厂里那套智能工厂的方案，你已经看过三遍。大屏、AGV、机械臂，宣传片里跑得很顺。回到会议室，老板问一句：上了这些，我们车间的不良率能降几个点？没人答得上来。
165 页《2026 人工智能发展白皮书》，深圳市人工智能行业协会和深圳市投控数字科技联合出品。它把全国的智能工厂按成熟度分成三层，数字是：基础级 3 万余家，先进级 1200 余家，卓越级 230 余家。三万个和两百三十个之间那道墙，砌在数据采集、工业软件和工序接口上，不在模型那一层。
你手上那份方案清单，是按设备和账号写的：几台机器人、一套视觉检测、一块大屏看板。它们能让某道工序快一点，可决定交期和不良率的那些数字，还散在班组台账、老师傅的笔记本和不同厂商的系统里。
01 3 万余家里 230 余家拿了成绩，其余停在第一层
那 230 余家的成绩，资料写得很具体：产品研发周期平均缩短 28.4%，生产效率平均提升 22.3%，不良品率平均下降 50.2%，碳排放平均减少 20.4%。它们覆盖了八成以上的制造业行业大类，攒下近 2000 个可复用的场景。
再看下面两层。基础级那 3 万余家，多数是设备联网加单点自动化；先进级 1200 余家，能在车间里跑通几个场景。金字塔的形状摆在这儿：同一句「智能工厂」，含金量差了两个数量级。
其实差距落到产线上，一眼就能看见。同一套 AI 质检，装在数据齐全的线上，两个月能收敛；装在靠人工补录的线上，模型每周都得重训一次。
02 卡住大多数工厂的，是数据进不来
资料里画了一张闭环图：现场数据、工业模型、应用执行、KPI 回流，四环首尾相接。缺哪一环，AI 都只能停在演示。
最容易低估的其实是第一环。2024 年规模以上工业企业的关键工序数控化率 66.4%，数字化研发设计工具普及率 84.1%；政策口径要到 2027 年分别提到 75% 和 90% 以上，同期还要换掉约 200 万套工业软件、80 万台套工业操作系统。仍有三分之一的工序，连稳定采数都做不到。
资料对此的判断不含糊：工业智能要先补数据采集、软件系统、边缘控制和工业操作系统这套工程底座，模型的事排在后面。
底座不补，模型就得靠人喂。人一停班，系统跟着停。
03 先把一条线跑通，再谈全厂
资料给了两个现成抓手。一个是工信部 2025 年发布的 151 项「人工智能赋能新型工业化」典型应用案例，等于一份被验证过的场景清单，挑结构接近的抄。另一个是全球灯塔工厂，224 家里，2026 年 1 月新增的 23 家有 16 家在中国，去看它们先把哪道工序连起来。
顺序上，先查自己关键工序的数控化率。低于 66.4% 这条全国均线，优先补采集和接口；到了这条线以上，再去选场景。选场景看三件事：数据取不取得到、结果能不能回到一个 KPI、出了问题谁负责维护。三条缺一条，这个场景先放着。
你现在在哪一层，下一步做什么
设备联网了，数据还在班组台账上
采集口径不统一，接口没打通
挑一条线，把工序数据先收进一个库
单点用上了 AI，质检、排产各一套
结果回不到 KPI，模型没人维护
把输出接进 MES 或 ERP，定一个维护人
多工序闭环，指标能追溯到批次
经验只在一个人、一个厂里
把场景写成模板，复制到下一条线
工业智能的分水岭，不在模型那一层
资料最硬的一句判断留在收尾：中国工业智能的优势集中在应用端，基础层的短板仍在，高端工业软件、数据标准、系统接口和工业知识复用能力，制约着它从单点走向规模。
所以别急着比谁的模型参数大。先看自己的工序有没有联网、数据归谁管、出了偏差谁签字。这三件事定下来，AI 才有地方落脚。
边界也说清楚：这份资料讲的是产业层面的分布和路径，一家没有 IT 团队的中小厂该怎么起步，它没有回答。
2026人工智能发展白皮书.pdf