社会化生产在经历了“蒸汽时代”、“电气时代”和“信息时代”后，企业管理实践的长期发展让现代企业具有了企业资源计划系统（ERP）、产品生命周期管理（PLM）、供应链管理（SCM）等一系列的生产管理工具和方法，人们终于可以在信息时代的自动化工厂蓝图上更进一步，创造出“智能工厂”。
任何一次大型的技术进步都是为了更好地满足社会需求。在传统工厂面前，消费者行为改变、产品周期缩短、供应链风险增加、售后服务复杂化等都在威胁着企业的经营。这让传统的制造业强国纷纷对“智能工厂”这一制造业发展的最新趋势表现出浓厚兴趣。在德国，智能工厂的发展直接被称为“工业4.0”，巴斯夫、宝马、博世、戴姆勒、SAP、西门子等著名的德国企业纷纷投入顶尖研发资源于其中。美国的通用电气也投入了大量人力物力致力于将机器分析、行业洞察、自动化和商业预测结合起来，打造全新的工业互联网的商业实验。
作为世界工厂，中国对于制造业的前沿发展一直保持着警醒的态度，很多国内的优秀企业也都提出了智能工厂的建设目标，甚至有些企业已经开始尝试去建设自己的智能工厂。但在技术方面仍有几大鸿沟亟待这些中国企业去逾越。
首当其冲的是信息的收集和分析体系。对于智能工厂来说，其核心要求之一是要实现信息流、物资流和管理流合一。而这样的雄心需要强大的数据收集和分析体系去支持。德国一家世界领先的制造业企业曾表示，在全面建设智能工厂之前必须回答两个问题：一，产品从设计到生产到售后服务，哪些数据需要收集；二，如何设计一套数据分析体系使得这些被收集上来的数据可以有效地支持工厂的经营和决策。
对于中国企业来说，长期处于产业链的低端环节使得其在信息的收集和分析能力上有所欠缺，很多中国企业连工厂的管理通报都并不完备，即使是行业的领军企业，也在前几年才消灭了企业内部的信息孤岛，建成了企业内部统一的信息管理体系。但是距离全面、有效地管理信息，综合使用信息还有相当的差距，更何况智能工厂对于信息的创造性使用提出了新的要求。
其次，智能工厂涉及多个层面和技术领域，智能生产过程中的生产决策、供应链优化问题等的解决需要借助仿真系统来解决。随着ISA95[8]标准的推广，其中对企业－控制系统集成模型的层次定义对工厂仿真模型的定义产生了巨大的影响。宏观的仿真模型如ＥＲＰ层的供应链模型，微观的仿真模型如PCS层的装置生产过程模型。PCS层、PCS层、PCS层的模型抽象构建过程对于工厂生产运行情况的分析研究是非常重要的。由于不同层次模型和建模方式的多样性，研究者在研究流程工业中某一特定问题时需要对工厂中的每个对象独立建立工厂仿真模型，这样这不仅会导致开发周期长，而且由于建模人员需要根据自己建立的模型管理数据，会导致模型和数据的针对性和抛弃性，建模和仿真过程中大量的手工配置操作给工作带来很大不便，最终导致模型重用率低和扩展性差。
最重要的挑战是无处不在的快速互联网基础设施，以及网络-物理系统的标准界面。对于制造平台的大数据应用，我们需要安全与保护，这样，行业内的人们才会信任这种与工业互联网连接的新型联网技术，才会有更多的企业加入智能工厂的开发和使用。
智能工厂既是一项系统工程，同时也是一家制造业企业需要去逐步建设的能力。对不同行业、不同外部市场竞争格局、不同发展阶段和不同企业能力的企业来说，其建设智能工厂的重点和着手点也不尽相同，中国制造业的产业升级虽然紧迫，但切忌盲目，根据自身情况有的放矢、循序渐进才是通向智能工厂的大道。