AI的下半场，为什么是制造业？

工业AI的竞争本质上不是把一个通用大模型简单搬进工厂，而是要重新建立一套连接数据、算力、模型、工业软件、设备和人的生产体系。

文｜胡嘉琦

ID | BMR2004

过去几年，围绕大模型、芯片和算力展开的人工智能竞赛，更多发生在数字世界。但当机器人、机器视觉、数字孪生和AI Agent开始进入工厂，AI竞争的边界正在发生变化。

在制造业，AI不再只是工程师桌面上的一个工具，而是会进入生产现场，参与排产、质检、设备维护、工艺优化，甚至直接控制机器人完成生产任务。

在中国信息通信研究院工业互联网与物联网研究所数据与智能研究部副主任尹子航看来，工业AI正在经历从概念验证走向产业价值兑现的阶段，但真正意义上的变革还有待逐步推进。

工业AI的终点并不是简单地给工厂增加几个AI工具，而是让生产系统从“预设程序驱动”逐渐转向“目标驱动的自适应生产”。这也意味着，制造业可能正在走向一次新的生产方式变革。

01

工厂开始拥有“感知、思考和行动”能力

当机器人、机器视觉、数字孪生和AI Agent四大技术要素真正形成闭环时，工业生产将经历从“自动化”到“自主化”的根本性变革。

在传统自动化产线中，机器人的运动轨迹、工位操作逻辑以及设备控制参数，通常都是预先设定好的。这样的生产方式在稳定、大批量制造环境中效率很高，但它有一个比较明显的问题，就是面对变化时的适应能力有限。

比如，来料尺寸发生变化、设备出现磨损、订单临时调整，甚至只是生产现场出现了一个没有被提前定义的异常，都可能需要工程师重新调整程序或者人工介入。

“当机器人、机器视觉、数字孪生和AI Agent四大技术要素真正形成闭环时，工业生产将经历从‘自动化’到‘自主化’的根本性变革。”尹子航表示。

在这样的闭环系统中，AI Agent可以被理解为“工厂大脑”，它能够实时接收机器视觉系统提供的环境感知数据，同时结合数字孪生系统对生产过程进行仿真和预测，再根据生产目标自主进行任务拆解、资源调度以及异常处置。

也就是说，机器不再只是按照人提前写好的程序执行，而是开始具备围绕目标进行动态决策的能力。

西门子与英伟达正在推进的德国埃朗根电子工厂，就是这种思路的一个代表性探索。按照双方的规划，工厂将利用AI持续分析数字孪生，在虚拟环境中测试和改进生产方案，经过验证后再将指令下发到物理产线执行。

如果这一模式真正成熟，工厂的生产组织方式首先会发生变化。过去，工程师需要告诉机器“具体怎么做”；未来，人类可能只需要定义生产目标，AI则根据现场情况决定“应该怎么做”。

第二个变化是生产系统的试错成本可能显著下降。制造业长期存在一个现实问题：创新很贵。无论是调整一条产线、改变一个工艺参数，还是尝试新的机器人动作，都不能轻易在真实生产环境中进行大量试验，因为任何一次错误都可能造成停线、报废甚至引发安全事故。

“数字孪生技术为物理工厂构建了一个精确的虚拟镜像，AI Agent可以在数字孪生体中无风险地测试新的生产策略、工艺参数和机器人动作方案，验证通过后再下发到物理产线执行。”尹子航说。

第三个变化则是人与机器的关系。尹子航认为，在工业AI形成闭环之后，一线操作人员和工程师的角色也会发生变化。他们不再需要大量手动编写控制程序、逐条排查故障或者逐批检查产品，而是更多成为“目标设定者”和“策略监督者”。

这一趋势已经开始出现在国内工厂。例如，美的洗衣机荆州工厂部署了14个协同智能体，覆盖38个核心生产场景，平均提效80%以上，排产响应速度提升90%，首检时间从15分钟压缩至30秒。

当然，这距离真正意义上的自主工厂仍然存在距离。尹子航强调，目前数字孪生的精度还不足以完全替代物理验证，AI Agent在复杂工业环境中的决策可靠性需要大量验证，多智能体之间如何稳定协同也远未成熟。

“但从技术演进的方向来看，这一闭环一旦形成，将使制造业从‘刚性自动化’真正迈向‘柔性自主化’，其意义堪比从手工生产到流水线生产的历史性跨越。”尹子航说。

02

工业AI的价值，最终还是要算“经济账”

对于大型制造企业来说，工艺环节哪怕只有1%—2%的改善，也可能意味着数百万元甚至上千万元的年度收益。

技术路线越来越清晰，但对于制造企业而言，工业AI最终还是要回到一个非常现实的问题：AI究竟能够带来多少收益？

在尹子航看来，工业AI的商业价值已经不再只是理论推演，越来越多的落地案例已经开始提供量化证明。

从目前的产业实践来看，最容易形成规模化商业价值的场景，主要集中在设备预测性维护、视觉质检、制程工艺优化和智能动态排产四个方向。这些场景有一个共同特点，就是价值可以量化，数据相对容易获得，技术成熟度也相对较高。

第一是设备预测性维护。传统制造业更多采取“出了问题再维修”的模式，而预测性维护则试图通过振动、温度、电流等多模态传感器数据，结合时序预测模型和故障图谱，提前发现设备可能出现的问题。

其核心并不是让AI“预测得多神奇”，而是尽可能把设备从被动维修转向主动维护。以某汽车零部件企业部署用友BIP AIoT平台为例，据用友官方披露，相关系统上线后，设备非计划停机时间减少58%，年均非计划停机次数从20次以上下降到8次以内，维修策划时间从4—6小时压缩至15分钟以内，年度维护成本从500万元以上下降至300万元以下，设备综合效率（OEE）从72%提升至81%。

第二是视觉质检。机器视觉其实并不是一个新概念，但过去的机器视觉更多依赖规则和算法，需要针对不同产品和缺陷设定相应规则。当产品发生变化或者产线换线时，重新标定往往需要较大的工作量。

基于深度学习以及视觉大模型的方案，则试图让系统从大量样本中学习缺陷特征，在更少样本的情况下实现更高的检测精度和更广泛的缺陷覆盖。这个场景比较容易实现商业化，一个重要原因在于它的经济账相对清楚：企业能够比较直接地计算人工成本减少了多少、漏检率下降了多少、良率提高了多少。

第三是制程工艺优化。在冶金、化工、注塑等流程型和半流程型制造环节，关键工艺参数的细微变化，就可能对能耗、良率和生产效率产生明显影响。

南方有色与中关村科金合作建设有色金属行业大模型后，将沸腾炉炉温控制偏差由±15℃收窄到±5℃，综合能耗下降8%，上岗周期缩短70%以上。

对于大型制造企业来说，工艺环节哪怕只有1%—2%的改善，也可能意味着数百万元甚至上千万元的年度收益。

第四是智能动态排产。制造企业经常需要面对插单、设备故障、物料短缺等突发情况，传统人工排产往往依赖经验，重新调整需要较长时间。智能体的价值在于，它可以实时读取订单、设备、物料等信息，根据生产约束快速生成新的排产方案。

03

工业AI比消费级AI更难规模化

工业AI很难依靠一套通用模型直接解决所有问题。

工业体系自身的复杂性，决定了工业AI天然比消费级AI更难规模化。“工业现场的一次错误决策可能引发安全风险。”尹子航表示。

这意味着工业AI不能简单复制消费级AI“快速上线、快速迭代、灰度发布”的路径，而需要经历更加充分的验证。

制造业即使是同一种产品，不同企业的设备型号、工艺路线、产线布局也可能不同。因此，工业AI很难依靠一套通用模型直接解决所有问题。

不仅如此，消费类企业从诞生之日起就在数字世界运行，用户行为天然会被记录下来。大量制造企业则需要先完成数字化基础建设，打通设备、MES、ERP、PLM等系统，统一数据接口和标准，然后才能进一步谈AI。

“有数据无语料”正是这一问题的集中体现。制造业真正缺的不是通用数据数量，而是可以用于模型训练和推理的高质量工业数据。

在投资回报上，消费级AI可以通过A/B测试快速看到效果，可能几天甚至几周就能够判断一个方案是否有效。工业AI则不同。预测性维护需要积累设备运行数据，工艺优化需要经过较长时间的生产验证，企业往往需要数月甚至更长时间才能看到稳定的综合收益。

最关键的是，制造企业拥有大量机械、电气和工艺工程师，但同时具备工业知识和AI能力的人才仍然稀缺。

“OT人员懂设备、懂工艺、懂产线，但不懂AI算法和软件架构；IT人员懂模型、懂数据、懂系统，却不理解工艺逻辑和设备特性。”两种知识体系之间的鸿沟，是工业AI规模化应用必须解决的问题。

此外，每一个工艺环节，甚至每一台设备，都有自己的“脾气”。这些隐性知识往往存在于经验丰富的工程师和老师傅脑中，并没有被系统记录下来。

因此，工业AI真正需要做的，不只是训练一个模型，而是把行业Know-how、工艺机理、设备规律和生产经验逐渐数字化，并进一步编码进模型。

04

全球制造业竞争的新基础设施

AI深度进入制造流程之后，决定一家工厂生产效率的因素会发生变化。

如果AI最终从工具变成基础设施，那么工业AI竞争的意义就不再局限于企业内部，它可能成为全球制造业竞争的新变量。

尹子航认为，当AI成为制造业的新型基础设施之后，全球制造业的竞争逻辑将从过去的“成本—规模—劳动力”三角模型，逐渐转向“数据—算力—算法—场景”的竞争。

其中，数据可能成为新的核心生产要素。过去，产业转移的重要驱动力之一是劳动力成本，从欧美到日本，再到亚洲“四小龙”，再到中国以及东南亚、印度，背后都存在追逐低成本劳动力的逻辑。但在AI深度进入制造流程之后，决定一家工厂生产效率的因素会发生变化。工艺数据、设备数据、质量数据以及真实生产场景，可能比单纯的劳动力成本更加重要。

中国制造业增加值约占全球30%，拥有非常丰富的生产数据和工业场景。如果这些数据能够被有效治理并转化为AI可用的数据资产，就可能形成一个持续迭代的“数据飞轮”。

与此同时，算力也可能成为制造业的新基础设施。过去工业化离不开电网，未来智能制造同样离不开算力基础设施。

从云端训练，到工厂内部的工业智算，再到部署在机器人和生产设备附近的边缘推理，未来的工业AI需要形成云、边、端协同的算力体系。而真正能够形成长期壁垒的，则可能是算法与工业知识的结合。通用大模型的能力正在快速普及，未来真正稀缺的可能不是“有没有一个大模型”，而是企业能不能把模型与行业机理、工艺知识、设备运行规律结合起来。也就是所谓的“工业Know-how+AI”。这种能力并不是短期砸钱就能够建立起来的，它需要大量真实工业场景的长期积累和验证。

与此同时，场景本身也会成为一种竞争优势。一个模型即使拥有非常强的语言理解能力，如果不能理解设备状态、工艺流程和生产约束，就很难直接转化为工业生产力。

反过来，一个能够提前发现设备故障、帮助企业降低能耗、提升良率或者快速调整生产计划的模型，即使没有一个特别“惊人”的参数规模，也可能创造巨大的商业价值。

因此，工业AI的竞争本质上不是把一个通用大模型简单搬进工厂，而是要重新建立一套连接数据、算力、模型、工业软件、设备和人的生产体系。这也是物理AI真正重要的地方。它让AI开始理解真实世界，并尝试在真实世界中行动。

如果机器人、机器视觉、数字孪生和AI Agent最终形成稳定闭环，这并不意味着人会从工厂中消失。恰恰相反，人的角色可能从具体操作转向目标设定、策略设计和系统监督。

而制造业竞争，也会从过去对土地、劳动力、设备和资本的竞争，进一步延伸到对数据、算力、工业知识和应用场景的竞争。