不跟风不冒进:制造企业AI落地的实战路径

2026年9月10日，在e-works数字化企业网主办的“第十二届国际智能制造暨工业AI（武汉）论坛”上，e-works总经理胥军博士与武汉人工智能研究院副院长彭骏、Velotic亚太区业务咨询总监余思源、长虹美菱股份有限公司智能制造所所长胡明勇、北京嘉禾云网科技有限公司项目总监祝嵩、英业达天津公司PMO主管周宏亮展开高峰对话，带来从一线实践中沉淀的清醒判断与实战方法。

从左至右依次是：主持人e-works总经理胥军博士、武汉人工智能研究院副院长彭骏、Velotic亚太区业务咨询总监余思源、长虹美菱股份有限公司智能制造所所长胡明勇、北京嘉禾云网科技有限公司项目总监祝嵩、英业达天津公司PMO主管周宏亮

制造企业推进数字化转型，是否意味着要All in AI？我们应当如何理解数字化转型与AI应用的关系？

企业应从业务现状出发由点到面推进AI应用。

企业要不要布局工业AI，首先要明确它的定义。如果说企业一上来就要全面上线工业大模型，覆盖所有产品和软件系统，以现阶段来看并不现实。数字化转型是一个宏大的命题，是一项系统化工程。企业应当从业务现状出发，梳理哪些环节适合用AI优化，遵循由点到面的节奏推进。但在战略层面，企业应当尽早将AI纳入发展思路，推动现有系统向适配AI的方向调整。

AI是提质增效的放大器，必须坚持技术服务于业务。

我认为首先要理清先后顺序：数字化转型基础不扎实，AI应用就无从谈起，这是核心前提。其次要明确推进节奏，AI是全面布局还是逐步落地，是企业必须考量的问题。企业应当先解决“从0到1”的基础问题，再解决“从1到N”的规模化问题，不能一上来就谈All in。

数字化是底座，承载着具体的业务流程与数据；AI是构建在底座之上的工具，是对现有业务提质增效的放大器。数字化对应的是业务架构与业务流程的体系化建设，而AI绝对不能让业务去适应技术，而是要让技术服务于业务。

工业场景下AI存在幻觉，盲目全量替换系统会付出极高的纠错成本。

AI只是加速器。对于我们工业软件厂商而言，我们用AI一方面是帮助合作伙伴和用户升级，另一方面也是帮助我们自身实现产品的迭代更新。AI的作用是让现有的业务流程走得更快、更顺畅，找到更优的路径，而不是推翻现有的体系，用AI重新搭建一套架构。刚才也提到，AI存在幻觉问题，在工业场景中，如果盲目全面替换现有系统，反而要付出极高的成本去修正错误。

制造企业推进AI应用，需要具备哪些基础条件，做好哪些准备工作，才能保障落地实效？

AI落地要从单一场景切入，在企业现场验证价值与经济效益后再横向推广。

想要说服企业应用AI，前提是要证明它的价值，而且必须在企业自己的生产现场证明价值，别人的经验只能作为参考。对于决策者而言，技术投入是真金白银的支出。如果能在单一场景做成功，验证出明确的经济效益，再向其他场景横向推广，就会顺利很多。一旦第一个点跑通了，后续就会形成加速的飞轮效应。

企业落地AI需做好两大准备，一是统一工艺标准，二是配备专业人员跟进技术迭代。

作为乙方，我们在项目中总结了两个核心准备方向。第一是基础数据准备。AI不是无源之水，需要高质量的数据输入，企业的工艺流程、标准规范是否统一，能否形成标准化的数据基础，是AI落地的前提。第二是人员能力准备，AI技术发展迭代很快，企业需要有对应的人员，能够跟上技术节奏，在应用过程中持续优化。同时企业也要提前梳理清楚，AI的应用场景和落地环境有哪些。

企业AI落地需四大支撑，即文化认知共识、数据与流程治理、高层牵头的组织与复合型人才、锚定痛点的价值导向。

第一是文化认知基础。企业内部无论是对数字化还是AI，都需要形成足够的认知共识。如果大家都不了解AI是什么、能带来什么价值，不相信技术的力量，推动落地就会缺乏文化支撑。

第二是数据与流程基础。我一直认为，没有扎实的基础，再新的技术也难以发挥作用。无论是智能制造、数字化转型、工业互联网+，还是当下的AI+，底层的数据治理和流程治理都是根基。

第三是组织与人才保障。AI落地必须由高层牵头主导，从战略层贯穿到战术层、执行层，才能形成有效的牵引力。同时需要既懂制造工艺、生产流程，又懂数字化和AI的复合型人才，否则就缺乏落地的执行机制。

第四是价值导向。企业做任何投入都要谈价值、谈ROI，必须锚定高价值的业务痛点，没有明确的痛点和价值靶点，引入AI就没有必要。

企业落地AI需满足三大条件，即高层重视的战略意愿、扎实的数字化基础、良好的经营状态与收益支撑。

我们服务过上千家企业，但不是所有项目都能产生预期价值。我们总结了筛选合作伙伴的三个核心要素，也可以给甲方企业参考。第一是意愿，高层是不是真正重视，而不是把战略写在墙上流于形式。第二是基础，企业的互联网化、物联网化、信息化、数字化基础建设有没有做到位。第三是企业经营状态，如果企业处于经营困境，首先要解决的是生存问题，暂时还不适合布局AI。

工业软件的系统架构、交付方式在AI大潮下会产生哪些变革？智能体会替代管理软件传统的系统功能吗？

大模型与工业软件的能力重叠处就是产业变革点。

首先要想清楚，大模型到底提供了什么能力，现有的工业软件又具备哪些能力，当二者的能力出现重叠，就是未来发生变革的地方。从实际来看，大模型发展到现在，很多软件的使用方式已经开始发生变化，这是一个明确的切入点。这也意味着，企业在用的各类管理软件、研发软件，都已经开始应对AI带来的挑战。

AI会深刻变革工业软件的开发与交付模式。

站在工业软件厂商的角度，我认为首先可以确定的是，AI会让工业软件的开发模式和交付模式发生巨大变化。举个例子，过去开发一套完整的系统，需要半年左右的调研和开发周期；现在借助AI编码工具，半个月就能完成一套新系统的开发，还能同步生成配套文档；在交付与运维层面，过去是系统交付后做验收，运维是阶段性的，现在伴随大模型的持续优化，运维变成了持续性的工作，迭代效率大幅提升。至于替代关系，我认为短期内AI不会替代MES、WMS这类核心工业软件，但长远来看，MES当中人机交互复杂的功能模块，完全可以用AI来替代。

AI是长期产业变革趋势，但短期内难以完全替代传统工业软件，工业场景对绝对精准的要求是当前AI的核心挑战。

AI正在给我们的工作和生活带来翻天覆地的变化，技术迭代速度非常快，这是必须正视的现实，我们要相信AI长期的变革力量。

在很长一段时间内，AI都很难完全替代传统工业软件，只能在现有系统的基础上做赋能加持，提升系统的价值，而不能彻底替换掉工业领域成熟的解决方案和模型，因为工业场景充满变量，当前的AI还很难完全应对。

工业场景和非工业场景对AI的要求天差地别。制造现场是多模态、多任务并发的复杂环境，当前的AI还很难实现多场景的融合协同，达到工业级的高精度决策。但我相信，随着技术的发展沉淀，未来AI会逐步渗透到更多工业场景中。

AI在保障可靠性的同时实现了研发效率的革命性提升。

Velotic正在彻底脱离传统架构，转向微服务、容器化的模式，支持客户在云端、本地、边缘侧等任意环境部署。在这个过程中，AI帮助我们设计新的软件架构和功能模块。为了保障工业软件的确定性，我们投入大量精力保障数据传输稳定、网络中断时的本地断点续传等能力，这也是过去工业软件迭代慢的原因。有了AI加持后，研发效率有了革命性的提升。

彭院长，您提到具身智能机器人的“三个墙”，能不能结合这个话题再展开讲一下？

具身智能机器人落地工业场景需突破三重壁垒，即真实异常场景的数据墙、跨设备技能迁移的表征墙、自主认知调整的闭环墙。

具身智能机器人要真正落地工业场景，需要突破“三个墙”的能力，这也是AI在工业现场落地的典型难点。

第一个是数据墙。当前工业场景的真实数据非常稀缺，尤其是真机、真场景、真操作的数据，而异常场景的数据更是稀缺。机器人没有异常场景的训练数据，遇到机械失衡的突发状况，没有对应的处理逻辑，人会出于本能规避风险，但机器人没有数据支撑就做不到，这就是数据壁垒。

第二个是表征墙，不同机器人的结构、关节、电机都不一样，如何让一台机器人学会的技能，能准确迁移到另一台不同型号的机器人上，这就是需要对不同部件进行统一表征，核心是降低技能迁移的成本，保障不同设备的性能一致性。

第三个是闭环墙，在真实的场景中，会出现很多异常状态，比如被遮挡被覆盖，如何在这些场景中也能实现正常准确的操作执行。目前我们采用了自主视觉推理技术，使得在工业现场、快递分拣场景中，物体遮挡、姿态各异时，机器人也能具备自主认知、自主调整的闭环能力，这样才能真正落地复杂场景。

工业现场的机器人要真正实现替代人工，首先要突破刚才说的“三个墙”的问题。而智能体和传统工业软件的关系，目前来看还是局部赋能加持，完全替代还需要很长的时间。工业AI和智能体软件是产业发展的大趋势，对于制造企业而言，应当保持长期关注，逐步尝试，适度有序推进。我们今天的讨论就到这里。非常感谢各位嘉宾的精彩分享！