智能工厂进入“梯度培育”时代：IT/OT 融合的难点在运维边界

制造业数字化已经进行了很多年。从 MES、WMS 到工业互联网平台，从单点自动化到智能工厂，概念不断升级，但真正决定项目成败的，往往不是某一个系统，而是 IT 与 OT 之间的边界怎么划、数据怎么流、故障谁负责。

2025 年，工信部等六部门启动智能工厂梯度培育行动，把智能工厂分成基础级、先进级、卓越级和领航级四个层级，并对卓越级、领航级提出了明确的 AI 应用场景比例要求。这个政策信号很重要：智能工厂不再只是“上了多少系统”，而是要看系统是否真正进入了生产流程，是否形成了可持续的能力。

一、智能工厂不是 IT 项目的延伸

很多制造企业把智能工厂当成一个大型 IT 项目：上云、建平台、接设备、做看板。结果平台建起来了，生产现场还是靠人工经验；数据采集了很多，但质量、时延和口径都无法支撑实时决策。

智能工厂与普通 IT 项目的区别，在于它直接作用于生产过程：

因此，智能工厂的第一步不是买平台，而是把生产场景、设备、数据和责任边界梳理清楚。

2025 年版《智能工厂梯度培育要素条件》把智能工厂分为四级：

这套分级的意义，不是让企业去“争牌子”，而是给出一条能力递进的路径。基础级解决“数据能不能采上来”，先进级解决“数据能不能跨工序共享”，卓越级解决“系统能不能协同优化”，领航级才谈得上“AI 驱动的制造模式创新”。

如果基础级的数据采集和网络都不稳定，直接追求领航级的 AI 场景，最后很容易变成演示项目。

IT/OT 融合不是把 OT 网络直接接入 IT 网络，而是要在三个接口上建立规则。

生产网络需要与办公网络、互联网隔离，但又要支持数据上传、远程运维和供应链协同。常见的做法是分区、分域、单向网关和工业 DMZ。关键不是“物理隔离”四个字，而是明确哪些数据可以出、通过什么路径出、由谁审批。

工业设备的数据格式、采样频率和时钟往往不统一。要把 OT 数据用于 MES、APS、质量分析和 AI 模型，必须先解决设备标识、点位命名、时间同步和数据质量问题。否则，数据平台只是把“数据孤岛”换了一个位置。

IT 团队负责服务器、网络、数据库和云平台，OT 团队负责 PLC、SCADA、DCS 和现场设备，但智能工厂的故障往往跨越两边。需要明确：

IT/OT 融合的难点，不是技术连接，而是责任连接。

智能工厂的 AI 场景，很多需要在边缘完成：视觉质检、设备预测性维护、AGV 调度、工艺参数优化。这些场景对时延、带宽和数据不出场有要求，不能全部依赖云端。

边缘计算带来新的运维对象：边缘服务器、网关、摄像头、传感器和模型版本。设备分散、网络不稳定、现场环境复杂，都会放大故障影响。行业正在把边缘节点纳入统一的资产、监控、补丁和模型更新体系，而不是当作孤立的项目交付。

云和边缘不是二选一，而是分工：实时控制和安全敏感的场景放在边缘，训练、全局优化和跨工厂分析放在云上。关键是数据、模型和应用的协同，而不是把某一侧做成“唯一平台”。

智能工厂的试点往往能在单个工厂取得不错的效果，但复制到集团其他工厂时，问题就出现了：设备型号不同、工艺不同、组织不同、供应商不同。

要把试点变成可复制的能力，需要做三件事：

智能工厂的终局，不是某一个工厂很智能，而是集团具备持续复制智能的能力。