4.2智能工厂自适应系统构建
未来智能工厂一定是高度自动化、高柔性、人机共生，且能够主动适应产品与环境变化的自适应系统。基于“一个本体、三个维度”的数据驱动与数据智能能力最终决定工厂的整体自适应水平。工厂自适应主要包括：工厂本体自适应、工厂全生命周期自适应、产品全生命周期自适应与生态自适应。
工厂本体自适应：最初是装备的自主调控，然后是产线的自主调控，再到车间，最终实现工厂的自适应。
工厂全生命周期自适应：在数据智能驱动下，实现覆盖工厂设计、建造、交付、运营维护、退役与回收等全环节的持续优化与进化。适应环境、市场与产品的变化，支撑智能工厂在多变的外部条件下持续实现自我调整，体现全生命周期的韧性与进化能力。能够快速适应产品制造需求的变化，实现工厂的持续创新。
产品全生命周期自适应：在数据智能的支撑下，实现从销售、设计、供应链、生产、物流、交付到服务的智能优化闭环。能够适应市场需求变化，实现产品的持续创新。
生态自适应：打通供应链、产业链、价值链、政府等外部数据源，建立起跨工厂、跨行业、跨领域的数据生态，结合工厂内部数据，形成“全局视野”，发现隐藏的相关性和新洞察，推动跨界创新，构建起更立体的制造决策体系。
五、结语：数智利用率决定未来智能工厂竞争力
综上所述，数据利用率由数据驱动能力决定，AI利用率由数据智能能力决定；数据驱动决策、智能重构流程。从工厂的发展趋势看，数智利用率即工厂的数据驱动深度与数据智能进阶速度，已成为区分其竞争力高低的核心标尺。未来，唯有持续提升数智利用率，才能在效率、柔性、创新等维度构建不可替代的优势，成为制造业转型的领航者。
朱恺真1、陈磊2、关俊涛2、张新生2
(1国机数字科技有限公司，江苏 南京 210018
2国机工业互联网研究院有限公司，河南 郑州 450001)
原标题：智造洞见专栏 | 朱恺真等专家：数智利用率——未来智能工厂竞争力的核心决定因素
浙公网安备 33010602000006号
智能制造网APP
智能制造网小程序
微信公众号
