夜雨聆风工业 AI 的第一堂课，不是大模型，而是设备、工艺、质量、人员和系统之间的数据接入，让 AI 看见数据。
一家工厂想做预测性维护。
老板听说大模型现在很厉害，供应商也带来了演示系统：输入一段设备状态，AI 就能分析故障原因，还能生成维修建议。听起来很顺。
可真正进车间以后，事情很快变成了另一副样子。
第一周，大家没怎么讨论模型。更多时间花在找 PLC 点位表、对设备编号、确认传感器采样频率、翻历史维修记录、理解 MES 里那些用了十几年的字段。
有些设备接得上，但字段名看不懂；有些系统有数据，但只给报表不给接口；有些报警能看到，但不知道对应哪批物料、哪个工艺段、哪次换线；还有些关键经验，根本不在系统里，只在老师傅脑子里。
这才是工业 AI 落地最常见的现场。
不是大家不知道 AI 重要，也不是模型不够聪明，而是模型一进工厂，先撞上的往往不是算法问题，是数据问题。
一、工业 AI 的话题，已经从“能不能做”变成“怎么落地”
这个月有个会挺有意思。
6 月 3 号，2026 首届工业人工智能大会在上海开，主题叫“智赋场景，数启转型”。参会的包括信通院、PTC、宝信、菲尼克斯电气、台达、西门子、中控、艾默生、和利时等。大家讨论的不是单纯大模型，而是数据治理、智能体、平台架构、场景实践、硬件底座和价值闭环。里面最值得留意的其实是“数启转型”这四个字：工业 AI 的起点，还是数据。
政策上也是一样。
工信部等八部门前阵子发了《“人工智能+制造”专项行动实施意见》，提的目标挺具体：到 2027 年推动 3—5 个通用大模型在制造业深度应用，搞 1000 个高水平工业智能体，打造 100 个工业领域高质量数据集，推广 500 个典型应用场景。文件里还提了一个词叫“模数共振”，说人话就是——模型和数据集得一起抓，数据底子不行，模型再大也白搭。
注意这个顺序。
它没只说“上模型”，也没只说“做智能体”，而是把模型、数据集、企业数据治理、数据工程能力搁在一块儿讲。
这件事说明：制造业上 AI，不是买一个模型就结束了。模型要真正进入生产现场，前面得有一套扎实的数据底座。
过去几年，工业互联网已经铺了不少路。有数据显示，2024 年我国工业互联网核心产业增加值到了 1.53 万亿元，5G 行业虚拟专网超 6.4 万个，5G 工厂 1260 家，重点平台工业设备连接数超 1 亿台套。设备联网、平台建设这些并不是空白。
但工业 AI 带来的新问题是：连上了，不等于能用。有数据，不等于 AI 能理解。
二、很多工厂不是没数据，而是数据被“卡”住了
我见过不少工厂，数字化基础并不算差。
有 MES，有 ERP，有 SCADA，有工业网关，有能源管理系统，有质检系统，也有不少传感器。领导参观的时候，大屏很漂亮，产量、良率、能耗、报警、设备状态都能展示。
可一到 AI 项目，问题就出来了。
先说设备之间的“语言”不通。同一个车间，有新设备也有十几年前的老设备。PLC、CNC、机器人、视觉检测机、仪表、传感器，牌子五花八门，年代不同，接口更是各式各样。有些支持标准协议，有些得翻私有协议，有些只能导出文件，有些还得从老系统里绕路拿数据。AI 还没开工，工程师先变成了“考古队”。
再看系统之间的隔阂。MES 管生产，ERP 管订单，WMS 管仓库，QMS 管质量，SCADA 管现场，EAM 管设备维护。单独看，哪个系统在自己的世界里都没错，但搁在一起就麻烦了——缺少统一的对象、统一的编号、稳定的接口。一台设备，在设备系统里叫 A-01，在 MES 里叫 Line2-Machine01，在维修记录里又被写成“二线一号机”。人能慢慢对，AI 可不知道它们是同一个东西。
还有报表带来的错觉。很多工厂的数据，最后落到 Excel、日报、周报和大屏上。这对管理汇报有用，但对工业 AI 不够。预测性维护、质量预警、智能排产这些场景，需要的是持续流动的状态、事件、报警和上下文，而不是第二天上午才整理出来的一张表。AI 要做的，是“提前发现问题”，不是“事后写总结”。
更麻烦的是数据本身缺少上下文。一个温度值 86℃，光这一个数没什么意义。它来自哪台设备？哪个工序？对应哪种物料？当时是升温、恒温还是降温阶段？是不是刚换过模具？是白班还是夜班？这批原料本身有没有波动？没把这些上下文带上，AI 看起来头头是道，实际上很可能在瞎猜。
最后是闭环的问题。有些系统能把异常展示出来，也能生成一段分析文字。可再往下呢？维护工单能不能自动生成？排产系统能不能跟着调整？质检策略能不能变化？操作员能不能确认和反馈？后续效果能不能回流？如果做不到，那 AI 就只是一个更会说话的看板。很多项目就卡在这儿：演示的时候挺好看，真要进生产闭环，才发现数据、系统、流程和责任的边界都没打通。
三、数据不只是给人看，还得能让机器用
过去上系统，主要是为了让人能看见。设备状态看得见，产量看得见，能耗看得见，报警看得见。这当然有价值，没有可视化，很多管理问题根本暴露不出来。
但现在 AI 来了，要求变了。
数据不能只进报表，还得能被系统订阅；不能只描述结果，还得保留过程；不能只堆在平台里，还得能回到业务动作里。说白了，工业数据正在从“给人看的材料”变成“机器要吃的原料”。
这不是喊口号。
麦肯锡 2025 年调查了 101 位大型制造企业 COO，约三分之二的企业 AI 实施还处在探索或定向实施阶段，只有 2% 说 AI 已经完全嵌入全部运营。更具体的问题是，46% 的 COO 提到了数据或 IT/OT 系统方面的限制，包括基础设施老旧和数据质量不行。
这组数据很说明问题。制造业不是没看见 AI，也不是不愿意花钱。真正难的是，AI 要从试点走向生产现场，得穿过 IT 和 OT 的那道缝。
IT 关心云、接口、数据平台、应用开发；OT 关心稳定、实时、安全、不能停线。一个想快，一个怕乱；一个追求灵活，一个要求确定性。
工业 AI 落地最难的，往往不是让模型回答一个问题，而是让 IT 和 OT 坐到一张桌子上，把“这条数据到底代表什么、能不能信、能不能用、谁负责”讲清楚。
四、工业 AI 需要的底座，到底长啥样
把工业 AI 拆开看，它的底座差不多有五层。
最底下，是设备接入。PLC、CNC、机器人、仪表、传感器、视觉设备、AGV、能源表计，都得用合适的方式接进来。这不光是“能采就行”。采样频率、时间戳、断线重连、缓存补传、边缘计算、网络隔离、权限控制，哪样都不能含糊。产线数据错了，不是推荐不准的问题，可能影响判断、报废产品，甚至出安全事故。
往上一层，是数据标准化。这一步很苦，但特别关键。同一个温度，有的系统叫 temp，有的叫 T01，有的叫 PV，有的叫 actual_temp。单位可能是摄氏度，也可能被设备厂家处理过。时间戳可能来自设备，也可能来自网关，还可能来自入库时间。不把这些统一了，AI 吃到的就是一堆散乱信号。很多项目不愿意花时间做这一步，因为它不好看，也上不了发布会。但恰恰是这一步，决定了模型以后能不能稳得住。
再往上，是语义建模。这是工业数据和互联网数据很不一样的地方。OPC UA 的价值就在这里：它能给数据带上结构，不光知道“这个点位现在是 86”，还要知道它是谁的 86、在哪个工序里、跟哪些设备、物料、报警有关。没语义，AI 就只能看数值；有语义，AI 才可能理解现场。
接着，是实时消息与事件流。工业 AI 不能只吃离线数据。设备开机、停机、报警、换线、质检异常、工单变更，这些都应该像事件一样流动起来。MQTT 和 Sparkplug 这类技术在这时候就很重要。它们不光能传数据，还能让订阅端知道数据是不是还活着。现场最怕的不是没数据，而是收到一堆不知道还有没有效的数据。这就是状态感知的意义。
最上面，是闭环执行。AI 给了建议之后，得能回到系统里去。发现设备异常，要能触发维护工单；发现质量波动，要能关联到批次和工艺参数；发现排产冲突，要能反馈给排程系统；发现能耗异常，要能定位到班组、设备和工况。如果 AI 只能说“建议检查设备”，但工单、备件、排产都接不上，那它离真正生产力还差得远。工业 AI 不能停在“分析得挺像那么回事”，它得能进入动作。
五、这件事在中国尤其现实
中国制造业的复杂度，特别适合聊这个问题。
我们既有非常先进的灯塔工厂，也有大量中小制造企业；既有高度自动化产线，也有老设备、老系统、老师傅经验共同存在的车间。
很多企业不是不想上 AI，而是不可能推倒重来。现实问题是：不能为了上 AI，把 MES 换掉，把设备换掉，把产线停掉，把老师傅经验全格式化。
所以，中国制造业真正需要的工业 AI，不应该是一个昂贵、笨重、只能伺候少数标杆工厂的系统。它应该更像一种能逐步接入的能力：先从关键设备、关键工序、关键质量点开始，把数据接出来、对齐、建模，再慢慢进到预测、优化和闭环。
这也是“物联网”在工业 AI 里重新变重要的原因。过去说物联网，大家想到的往往是连接数、模组、网关、平台、大屏。但在工业 AI 的语境下，物联网的价值不只是“把设备连上网”，而是把真实世界里的设备、工艺、物料、人员和事件，持续、可靠、可解释地送进数字系统。
AI 是大脑也好，是助手也好，是智能体也好，都离不开这套“神经系统”。没这套系统，工业智能体很容易变成一个会聊天的报表入口。能总结，能解释，能写建议，但不敢碰生产。
六、别急着给工厂装大脑，先把神经接通
现在聊工业 AI，很多人喜欢说“大脑”。工业大脑、工厂大脑、生产大脑、智能体大脑。这个说法没错，但容易让人忽略更基础的东西：神经有没有接通？
设备数据能不能稳定上来？系统之间能不能对齐对象？报警有没有上下文？历史数据能不能追溯？实时事件能不能订阅？AI 的建议能不能回到工单、排产、质检和维护流程？出了问题，能不能知道是数据错了、模型错了，还是人执行错了？
这些问题，比“模型参数有多少”更贴近工业现场。
有一篇 2026 年关于智能制造 AI 的路线图论文也提到，工业 AI 落地仍然面对工业大数据复杂性、有效数据管理、异构系统集成，以及在高风险环境里做到可信、可解释、可靠运行这些挑战。
所以，工业 AI 的下一场竞争，不会只发生在模型层。它会发生在谁能更便宜、更可靠地把车间现场数据变成 AI 可用的数据资产。谁能把老设备、老系统、老师傅经验和新模型接在一起；谁能让数据带上语义、上下文和责任链；谁能让 AI 不只是“看懂”，而是真的参与生产决策。
这些事听起来没有大模型发布会那么热闹。但它可能才是工业 AI 真正落地的入口。
工厂不是没有 AI。
很多时候，是数据还没走出车间。
参考资料
1. 2026 首届工业人工智能大会相关报道：大会围绕数据治理、智能体、平台架构、场景实践、硬件底座、价值闭环等议题展开。(控制工程网[1]) 2. 工信部等八部门《“人工智能+制造”专项行动实施意见》：提出 2027 年制造业大模型、工业智能体、高质量数据集、典型应用场景等目标，并提出“模数共振”。(国家档案局[2]) 3. 中国工业互联网研究院《工业互联网创新发展报告（2025）》：包含 2024 年工业互联网核心产业增加值、5G 工厂、5G 行业虚拟专网、标识解析、工业设备连接数等数据。(中国工业互联网研究院[3]) 4. McKinsey《From pilots to performance: How COOs can scale AI in manufacturing》：关于制造业 AI 规模化、数据与 IT/OT 系统限制的调查。(McKinsey & Company[4]) 5. OPC Foundation OPC UA 资料：关于 OPC UA 信息建模、互操作、平台无关架构。(OPC Foundation[5]) 6. MQTT.org 与 Eclipse Sparkplug：关于 MQTT 轻量发布/订阅协议，以及 Sparkplug 在工业场景中的状态感知能力。(MQTT[6]) 7. 2026 Roadmap on Artificial Intelligence and Machine Learning for Smart Manufacturing：关于智能制造 AI/ML 落地挑战的研究综述。(arXiv[7])
引用链接
[1] AI如何在工业落地？工业AI发展到哪一步了？2026首届 ...:https://www.cechina.cn/m/article.aspx?ID=80528&utm_source=chatgpt.com[2]工业和信息化部等八部门关于印发《“人工智能+制造”专项行动实施意见》的通知-国家数据局:https://www.nda.gov.cn/sjj/zwgk/zcfb/0112/20260107214358696030895_pc.html[3]《工业互联网创新发展报告（2025）》正式发布-中国工业互联网研究院:https://www.china-aii.com/jgdt/7141160.jhtml[4]How COOs can scale AI in manufacturing | McKinsey:https://www.mckinsey.com/capabilities/operations/our-insights/from-pilots-to-performance-how-coos-can-scale-ai-in-manufacturing[5]Unified Architecture - Landingpage:https://opcfoundation.org/about/opc-technologies/opc-ua/?utm_source=chatgpt.com[6]MQTT - The Standard for IoT Messaging:https://mqtt.org/?utm_source=chatgpt.com[7]2026 Roadmap on Artificial Intelligence and Machine Learning for Smart Manufacturing:https://arxiv.org/abs/2605.00839?utm_source=chatgpt.com
