问题：制造业转型进入深水区，传统以规模化、标准化为主的生产模式，在市场需求快速变化、产品迭代加速、供应链波动增多的背景下，面临“切换慢、响应慢、决策链条长”等痛点。
尤其在工程机械等离散制造领域，订单呈现多品种、小批量与个性化并存趋势，单靠既有自动化和信息化手段，难以兼顾效率与灵活性。
原因：从技术层面看，传统智能制造多侧重“设备联网+流程固化+局部优化”，擅长在稳定工况下提升产能，但对复杂场景的动态变化、异常处理与跨环节协同能力仍有限。
曾光认为，新一代人工智能的价值在于让系统具备更强的感知、推理与优化能力，通过数据驱动实现“边运行、边学习、边改进”，从而突破以往“算法固定、规则固定”的边界。
与此同时，制造企业长期积累的设备、工艺、质量、物流、能源等数据，若缺乏统一平台汇聚治理，难以转化为持续迭代的能力，造成“数据在、价值不显”的现实矛盾。
影响：以中联重科获评“国家级领航工厂”的挖掘机共享制造智能工厂为例，生产线可实现100多种型号混合生产，短时间内完成不同产品之间的快速切换，体现出面向多品种需求的组织能力与交付弹性。
这类能力的形成，意味着制造从“以产定销”逐步转向“以需定产”，从“事后纠偏”走向“实时优化”。
在更宏观层面，人工智能深度进入车间、产线、工厂，有望带动研发设计、采购供应、生产排程、质量追溯、设备维护等环节协同提升，进而重塑企业成本结构与竞争优势。
曾光指出，在国际产业竞争加剧的态势下，谁能率先将人工智能转化为稳定、可复制的生产力，谁就更可能在新一轮产业分工中占据主动。
对策：一是以应用牵引推动技术落地，优先在产线排程优化、质量检测与缺陷分析、设备预测性维护、仓储物流调度等高频场景形成可量化成效，避免“重概念、轻成效”。
二是以平台化思维夯实数据底座，通过工业互联网平台打通设备运行、制造过程与经营管理数据，建立统一的数据标准、治理机制与安全边界，为模型训练和决策优化提供持续“养分”。
三是推进从“工具型智能”向“协同型智能”升级，把人工智能嵌入业务流程与岗位作业，形成“人机协作”的新型组织方式，而非简单追求机器替人。
四是围绕产业人才与制度体系同步发力，强化复合型人才培养，建立与智能化相匹配的流程再造、绩效评价与风险管理机制，确保技术改造与管理变革同向而行。
前景：受访者判断，未来10至20年，人工智能与制造体系的深度融合将带来变革性生产力增长。
从大语言模型、多模态能力到具身智能等方向演进，技术将从辅助决策走向更强的闭环执行能力，制造系统的“自感知、自决策、自执行”水平持续提升。
与此同时，行业竞争也将更趋分化：积极推进智能化转型的企业，有望在质量稳定性、交付周期、成本控制和产品创新速度上形成综合优势；固守旧模式者则可能在效率、响应与协同上被拉开差距。
曾光强调，关键不在于“技术是否存在”，而在于“能否把技术变成能力、把能力变成优势”，以此应对全球产业链重塑和制造竞争的新格局。
制造业智能化转型已是大势所趋。
在这场深刻变革中，企业需要以开放姿态拥抱技术创新，同时注重人才培养和体系重构。
正如专家所言，未来的产业竞争不仅是技术之争，更是思维模式和创新能力的较量。
只有主动适应变革、积极布局未来的企业，才能在新时代的产业格局中赢得先机。