圆桌论坛 | AI大模型入局智造赛道,软件服务商如何落地真赋能?

点击上方↑蓝字，关注公众号。

当前AI大模型技术快速普及，大批工业软件厂商纷纷嵌入大模型能力，推出各类数字化转型解决方案。

但大量制造企业落地后反馈普遍存在“工具花哨、落地浅层、无法贴合产线真实需求”等痛点：通用大模型不懂细分制造工艺，软件产品与工厂MES、仓储、能耗等系统割裂，数字化项目投入后难以实现产能、损耗、人力的量化改善。

在此行业背景下，2026新能源数字化峰会重磅开设主题圆桌《AI大模型入局，软件企业如何真正赋能制造业智改数转》。由三花智控副总工程师肖海鸥、易联软件总经理刘建邦、TCL实业IT经理张敏杰、深圳联通新型工业化事业部肖扬同台对话，主持人统筹全场引导议题，从制造甲方、工业软件厂商、大型终端企业、数字基建服务商四大视角，剖析大模型赋能制造的现存短板、落地标准与长期可行路径。

如今几乎所有工业软件都搭载通用大模型功能，可我们制造端实际落地体验差距巨大，很多大模型功能停留在问答、报表生成层面，无法深度参与排产、品控、设备运维等核心生产环节。

从甲方工厂视角来看，软件厂商依托通用大模型做智造赋能，存在哪些底层矛盾？

三花智控工程师肖海鸥：

作为制造企业技术负责人，我们最直观的感受是通用大模型与工业场景存在天然断层。

通用大模型训练素材以通用文本为主，缺少制冷、精密零部件加工等细分行业工艺知识库，面对车间非标工况、设备异常无法给出精准决策。不少软件厂商只做简单接口对接，没有针对行业做模型微调、场景定制，看似完成AI升级，实则无法解决工厂真实痛点。

同时多数软件产品数据打通能力薄弱，大模型缺少全链路生产数据支撑，输出结论参考价值极低，这也是智改数转项目落地效果不达预期的关键。

易联软件总经理刘建邦

站工业软件服务商视角，矛盾主要分为产品与服务两层。

产品端，通用大模型适配通用性场景，而制造业细分赛道工艺千差万别，单一通用模型无法覆盖全部行业，若厂商不愿投入成本训练垂直行业大模型，赋能只能浮于表面；服务端，很多软件企业重产品销售、轻落地陪跑，交付完成后不再跟进产线迭代优化，大模型无法持续吸收车间实时工况数据，能力会逐步退化。

想要实现有效赋能，软件企业必须兼顾垂直模型研发与长期驻场服务两大板块。

TCL实业 IT经理 张敏杰

大型电子制造企业内部系统繁杂，ERP、MES、WMS、设备运维平台多套系统独立运行，这是大模型落地的巨大阻碍。

多数软件厂商推出的大模块无法兼容老旧工业系统，对接改造周期长、改造成本高，企业投入预算有限，很难全面打通数据。除此之外，通用大模型的数据安全机制无法满足制造业生产工艺、客户订单保密要求，企业不敢将核心生产数据输入公共大模型，进一步限制大模型在核心生产场景落地。

深圳联通新型工业化事业部肖扬

数字基建层面存在明显短板，工厂网络、算力硬件配套跟不上大模型运行需求。

中小制造企业厂区带宽不足、边缘算力缺失，云端大模型实时运算延迟高，无法支撑产线实时质检、设备预警等低延迟场景；

同时软硬一体化配套缺失，软件厂商只提供大模型软件，不配套边缘算力、本地私有化部署方案，企业单独采购硬件成本过高，最终导致大模型功能闲置，难以转化实际生产价值。

制造企业在选型、验收工业大模型数字化方案时，很难界定产品是否具备真实赋能能力，请各位分别从软件厂商、大型制造甲方、数字基建服务商角度，给出可落地评判标准。

三花智控工程师肖海鸥：

从制造甲方验收角度，我划定三大硬性标准。

第一，必须适配本厂细分生产工艺，可针对设备故障、物料损耗、排产优化给出专属优化建议，而非通用套话；

第二，支持私有化本地部署，核心生产数据不出厂，完善分级数据权限与加密机制；

第三，可量化价值输出，能够清晰核算大模型落地后产能提升、不良率下降、人力节约等数据，只做报表、问答功能的浅层AI方案不具备采购价值。

易联软件总经理刘建邦

软件企业自研工业大模型，首先要建立行业工艺数据库，深耕单一制造赛道积累工况样本，完成模型轻量化微调；

其次产品架构必须兼容市面主流工业系统，提供标准化对接接口，降低企业改造投入；

最后配套分阶段落地服务，前期试点验证价值，中期全厂复制，后期按月迭代优化模型，持续根据产线变化更新能力，三者同时满足才能实现长效赋能。

TCL实业 IT经理 张敏杰

大型集团企业更看重方案的兼容性与扩展性。

评判一套大模型解决方案，要看能否适配集团多厂区、多品类生产模式，支持统一管控又能适配各分厂差异化工艺；同时需具备完善的数据治理能力，自动清洗、整合多系统异构数据，无需企业投入大量人力手动整理数据；

长期来看，平台支持功能模块化迭代，企业可按需采购大模型细分能力，不用一次性全额采购整套系统。

深圳联通新型工业化事业部肖扬

从底层支撑维度有两大核心标准：

一是提供云端+边缘混合算力部署方案，兼顾实时生产场景与后台数据分析场景；二是配套工业专属安全网络，保障大模型数据传输稳定、安全无泄露。

同时服务商需配套完整算力运维服务，降低工厂IT团队维护压力，软硬件一体化协同，才能保障大模型稳定运行、持续赋能生产。

结合行业现存短板与评判标准，面向工业软件同行与制造工厂，一套循序渐进、风险可控的大模型智改落地路径该如何规划？

三花智控工程师肖海鸥：

结合工厂多年数字化改造经验，推荐“小场景试点-数据底座搭建-全场景拓展”三步走路径。

第一步优先选择报表统计、设备预警等低风险标准化场景落地大模型，快速产出量化收益，打消管理层投入顾虑；

第二步同步全域数据治理，打通厂区全部业务系统，搭建统一数据底座，为大模型提供完整数据源；

第三步逐步拓展排产、品控等高价值核心场景，持续迭代行业专属模型，稳步实现全厂智能化升级。

易联软件总经理刘建邦

软件服务商落地需转变经营思路，摒弃“卖标准化通用产品”模式，走行业深耕路线。

第一步锁定细分制造赛道，沉淀工艺数据训练垂直大模型；第二步推出轻量化SaaS版本适配中小企业，私有化定制方案服务大型集团；第三步建立长期客户运维团队，按月收集产线反馈迭代模型，以持续服务实现长期赋能，而非一次性产品交付。

TCL实业 IT经理 张敏杰

大型制造集团落地建议分厂区、分业务线分批推进。

先选择单一示范产线完成大模型全流程试点，跑通数据对接、模型运算、价值核算全流程，形成标准化落地模板；再复制至同类型分厂；最后统筹集团全部厂区打通全域数据，搭建集团级统一工业大模型中台，兼顾落地风险与规模化复制效率。

深圳联通新型工业化事业部肖扬

数字基建配套同步分阶段部署，试点阶段配套轻量化边缘算力设备，满足单产线大模型运行需求；规模化推广时升级厂区工业专网，搭建本地私有算力中心；长期配套云边协同一体化平台，实现数据本地存储、复杂运算云端处理，兼顾实时性、安全性与算力成本，为大模型长效运行筑牢底层支撑。

结语：

真正落地的工业AI，必须做到工艺适配、数据贯通、安全可控、软硬协同、价值可量化。制造企业应秉持试点先行、分步迭代的节奏稳步升级；软件服务商需跳出同质化竞争，深耕垂直场景、打磨行业模型、做实全周期落地服务。

展望未来，随着垂直工业大模型与算力基建持续成熟，制造业AI将彻底告别浅层应用，深度赋能生产核心环节。行业将迈向场景深耕、模型垂类、软硬协同、长效服务的高质量发展新阶段，以实打实的AI能力，驱动制造业智改数转、提质增效。

#新能源#数字化#ai#AI#智能制造#数字化转型#工业AI#智能体