AI进工厂,为什么这么难?

最近豆包又双叒上热搜了。

起因是广东一大哥在小区里采了野生蘑菇，拍照问豆包能不能吃。豆包说"可能是鸡腿菇"，同时补了一句"容易和剧毒的大青褶伞混淆，野外采的，强烈建议不要吃"。

大哥还是吃了，结果急性肝衰竭，进了ICU。

这次事件，距上次机票退费事件也就个把来月。在这短暂的时间里，智能体的可靠性一次又一次被拉进了公众视野。

智能体为什么没那么可靠呢？

抛开幻觉，可能还有个原因需要我们关注：智能体在扩张初期，是如何形成用户粘性的？

答案就是足够智能。你问它什么，它都能接住：你的情绪它能接住；你让它写文章、做表格、聊创业、分析投资，它既耐心又热情，次次有回应。

也只有这样，大家才可能形成依赖。否则，如果它像以前的智能音箱类产品那样，你问它一个问题，它说"很抱歉，这个我还需要学习"，再问一个，"这个需要会员"——你说大家怎么能形成粘性呢？

所以，为了扩张，开始的设定里，只能先把模糊的边界放一放，尽量做到聪明的无所不知。

这个聪明，恰恰也是它进不了工业场景的原因。

因为在工业场景中，99%的准确率意味着1%的灾难。漏看一个报警信号，可能就是几条人命，算错一个电网阈值，可能半个城市都要停电。所以，与聪明相比，靠谱才是竞争力。

这是两个路径。

但智能体进工业，也不是没有希望。最近读了亿欧智库的《2026中国工业大模型发展洞察报告》，里面有两个已经跑出来的例子。

一个是海康威视的"观澜大模型"。港口几公里长的运煤皮带，过去靠人24小时盯着，防止跑偏损坏设备。现在大模型接上自清洁相机，像一个不知疲倦的老工人，跑偏还没发生就能预警。这个模型，每年能为一个港口省30多万的清理成本。

另一个是国家电网的"光明电力大模型"。是电力行业首个千亿级多模态大模型，覆盖总部加27家省级电力公司，600多个应用场景。自动识别线路异常、自动告警、自动派单，替代了过去大量的高危人工作业。

值得注意的是：这两个例子展示的都不是"AI有多聪明"，而是在极其苛刻、受各种内外部环境影响的真实场景里，AI有多可靠。

所以AI进工厂的答案，可能不在"更聪明"那条路上，而在让它靠谱的"缰绳"上。物理校准、受限智能、工程化落地的确定性——才是工业AI真正的护城河。