工业AI的竞争逻辑，正在发生根本变化。
不再是谁拥有最大的通用模型，而是谁能够把模型嵌进工艺、嵌进设备、嵌进供应链；不再是谁做出单点最优解，而是谁能够把一个行业中反复出现的问题，抽象成可复制的模块，并通过产业网络快速放大。
过去两年，AI在现实世界里的扩散速度，远比多数人预想得更快。
从办公协同、内容生成，到营销投放、客服运营，大模型几乎在很短时间内，就完成了从“新工具”到“新基础设施”的跃迁。越来越多企业开始意识到，AI不再只是一个可选项，而是在重写组织运行方式的新变量。
但当同样的技术被真正带进工厂，情况却明显变了。
它没有像在通用场景中那样一路狂飙，反而在进入制造体系后迅速减速。发布会上的进厂、落地、上产线越来越多，真实生产主流程里的规模化突破，却迟迟没有出现。
这种反差，在2026年被进一步放大。
今年1月，工业和信息化部等八部门联合印发《“人工智能+制造”专项行动实施意见》，明确提出，到2027年，要推动3—5个通用大模型在制造业深度应用，形成1000个高水平工业智能体、100个工业领域高质量数据集，并推广500个典型应用场景。
一个信号已经很清楚：工业AI，正在被推向必须加速兑现的阶段。
但问题也随之而来。
当政策、资本与技术同时加码，一个更现实的疑问开始浮出水面，那就是工业AI，真的已经准备好进入规模化了吗？还是仍停留在被反复放大的局部成功？更进一步看，绝大多数项目，又到底卡在了哪里？而那些真正跑进产线的AI，又做对了什么？
一个事实是，从“有没有用AI”这个维度来看，工业领域的渗透速度，并不慢。
一项调研数据显示，全球约70%的制造企业，已经在某种程度上引入AI，用于生产、质检或供应链等环节。在部分领先市场，这一比例还在持续提升，例如英国已有超过一半制造企业在工厂层面使用AI。同时，超过七成企业计划在未来进一步加大投入。
如果只看这些数据，很容易得出一个结论，那就是AI技术，正在快速落地工业领域。
而现实也确实给出了不少正面样本。
在质检环节，AI视觉检测已在汽车、电子、半导体等行业大规模应用。例如，宝马沈阳工厂将焊接缺陷识别率提升至99.98%，昭信装备实现0.03mm级电感缺陷识别，良品误判率从20%降至3%以下。
在生产调度上，AI同样开始介入核心流程。
光束汽车通过“调度大脑”将物料齐套率提升至99.5%以上，施耐德电气将设备利用率从65%提升至92%，特斯拉实现多车型混线生产，切换时间大幅缩短。
在设备运维侧，预测性维护也逐步成熟。南铝加工通过设备健康预测将非计划停机降低20%，某汽车零部件厂提前72小时识别轴承磨损，每年节省运维成本超过200万美元。
与此同时，技术供给侧也在快速跟进。华为盘古、百度文心、阿里通义、卡奥斯天智等工业大模型，已在排产优化、工艺调整、故障预测等场景中落地。有数据显示，部分轻量化工业模型部署成本已降至10万元级别，最快3天即可上线。
表面上看，一切都在向工业AI真正落地逼近。
但如果把视角从是否部署，切换到是否真正进入生产主流程，结论却会发生明显反转。
要知道工业软件是工业AI应用的基础，IDC数据显示，2024年基础工业软件中应用AI技术的占比为9%。麦肯锡最新研究也显示，尽管全球已有88%的企业在不同程度上使用AI，但真正能够实现规模化并转化为利润的，仅有约6%。
换句话说，“用了AI”，并不等于“用起来了”。
更进一步看，在制造业内部，这种分化更加明显。麦肯锡《2025全球AI现状调研》显示，仍有47%的制造企业停留在试验阶段，31%处于单点试点，真正实现规模化落地的，仅约15%。而在代表下一阶段方向的“生产制造智能体”上，实际采用率几乎可以忽略不计。
这也解释了一个看似矛盾的现象，即一边是发布会、案例集里“全面进厂”的叙事不断升温，另一边却是产线核心流程中，AI存在感依然有限。
事实上，问题不在于有没有案例，而在于这些案例，很难被复制。目前的工业AI落地呈现出一种非常典型的结构，那就是少数场景跑通，大量项目停滞；局部效率显著提升，但整体系统并未重构；个别工厂成功，却难以跨产线、跨工厂复制。
总的来说，今天工业AI的繁荣，更像是一种“点状繁荣”。
工业AI落地到底被困在哪了？
如果把一条产线引入AI的全过程完整走一遍，会发现障碍并不集中在某一个环节，而是分布在每一个关键决策节点，并在推进过程中不断叠加，最终演变为一套结构性的落地困局。
工业领域落地AI的第一步，是确认落地场景，这也往往是第一个卡点。
与通用企业可优先切入客服、办公等高容错场景不同，工业现场对确定性和安全边界极其敏感。企业愿意让AI辅助观察和判断，却很难交出决策权和控制权，这使得大多数工业AI项目，被限制在感知层和辅助层，难以进入真正的执行环节。
当复杂场景难以推进，企业往往退而选择视觉检测这类标准化切口。但新的问题也随之出现，那就是投入产出比。在不少工厂中，为替代少量质检人力，往往需要数百万级设备投入，同时模型对不同产线、不同产品的泛化能力有限，难以复用。这也是为什么很多项目并不是技术走不通，而是在预算评估阶段就被叫停。
即便顺利找到“算得过账”的场景，第二个问题很快出现：需求如何被准确表达。
一个现实是，大多数工厂并不具备“用AI语言描述问题”的能力。厂长口中的“良率再高一点、温度控制稳一点”，依然停留在经验层表达，而非可量化、可建模的技术指标。
这种从业务语言到算法语言的“翻译缺失”，往往在项目初期就埋下风险。行业数据显示，工业大模型项目失败率高达74%，制造业甚至接近80%，远高于传统IT项目。大量项目在方案阶段看似成立，一旦进入实施，就迅速失控，最终沦为高成本试验。
如果说前两个问题仍属于“定义阶段”，那么进入数据环节后，困难才真正开始显现。
工业数据的复杂性，远超多数AI原生场景。
一方面，国内工业企业设备数字化程度跨度极大，数据高度分散，散落在PLC、MES、ERP等不同系统中，甚至仍存在于Excel、纸质记录以及老工人的经验之中；另一方面，工业数据本身承载着核心工艺与商业机密，比起其他行业，封闭性更强，跨系统、跨部门甚至跨工厂流动都面临阻力。
更关键的是，工业数据具有低信噪比、强时序性和高度依赖上下文的特点，可直接用于训练的“有效数据”占比极低。
这也直接影响了模型表现。研究显示，通用大模型在工业场景中的“幻觉率”可高达50%以上。在真实生产环境中，这意味着AI给出的建议，往往无法被直接采信。某汽车零部件企业曾引入通用视觉模型检测高反光部件，由于模型无法理解工业检测标准，误检率一度飙升至20%，直接造成数百万元损失。
但问题并不止于数据。
从更底层看，工业AI真正的难点，在于“知识形态”的差异。工业生产并不完全依赖数据驱动，它还深度依赖物理机理、化学反应规律以及长期积累的经验知识。这些“隐性知识”，很难通过数据直接学习，必须以规则、约束或模型的形式嵌入算法之中。
也正因为如此，单纯依赖大模型训练，在工业场景中往往难以奏效。对于缺乏行业理解的技术厂商而言，这构成了一道隐性的进入壁垒。
回看整个路径，工业AI的核心矛盾并不在算力或模型规模，而在于两种逻辑的错位，即AI的"概率逻辑"强调通过数据逼近最优解，工业的"确定性逻辑"则要求过程可解释、结果可复现。
因此，真正的突破口可能不在更大的模型，而在"中间层"的重建，一套能将经验、物理规律与算法能力重新组织起来的"翻译系统"。在这套系统建立之前，工业AI很难真正从能用，走向可规模化。
面对全链条的落地卡点，工业企业与技术服务商已逐步走出 "盲目追大模型、盲目铺场景" 的误区，探索出一条以 ROI 为核心、以中间层重构为关键、以大小模型协同为基础的务实路径。
面对，场景难选、投入产出比失衡的问题，业内已逐渐形成共识，那就是从 "已被验证的高价值场景" 切入，通过 "小步快跑、快速迭代" 建立信心，再逐步向核心生产环节渗透。
根据 e-works 对2000余家工业企业的调研，生产排程、质量检测、设备预测性维护和能源优化，是目前回报最稳定的四类场景，平均投资回报率超过150%，回本周期普遍在1—2年。
在实践中，这种“先点后面”的路径已经开始出现。
某长三角汽车零部件厂，先在一条核心产线上部署AI外观质检系统，仅用80万元替代4名质检员，14个月实现回本。在验证效果后，再将模型迁移至其他相似产线，单条产线成本降至20万元，整体ROI显著提升。
从结果看，真正跑通的，不是技术本身，而是“复制能力”。
与之对应，技术供给侧也在发生变化。
过去，工业AI更多依赖定制化开发，一厂一案，周期长、成本高、难复用。而现在，越来越多厂商开始将能力拆解为“场景化模块”，以预训练模型包或解决方案的形式提供。
例如，阿里云工业大脑针对钢铁、石化、汽车等 7 大行业推出了 100 + 预训练场景模型包，企业无需从零开始训练，只需导入自身数据进行微调，即可在 1-2 周内完成部署，将 AI 项目的初始投入降低 70%，部署周期缩短 80%。
但如果说场景切入解决的是“从0到1”，那么真正决定能否规模化的，是“中间层”的重建。
在实践中，一个典型做法是“双项目经理制”。即每一个工业AI项目，同时配置一名熟悉生产流程的业务负责人，以及一名理解算法与模型的技术负责人，共同完成从业务需求到模型设计的转化过程。
某山东化工厂在推进反应釜良率优化项目时，就采用了这一机制。业务项目经理将厂长 "将良率从 92% 提升至 95%" 的模糊需求，拆解为 "反应温度控制精度 ±2℃、反应时间误差≤5 分钟、原料配比偏差≤0.1%" 等 12 个可量化的技术指标；AI 项目经理则基于这些指标，设计了包含 17 个影响变量的数据集和模型架构。最终不仅项目提前交付，良率也超预期提升。
可以看到，真正被解决的，并不是模型能力，而是“语言不通”的问题。围绕这一点，一些厂商也开始尝试用工具降低门槛，例如将自然语言需求自动转化为标准化AI方案，本质上是在为工业AI补上一层“翻译接口”。
如果说需求端需要翻译，那么数据端则需要“重构”。
越来越多企业开始从为AI收集数据，转向为业务治理数据，通过数据中台与知识图谱，构建统一的数据底座。一旦底层数据被打通，模型开发与迭代效率会显著提升。
中国信通院的数据显示，采用统一数据底座的工业企业，数据平均利用率从不足 20% 提升至 60% 以上，数据治理成本降低 50%。
与此同时，针对数据隐私与共享问题，联邦学习等技术开始落地。多家企业在不交换原始数据的前提下，共同训练模型，从而在保证安全的同时提升模型效果。
而在模型层，单纯依赖数据驱动的路径也在被修正。“机理模型 + 数据模型”的混合建模方式，正在成为主流思路。通过将物理规律、工艺经验嵌入模型约束，使AI输出更加贴近真实生产过程。这种方式，本质上是在弥合“概率逻辑”与“确定性逻辑”的差距。
例如拥有 60 多年炼钢经验的宝钢，积累了海量的机理模型和工艺知识；华为则提供了强大的 AI 算法和算力支持。双方将炼钢过程中的热力学、动力学机理模型与盘古大模型结合，开发出了智能炼钢控制系统。该系统将炼钢温度控制精度从原来的 ±10℃提升到 ±3℃，吨钢能耗降低 2.3%，每年为宝钢节省成本超过 1 亿元。
针对数据隐私问题，联邦学习技术已得到广泛应用。某石化行业联盟组织了 15 家企业，采用联邦学习技术共同训练了一个通用的设备故障预测模型。每家企业只贡献模型参数，不泄露任何生产数据，最终模型的准确率比单个企业训练的模型高出 22%。
综合来看，工业AI的落地路径，正在发生一场重要转向。从让“某一个环节变得更聪明”，转向“让不同环节协同运转”。随着 中间层"的不断完善和 大小模型协同 架构的普及，工业 AI 正在从 点状应用向规模化落地迈进。
如果再往后看一步，真正决定工业AI能不能从“少数案例”走向“规模复制”的，已经不只是算法能力，而是谁拥有更适合AI生长的产业土壤。
这恰恰是中国工业AI最值得重估的地方。
过去很长一段时间，外界谈工业AI，更多关注的是模型参数、推理能力和产品形态。但真正到了制造现场，决定一项技术能不能活下来的，往往不是模型有多强，而是它能不能被嵌进工艺、设备、系统和组织之中。换句话说，工业AI的竞争，正在从单纯的算法竞赛，走向更深层的生态竞赛。
作为全球工业门类最完整、制造规模最大的国家，中国拥有大量彼此相似但又存在细微差异的生产场景。这意味着，一旦某个AI方案在锂电、汽车零部件、光伏、3C等行业中跑通，就可以迅速在更多相似场景中复用与迭代。
这种价值点在于，中国工业不只是有工厂，而是有足够密集、可复用的工厂网络。
这种场景密度的优势，成为中国工业AI的第一大助力。
第二个优势，在于供应链完整。
在中国，工业AI从来不是一个纯软件问题。算法、硬件、系统集成与现场改造，往往可以同步推进。一项AI能力一旦被验证，就有机会迅速嵌入设备、产线甚至整厂改造之中。这种“软硬一体、快速闭环”的能力，使得工业AI更容易从一个功能，演化为一套可复制的解决方案。
更关键的是，中国头部制造企业本身，也正在成为工业AI的重要供给者，而不只是采购者。因为工业领域真正的壁垒，从来不只是模型，而是工艺知识、历史数据以及现场经验。谁最了解一条产线如何运转，谁就更有能力将这些隐性的know-how转化为可复用的模型与规则。
这也意味着，未来工业AI的主导者，未必完全来自技术公司，也可能来自那些最懂制造的企业。
从更宏观的角度看，中国还具备一种独特的“协同结构”。
政策提供方向，产业园区提供场景，平台厂商提供底座，制造企业提供问题，系统集成商完成交付。这套体系未必始终高效，但一旦某个场景被验证，其放大的速度往往非常快。这也是中国与欧美路径的核心差异所在，即前者更强调“先标准，再推广”；后者则更接近“先跑通，再扩散”。
也正是在这种结构之下，工业AI的竞争逻辑，正在发生根本变化：从谁拥有最大的通用模型，转向谁能够把模型嵌进工艺、嵌进设备、嵌进供应链；从谁能做出单点最优解，转向谁能够把一个行业中反复出现的问题，抽象成可复制的模块，并通过产业网络快速放大。
如今，中国工业AI仍处在阵痛期。旧的工程交付逻辑越来越重，新的标准化产业逻辑又还没有完全闭环。但这并不意味着它没有未来。相反，这恰恰说明，它正处在从点状试验走向真正产业化之前，最关键的一段路上。
本文来自微信公众号 “产业家”（ID：chanyejiawang），作者：产业媒体，36氪经授权发布。
发布时间：2026-04-21 20:05
立即订购
在线咨询
返回顶部