设备层小模型将工厂设备维修时间从120分钟压缩至40分钟、效率跃升300%——而企业级大模型协同智能体正将财务结算效率提升40%、供应链库存周转天数减少25%。中国工业互联网研究院顾维玺这份报告从L1到L6六级架构出发，系统拆解了人工智能赋能新型工业化的分层实施路径。

制造业数智化转型的六级架构为人工智能赋能新型工业化提供了清晰的分层实施框架。L1设备单元级聚焦单体设备的故障诊断、工艺优化和寿命预测，通过机器学习与深度学习方法构建小模型，打造设备级工业智能体。L2产线级与L3车间级面向产线异常检测、能耗预测等场景，结合工控系统的控制数据与网络参数数据，通过监督学习微调大模型。L4工厂级整合工厂运营数据实现综合调度优化。L5企业级整合经营管理系统的技术数据、成本数据、财务数据及供应链数据，通过大小模型协同实现智能排产、订单预测、供应链优化等复杂任务。L6产业链级则实现跨企业的协同优化与价值共创。

报告打造了新型“T”形架构——以横向的工业互联网生态平台为依托，以纵向贯通各层级的智能体为支柱，共同推动工业互联网赋能制造业智能化转型升级。横向平台打通数据流与业务流，实现从设备到产业链的数据贯通；纵向智能体实现逐级智能跃升，形成“平台+智能体”的协同赋能格局。这一架构的关键在于各层级智能体具备差异化能力：设备层需实现与工控软件的高效通信；产线与车间级需理解设备终端拓扑结构、具备自主产线监控能力；企业级需实现多目标自主协同优化。

设备单元级数据具有实时性强、动态变化大、多源异构、价值密度低、物理意义明确等核心特征。数控机床的主轴振动监测需在毫秒级内完成数据传输与分析，工业机器人在焊接作业中伺服电机的电流与力矩数据模式随空载与负载状态频繁切换发生剧烈跳变。针对这些特征，数据采集采用边缘实时同步采集与自适应采样策略——在设备状态剧烈变化时自动提高采样频率以捕捉完整动态细节；预处理引入物理机理融合去噪，剔除违背物理常识的噪点数据；标注采用状态驱动自动标注与交叉验证；存储管理采用冷热分级存储。

设备单元级以轻量化小模型为主，训练与推理算力需求在1TFLOPS与1TOPS以下，主要采取终端或边缘侧部署方式。典型应用为设备管理智能体——基于机器学习模型识别故障特征模式，自动触发预防性工单并生成评估报告，平台内置4700+行业机模型与200+专家算法库。在合肥某制冷工厂，该智能体可自主识别设备故障并自动进行根因分析，设备平均维修时间由120分钟降至40分钟，效率提升300%，验证了设备层智能体在实时监控与快速响应场景中的显著价值。

产线级与车间级数据在实时性强的基础上新增了数据体量大、数据质量低、关联度高等特点。半导体晶圆制造产线数百台设备每秒生成数千个工艺参数点，全天数据量达到TB级别；复杂车间电磁环境导致传输信号经常出现丢包或噪声干扰。数据采集采用分布式高并发架构，搭建工业级光纤环网与5G专网；预处理实施全链路数据质量清洗，自动识别并修复丢包、漂移、离群点；标注采用批量自动化打标；存储采用湖仓一体化管理。关联度高的特征要求实施全产线时钟同步，确保上下游设备数据在同一时间基准下被采集。

产线级与车间级以小模型为主、部分基于大模型，小模型训练与推理算力需求在10TFLOPS与5TOPS以下。典型应用为工业PLC代码智能体——基于轻量化代码大模型精准理解自然语言工艺描述，支持批量变量自动定义并直接生成可应用的操作卡片写入程序。该智能体融合抽象语法树分析技术与大模型推理能力，提供代码一键解释、上下文感知自动补全、智能逻辑修复及ST/LD多语言互转功能。在大型项目配置中，替代人工手动配置极大节省时间并降低出错概率，帮助软件开发人员高效生成并交付PLC代码。

企业级数据具有强战略导向、强业务规则驱动、高安全合规要求、全域覆盖价值链等特点。财务数据严格遵循会计准则，战略发展部门汇总计算“市场占有率”直接服务高层决策；供应链数据贯穿从供应商到客户的整个价值链。数据采集通过API接口对接ERP、CRM、HRM等核心业务系统；预处理实施严格清洗与校验确保符合财务、税务等业务规范；标注依据企业标准化编码体系进行业务属性分类；存储建立主数据管理系统与商业智能专用的数据集市。安全合规方面，采集传输全程采用SSL/TLS加密，实施敏感数据自动识别与脱敏处理。

企业级以大模型+小模型结合开展应用赋能，训练与推理算力需求在1PFLOPS与5000TOPS以上。典型应用为经营管理智能体——金蝶开发的智能体整合财务、人力、供应链、营销及知识库数据，实现战略财务分析预测、税务智能问答、全方位运营监管、智能面试助手等多模块协同。应用成效显示：企业财务结算效率提升40%以上，人力配置合理性提升30%，供应链库存周转天数减少25%，服务超过一半的中国500强企业，提供全球财务与税务解决方案及本地化支撑。