在三菱电机 Factory Automation EMEA 近期举办的《 Key Manufacturing Trends for 2026 》访谈中， Interact Analysis 首席研究官 Tim Dawson 与三菱电机的 Piotr Siwek 围绕 2026 年制造业趋势展开讨论，本文为此次访谈的部分观点总结。

一、数字孪生的价值

不在展示，而在工程决策

展望 2026 年，制造业企业面对的挑战并不会减少。劳动力短缺、技术迭代加快、网络安全风险上升、可持续发展压力加大，以及 AI 、数字孪生、机器人等技术快速演进，都在推动制造企业重新思考自动化和数字化投资的优先级。

数字孪生是其中一个关键方向。但从制造和自动化的角度看，数字孪生不应被理解为单纯的 IT 概念，也不只是用于展示工厂或产线的可视化工具。它更应该被看作工程能力的延伸，真正价值在于支持设计、调试和运行，帮助工程师提前识别风险，减少昂贵返工。

在设备真正采购和安装之前，企业可以通过数字孪生进行“ what-if ”验证，比较不同方案的效果。一些 PLC 程序也可以先在虚拟机器上运行，用来测试控制策略、运动轨迹和工艺行为。这样一来，数字孪生不仅是技术资产，也可以成为培训新员工、传承专家经验的人力资本工具。

但数字孪生的落地必须务实。如果模型过于复杂、维护成本过高，工业现场就很难持续使用。真正能在 2026 年继续扩大应用的数字孪生，将是那些可以融入现有工程流程、支持真实决策的系统，而不是停留在演示层面的仿真工具。

二、工业网络安全

不只是防停机，更是保信任

随着 IT 与 OT 加速融合，制造企业面临的网络安全风险正在发生变化。过去，工业网络安全更多关注如何避免机器停机；现在，更大的风险可能是控制权和信任的丧失。

被篡改的控制逻辑或模型，未必会让系统立刻停下来，却可能让设备以不可预测的方式继续运行。在某些场景下，这比停机更加危险。因此，网络安全不再只是保护数据和网络，而是要保护工厂的运营完整性。

制造企业需要清楚回答几个问题：谁可以修改控制系统？在什么条件下修改？修改过程是否可追溯？供应链伙伴、系统集成商和内部人员各自拥有怎样的访问权限？

网络安全工具就像保护资产的锁。许多工厂已经拥有这些锁，但并不一定真正装好、维护好、用好。在推进更复杂的安全体系之前，企业首先要确认基础保护是否到位。未来，网络安全会越来越像工厂信任体系的一部分，而不仅是一个成本中心。

尤其当 AI 系统开始影响工厂现场决策时，数字资产安全会变得更加关键。如果企业不能识别并保护这些数字资产，就无法真正保护自己的生产系统。

三、可持续制造

不能只谈能源，也要谈劳动力

可持续制造通常会让人首先想到能源效率、排放、法规和绿色生产。但在制造业现场，劳动力短缺同样是可持续发展的一部分。

人口老龄化、年轻人对重复性或危险制造岗位意愿下降，以及岗位需求和员工技能之间的结构性错配，都在持续影响制造企业。随着技术迭代加快，企业需要的不只是更多劳动力，而是更适合新型制造系统的人才能力。

技术可以在一定程度上缓解这一问题。自动化设备、工业机器人和协作机器人可以减少对重复性基础岗位的依赖； AI 和数字工具可以提升吞吐量和执行效率，降低对少数高技能人员的过度依赖；标准化操作流程和可视化界面，则可以降低复杂设备的使用门槛，让一线人员更容易完成高价值工作。

与此同时，企业也需要通过内部培训、在线教育、灵活用工、跨区域协作和更清晰的职业发展路径，增强人才韧性。远程维护和远程诊断也是一个重要方向：经验丰富的工程师可以支持不同地点的工厂，帮助企业更高效地分配稀缺技能资源。

循环经济也是可持续制造的重要组成部分。真正的循环经济不是一句口号，而是要从源头控制、过程优化、产品寿命终点回收，以及数据驱动的透明管理等环节形成闭环。电池行业已经展示出较成熟的供应链协同模式，从原材料、电芯生产、电池组装，到废旧电池回收和材料再利用，形成了相对完整的循环体系。

但对更多行业而言，循环经济仍面临技术壁垒、前期投资成本和供应链协调难题。产品结构、材料组成、回收设施、再制造能力，以及上下游伙伴之间的协同，都决定了闭环能否真正建立。

四、未来十年

制造业技术路线会更加综合

面向未来十年，几类技术将共同推动制造业向更高水平演进。

首先是更强的 AI ，包括智能体 AI 、更有效的模型训练、更强的模型能力，以及多智能体协作。其次是更高精度、更实时的数字孪生，它会进一步缩小数字世界与物理世界之间的差距。第三是与机器人相关的 physical AI ，使机器人更易编程、更易训练，并在更多任务中表现得更加可靠。

下一代通信技术同样重要，包括 5G 、 6G ，以及更高速的工业网络和实时现场总线。对于高能耗行业而言，绿色氢能、固态电池、储能系统等新能源技术，也会在制造流程中扮演更重要的角色。与此同时，高性能复合材料、纳米材料和可降解材料等先进材料，将继续推动效率提升和可持续发展。

这些技术不会孤立发挥作用。真正的挑战在于如何把它们整合进生产系统，让技术服务于工程现实、运营目标和商业回报。

五、给制造业管理者的建议

先看清问题，再投入技术

在波动市场中，技术本身只是工具。制造企业真正需要的是战略判断：理解市场变化、客户需求、工作流瓶颈和终端用户挑战，然后再决定技术如何落地。

这也是“ IA before AI ”的真正含义。这里的 IA 可以理解为 Interact Analysis ，也可以理解为 strategic intelligence ，即战略情报。企业不应先被 AI 热潮牵着走，而应先用可靠的市场洞察过滤噪音，明确哪些问题值得解决，哪些投资能够产生真实回报。

企业也不应只收集机器数据，而要推动“知识数字化”：把工程师经验、失败教训和现场判断沉淀下来，让工厂成为一个会学习的系统。 AI 的价值不只是自动执行任务，而是帮助初级技术人员更快接近资深专家的判断能力。

ROI 仍然是所有转型绕不开的问题。与其押注一个试图解决所有问题的大项目，不如从小处开始，找到最关键的瓶颈，做更快见效的改进。例如，先在一个高价值工位应用 AI 或预测性维护，如果三个月内减少 10% 停机时间，这就是清晰的 ROI 。随后再用节省下来的资源推进下一步。

这与改善思想高度一致：从小处开始，持续优化。在技术快速变化的时代，制造业真正需要的不是盲目追新，而是在战略判断、数据质量、工程现实和生态合作之间找到平衡。 2026 年的竞争优势，不只来自某个产品或某项技术，而来自企业所在的整个生态系统，以及企业把知识转化为行动的能力。