问题——服务型制造是制造业向价值链高端发展的重要方向，以用户需求为核心，通过研发设计、定制化交付、运维服务和供应链协同等方式，实现产品与服务的深度融合。尽管我国服务型制造发展迅速，但与发达经济体相比仍存差距：数智技术在关键环节应用不足，高能级平台供给有限，跨行业数据流通不畅，政策与统计标准协同性有待提升。尤其在工业操作系统、工业软件和高端传感器等领域，对外依赖度较高，部分智能模型的可靠性、精度和可解释性尚未达到工业级要求，难以支撑核心制造流程。 原因——业内人士指出，这些问题源于技术和产业基础的不足，以及体制机制和生态建设的制约。一上，制造业场景复杂多变，工艺要求高，数据存多源异构、质量不一、标注成本高等问题，导致智能化应用难以规模化推广。另一上，平台企业与工业企业之间数据权益、接口标准和投入产出评估诸上缺乏统一规则，跨领域协作成本较高。此外，关键软硬件的技术瓶颈长期存，限制了智能化能力的深入应用。 影响——如果这些问题无法解决，服务型制造将难以形成可复制的行业模式，影响企业在个性化定制、全生命周期管理、智能运维和智慧供应链等环节的效率提升和质量改进，甚至可能降低产业链的韧性和安全性。同时，平台与数据能力的不足会限制先进算法的效能发挥，增加智能化投资的不确定性，进而阻碍企业持续投入和产业生态的培育。 对策——钱锋建议从技术攻关、平台支撑、数据融合和政策保障四个上推进： 1. 技术攻关：设立专项支持服务型制造关键技术创新，重点突破工业操作系统、工业软件和智能感知等技术瓶颈，加强多模态算法研究，提升复杂工况下的稳定性和可解释性。 2. 平台支撑：构建以数据和智能决策为核心的“工业大脑”，推动研发、生产、采购等环节的协同应用；在集成电路、生物医药等重点领域培育国际化的垂直产业互联网平台，并依托产业园区集聚龙头企业，加快国际化布局。 3. 数据融合：支持企业攻克多源异构数据融合、长尾场景样本合成等技术，构建行业机理模型和高质量数据集；推动产业聚集区建设数据治理平台，完善标准体系和共享机制，促进智能化从单点应用向全局协同发展。 4. 政策保障：出台“人工智能+服务型制造”专项政策，将服务型制造与智能制造协同纳入考核体系，鼓励产业基金设立涉及的子基金，建设示范区和服务平台，推动数据与业务深度融合。 前景——随着新型工业化的推进，服务型制造将从“附加服务”转向“价值创造核心”。未来，谁能率先实现“关键技术—平台能力—数据治理—场景落地”的闭环，谁就能在智能定制、质量预测、远程运维等领域占据优势。通过加强底层技术和工业知识体系建设，完善数据标准和流通规则，我国服务型制造有望在重点行业实现规模化应用，推动制造业整体效率提升和价值链升级。
制造业的竞争本质上是创新能力和转型速度的竞争；从“制造”到“智造”，再到“服务型制造”，每一次跨越都离不开技术和制度的双重突破。钱锋院士的建议既聚焦当前短板，又谋划长远发展，表明了对制造业高质量发展的深刻思考。推动数智技术与制造业深度融合，不仅是应对国际竞争的需要，更是中国制造迈向全球价值链高端的必经之路。