【社会】中国工业AI,“卡”在哪了?

能进产线的AI，为什么仍是少数？

当一个工业AI项目启动时，人们往往满怀期待。然而随着调试深入，那些发布会上的豪言壮语在机床的轰鸣声中逐渐消散——AI在通用场景中的势能，一进入制造体系就迅速衰减。发布会上的“进厂”“上产线”越来越多，但真实生产主流程里的规模化突破，却迟迟没有出现。

2026年初，当工信部等八部门联合印发《“人工智能+制造”专项行动实施意见》时，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。这同时也引出了一个更现实的追问——中国的工业AI，到底“卡”在哪了？

繁荣背后，AI的“点状式”落地困局

先来看一组令人振奋的数据：人工智能已渗透领航工厂70%以上的业务场景，沉淀了超6000个垂直领域模型，带动1700多项关键智能制造装备与工业软件规模化应用，推动智能制造从“自动化”向“自主化”演进。我国规上工业企业数字化改造覆盖率已达89.6%，工业机器人产销量均超过全球其他国家的总和。中国人工智能核心产业规模已超过1.2万亿元，企业数量超过6200家。

但若将视角从“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。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技术的占比仅为9%。麦肯锡研究显示，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%。

更直观地说：绝大多数制造企业仍在“点状式”地尝试——某个质检环节用上了AI视觉，某个设备运维用上了预测性维护——却远未实现全流程、体系化的智能改造。这场变革，究竟“卡”在了哪里？

第一道卡：算力之痛——跑不动的AI引擎

算力，是工业AI最基础的燃料。而燃料的供给，目前卡在一个尴尬的区间。

国内AI芯片当前主流采用12纳米与7纳米先进工艺，而北美地区已逐步向2纳米工艺节点推进。受工艺差距影响，国内单颗AI芯片的算力仅为北美同类产品的约30%。

以国产AI芯片的代表华为昇腾910C为例，其采用基于DUV的7纳米生产工艺，良率仅约30%。这一良率远远高于科幻领域里“完美复刻”的标准——但还不够。赛迪研究院数据显示，国产GPU市占率不足10%，性能与生态短板明显，难以满足大模型训练需求。

不过，硬件的差距正通过体系化方案被逐步弥合。算力组网、超节点架构设计等方案正在取得突破。例如，在384组卡的部署规模下，国内AI系统的整体算力可达到北美同类系统的2.1倍。算力是可以集结的，正如智慧也是可以汇聚的。 同时，华为昇腾950系列等新产品已在规划中，预计以每年迭代一次的节奏持续推进，带动国产算力份额加速提升。这就像是在建造一座大型工厂——单台机器的功率不够，就用更多的机器集群协作来弥补。而在更前沿的探索中，绕开光刻机的“新型芯片”已经在实验室中展现出令人振奋的可能性，能在28纳米及以上成熟工艺量产，有望支撑6G、具身智能及AI大模型训练等多个场景。

第二道卡：软件之困——工业制造的“数字大脑”谁来写？

如果说芯片是工业AI的“心脏”，那么工业软件就是它的“神经系统”。而在这个领域，国产化的任务已经刻不容缓。

EDA（电子设计自动化）工具，是芯片设计的“必需品”。长期以来，这一领域被海外巨头主导。但国产替代的浪潮正以不容忽视的速度推进。2026年1月，中国电子信息产业集团表示，将着力打造国产全谱系全流程EDA工具系统，加快形成全产业链实质性突破。

而在更垂直也更艰深的领域，有国内企业正在悄然突围。陶陶半导体设备核心工艺仿真软件长期被海外巨头垄断，国内创业公司培风图南以十几年的时间从底层几何算法开始积累，终于在2024年顺利切入多家国内半导体龙头供应链。该公司创始人沈忱坦言，前两次开发全部失败，“前两次全部死在几何上”。这不是哪个环节出了问题——而是整条技术链上几乎都有“真空”。 但正如他的预判：“在缺失关键设备的情况下，国内工艺发展与国际已经‘分岔’……未来五到十年，中国半导体必将走出一条差异化的自主发展路径。”

此外，国产EDA工具NESIM-A的发布，以“画代替写”的创新交互模式降低了使用门槛，同时实现了从硬件、操作系统到应用软件的全国产化链路验证。工具链的自主化，正以前所未有的速度在构建。

第三道卡：数据之障——AI的“粗粮”何时变成“精粮”？

AI的效能，很大程度上取决于它“消化”了什么数据。对于追求精密生产的制造业而言，“好数据”就是AI的生命线。

当前高质量工业数据集供给严重不足。工业数据种类繁多、标准化程度低、质量参差不齐；数据标注专业性强、投入大、周期长，企业数据集建设意愿不强、投入不足。工业企业普遍面临“数据孤岛”林立、标准缺失、质量参差、安全风险凸显等多重堵点难点。

尤其值得关注的是，企业出于数据安全、商业秘密等顾虑，普遍存在“不愿共享、不敢共享、不能共享”的问题。数据不能共享，工业AI的智能就无法从单点扩散为网络。 正如全国人大代表马新强所言：“这些问题单靠企业自身难以解决，亟需国家与行业层面进行系统性顶层设计，为工业AI的规模化应用扫清数据障碍。”

工信部2026年正式启动“工业数据筑基行动”，正试图系统性破解工业数据“采”“集”“用”全链条瓶颈。而张帆代表也提出，应大力推广“数据可用不可见、用途可控可计量”的共享模式，从技术和机制上消除企业顾虑。这提醒我们，数据共享不仅是技术问题，更是信任问题，而信任的建立需要的是制度与机制。

第四道卡：人才之缺——谁在驾驭未来的工业智能？

AI、制造、数据的交叉地带，人才缺口异常巨大。

我国数字经济人才需求规模约为6500万人，缺口高达3200万人，高端、复合型数字人才短缺问题尤为突出。人工智能人才缺口超过500万，供求比例达1∶10。工业场景需要的不仅是算法专家，更是既懂工业机理、又懂人工智能的复合型人才。技术可以引进，但人才的培养必须一步一个脚印。

每一个智能工厂的建成，都伴随着大量“复合型人才”的培养。正如一个钢铁加工工厂的AI改造案例中，项目带动培养复合型人才280人，新增智能制造岗位600个，相关岗位薪资提升了40%。随着国家层面系统性部署的推进，教育链、人才链与产业链的融合正在加速。

第五道卡：落地之难——从点到面的突破究竟有多远？

西门子全球CEO博乐仁的判断掷地有声：“我们已经迈入工业AI革命的时代。这一点我们确信无疑：当前，这场工业AI革命正在中国轰轰烈烈地展开，已然形成规模。 ”

西门子大中华区总裁肖松强调，工业AI时代必须构建强大生态，才能真正释放技术价值。国机数科董事长王宇航进一步将工业AI的落地困境概括为三局——管理、技术和成本。工业AI的落地不是一次简单的技术革新，而是一次管理再造、流程再造，是“内部的结构重组和管理革命”。

事实上，工业AI的竞争逻辑正发生质变：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。

破局之道：从“补全”到“自我超越”

回到问题的原点：中国工业AI，“卡”在哪了？

它“卡”在了算力芯片的良率与产能上——但这正在被系统级的算力组网和工艺创新所弥补；它“卡”在了工业软件的自主生态上——但这正被十几年来“冷板凳”式的基础积累所突围；它“卡”在了数据孤岛与共享障碍上——但这正在被国家层面的“数据筑基行动”和制度创新所攻克；它也“卡”在了复合型人才的巨大缺口上——但这正被产业需求驱动的人才体系所加速培养。

任何一个伟大的目标，在实现的道路上都有比现在更高的起点。

事实上，每一次“卡”住，都是一次对自我超越能力的考验。正如那款搭载国产操作系统与芯片的AI智能基座，它正在推动智能向出行、工业制造等全场景延伸，以技术复用与生态协同实现场景智能的规模化落地。“国产替代”已从“可选”变为“必选”。

我国工业互联网与人工智能核心产业规模已双双突破万亿元，两者的深度融合将共同构建起一个更加蓬勃发展的融合生态，带动相关产业规模达数十万亿元。

但最终，工业AI的终极意义，正如西门子肖松所指出的，在于构建“人与AI互融共生”的新范式。 这种协同不是简单的分工，而是人类智慧与人工智能的共振，将产业创新推向新的高度。

人是工业AI中最独特的变量——AI让我们摆脱低效劳动的重复，将人类从“操作者”转变为“定义者”和“决策者”。人类智慧与AI能力的共振，正是这场工业文明新篇章中最动人的旋律。如同西门子肖松在CES 2026上所言：“工业AI已不再只是一个功能，而是重塑未来百年工业形态的关键力量。”

也许，每一个环节的“卡”，都恰恰是通向真正意义上的工业转型升级的必经之路。它需要我们停下来审视，而不是焦虑地追赶。当政策、资本与技术同时加码，我们需要的，是在每一个“卡”处找到新的创造力。这不是一条可以靠“补全”就能走通的路，而是一场必须用“自我超越”来完成的伟大复兴。