附件 1 智能工厂梯度培育行动实施方案 智能工厂通过部署智能制造装备、工业软件和系统，推 动生产设备和信息系统互联互通，开展业务模式和企业形态 创新，实现产品全生命周期、生产制造全过程和供应链全环 节的综合优化和效率、效益全面提升。智能工厂作为实现智 能制造的主要载体，是制造业数字化转型智能化升级的主战 场，是发展新质生产力、建设现代化产业体系的重要支撑。 贯彻落实国务院办公厅印发的《制造业数字化转型行动方 贯彻落实国务院办公厅印发的《制造业数字化转型行动方 案》，按照《 “ ” 十四五 智能制造发展规划》任务部署，现决 定开展智能工厂梯度培育行动，特制定如下实施方案。 一、背景 “十四五”以来，工业和信息化部、国家发展改革委、财 政部、国务院国资委、市场监管总局等部门深入实施智能制 造工程，培育了一批高水平、标志性智能工厂，带动各地万 余家制造业企业开展数字化车间和智能工厂建设，试点工作 取得显著成效，具备了进行大规模技术推广的基础条件。 以新一代人工智能为代表的数智技术迅猛发展、实体经 济与数字经济加速融合、全球产业竞争日趋激烈、新型工业 化进程持续深入，智能制造亟须向更大范围拓展、更深程度 渗透、更高层次演进。 因此，有必要建立智能工厂梯度培育 1 体系，分层分级系统性、规模化推进智能工厂建设，带动形 成安全可控、系统完整的智能制造高水平供给体系，构建更 加完善的智能制造标准及评价体系，夯实我国制造业数字化 网络化基础，引领智能化变革。

强解 释性但泛化 能力 弱。 基于海量数据与 大规模预训练； 代表算法： DeepSeek 系列 Qwen 系列 GPT 系列 通过模型组合提升 预测精度； 代表算法： 随机森林 梯度提升决策树 神经网络 ) 深度学习机器学习人工智 能 4/37 在人工智能领域，数据、算力与算法构成发展基石——数据驱动模型训练，算力支撑复杂计算，算法优化 技术路径，三者协同推动人工智能向更高阶形态演进。 蒸馏模型知识 减少信息损失 知识空同映射 特征关系保留 梯度 精度 分析 的模 型量 化技 术 目 技 标 解决传统量化缺陷 保持模型性解 梯度精蜜分析量化 量化增量训练 边 缘 计 算 + 要素之一。 大模型轻量化流程 基于特征关系保留的知识蒸馏技术 基于梯度精度分析的模型量化技术 基于提出的基于特征关系保留的知识蒸馏技术与基于梯度精度分析的模型 量 化 技 术 ， 有 效 地 解 决 了 AI 大 模 型 模 型 参 数 高 、 推 理 复 杂 度 高 的 问 题 。 搜集每层梯度信息、估计量化敏感度 基于量化敏感度确定量化步长 使用确定的比例和级别进行量化

...................................... 20 （一）营商环境优化，进一步保障中小企业健康经营......................... 20 （二）梯度培育加速，进一步推动中小企业提质增效......................... 21 （三）数字技术赋能，进一步助力中小企业转型升级......................... 22 ，对稳住经 济增长大盘、保障社会发展大局发挥重要作用，并呈现出以下发展特点。 一是数量与质量双重提升，中小企业不断增强综合实力。2025 年，工 业和信息化部等有关部门多措并举，通过政策宣贯、梯度培育、“一站式” 服务等手段，推动中小企业高质量发展，取得积极成效。从量的方面看， 中小企业数量平稳增长。企查查数据显示，截至 2025 年 9 月，我国登记在 册的中小企业数量达 6348.7 利用数字化技术与工具实现单一业务数字化管理”。 从互联网大数据看中小企业发展（2025） 20 四、未来展望 中小企业由于规模较小、资金实力有限，往往面临着较大的经营风险。 未来，做好环境优化、梯度培育、技术驱动和扎实服务等保障措施，有助 于缓解中小企业的经营压力，降低其经营风险，为企业的稳定发展提供有 力支持，从而为促进实体经济高质量发展，夯实现代化经济体系建设根基， 推动我国经济持续回升向好提供助力。

的参数 CNN 人 t 是 LSTM 保留 RNN 的 隐 含层传递关系，加入 遗忘门、输入门和输 出门，解决 RNN 在 时间序列训练时的梯 度消失与梯度爆炸 L Q saly M⁹ 简化结构，模型 参数更少，训练 速度更快 2017 Vaswani 等在论文《 Attention Is All You Need 》中提出 2014 和 Caglar Gulcehre 等提出 1997 Sepp Hochreiter 和 Jürgen Schmidhuber 提出 an 引入了自注意 力机制，提高 处理效率 解决梯度消失 问 题，可以处理更长 序列的数据 脱 磨 1989 Yann LeCun 等人 在 贝尔实验室开发 - an k- u LSTM i 卤 BP 网络 时间 1 6

实施一批“智改数转网联”改造项目，推进老旧设备更新和“哑” 7 设备改造，支持企业实施软硬一体化改造，推动生产设备和信 息系统全面互联互通，促进数字化集成应用创新，提升企业数 字化精益管理水平。开展智能工厂梯度培育行动，支持数字化 基础较好的企业围绕数字化研发设计、产线柔性配置、智能仓 储、设备运维、供应链弹性管控等典型场景开展智能化升级， 加快人工智能等数智技术融合应用，探索未来制造模式，推动 为企业转型提供 参考。实施中小企业数字化赋能专项行动，支持企业结合自身 需求实施设备自动化改造、数据采集、上云上平台等投入少、 见效快的数字化“微改造”，夯实数字化基础。 专栏 2 智能工厂梯度培育工程 01 基础级智能工厂 开展数字化网络化基础能力建设，围绕智能制造典型场景部署必要 的智能制造装备、工业软件和系统，实现核心数据实时采集、关键生产 工序自动化、生产与经营管理信息化，开展点状智能化探索。 强化数字化网络化持续优化能力，面向智能制造典型场景体系化部 署智能制造装备、工业软件和系统，实现设计生产经营数据集成贯通、 制造装备智能管控、生产过程在线优化，开展产品全生命周期和供应链 8 专栏 2 智能工厂梯度培育工程 全环节的综合优化，推动多场景系统级智能化应用。 04 领航级智能工厂 推动新一代人工智能等数智技术与制造全过程的深度融合，实现装 备、工艺、软件和系统的研发与应用突破，推动研发范式、生产方式、

国家级专精特新 “小巨人”企业 省市级专精特新 中小企业 省市级创新型 中小企业 1.1 专精特新 “百十万千”梯队基本已建成 1 出自工信部《制造业单项冠军企业认定管理办法》和《优质中小企业梯度培育管理暂行办法》。2“专精特新中小企业”和“创新型中小企业”评选为打分制，为实现四个层级拉通比较，根据公开资料作了一定的归纳总结。 “专精特新”企业分为四个梯队，第一梯队为国家级制造业单项冠军企 2018 开始培育认定专精 特新“小巨人” 工信部《关于开展专精特 新 “小巨人” 企业培育工 作的通知》 2021 中央政治局会议 首次将专精特新 上升至国家层面 明确构建“百十万 千”梯度培育体系 多部委《“十四五” 促进中 小企业发展规划》 融资渠道、财税倾斜、资源对接、创 新扶持等多维度助力专精特新 2021年国务院《为专精特新中小企业办实事清单》 10个方面31项举措 2021年开设专门服务创新型中小企业的北交所 阶段，呈现出“金字塔”型结构绝大多数小巨人企业持有 10-50件 有效专利， 占比高达 55.3%。持有 50-100件 的企业占 23.6%。 1.76万家国家级专精特新“小巨人”企业专利总量梯度 0.7% 16.5% 34.3% 45.1% 2.7% 0.7% 0.0% [0,10) [10,50) [50,100) [100,500) [500,1000) [1000

以上代表性工作验证了在交换芯片中执行聚合类操作的可行性。 • 资源管理优化：华为提出了 NetReduce [254]，复用 RoCE 控制 面以降低交换机协同开销；中科大提出 GOAT[255] 通过跨交换 机的梯度分区提升内存与带宽利用率 ；清华大学的研究 INAl- loc [256] 和香港科技大学的研究 DSA [257] 通过动态和抢占式内 存管理提升资源效率。以上代表性工作缓解交换芯片内存受限、 术可行性验证：iSwitch [250] 采用 FPGA 构建可编程数据平面，将聚合能力拓展至强化学习等细粒度场景， 展现了在网计算的潜力；SwitchML [251] 在可编程交换机流水线中实现梯度累加，证明了无需修改主机 协议栈即可显著降低网络负载与延迟；ATP [252] 面向多租户环境，通过片段化内存共享与基于 ACK 的 反馈机制，首次系统化验证了复杂集群环境下在网聚合的可行性与效能。产业界也正在推进规模化落地， 统鲁棒性提升。NetReduce [254] 通过将聚合操作与 RoCE 协议深度集成，复用现有网络的可靠传输机制，降低了对交换芯片协议处理能力的要求。GOAT [255] 设 计了多交换机间的梯度分区与调度策略，在异步到达场景下实现负载均衡与内存协同，提升了跨设备聚 合效率。针对内存资源利用，INAlloc [256] 将交换机内存抽象为可动态分配的资源池，并引入一致性更 新协议以支持任务运行中的平滑迁移；DSA

Convolution,FFC）模块增强频域建模，结合跨阶段特征 融合策略，在航拍图像重建中平衡了清晰度与细节恢复能力。各向异性滤波与 GAN 结合 xxx -20- 的双阶段框架[48]，通过自适应梯度阈值区分边缘与平滑区域，经扩散滤波抑制噪声后，由 生成器学习细节增强映射，使电力巡检红外图像绝缘子边缘清晰度提升 27%。面向摄影测 量的深度学习方法[49]在特征提取阶段融入相机内参约束，通过投影一致性损失优化深度估 的帧对齐与特征拼接实现多帧 信息融合，虽在计算效率上有优势，但对复杂运动场景的处理能力有限[53] [54]。在此基础上， 多尺度特征残差学习网络[55]进一步优化，通过构建残差连接缓解深层网络梯度消失问题， 同时采用多分支架构提取不同尺度的特征映射，使动态场景的超分结果在保留整体结构的同 时，强化了纹理细节的时间一致性，有效减少了帧间跳变。 视频超分辨率的核心挑战在于高效利用时空信息，其技术演进围绕运动估计精度与计算 Retinex 算法，其根据成像原理，消除了反射分量的 影响，达到了图像增强去雾的效果；直方图均衡化算法使图像的像素分布更加均匀，放大了 图像的细节；偏微分方程算法则是将图像视作一个偏微分方程，通过计算梯度场提高对比度。 这类通用型算法尽管具有较广的适用性，但由于缺乏对图像退化机理的深入分析，在实施过 程中易导致细节信息损失或出现增强过度的现象，因而其实际应用逐渐减少。 相较而言，基于图像复原的

因子合成：通过对抗生成网络（GAN）模拟市场环境变化， 生成具有鲁棒性的合成因子  跨市场关联分析：利用图神经网络（GNN）挖掘不同资产间 的非线性传导关系 预测模型构建 监督学习模型在收益率预测方面展现显著优势。梯度提升树 （XGBoost/LightGBM）与深度神经网络的混合架构可同时处理结 构化数据（如价量指标）与非结构化数据（如新闻情绪）。实证研 究表明，集成模型的年化预测准确率较传统统计方法提升 异构计算架构：使用 Kubernetes 编排 CPU/GPU 混合计算资 源  低延迟数据管道：Apache Kafka 实现微秒级事件流处理  风控沙箱：在 PyTorch 框架中集成梯度截断和异常检测模块 实际运营数据显示，AI 量化交易系统在 2023 年美股市场的订 单流预测准确率达到 68.7%，较传统方法提升 22.4 个百分点。但 需注意其存在模型漂移风险，建议采用集成学习方法组合 趋势跟踪或均值回 归）明确模型类型，通常包括监督学习模型 （LSTM、Transformer）、强化学习模型（PPO、DQN）以及集 成方法（XGBoost、LightGBM）。对于低频策略，梯度提升树因 其特征重要性解释性强且训练效率高而成为首选；高频场景则需采 用时序模型，例如通过 LSTM 捕捉市场状态记忆性或使用 Transformer 处理多品种协整关系。 数据适应性是模型设计的关键约束条件。若输入为异构数据

固定资产贷款：应用 抵押物价值折算法 ，对机器设备类抵押 物设置 45%-60%的折现系数 3. 供应链金融：基于核心企业信用传导模型，对 1-3 级供应商设 置 10%-25%的额度衰减梯度 贷后风险预警场景 建立 120 天动态监测机制，当触发以下任一阈值时自动生成预警工 单：  账户资金流水异常：单日流出超过日均值 200% 且持续 3 天  工商信息变更：主要股东/ 训练参数配置采用自适应优化策略，关键超参数设置如下： 参数类别 初始值范围 动态调整机制 参数类别 初始值范围 动态调整机制 学习率 0.01-0.05 余弦退火调度 批量大小 512-2048 梯度累积补偿 正则化系数 1e-4-1e-3 验证集 Loss 监控 早停轮数 10-15 epoch 滑动窗口准确率判定 模型验证采用时间序列交叉验证（TimeSeriesSplit） 低风险客户误拒率（FPR@Bottom20%） 3. 模型稳定性指数（PSI<0.1） 4. 决策一致性（跨周期预测差异<15%） 训练过程实施三重监控机制：实时跟踪 GPU 内存利用率、梯度 消失/ 爆炸预警、特征重要性漂移检测。模型版本管理采用 Git-LFS 扩展，每个迭代版本保存完整训练日志、参数快照和验证报告，支 持快速回滚至任意历史版本。最终部署包包含 ONNX