当前，制造业数字化转型进入深水区，工业现场数据量快速增长、应用需求多样化，对网络时延、可靠性与安全性的要求显著提升。
与此同时，人工智能在视觉检测、设备预测性维护、工艺优化、供应链协同等环节已显现价值，但在工业场景中仍面临“数据难、模型难、部署难、复制难”等痛点，制约规模化推广。
如何把算法能力转化为可持续、可复制的生产力，成为推动新型工业化的重要课题。
从问题看，工业领域具有链条长、工况复杂、设备异构、标准不一的特点。
许多企业虽然完成了局部上云或自动化改造，但数据孤岛依然存在，数据质量参差不齐，难以支撑高质量建模与持续迭代；部分工业网络与生产控制系统对接不足，难以满足高并发、低时延的工业通信需求；同时，中小企业在算力、人才与资金方面相对薄弱，导致“能试点、难规模”“能上线、难运维”的现象较为突出。
从原因看，一方面，工业数据采集、清洗、标注、评估等基础工作投入大、周期长，缺乏统一的分类分级与共享流通机制，使数据价值释放不足；另一方面，工业模型需要与工艺机理、现场经验深度结合，既要“懂算法”，更要“懂生产”，模型开发与部署对行业知识、工程能力与安全合规提出更高要求。
此外，产业链上下游协同不足、解决方案碎片化，也造成“单点智能”多、“系统智能”少。
针对上述瓶颈，工信部发布的行动方案提出以融合赋能为主线，推动不少于5万家企业实施“人工智能+工业互联网”升级改造，重点从网络、数据、模型、应用与生态等环节系统发力。
到2028年，方案提出持续扩大新型工业网络规模，满足人工智能工业应用对高通量、低时延、高可靠通信的需求，并推动在原材料、装备制造、消费品、电子信息等重点行业加快部署应用。
同时，方案强调完善工业数据汇聚、治理、流通、共享体系，在20个重点行业打造一批高质量数据集，为模型训练与场景落地提供关键“燃料”。
在对策层面，方案明确实施四大行动：基础底座升级、数据模型互通、应用模式焕新、产业生态融通。
基础底座方面，着力提升网络与算力供给能力，鼓励公共算力服务商面向工业企业提供服务，增强工业智能算力保障。
数据模型互通方面，推动工业数据采集、清洗、标注、合成、评估等能力建设，推进数据分类分级安全管理与行业数据集建设，并通过建立全国工业数据目录提高数据可发现、可调用水平，进而提升工业模型开发与部署效率。
应用模式方面，强调围绕重点行业和关键场景形成可复制的解决方案，推动从单环节试点向全流程、全链条协同延伸。
产业生态方面，鼓励平台企业、设备厂商、软件服务商、运营商与科研机构协同创新，形成标准、工具链、服务体系相对完备的融合生态。
从影响看，工业互联网与人工智能的深度融合，有望在多个维度释放乘数效应：一是提升生产效率与质量稳定性，通过实时感知与智能决策缩短工艺调参周期，降低废品率与能耗；二是增强产业链韧性，通过数据贯通与智能预测提升供应链协同效率与风险预警能力；三是带动新型基础设施与软件服务发展，工业网络、工业算力、工业数据服务、模型工具链等领域将迎来更大市场空间；四是推动中小企业数字化“可负担、可复制”，在公共算力、标准化数据集与行业模型的支撑下，降低智能化门槛，扩大受益面。
面向前景判断，随着新型工业网络加快部署、工业数据目录与高质量数据集逐步完善，以及面向重点行业的工业大模型和面向具体场景的专用小模型加速落地，工业智能将从“点状应用”走向“系统集成”，从“经验驱动”走向“数据与机理融合驱动”。
预计未来一段时期，标准体系、安全治理与工程化交付能力将成为竞争关键，谁能在安全可控前提下实现模型高效部署、稳定运行与持续迭代，谁就更有可能在行业规模化应用中占据先机。
与此同时，工业智能化的推进也将倒逼企业加快组织与人才体系升级，推动管理流程、质量体系与运维模式同步变革。
工业互联网与人工智能的融合赋能不是简单的技术叠加，而是深层次的产业变革。
这一行动方案的发布，体现了我国抢抓新一轮科技革命和产业变革机遇的战略定力，也反映了我国推动高质量发展的坚定决心。
随着五万家企业升级改造的推进，将形成示范带动效应，激励更多企业投身融合创新。
可以预见，在政策引导和市场推动的双重作用下，工业互联网与人工智能的融合将迎来加速发展期，为我国制造业转型升级注入新的动力，为经济社会发展提供新的增长引擎。