工業(yè)AI的競爭邏輯，正在發(fā)生根本變化。

不再是誰擁有最大的通用模型，而是誰能夠把模型嵌進(jìn)工藝、嵌進(jìn)設(shè)備、嵌進(jìn)供應(yīng)鏈；不再是誰做出單點最優(yōu)解，而是誰能夠把一個行業(yè)中反復(fù)出現(xiàn)的問題，抽象成可復(fù)制的模塊，并通過產(chǎn)業(yè)網(wǎng)絡(luò)快速放大。

作者|斗斗

編輯|皮爺

出品|產(chǎn)業(yè)家

過去兩年，AI在現(xiàn)實世界里的擴(kuò)散速度，遠(yuǎn)比多數(shù)人預(yù)想得更快。

從辦公協(xié)同、內(nèi)容生成，到營銷投放、客服運營，大模型幾乎在很短時間內(nèi)，就完成了從“新工具”到“新基礎(chǔ)設(shè)施”的躍遷。越來越多企業(yè)開始意識到，AI不再只是一個可選項，而是在重寫組織運行方式的新變量。

但當(dāng)同樣的技術(shù)被真正帶進(jìn)工廠，情況卻明顯變了。

它沒有像在通用場景中那樣一路狂飆，反而在進(jìn)入制造體系后迅速減速。發(fā)布會上的進(jìn)廠、落地、上產(chǎn)線越來越多，真實生產(chǎn)主流程里的規(guī)?；黄?，卻遲遲沒有出現(xiàn)。

這種反差，在2026年被進(jìn)一步放大。

今年1月，工業(yè)和信息化部等八部門聯(lián)合印發(fā)《“人工智能+制造”專項行動實施意見》，明確提出，到2027年，要推動3—5個通用大模型在制造業(yè)深度應(yīng)用，形成1000個高水平工業(yè)智能體、100個工業(yè)領(lǐng)域高質(zhì)量數(shù)據(jù)集，并推廣500個典型應(yīng)用場景。

一個信號已經(jīng)很清楚：工業(yè)AI，正在被推向必須加速兌現(xiàn)的階段。

但問題也隨之而來。

當(dāng)政策、資本與技術(shù)同時加碼，一個更現(xiàn)實的疑問開始浮出水面，那就是工業(yè)AI，真的已經(jīng)準(zhǔn)備好進(jìn)入規(guī)模化了嗎？還是仍停留在被反復(fù)放大的局部成功？更進(jìn)一步看，絕大多數(shù)項目，又到底卡在了哪里？而那些真正跑進(jìn)產(chǎn)線的AI，又做對了什么？

一、繁榮背后，AI的“點狀式”落地困局

一個事實是，從“有沒有用AI”這個維度來看，工業(yè)領(lǐng)域的滲透速度，并不慢。

一項調(diào)研數(shù)據(jù)顯示，全球約70%的制造企業(yè)，已經(jīng)在某種程度上引入AI，用于生產(chǎn)、質(zhì)檢或供應(yīng)鏈等環(huán)節(jié)。在部分領(lǐng)先市場，這一比例還在持續(xù)提升，例如英國已有超過一半制造企業(yè)在工廠層面使用AI。同時，超過七成企業(yè)計劃在未來進(jìn)一步加大投入。

如果只看這些數(shù)據(jù)，很容易得出一個結(jié)論，那就是AI技術(shù)，正在快速落地工業(yè)領(lǐng)域。

而現(xiàn)實也確實給出了不少正面樣本。

在質(zhì)檢環(huán)節(jié)，AI視覺檢測已在汽車、電子、半導(dǎo)體等行業(yè)大規(guī)模應(yīng)用。例如，寶馬沈陽工廠將焊接缺陷識別率提升至99.98%，昭信裝備實現(xiàn)0.03mm級電感缺陷識別，良品誤判率從20%降至3%以下。

在生產(chǎn)調(diào)度上，AI同樣開始介入核心流程。

光束汽車通過“調(diào)度大腦”將物料齊套率提升至99.5%以上，施耐德電氣將設(shè)備利用率從65%提升至92%，特斯拉實現(xiàn)多車型混線生產(chǎn)，切換時間大幅縮短。

在設(shè)備運維側(cè)，預(yù)測性維護(hù)也逐步成熟。南鋁加工通過設(shè)備健康預(yù)測將非計劃停機(jī)降低20%，某汽車零部件廠提前72小時識別軸承磨損，每年節(jié)省運維成本超過200萬美元。

與此同時，技術(shù)供給側(cè)也在快速跟進(jìn)。華為盤古、百度文心、阿里通義、卡奧斯天智等工業(yè)大模型，已在排產(chǎn)優(yōu)化、工藝調(diào)整、故障預(yù)測等場景中落地。有數(shù)據(jù)顯示，部分輕量化工業(yè)模型部署成本已降至10萬元級別，最快3天即可上線。

表面上看，一切都在向工業(yè)AI真正落地逼近。

但如果把視角從是否部署，切換到是否真正進(jìn)入生產(chǎn)主流程，結(jié)論卻會發(fā)生明顯反轉(zhuǎn)。

要知道工業(yè)軟件是工業(yè)AI應(yīng)用的基礎(chǔ)，IDC數(shù)據(jù)顯示，2024年基礎(chǔ)工業(yè)軟件中應(yīng)用AI技術(shù)的占比為9%。麥肯錫最新研究也顯示，盡管全球已有88%的企業(yè)在不同程度上使用AI，但真正能夠?qū)崿F(xiàn)規(guī)?；⑥D(zhuǎn)化為利潤的，僅有約6%。

換句話說，“用了AI”，并不等于“用起來了”。

更進(jìn)一步看，在制造業(yè)內(nèi)部，這種分化更加明顯。麥肯錫《2025全球AI現(xiàn)狀調(diào)研》顯示，仍有47%的制造企業(yè)停留在試驗階段，31%處于單點試點，真正實現(xiàn)規(guī)?；涞氐?，僅約15%。而在代表下一階段方向的“生產(chǎn)制造智能體”上，實際采用率幾乎可以忽略不計。

這也解釋了一個看似矛盾的現(xiàn)象，即一邊是發(fā)布會、案例集里“全面進(jìn)廠”的敘事不斷升溫，另一邊卻是產(chǎn)線核心流程中，AI存在感依然有限。

事實上，問題不在于有沒有案例，而在于這些案例，很難被復(fù)制。目前的工業(yè)AI落地呈現(xiàn)出一種非常典型的結(jié)構(gòu)，那就是少數(shù)場景跑通，大量項目停滯；局部效率顯著提升，但整體系統(tǒng)并未重構(gòu)；個別工廠成功，卻難以跨產(chǎn)線、跨工廠復(fù)制。

總的來說，今天工業(yè)AI的繁榮，更像是一種“點狀繁榮”。

二、工業(yè)AI，卡在哪了？

工業(yè)AI落地到底被困在哪了？

如果把一條產(chǎn)線引入AI的全過程完整走一遍，會發(fā)現(xiàn)障礙并不集中在某一個環(huán)節(jié)，而是分布在每一個關(guān)鍵決策節(jié)點，并在推進(jìn)過程中不斷疊加，最終演變?yōu)橐惶捉Y(jié)構(gòu)性的落地困局。

工業(yè)領(lǐng)域落地AI的第一步，是確認(rèn)落地場景，這也往往是第一個卡點。

與通用企業(yè)可優(yōu)先切入客服、辦公等高容錯場景不同，工業(yè)現(xiàn)場對確定性和安全邊界極其敏感。企業(yè)愿意讓AI輔助觀察和判斷，卻很難交出決策權(quán)和控制權(quán)，這使得大多數(shù)工業(yè)AI項目，被限制在感知層和輔助層，難以進(jìn)入真正的執(zhí)行環(huán)節(jié)。

當(dāng)復(fù)雜場景難以推進(jìn)，企業(yè)往往退而選擇視覺檢測這類標(biāo)準(zhǔn)化切口。但新的問題也隨之出現(xiàn)，那就是投入產(chǎn)出比。在不少工廠中，為替代少量質(zhì)檢人力，往往需要數(shù)百萬級設(shè)備投入，同時模型對不同產(chǎn)線、不同產(chǎn)品的泛化能力有限，難以復(fù)用。這也是為什么很多項目并不是技術(shù)走不通，而是在預(yù)算評估階段就被叫停。

即便順利找到“算得過賬”的場景，第二個問題很快出現(xiàn)：需求如何被準(zhǔn)確表達(dá)。

一個現(xiàn)實是，大多數(shù)工廠并不具備“用AI語言描述問題”的能力。廠長口中的“良率再高一點、溫度控制穩(wěn)一點”，依然停留在經(jīng)驗層表達(dá)，而非可量化、可建模的技術(shù)指標(biāo)。

這種從業(yè)務(wù)語言到算法語言的“翻譯缺失”，往往在項目初期就埋下風(fēng)險。行業(yè)數(shù)據(jù)顯示，工業(yè)大模型項目失敗率高達(dá)74%，制造業(yè)甚至接近80%，遠(yuǎn)高于傳統(tǒng)IT項目。大量項目在方案階段看似成立，一旦進(jìn)入實施，就迅速失控，最終淪為高成本試驗。

如果說前兩個問題仍屬于“定義階段”，那么進(jìn)入數(shù)據(jù)環(huán)節(jié)后，困難才真正開始顯現(xiàn)。

工業(yè)數(shù)據(jù)的復(fù)雜性，遠(yuǎn)超多數(shù)AI原生場景。

一方面，國內(nèi)工業(yè)企業(yè)設(shè)備數(shù)字化程度跨度極大，數(shù)據(jù)高度分散，散落在PLC、MES、ERP等不同系統(tǒng)中，甚至仍存在于Excel、紙質(zhì)記錄以及老工人的經(jīng)驗之中；另一方面，工業(yè)數(shù)據(jù)本身承載著核心工藝與商業(yè)機(jī)密，比起其他行業(yè)，封閉性更強(qiáng)，跨系統(tǒng)、跨部門甚至跨工廠流動都面臨阻力。

更關(guān)鍵的是，工業(yè)數(shù)據(jù)具有低信噪比、強(qiáng)時序性和高度依賴上下文的特點，可直接用于訓(xùn)練的“有效數(shù)據(jù)”占比極低。

這也直接影響了模型表現(xiàn)。研究顯示，通用大模型在工業(yè)場景中的“幻覺率”可高達(dá)50%以上。在真實生產(chǎn)環(huán)境中，這意味著AI給出的建議，往往無法被直接采信。某汽車零部件企業(yè)曾引入通用視覺模型檢測高反光部件，由于模型無法理解工業(yè)檢測標(biāo)準(zhǔn)，誤檢率一度飆升至20%，直接造成數(shù)百萬元損失。

但問題并不止于數(shù)據(jù)。

從更底層看，工業(yè)AI真正的難點，在于“知識形態(tài)”的差異。工業(yè)生產(chǎn)并不完全依賴數(shù)據(jù)驅(qū)動，它還深度依賴物理機(jī)理、化學(xué)反應(yīng)規(guī)律以及長期積累的經(jīng)驗知識。這些“隱性知識”，很難通過數(shù)據(jù)直接學(xué)習(xí)，必須以規(guī)則、約束或模型的形式嵌入算法之中。

也正因為如此，單純依賴大模型訓(xùn)練，在工業(yè)場景中往往難以奏效。對于缺乏行業(yè)理解的技術(shù)廠商而言，這構(gòu)成了一道隱性的進(jìn)入壁壘。

回看整個路徑，工業(yè)AI的核心矛盾并不在算力或模型規(guī)模，而在于兩種邏輯的錯位，即AI的"概率邏輯"強(qiáng)調(diào)通過數(shù)據(jù)逼近最優(yōu)解，工業(yè)的"確定性邏輯"則要求過程可解釋、結(jié)果可復(fù)現(xiàn)。

因此，真正的突破口可能不在更大的模型，而在"中間層"的重建，一套能將經(jīng)驗、物理規(guī)律與算法能力重新組織起來的"翻譯系統(tǒng)"。在這套系統(tǒng)建立之前，工業(yè)AI很難真正從能用，走向可規(guī)?；?。

三、怎樣從“創(chuàng)新場景”邁向“規(guī)模協(xié)同”？

面對全鏈條的落地卡點，工業(yè)企業(yè)與技術(shù)服務(wù)商已逐步走出 "盲目追大模型、盲目鋪場景" 的誤區(qū)，探索出一條以 ROI 為核心、以中間層重構(gòu)為關(guān)鍵、以大小模型協(xié)同為基礎(chǔ)的務(wù)實路徑。

面對，場景難選、投入產(chǎn)出比失衡的問題，業(yè)內(nèi)已逐漸形成共識，那就是從 "已被驗證的高價值場景" 切入，通過 "小步快跑、快速迭代" 建立信心，再逐步向核心生產(chǎn)環(huán)節(jié)滲透。

根據(jù) e-works 對2000余家工業(yè)企業(yè)的調(diào)研，生產(chǎn)排程、質(zhì)量檢測、設(shè)備預(yù)測性維護(hù)和能源優(yōu)化，是目前回報最穩(wěn)定的四類場景，平均投資回報率超過150%，回本周期普遍在1—2年。

在實踐中，這種“先點后面”的路徑已經(jīng)開始出現(xiàn)。

某長三角汽車零部件廠，先在一條核心產(chǎn)線上部署AI外觀質(zhì)檢系統(tǒng)，僅用80萬元替代4名質(zhì)檢員，14個月實現(xiàn)回本。在驗證效果后，再將模型遷移至其他相似產(chǎn)線，單條產(chǎn)線成本降至20萬元，整體ROI顯著提升。

從結(jié)果看，真正跑通的，不是技術(shù)本身，而是“復(fù)制能力”。

與之對應(yīng)，技術(shù)供給側(cè)也在發(fā)生變化。

過去，工業(yè)AI更多依賴定制化開發(fā)，一廠一案，周期長、成本高、難復(fù)用。而現(xiàn)在，越來越多廠商開始將能力拆解為“場景化模塊”，以預(yù)訓(xùn)練模型包或解決方案的形式提供。

例如，阿里云工業(yè)大腦針對鋼鐵、石化、汽車等 7 大行業(yè)推出了 100 + 預(yù)訓(xùn)練場景模型包，企業(yè)無需從零開始訓(xùn)練，只需導(dǎo)入自身數(shù)據(jù)進(jìn)行微調(diào)，即可在 1-2 周內(nèi)完成部署，將 AI 項目的初始投入降低 70%，部署周期縮短 80%。

但如果說場景切入解決的是“從0到1”，那么真正決定能否規(guī)?；模恰爸虚g層”的重建。

在實踐中，一個典型做法是“雙項目經(jīng)理制”。即每一個工業(yè)AI項目，同時配置一名熟悉生產(chǎn)流程的業(yè)務(wù)負(fù)責(zé)人，以及一名理解算法與模型的技術(shù)負(fù)責(zé)人，共同完成從業(yè)務(wù)需求到模型設(shè)計的轉(zhuǎn)化過程。

某山東化工廠在推進(jìn)反應(yīng)釜良率優(yōu)化項目時，就采用了這一機(jī)制。業(yè)務(wù)項目經(jīng)理將廠長 "將良率從 92% 提升至 95%" 的模糊需求，拆解為 "反應(yīng)溫度控制精度 ±2℃、反應(yīng)時間誤差≤5 分鐘、原料配比偏差≤0.1%" 等 12 個可量化的技術(shù)指標(biāo)；AI 項目經(jīng)理則基于這些指標(biāo)，設(shè)計了包含 17 個影響變量的數(shù)據(jù)集和模型架構(gòu)。最終不僅項目提前交付，良率也超預(yù)期提升。

可以看到，真正被解決的，并不是模型能力，而是“語言不通”的問題。圍繞這一點，一些廠商也開始嘗試用工具降低門檻，例如將自然語言需求自動轉(zhuǎn)化為標(biāo)準(zhǔn)化AI方案，本質(zhì)上是在為工業(yè)AI補上一層“翻譯接口”。

如果說需求端需要翻譯，那么數(shù)據(jù)端則需要“重構(gòu)”。

越來越多企業(yè)開始從為AI收集數(shù)據(jù)，轉(zhuǎn)向為業(yè)務(wù)治理數(shù)據(jù)，通過數(shù)據(jù)中臺與知識圖譜，構(gòu)建統(tǒng)一的數(shù)據(jù)底座。一旦底層數(shù)據(jù)被打通，模型開發(fā)與迭代效率會顯著提升。

中國信通院的數(shù)據(jù)顯示，采用統(tǒng)一數(shù)據(jù)底座的工業(yè)企業(yè)，數(shù)據(jù)平均利用率從不足 20% 提升至 60% 以上，數(shù)據(jù)治理成本降低 50%。

與此同時，針對數(shù)據(jù)隱私與共享問題，聯(lián)邦學(xué)習(xí)等技術(shù)開始落地。多家企業(yè)在不交換原始數(shù)據(jù)的前提下，共同訓(xùn)練模型，從而在保證安全的同時提升模型效果。

而在模型層，單純依賴數(shù)據(jù)驅(qū)動的路徑也在被修正。“機(jī)理模型 + 數(shù)據(jù)模型”的混合建模方式，正在成為主流思路。通過將物理規(guī)律、工藝經(jīng)驗嵌入模型約束，使AI輸出更加貼近真實生產(chǎn)過程。這種方式，本質(zhì)上是在彌合“概率邏輯”與“確定性邏輯”的差距。

例如擁有 60 多年煉鋼經(jīng)驗的寶鋼，積累了海量的機(jī)理模型和工藝知識；華為則提供了強(qiáng)大的 AI 算法和算力支持。雙方將煉鋼過程中的熱力學(xué)、動力學(xué)機(jī)理模型與盤古大模型結(jié)合，開發(fā)出了智能煉鋼控制系統(tǒng)。該系統(tǒng)將煉鋼溫度控制精度從原來的 ±10℃提升到 ±3℃，噸鋼能耗降低 2.3%，每年為寶鋼節(jié)省成本超過 1 億元。

針對數(shù)據(jù)隱私問題，聯(lián)邦學(xué)習(xí)技術(shù)已得到廣泛應(yīng)用。某石化行業(yè)聯(lián)盟組織了 15 家企業(yè)，采用聯(lián)邦學(xué)習(xí)技術(shù)共同訓(xùn)練了一個通用的設(shè)備故障預(yù)測模型。每家企業(yè)只貢獻(xiàn)模型參數(shù)，不泄露任何生產(chǎn)數(shù)據(jù)，最終模型的準(zhǔn)確率比單個企業(yè)訓(xùn)練的模型高出 22%。

綜合來看，工業(yè)AI的落地路徑，正在發(fā)生一場重要轉(zhuǎn)向。從讓“某一個環(huán)節(jié)變得更聰明”，轉(zhuǎn)向“讓不同環(huán)節(jié)協(xié)同運轉(zhuǎn)”。隨著 中間層"的不斷完善和 大小模型協(xié)同 架構(gòu)的普及，工業(yè) AI 正在從 點狀應(yīng)用向規(guī)?；涞剡~進(jìn)。

四、從“算法競賽”到“生態(tài)合圍”，中國工業(yè) AI的新想象力

如果再往后看一步，真正決定工業(yè)AI能不能從“少數(shù)案例”走向“規(guī)模復(fù)制”的，已經(jīng)不只是算法能力，而是誰擁有更適合AI生長的產(chǎn)業(yè)土壤。

這恰恰是中國工業(yè)AI最值得重估的地方。

過去很長一段時間，外界談工業(yè)AI，更多關(guān)注的是模型參數(shù)、推理能力和產(chǎn)品形態(tài)。但真正到了制造現(xiàn)場，決定一項技術(shù)能不能活下來的，往往不是模型有多強(qiáng)，而是它能不能被嵌進(jìn)工藝、設(shè)備、系統(tǒng)和組織之中。換句話說，工業(yè)AI的競爭，正在從單純的算法競賽，走向更深層的生態(tài)競賽。

作為全球工業(yè)門類最完整、制造規(guī)模最大的國家，中國擁有大量彼此相似但又存在細(xì)微差異的生產(chǎn)場景。這意味著，一旦某個AI方案在鋰電、汽車零部件、光伏、3C等行業(yè)中跑通，就可以迅速在更多相似場景中復(fù)用與迭代。

這種價值點在于，中國工業(yè)不只是有工廠，而是有足夠密集、可復(fù)用的工廠網(wǎng)絡(luò)。

這種場景密度的優(yōu)勢，成為中國工業(yè)AI的第一大助力。

第二個優(yōu)勢，在于供應(yīng)鏈完整。

在中國，工業(yè)AI從來不是一個純軟件問題。算法、硬件、系統(tǒng)集成與現(xiàn)場改造，往往可以同步推進(jìn)。一項AI能力一旦被驗證，就有機(jī)會迅速嵌入設(shè)備、產(chǎn)線甚至整廠改造之中。這種“軟硬一體、快速閉環(huán)”的能力，使得工業(yè)AI更容易從一個功能，演化為一套可復(fù)制的解決方案。

更關(guān)鍵的是，中國頭部制造企業(yè)本身，也正在成為工業(yè)AI的重要供給者，而不只是采購者。因為工業(yè)領(lǐng)域真正的壁壘，從來不只是模型，而是工藝知識、歷史數(shù)據(jù)以及現(xiàn)場經(jīng)驗。誰最了解一條產(chǎn)線如何運轉(zhuǎn)，誰就更有能力將這些隱性的know-how轉(zhuǎn)化為可復(fù)用的模型與規(guī)則。

這也意味著，未來工業(yè)AI的主導(dǎo)者，未必完全來自技術(shù)公司，也可能來自那些最懂制造的企業(yè)。

從更宏觀的角度看，中國還具備一種獨特的“協(xié)同結(jié)構(gòu)”。

政策提供方向，產(chǎn)業(yè)園區(qū)提供場景，平臺廠商提供底座，制造企業(yè)提供問題，系統(tǒng)集成商完成交付。這套體系未必始終高效，但一旦某個場景被驗證，其放大的速度往往非?？臁＿@也是中國與歐美路徑的核心差異所在，即前者更強(qiáng)調(diào)“先標(biāo)準(zhǔn)，再推廣”；后者則更接近“先跑通，再擴(kuò)散”。

也正是在這種結(jié)構(gòu)之下，工業(yè)AI的競爭邏輯，正在發(fā)生根本變化：從誰擁有最大的通用模型，轉(zhuǎn)向誰能夠把模型嵌進(jìn)工藝、嵌進(jìn)設(shè)備、嵌進(jìn)供應(yīng)鏈；從誰能做出單點最優(yōu)解，轉(zhuǎn)向誰能夠把一個行業(yè)中反復(fù)出現(xiàn)的問題，抽象成可復(fù)制的模塊，并通過產(chǎn)業(yè)網(wǎng)絡(luò)快速放大。

如今，中國工業(yè)AI仍處在陣痛期。舊的工程交付邏輯越來越重，新的標(biāo)準(zhǔn)化產(chǎn)業(yè)邏輯又還沒有完全閉環(huán)。但這并不意味著它沒有未來。相反，這恰恰說明，它正處在從點狀試驗走向真正產(chǎn)業(yè)化之前，最關(guān)鍵的一段路上。