文章总结： 本文深入研究了工业算网与工业人工智能的融合发展现状与趋势。指出当前二者融合面临方案通用性弱、供需不匹配、深层机制融合不足、OT与IT边界打破引发算网调度及模型传导等复合型安全隐患，且相关标准处于起步阶段。文章提出了涵盖基础到应用的五层融合体系架构，重点剖析了面向应用的确定性技术、大小模型协同及分布式模型加速等关键技术。建议从政策引导扶持、核心技术攻坚及完善标准与生态构建三方面发力，以推动工业体系向智能化与安全可靠方向升级。 综合评分： 85 文章分类： AI安全,IoT安全,网络安全

---

深度丨工业算网和工业人工智能融合发展现状与趋势研究

内生安全联盟

2026年7月3日 17:21 江苏

在小说阅读器读本章

去阅读

以下文章来源于信息通信技术与政策 ，作者陈昕，张恒升 等

信息通信技术与政策 .

工业和信息化部主管、中国信息通信研究院主办的专业学术期刊。定位于“信息通信技术前沿的风向标，信息社会政策探究的思想库”。

作者简介

陈昕

普天信息工程设计服务有限公司高级工程师，主要从事工业互联网、面向应用的确定性、人工智能领域的技术研究、标准制定、咨询设计及测试验证工作。

张恒升

通信作者。中国信息通信研究院技术与标准研究所副总工程师，正高级工程师，主要从事工业互联网、新型工业网络的技术研究、标准制定及测试验证工作。

付韬

中国信息通信研究院技术与标准研究所高级工程师，主要从事工业互联网、工业算网、面向应用的确定性领域的技术研究、标准制定、及测试验证工作。

李果

普天信息工程设计服务有限公司高级工程师，主要从事工业互联网标准制定、技术研究、咨询设计工作。

论文引用格式：

陈昕, 张恒升, 付韬, 等. 工业算网和工业人工智能融合发展现状与趋势研究[J]. 信息通信技术与政策, 2026, 52(1): 31-40.

工业算网和工业人工智能融合发展现状与趋势研究

陈昕1  张恒升2  付韬2  李果1

（1.普天信息工程设计服务有限公司，北京 100088；

2.中国信息通信研究院技术与标准研究所，北京 100191）

摘要：目前，工业算网和工业人工智能融合仍面临方案通用性不强，大部分停留在系统初步适配阶段，深层次的业务流程、管控机制融合不足等问题，导致工业算网设施投入高、推广应用困难、管控脱节、协同不足。通过梳理二者融合的发展现状，剖析了供需不匹配、融合不深入、系统安全存在隐患和标准研制处于起步阶段等问题，同时展望了技术、应用、生态等方面的未来发展趋势，并从引导扶持、技术攻坚、生态构建3个维度提出针对性建议。随着新型工业网络的技术持续创新突破与生态不断协同深化，工业算网和工业人工智能融合发展将逐步破解当前瓶颈，为工业领域带来生产效率提升、能耗降低、自主化水平提高等多重价值，助力我国工业体系向智能化、绿色化、高端化方向迈进。

关键词：工业算网；工业人工智能；融合

0  引言

当前，全球工业正加速向网络化、数字化、智能化方向转型，工业高质量发展是加快产品迭代、垂直压缩成本、深化创新能力的根本途径。该过程既有国家政策又有产业界内在需求推动，将人工智能（Artificial Intelligence，AI）应用于工业企业各业务中，成为工业高质量发展的关键破局点。工业算网（Industrial Computing and Network Convergence，ICNC）与工业人工智能（Industrial Artificial Intelligence，IAI）作为支撑转型的核心技术，其融合应用已成为推动制造业高质量发展的重要方向。ICNC借助算力与网络资源的协同调度，为工业场景提供确定性、低时延的新型信息基础设施；IAI通过数据驱动与机理模型结合，实现了生产过程的智能决策与优化的深度融合，智能、网络、计算要素在工业生产中遵循“木桶效应”原理，任一要素的短板均会制约AI赋能制造业。然而，当前ICNC和IAI的融合仍面临方案通用性欠佳，致使投入成本过高、推广应用受阻等问题，多数融合案例仅停留在接口适配阶段，深层次的业务流程、管控机制融合不足引发管控脱节、协同不足等状况。本文围绕ICNC与IAI的融合展开研究，剖析了当前存在的供需不匹配、融合不深入、系统安全存在隐患、标准处于起步阶段等问题；展望了技术走向自主化、智能化、应用向全产业链深度渗透、生态逐渐完善的发展趋势；并从强化引导扶持、攻坚技术短板、完善标准和培养人才等方面提出针对性建议，旨在为相关领域的技术研发、标准制定以及产业实践提供参考。

1  ICNC-IAI融合概述

1.1  ICNC-IAI融合的迫切需求

在政策外力牵引方面，《国务院关于深入实施“人工智能+”的行动意见》明确提出，需“推进工业供应链智能协同，加强自适应供需匹配”，并“深化人工智能与工业互联网融合应用”。据预测，到2027年，新一代智能终端、智能体等应用的普及率将超过90%，从而推动技术的普惠与成果的共享[1]。2025年政府工作报告强调深化AI与工业融合，打造数字产业集群，强化算力、网络等新型基础设施对工业智能的支撑。2025年12月，工业和信息化部全国信息通信监管工作会明确提出深入实施工业互联网和人工智能融合赋能行动。2026年1月，工业和信息化部发布《工业互联网和人工智能融合赋能行动方案》，到2028年要推动不少于50 000家企业实施新型工业网络的改造升级，强化工业智能算力供给，提升工业模型开发部署效率。

在产业竞争驱动层面，当前产业竞争逻辑正由规模成本导向，转变为以效率与创新为核心的综合性竞争，企业面临着提升质量、降低成本、提高效率以及增强韧性的重大压力。在此背景下，IAI可作为实现这些目标的“决策大脑”，依托AI与数据分析能力赋能业务；而ICNC是支撑IAI的“神经与血管”，承担着实时、可靠输送数据与算力的关键作用。在各行业加速布局AI应用的趋势下，缺乏强大算网支撑的工业智能如同“无源之水”，难以实现实时数据采集与高效运算。

在企业内生需求方面，ICNC与IAI融合需求体现在缩短研发周期、生产实时确定性控制、柔性生产调度、设备智能运维、能耗动态优化、碳足迹精准核算、供应链协同等方面。一方面，不同行业工业大模型特性差异显著，对通用性强、多场景灵活适配的ICNC配置方案需求迫切。然而，ICNC与IAI目前仍处于松耦合适配阶段，尚未与工业流程及深层机理深度融合。因此，二者亟需从底层机制层面实现深度融合，构建全新的技术融合框架。另一方面，企业迫切需要将智能从单点应用扩展为全局优化系统，从而在激烈的市场竞争中赢得速度、灵活性和成本优势。

1.2  ICNC-IAI融合概念

ICNC是适配工业场景需求的算网融合新型工业数字基础设施[2]，以工业网络和计算能力为基础支撑，通过集中式和分布式相结合的方式，对网络资源和算力资源开展协同管理与调度，形成复合资源供给能力。IAI是将AI技术与工业场景、机理、知识相结合，应用在工业设计、生产、管理、服务等环节，旨在实现设计模式创新、生产智能决策、资源优化配置等目标，且需具备自感知、自学习、自执行等能力，以适配工业环境的动态变化[2-4]。ICNC和IAI是互相补充、互相促进的关系，形成“算力算法双向赋能、数据模型飞轮效应、技术与生态协同演进”的良性循环。

ICNC-IAI融合是指以ICNC为数字化底座，以IAI为核心赋能引擎，拉通企业生产业务智能化编排与算网资源保障的机制，形成统一的工业智能体框架，动态协调“智、网、算”要素，为研发、生产、管理、服务等工业全产业链提供“算力按需调度、数据高效流通、模型精准部署、应用敏捷迭代”的一体化智能解决方案，最终实现工业生产的智能化、柔性化与高效化。ICNC-IAI融合是算力、数据、模型的深度协同，区别于传统的“算力+AI”的简单叠加，体现为从底层架构到上层应用的全线互相渗透，以及从外在系统对接到内部机制的深入融合。

ICNC-IAI融合的典型特征有5个方面。其一，工业算力的智能调度与弹性适配，即基于工业场景实时算力需求与网络服务等级协议约束[5]，实现云边端算力的动态分配与按需扩缩容，保障高算力消耗型IAI任务低成本、低时延执行。其二，数据的闭环流通与机理的驱动治理，即构建工业数据全流程闭环，结合工业机理模型开展数据清洗、标注与验证，确保数据质量与模型输出的工业适用性。其三，模型的敏捷部署与异构协同，即支持轻量化模型的快速迭代、一键部署与版本管理，实现云端工业大模型与边缘侧工业小模型协同推理，适配具身智能机器人、可编程逻辑控制器（Programmable Logic Controller，PLC）、工控机等异构硬件载体。其四，应用的内生安全与高可靠保障，即将安全机制嵌入ICNC-IAI融合应用的设计、开发、部署全生命周期，通过数据加密、权限管控、故障自愈等技术，保障生产控制类应用的高可用性与业务连续性。其五，产业的跨界协同与价值重构，依托ICNC互联互通能力，打破产业链上下游企业的数据壁垒与算力边界，推动IAI技术跨行业场景融合应用，实现从单一企业效率提升到产业链整体价值的重塑。

1.3  ICNC与IAI融合的意义

1.3.1  ICNC支撑IAI

ICNC作为适配工业场景的算网融合新型基础设施，通过提供网络、算力、资源协同、确定性保障四大核心能力，为IAI提供了网络通道、算力底座、协同中枢、安全屏障的一体化支撑，是IAI落地的核心支撑。ICNC构建确定性网络与确定性算力传输通道，保障IAI数据与指令的端到端实时、稳定流转。ICNC为IAI提供了弹性可扩展的云边端算力供给，支撑算力分层部署，满足多层次、定制化的算力需求，达成云边端资源协同，以适配IAI的协同优化。ICNC从资源安全、数据安全、业务安全等方面提供保障，保障IAI系统的稳定与可控。

1.3.2  IAI赋能ICNC

IAI具备智能决策、动态优化、自主感知及风险预判等能力，有助于推动ICNC从“被动资源池”向“主动智能基础设施”升级，能够有效解决ICNC大规模资源调度困难、确定性保障需求高、运维复杂、安全风险突出等问题。ICNC的资源异构性与动态需求，需要IAI发挥其调度能力；ICNC的确定性服务需求，需借助IAI的动态优化能力；ICNC的多级架构与复杂运维情况，需要IAI的自主管理能力；ICNC敏感核心数据与复杂安全威胁，则需要IAI的智能防护能力。IAI向工业算法输入明确的规则、目标或约束条件，让算法能够按照“精益管理”的思路，对工业场景中的网络带宽、设备算力、生产物料等资源开展动态优化与高效调度，ICNC-IAI双向支撑、赋能示意图如图1所示。

图1   ICNC-IAI双向支撑、赋能示意图

2  ICNC-IAI融合发展现状

当前，ICNC-IAI融合已在钢铁、重型机械、电子显示、装备制造等多个工业领域开展探索。行业龙头企业通过算网提供的算力与网络支撑，结合IAI的数据分析、智能决策能力，在生产工艺优化、设备预测性维护、质量智能检测等环境有大量应用，实现了生产提质、降本、增效的目标。

ICNC-IAI融合是一个分行业、分场景循序渐进的过程，其融合发展可划分为5个阶段，如表1所示。

表1   ICNC-IAI融合发展阶段

我国企业在ICNC-IAI融合应用方面进行了积极探索，ICNC-IAI融合正处于L2数据协同级，融合度属于中等水平，企业侧重于工业模型应用，平台服务商侧重于数据分析和工业智能体开发，通信运营商侧重于智算中心、算力网络和模型即服务（Model as a Service，MaaS）能力建设，AI技术服务商侧重智算中心建设。

中国石油研发了AI中台，通过重构与集成，实现多个工业大模型统一纳管并融合多家训推工具链，支持主流开源大模型的私有化部署，其算力资源也纳入AI中台管理，算力、模型、服务实现统一管理，协同调度能力显著增强[6]。国内钢铁企业应用了边端协同的智能检测，边缘计算设备和工业终端设备应用之间采用工业级实时可靠传输，保障检测图像和检测视频传输稳定性；通用的确定性边缘计算应用之间的确定性传输，确保检测指令和检测数据实时稳定传输；运算处理服务器中的算网调度器，调整边缘检测计算任务的执行速度，减轻因引入智能检测增加的生产系统算网压力，确保产线算网稳定运行。

工业互联网平台服务商等充分挖掘工业数据，开发工业智能体，基于数据提供工业智能应用推理服务。航天云网开发了工艺AI智能体，实现智能化工艺编制，协助工艺设计人员快速编制工艺方案、工艺卡片，提供工艺建议指导。通过深度学习等AI技术，以应用程序编程接口（Application Programming Interface，API）或者智能应用的形式对外提供服务，帮助企业提升生产工艺参数的精准度，优化生产过程。

通信运营商通过其智算资源布局，部署跨地域、跨行业的算网调度平台和MaaS平台，能实现通算、智算、超算等多种异构算力的跨地域大规模调度，支持AI模型的分布式训练。中国移动以“九天震泽MaaS服务平台”为核心，为工业能源企业提供能源智能管控、产品表面质量检测、设备智能巡检等提供算力底座供给、模型应用构建、数据处理，实现工业生产全流程的协同与优化。中国联通上海临港计算中心完成AI大模型300 km分布式协同训练技术验证，跨域分布式训练等效算力达到单集群的95%以上[7]。

AI技术服务商加速布局智算领域，聚焦大规模智算中心建设，助力AI技术落地应用。阿里巴巴打造了灵骏超级计算集群，提供可扩容到10万张图形处理器（Graphics Processing Unit，GPU）卡的规模能力[7]，包括灵骏计算集群、高性能网络、磐久AI计算服务器、CPFS高性能存储集群；火山引擎在内蒙古、安徽投建大型绿色智算中心，目标是构建支撑AI大模型训推的高效算力网络；商汤科技通过建设面向AI场景的超级算力市场，降低AI使用门槛，向行业输出AI能力。

2.1  现存问题

2.1.1  应用需求和资源供给不匹配

现有ICNC的算力调度多停留在基础资源分配层面，缺乏对AI算法特性的精准适配，难以根据不同工业业务的动态需求，实现算力与网络资源的精准匹配。部分工业行业内缺乏统一的工业数据语料库，数据清洗、标注的自动化水平低，算网传输数据多为原始粗糙数据，不仅增加算力消耗，还会影响模型的训练精度。

2.1.2  技术、流程和机制融合不深入

目前ICNC-IAI融合的技术、流程和机制仍存在4方面问题。

其一，ICNC调度与协同能力不足，确定性融合不深。目前缺乏成熟的异构硬件抽象技术和通用计算原语，难以将分散的异构算力整合为统一可调度的算力资源池，且当前ICNC云边协同架构存在短板、云边端协同机制不完善，导致异构资源动态协同难度大，ICNC资源利用率低。在多个工业生产环节的工业智能应用共享算力时，由于多个算力资源之间不能实时调度，导致部分计算环节时间不可控，算力服务的确定性保障不足。

其二，模型融合不深。表现为工业运营技术-信息技术模型（Industrial Operational Technology-Information Technology Model，OT-IT）、工业大小模型融合不深。首先，目前大部分OT系统和IT系统物理联通，但协议、数据、接口仍处于逻辑割裂状态。OT系统多为专用硬件和专有协议，开放能力和算力不足，难以直接对接AI模型。另外，不同行业场景下，工业大小模型定制化程度较高，但ICNC资源的配置方案通用性不强，大部分是面向特定场景的一次性解决方案，采购阶段的资本投入规模偏大，易形成资金压力，推广应用困难。

其三，互操作面临较大挑战。当前，融合类互操作技术标准尚不完善，数据与接口规范存在不统一现象。不同ICNC平台在数据格式、命名规范、时间戳标准上存在显著差异。其中，平台往往倾向于采用封闭接口设计，而接口改造不仅涉及大量历史数据和业务逻辑的调整，还缺乏统一接口规范，致使算网间难以实现无缝对接[7]。同时，工业装备制造和工业软件企业为保持竞争优势，常设置数据壁垒。这导致IAI训练所需的跨企业、跨环节数据难以自由流通。ICNC难以汇聚海量有效数据，进而使得AI模型泛化能力不足，难以适配多场景工业需求，最终制约了融合效能的释放。

其四，流程和机制融合深度不够。目前两者融合停留在设备、平台、接口适配阶段，没有在业务流程、管控机制方面深度融合，导致管控脱节、协同不足等问题。

2.1.3  系统安全存在风险

ICNC-IAI融合后，因ICNC打通了OT-IT网络，传统的OT物理隔离被打破，分布式架构导致安全边界泛化，系统可能会出现“智网算产”多维度交织的复合型安全隐患，主要有4点风险。其一，算网资源调度风险。IAI动态调度ICNC时，若调度算法被恶意篡改、诱导算力资源向防御能力弱的节点倾斜，可能导致核心生产任务因网络拥塞、算力不足而中断。其二，AI模型的传导风险。IAI依赖ICNC传输的工业数据开展推理，若算网数据在传输中被污染，会导致AI模型输出错误决策，会通过ICNC快速传导至全生产链路。其三，内生安全机制风险。ICNC的流量隔离安全策略可能和IAI的模型的参数同步需求可能冲突，ICNC过度隔离会阻断模型迭代，放松隔离可能暴露ICNC核心节点，形成安全灰色地带。其四，工业机理与AI黑箱的安全矛盾。IAI深度学习模型的决策逻辑不可解释，会弱化工业场景对可追溯、可验证的安全要求，当IAI自主调整ICNC参数引发生产异常时，难以快速判别是算法缺陷还是算网攻击。

2.1.4  标准处于起步阶段

国际标准方面，目前暂无专门面向ICNC-IAI融合的独立标准，但ITU-T、ISO/IEC、IETF等组织已在AI与通信融合、IAI应用风险等领域布局相关基础标准与融合框架。

国内标准方面，ICNC-IAI融合的相关标准分散在多个标准体系中，其中《国家智能制造标准体系建设指南（2024）》提出推动工业领域大模型预训练、微调、推理、集成、部署等环节技术要求，大模型性能测试与评估要求，生成内容评价与管理要求等工业大模型标准研制。在智能制造标准体系结构图的关键技术中包含工业网络技术、智能赋能技术，后者包含边缘计算、AI，提出要加快制定AI工业应用、工业网络融合等标准[8]。

在行业标准层面，中国通信标准化协会（China Communications Standards Association，CCSA）以通信运营商为主导，已发布多项通用算力网络的行业标准，面向ICNC和IAI结合的标准相对较少。在工业互联网面向应用的确定性（Application-Oriented Determinacy，AOD）方向，CCSA已立项部分行业标准，但缺乏融合类互操作标准。CCSA发布的AI相关行业标准，主要面向智算中心和安全治理。工业和信息化部人工智能标准化技术委员会正在编制智算集群大模型训练和推理、异构智算系统资源池方向的行业标准。

2.2  融合技术架构和关键技术

2.2.1  体系架构

基于ICNC-IAI融合的发展现状和问题，ICNC-IAI融合发展需要建设统一完善的融合体系架构，其融合体系架构如图2所示。

图2   ICNC-IAI融合体系架构

融合体系架构主要从技术体系分层、安全和标准3个维度构建。技术体系分为五层，从底层硬件终端到上层服务应用的“基础—资源—管控—应用”的递进关系，各层间通过数据、能力的双向流转实现协同。充分发挥IAI全方位安全态势感知能力，开展综合审计、优化安全策略，为两者融合发挥风险阻断、合规保障作用。需要制定多层次的技术标准，为技术融合和生态融合发挥底层基石、协同纽带、发展标尺的积极作用。

其中，ICNC-IAI融合的4个关键技术如下：面向应用的确定性技术是ICNC和IAI资源调度和业务协同的关键支撑；工业大小模型协同技术形成了核心能力；分布式模型加速技术提供了跨云边端的高效运行机制，显著提升模型训练和推理效率，优化资源利用率与成本效益；工业具身智能技术增强了ICNC-IAI向工业现场延伸的能力，为ICNC技术迭代与场景拓展提供需求牵引并推动IAI从辅助认知走向自主执行，从而推动工业向高阶智能制造迈进。

2.2.2  面向应用的确定性技术

面向应用的确定性技术是一种管理工业应用协同过程确定性的技术，该技术协调工业应用的通信过程与计算过程，使得应用执行过程的时延、抖动、带宽等指标具有确定的极限值[9]。可把工业应用分解成通信、算力、时序、逻辑组成的并行工作流，从而把面向应用的确定性技术架构分为确定性通信、确定性算力、确定性时序、确定性逻辑。

确定性通信采用时间敏感网络（Time-Sensitive Networking，TSN）、实时网络操作系统（Real-Time Operating System，RTOS）、优化后的边缘实时计算网关。确定性算力可采用算力虚拟化技术，可在端侧部署算力，尽量降低云边端协同时间，可通过把单个GPU划分成多个独立的小实例（如英伟达GPU的多实例GPU功能），在多个计算任务输入后，能够采用调度器决定执行顺序，优先把算力分配给优先级高的算力。面向IAI的任务顺序执行，AOD建立一套确定性时序、确定性逻辑的管控系统，在统一工业信息模型的基础之上和用户对接，通过模型优化、预测、控制流程，开展确定性服务管理。

面向应用的确定性技术将有力支撑工业大模型的部署与应用，联邦学习、场景大模型、智能体等技术在工业领域的应用推广[9-10]，促进ICNC资源与工业大模型开销实现双向适配[11]。

2.2.3  工业大小模型协同技术

工业大小模型协同技术适配工业场景算力受限、任务繁杂、数据隐私性要求高等特点，整合大模型通用复杂推理能力与小模型的轻量化、执行高效优势[12]。工业大小模型协同技术是IAI的核心技术分支，是解决IAI全局优化与实时执行矛盾的关键路径，推动IAI从单点应用向全链路智能推进，通常包括4种主流机制。

一是大模型增强小模型。通过知识蒸馏，把云端工业大模型积累的行业知识迁移到边缘侧小模型，让小模型在算力有限设备上也能完成高精度任务；借助大模型生成工业场景下的高质量标注数据，解决小模型训练数据不足的问题，提升其在质检、运维等场景的性能。

二是小模型增强大模型。小模型可先对数据筛选、清洗和重构，提升大模型预训练数据质量；同时小模型能作为专项工具拓展大模型能力，例如用小模型处理工业传感器的实时时序数据，再将特征结果传输给大模型，辅助其完成设备故障溯源等复杂推理。

三是管道协作模式。该模式按照工业任务流程顺序进行分工，小模型负责前端的基础处理工作，而大模型则承接后端的复杂运算任务。

四是混合路由协作模式。该模式通过动态路由策略来分配任务。对于简单的参数异常识别任务，由小模型进行快速响应；而对于涉及多参数关联的复杂故障诊断任务，则将其路由至大模型进行处理。

ICNC作为连接工业大模型和小模型的核心基础设施与协同调度中枢，通过算力弹性分配、数据高效流转、任务智能调度，有效解决了工业大小模型在供需匹配、“数据孤岛”以及场景适配性方面存在的问题，推动了两者从孤立运行向协同赋能的转变，并引领了IAI新范式。

2.2.4  分布式模型加速技术

模型加速技术是一种模型训练优化技术[13]，分为模型训练加速和推理加速两部分。分布式模型加速技术是指通过多点算力协同、任务拆分与并行执行，结合ICNC优化策略，降低模型训练、推理的时间成本与资源消耗的技术体系[14-15]。

在模型训练阶段，因为工业数据具有海量、异构、高维的特点，可利用ICNC的云端集群算力，大幅缩短训练周期。当工业大模型参数量过大时，单节点无法容纳时，需要模型并行，即将模型的不同层拆分到不同节点，每个节点仅负责部分模型计算，造成节点间通信频繁，需要ICNC提供低延迟、高带宽的网络。

在模型部署阶段，ICNC的云边端协同架构，可支持推理任务分片技术，即把大规模推理任务拆分为多个子任务，分配到边缘节点集群并行推理，云端负责结果汇总与全局决策；ICNC的低延迟传输能力，可避免模型分片传输导致的推理延迟增加；在负载均衡推理中，ICNC的调度系统实时监控各推理节点的负载状态，将新的推理请求动态分配到负载较低的节点，避免部分节点过载、部分节点闲置，提升集群整体推理吞吐量。

ICNC为分布式模型加速技术提供了算力资源池化、网络优化保障、动态调度适配能力。ICNC通过将云边端算力整合为统一资源池，为分布式模型加速提供了充足的异构算力支持；ICNC通过确定性网络、边缘缓存、流量调度技术，降低了节点间通信延迟与带宽占用，解决了分布式模型加速的“通信瓶颈”问题；ICNC及时监测工业场景产线峰值、设备告警等实时需求，动态调整分布式节点数量与任务分配策略，实现了弹性加速。

2.2.5  工业具身智能技术

工业具身智能技术分为工业人形机器人技术和工业智能体技术两部分。

ICNC为工业人形机器人提供算力、网络等底层运行保障，在视觉、力控、触觉、语音、运动感知等融合多模态方面，ICNC提供云边端算力协同、亚毫秒级确定性传输、多模态数据实时融合、高可靠安全隔离、智网算能编排与多级协同调度，以支撑精密装配、动态作业与群体协作，适配工业柔性生产与安全合规要求。

工业人形机器人的通信系统需要和ICNC之间实现信息交换、远程控制和多设备协作[16]。在工业人形机器人规模化开发时，需要ICNC算力调度和网络协同能力。ICNC通过边缘计算节点实时处理摄像头、激光雷达等传感器采集图像，在机器人导航时确保精准高效的环境感知与定位。ICNC通过“边缘算力+轻量化5G专网”的协同模式，可实现路径规划指令的毫秒级响应，支撑路径实时规划调整和动态避障，使工业人形机器人在人机混合场景中安全运行。ICNC借助网络切片技术，为不同机器人的导航指令划分专属虚拟网络，保障关键调度指令优先传输；同时通过IEEE1588精密时间协议实现微秒级时间同步，助力多机器人协同调度[17]。

工业智能体是指IAI构建的自动化实体，可以感知和响应工业环境，实现对研发、生产、供应、销售、服务等环节的智能化控制执行，提升工业系统的工作效率、质量安全与柔性[18]。工业智能体组网技术是ICNC技术体系的基础环节，支撑多个工业智能体实现分布式协同、数据互通与群体决策，构建云边端协同的智能网络，适配柔性生产、设备协同等复杂工业需求[19]。具体包括无线组网（5G/5G-A/Wi-Fi/Mesh/Adhoc/UWB）、有线组网（工业以太网/光纤）、混合组网技术、异构智能体适配技术、分布式协同调度技术等。

3  ICNC-IAI融合发展趋势

未来，在政策标准赋能、数字化转型刚性需求、技术演进内生动力、产业升级价值牵引等的驱动下，ICNC-IAI融合未来将围绕技术深化、应用拓展、生态完善等多维度取得突破。

（1）算网调度和模型适配走向智能化、自主化

通过优化网络传输协议，适配大模型训练所需的多模态数据传输。工业大小模型协同架构会逐渐普及，ICNC可为设备图片分析、工控代码生成等多模态场景提供专用算力通道和数据传输保障。

未来ICNC会借助AI算法实现算网资源自主感知、动态调度与自我优化。基于IPv6的分段路由（Segment Routing over IPv6，SRV6）协议创新路由机制，结合“算力+网络”多因子算法，实时采集算力负载、网络带宽、业务需求等数据，自动为IAI任务匹配最优算力节点和传输路径。同时，ICNC数字孪生技术会广泛应用，构建虚实交互的算网管理平台，提前预判资源瓶颈，为模型部署提供模拟优化方案，降低实际部署风险。

（2）从单点场景向全产业链深度渗透，支撑工业绿色转型

工业应用将从单一的设备质检、故障预警，拓展至平台化设计、智能化制造、网络化协同、个性化定制、服务化延伸、数字化管理、精细化投融、可视化治理等工业全链条。随着融合技术成熟，高度无人化与自主化的工业生产逐渐普及，例如云原生计算机辅助设计平台结合算网的云端大规模算力，快速完成产品设计与仿真，缩短研发周期；模型驱动的工业机器人依托边缘算力节点实现精密操作；工业智能体通过算网汇聚上下游数据，实现库存优化和订单精准预测；人形机器人之间、人形机器人与控制系统间可完成自动指令实时交互。

融合发展会成为工业绿色转型的重要支撑。一方面，IAI可通过算网采集全流程能耗数据，建立能耗优化模型，精准调控生产设备运行参数，降低单位产品能耗的同时，提升生产效率；另一方面，ICNC会引入绿色算力调度策略，优先为IAI任务分配风电、光伏等清洁能源支撑的算力资源，同时通过动态调节算力节点运行状态，避免算力浪费，推动工业领域的节能降碳。

重点行业将规模化落地，钢铁、化工、能源、矿山等流程型、重资产行业将成为融合应用的核心阵地。这些行业的成功案例会逐步复制推广，推动融合应用规模化。

（3）标准体系逐渐完善，开源协同成主流

ICNC-IAI融合标准将加速落地，推动形成行业通用规范，降低企业融合部署成本。目前融合发展中数据格式不统一、接口不兼容等问题将逐步解决。国内外组织与企业推进算网一体标准制定，比如统一算力资源标识、算力度量标准，以及IAI模型与算网对接的接口规范。

开源平台与数据共享将成为趋势。为降低IAI模型研发和算网部署门槛，行业会涌现更多开源生态。例如高质量工业语料库会不断增多，基础大模型向工业领域开源共享将成为常态，助力中小企业快速接入融合体系，推动创新活力集体释放。

强化跨领域生态协同。企业间的合作将从单一设备或平台合作，升级为“算力-算法-场景”的生态协同。大型双跨平台会进一步整合异构算力资源和各类工业模型算法，连接更多工业设备和企业。同时，信息通信技术企业、工业制造企业、科研机构会深度合作，联合攻克技术难题，形成优势互补的产业生态。

4  ICNC-IAI融合发展建议

为推动ICNC与IAI的高效融合，需从技术突破、政策引导、生态构建等多维度协同发力，既解决当前适配性不足、成本高昂、人才短缺等痛点，又为长期规模化发展奠定坚实基础。

（1）强化引导扶持，降低融合落地门槛

推进区域与产业链协同试点，促进跨区域数据流通。搭建普惠化公共服务平台，打造高价值工业语料库和多模态数据集。鼓励链主企业开放模型算法库，联合科技企业搭建区域性模型训练平台。

（2）攻坚技术短板，构建一体化协同底座

优化面向分布式学习和协同推理的云边端协同调度机制，统筹布局高性能数据中心与边缘计算节点。鼓励建设算网调度开源工具平台，研发算网智能调度算法。支持基础工业大模型开源共享，依托本地大模型推理实现数据边端自治。推进工业数据共享，平衡数据安全与处理效率，实现跨企业数据协同训练。

（3）完善标准体系，培养交叉人才

推动行业协会、龙头企业共同制定相关融合标准。推动国内与国际标准接轨，解决不同厂商设备、平台兼容性。推动产教融合实践中心建设，开展产业培训和评价。鼓励企业与院校共建实训基地、开展企业员工多技能培训，弥补目前交叉复合型人才缺口。

5  结束语

ICNC与IAI的深度融合，是驱动制造业数字化转型、实现高质量发展，并充分释放技术赋能效能的核心推进力。本文通过梳理二者融合的发展现状，剖析了供需不匹配、技术流程机制融合不深、系统安全存在隐患、标准研制处于起步阶段等问题，同时展望了技术、应用、生态等方面的未来发展趋势并从引导扶持、技术攻坚、生态构建3个维度提出针对性建议。随着技术创新的持续突破与生态协同的不断深化，融合发展将逐步破解当前瓶颈，为工业领域带来生产效率提升、能耗降低、自主化水平提高等多重价值，助力我国工业体系向智能化、绿色化、融合化方向迈进。未来，我国需进一步强化跨领域协同创新，加速标准落地与人才培养，让融合技术更好地服务于实体经济，释放更大的产业潜能，为全球工业数字化转型贡献中国方案。

Research on the development status and trends of the industrial computing and network convergence industrial artificial intelligence

CHEN Xin1, ZHANG Hengsheng2, FU Tao2, LI Guo1

（1. Potevio Information Engineering & Service Co., Ltd., Beijing 100088, China;

2. Technology and Standards Research Institute, China Academy of Information and Communications Technology, Beijing 100191, China）

Abstract: At present, the integration of Industrial Computing and Network Convergences and industrial artificial intelligence still faces such challenges as poor versatility of solutions, which leads to high investment and difficulties in promotion and application. Most integrations are still at the system adaptation stage, and the lack of deep integration with business processes and management control mechanisms leads to fragmented management and insufficient collaboration. By examining the current state of technological convergence, this paper analyzes the problems of the mismatch between supply and demand, insufficient depth of integration, potential risks in system security and the standard development is still in the initial stage. Meanwhile, this paper looks forward to the future development trends in terms of technology, application and ecology, and puts forward targeted suggestions from three dimensions: technological tackling, guidance and support, and ecological construction. With continuous breakthroughs in technological innovation and deepening ecological synergy, integrated development will gradually overcome current bottlenecks, delivering multiple benefits to the industrial sector—significant improvements in production efficiency, substantial reductions in energy consumption, and marked enhancements in self-reliance. This will propel China’s industrial system toward smarter, greener, and more integrated.

Keywords: industrial computing and network convergence; industrial artificial intelligence; integration

来源：《信息通信技术与政策》2026年 第01期

欢迎报名！“联盟货架” 征集工作正式启动

聚力协同发展 | 中国质量认证中心有限公司南京分公司正式加入联盟，成为副理事长单位

2026-06-17

携手共建产业生态 | 紫光恒越正式升级联盟副理事长单位

2026-06-18

| 往期回顾

AI4E如何重构数字生态系统网络发展范式？

资料下载 | 十五五规划建议全文及说明

《科技日报》整版访谈邬江兴院士：将“安全基因”植入人工智能系统

里程碑时刻：智己LS9 Hyper搭载原创内生安全技术

Gartner：2026年网络安全八大趋势

“十五五”时期如何一体推进教育科技人才发展

---

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：内生安全联盟 《深度丨工业算网和工业人工智能融合发展现状与趋势研究》