工业AI正在从技术探索走向生产现场，但其价值落地并不是模型能力的单点突破，而是企业战略、组织流程、数据资产与产业生态的系统重构。本文提出工业AI落地需优先破解观念局、技术局和成本局，正视技术与场景、业务与数据、投入与产出的三重脱节。在此基础上，以多模态垂直模型、高质量数据集和工业智能体为关键抓手，推动装备制造业与生产服务业融合、科技创新与产业创新融合、物理世界与数字空间融合，形成数据驱动、人机协同、跨界融合、共创分享的智能经济新形态。

王宇航 国机数字科技有限公司

人工智能正在改变制造业的技术底座和价值生成方式。与消费互联网场景不同，工业领域面对的是设备、工艺、产线、供应链和质量控制等复杂对象，其核心目标不是简单生成文本或完成对话，而是在真实生产过程中提升效率、稳定质量、降低成本并支撑新的服务模式。因此，工业AI能否落地，不能只看模型参数、算法指标或演示效果，更要看它是否能够进入生产流程、理解工业语境、沉淀数据资产，并最终形成可衡量的经营收益。工业AI的落地绝非一次简单的技术革新，而是流程再造、结构重组和管理革命。这一判断把工业AI从单纯的技术议题，重新放回企业经营和产业组织的整体框架之中。

观念局、技术局、成本局的三道关口

第一是观念局。许多工业企业仍把工业AI视为信息化部门的附加任务，习惯以项目制方式局部试点，却没有把它纳入企业战略、流程重塑和组织变革。工业AI一旦进入生产现场，就会触及工艺知识沉淀、岗位协同方式、数据权属边界和价值分配机制，必须由主要领导牵引，形成跨部门、跨专业、跨层级的推进体系。所谓“一把手工程”，并非强调行政推动本身，而是强调只有企业最高层能够协调技术、业务、数据、投资和风险之间的关系。

第二是技术局。当前以大语言模型为代表的通用AI，在工业场景中会遇到明显的“水土不服”。工业知识并不只以自然语言存在，还广泛存在于图纸、图像、音视频、代码、参数曲线、仿真模型和工程公式之中。智能体之间的交互，未来也不是中文或英文等人类语言，而是代码、控制指令和结构化数据的交换。工业AI真正需要的是融合行业知识的多模态模型，是面向垂直领域、能够理解工业对象和工艺约束的专用模型。

第三是成本局。企业采用AI不是为了追逐技术热度，而是为了形成投入产出闭环。若数据治理、模型训练、系统集成和运维成本长期高于节约的成本与新增收益，工业AI就很难持续。因此，工业AI项目从立项开始就应明确价值场景、收益口径和评估周期，把降本、增效、提质、缩短交付周期、提升服务能力等指标转化为可跟踪的经营语言。

技术与场景、业务与数据、投入与产出的三重脱节

从实践看，工业AI落地受阻往往表现为三重脱节。首先是技术与场景脱节。模型能力看似先进，但若不能理解图纸、工况照片、设备状态和工艺参数，就无法回答生产现场真正关心的问题。工业场景需要的是可解释、可验证、可嵌入流程的能力，而不是脱离现场的通用知识问答。

其次是业务与数据脱节。制造企业每天都在产生大量数据，但很多数据分散在设备、系统、人员经验和外部服务环节中，格式不统一、标准不一致、语义不完整。它们更像“尾矿”：人们知道其中有价值，却缺少经济可行的工具和方法将其提炼出来。若采集、存储、清洗、标注和加工成本过高，数据价值便难以兑现。

最后是投入与产出脱节。技术不匹配、数据难利用，最终会导致AI投入难以转化为清晰收益。部分项目停留在展示、试验或单点替代层面，未能进入业务闭环，难以获得持续预算和组织支持。破解这一问题，需要从场景选择、数据建设、模型训练和应用运营四个环节同时发力。

产业、创新、空间的三轮融合

面对三重脱节，破局路径是“三融合”。首先是装备制造业与生产服务业融合。制造业的竞争力不再只来自产品本身，还来自产品全生命周期的服务能力。以农业机械等工业产品为例，出厂前的数据主要来自研发、设计和制造；出厂后则会产生作业环境、机器工况、使用行为和运维状态等数据。这些数据若能被持续采集和加工，就能够反哺产品改进、预测性维护、精准服务和商业模式创新。

其次是科技创新与产业创新融合。工业AI不能由科研院所、AI厂商或制造企业任何一方单独完成。科研机构掌握专业知识和基础研究能力，AI企业掌握模型、算法和工程化工具，制造企业掌握场景、工艺和真实数据。只有三者联合研发、共同训练、共同验证，才能形成真正服务于工业生产的专业模型。与此同时，共创过程中的价值分配机制也要同步形成，否则数据和模型难以规模化流动。

再次是物理世界、人类社会与数字空间融合。工业AI既要遵循物理规律，也要适应组织规则和价值导向。未来的工业智能系统需要在数字空间中描述设备、工艺、资源、需求和约束，并与现实世界持续反馈。只有把物理法则、工程经验、商业规则和社会协同机制共同纳入模型，AI决策才可能从“能回答”走向“能执行、能负责、能创造价值”。

高质量数据集数据成燃料

高质量数据集是工业AI从概念走向落地的关键基础。原始数据并不天然等同于高质量数据集。正如矿产资源需要开采、冶炼和加工才能成为可交易商品，生产过程中产生的原始数据，也需要经过采集、清洗、标注、脱敏、结构化和质量校验，才能成为模型训练、场景应用和数据交易的有效“燃料”。

国机数科成立时间虽短，但已承担行业高质量数据集建设链主单位、行业可信数据空间建设执行单位等重点任务，其探索具有较强的行业示范意义。一方面，可以把集团科研院所沉淀的公共知识、试验数据和工程经验梳理为高质量数据集，进一步训练产业垂直模型；另一方面，可以围绕农业装备等典型产品，采集其在作业和运维过程中的数据，形成覆盖研产供销服全生命周期的数据资产。

这一过程的难点不只在技术，更在机制。工业数据往往涉及企业竞争力、客户隐私、设备安全和商业边界。可信数据空间的价值，正在于通过制度、技术和运营规则，让数据在可控、可计量、可追溯的条件下流通和使用。只有让数据提供方、加工方、模型方和应用方都能获得合理回报，工业数据价值链才可能长期运行。

走向智能经济新形态

工业AI的终极目标不是替代单个岗位，也不是建设一批孤立系统，而是推动形成智能经济新形态。其核心特征可以概括为数据驱动、人机协同、跨界融合、共创分享。数据驱动意味着决策依据从经验主导走向数据与知识共同支撑；人机协同意味着AI成为工程师、操作员和管理者的能力放大器，而不是替代人；跨界融合意味着制造、服务、软件、数据和金融等要素重新组合；共创分享则要求建立更加开放、合理、可持续的价值分配机制。

未来三到五年，工业AI的突破将首先发生在价值明确、数据可获得、流程可闭环的场景中，如质量检测、预测性维护、工艺优化、供应链协同、设备运维和特定场景下的具身智能应用。随着多模态垂直模型、高质量数据集和工业智能体逐步成熟，工业AI将从单点工具演进为连接产品、产能、服务和需求的新型基础设施。

从这个意义上看，工业AI不是“把AI装进工厂”，而是让工厂、产品、服务和社会需求以新的方式连接起来。当所有产能、知识和服务都能够被数字化表达、智能化匹配、协同化调用时，制造业将从提供既有产品，走向响应尚未被充分表达的需求。届时，人工智能将使整个社会更接近一个有机体：没有提供不了的产品和服务，只有尚未提出的需求。