超越模型之争:当AI走进传统工业

中国正在把AI、硬件、工业知识与生产流程结合起来。对于全球企业而言，中国不应只是一个市场或供应链基地，更应成为全球创新体系的重要节点。

不久前，我参加了2026世界人工智能大会。与大多数参观者一样，我看到了更强大的模型、更灵活的人形机器人，以及大量冠以“智能体”之名的新产品。这些进展令人印象深刻，也很容易成为媒体和公众关注的焦点。

然而，在大会之外，近期与矿山、钢铁、化工等产业企业的交流，让我越来越关注另一个问题：当聚光灯从模型参数和机器人表演上移开，AI究竟在哪里创造真实的产业价值？

Shutterstock

对于传统工业企业而言，答案可能不在聊天窗口里，而在矿山的运输道路、钢铁厂的高炉和轧线上，以及化工厂复杂的能源与设备系统中。

AI模型的竞争仍将继续。但下一阶段更深刻的竞争，可能不仅在于谁拥有最先进的模型，更在于谁能把AI嵌入机器、生产流程和日常决策，转化为更低的成本、更高的效率、更好的质量和更安全的运营。

在这场从模型走向生产力的竞赛中，中国正在展现出一种值得全球企业重新认识的能力。

工业AI并不是简单地为工厂部署一个大模型或开发若干智能体。

一个真正能够产生价值的工业智能系统，通常需要同时连接传感器、生产设备与自动控制系统，并通过机器视觉、工业机理模型、数字孪生等技术，实现生产计划、设备维护、质量管理和能源管理的综合优化。大语言模型只是最近加入这一体系的一种新能力。

在消费互联网中，AI可以通过软件快速触达数以亿计的用户；但在工业场景中，AI面对的是高温、高压、粉尘、振动、设备差异和不断变化的工况。一项算法在实验室中表现优秀，并不意味着它能够在矿山或钢铁厂中连续稳定运行。

因此，工业AI真正困难的部分不是完成一次漂亮的演示，而是把技术、设备、工业知识和运营流程整合起来，并在真实生产中持续证明经济价值。

Shutterstock

近期拜访伯镭科技，让我对这一变化有了更具体的认识。

从外观上看，无人矿卡是一辆不再配备驾驶员、安装了传感器和自动驾驶系统的矿用车辆。但如果只把它理解为一辆“会自动驾驶的卡车”，就低估了它可能带来的改变。

无人矿卡的演进至少包含三个层次。

第一层是无人化。通过自动驾驶，矿山可以减少高危环境中的驾驶岗位，缓解人员招聘困难，并降低疲劳驾驶和操作失误带来的安全风险。

第二层是电动化。电动矿卡与充换电系统结合后，可以降低柴油消耗和排放，但同时也要求矿山重新设计车辆续航、换电节奏、能源供给和设备维护。

第三层则是全流程智能化。车辆需要与装载、运输、卸载、道路管理、能源系统和维修计划协同。车队调度系统必须根据设备状态、运输任务、道路拥堵和电池余量，实时调整运行方案。

因此，无人矿卡只是最容易看见的硬件。真正的产品，是一个逐步走向自主运行的矿山运输与运营系统。

这类技术已经开始走出中国。伯镭科技在完成电动矿卡试验后，与Vale Indonesia签署战略合作协议；力拓与国家电投启源也已经在蒙古国Oyu Tolgoi矿山部署由电动矿卡、电池、换电站和配套基础设施组成的完整试验系统。[1]

但这并不意味着中国方案可以原封不动地复制到全球。不同国家矿山的车型、道路、气候、安全标准、工会关系和维护能力都有明显差异。海外商业化的关键，不只是能否出口车辆，而是能否完成本地验证、系统集成和长期运营支持。

HelloRF

钢铁是另一个观察工业AI的窗口。

传统钢铁生产流程长、设备复杂，涉及炼铁、炼钢、连铸、轧制、质量、能源、仓储和物流等多个环节。过去的数字化项目往往集中在单台设备或单个工序，局部优化之后，却未必能够实现全厂最优。

永锋临港的实践说明，真正的变化来自统一数字底座与生产流程的结合。其智能工厂连接了17个主要工序和超过4.6万台现场设备，并在此基础上建设了生产、质量、设备、物流和能源等智能应用。公开资料显示，其人均年产钢超过2,000吨，吨钢成本较行业先进水平下降超过5%。[2]

这个案例的重要性不在于部署了多少个算法，而在于数据和模型开始参与跨工序的生产决策。工业AI正由一系列局部工具逐步变成工厂的运营系统。

宝钢则展现了大型存量工业企业的另一条路径：把AI逐步应用于核心工艺和关键决策。

从表面质量检测、无人行车和设备维护，到高炉运行、工艺控制和能源优化，AI已经不再局限于报表分析或后台管理。宝钢2026年发布的资料称，公司已经支持582项AI场景落地，累计创效超过2.7亿元，并建立了类似自动驾驶L1至L5的产线“智驾”分级体系。[3]

当然，场景数量并不自动等于价值。真正需要观察的是：这些应用中有多少进入稳定生产，有多少能够减少人工干预，有多少产生了可持续、可核算的经营收益。

这也说明，工业AI最终必须从“上线了多少场景”，转向“改变了哪些核心运营指标”。

除大型工业企业外，中国还出现了一批试图将工业知识产品化的科技公司。

例如，优也科技尝试通过工业互联网、数字孪生和AI技术，帮助钢铁、有色、电力和煤化工企业改善能源与资源效率。[4] 有人将这类企业类比为“制造业的Palantir”。这个类比可能不完全准确，但它指出了一个值得关注的方向：把分散在设备、系统和人员经验中的数据和知识，转化为可以持续优化和辅助决策的管理系统。

当然，工业AI的发展存在一个经常被忽视的矛盾：为客户创造价值，并不意味着技术供应商一定能够获得相应的商业价值。每家工厂的设备、数据结构和生产流程不同，导致很多项目需要大量定制开发和驻场支持；工业客户的采购与验收周期较长，对节省成本高度重视，却未必愿意按照创造的价值付费。

这可能是中国工业AI公司下一阶段必须回答的问题：不仅要证明技术能够创造价值，还要建立可规模化、可持续的商业模式。

中国工业科技的发展并不是由单一因素推动的，而是多个条件相互强化的结果。

首先，中国拥有完整且成本相对较低的工业供应链。自动驾驶、机器人和智能装备不仅需要算法，还需要电机、电控、电池、传感器、激光雷达、工业计算机和通信设备。密集的供应链使企业能够更快完成设计、打样和量产，也显著降低了试错成本。

第二，中国拥有大量工程师和具有创业热情的技术人才。更重要的是，研发人员、设备厂商、供应商和生产现场之间距离较近。技术团队能够直接进入矿山和工厂，围绕粉尘、温度、振动和工况变化不断调整产品。

第三，中国提供了规模巨大且高度多样化的应用场景。这里既有高度自动化的汽车和电子工厂，也有钢铁、化工、煤矿、水泥等复杂的基础工业。不同复杂度的现场为技术提供了持续迭代的机会。

第四，很多中国工业客户愿意参与共同开发，而不是等待一个完全成熟的标准产品。无论是永锋与中冶赛迪，还是矿山与无人驾驶企业之间的关系，都不只是传统的软件采购，而是技术方与客户共同重新设计流程。

最后，激烈的市场竞争不断压低硬件和部署成本，迫使企业加快迭代。竞争也会带来重复投资、价格战和依赖示范项目等问题，但它确实推动技术更快具备经济可行性。

中国工业科技走向世界，最直接的方式是设备和解决方案出口。但如果海外企业只把中国视为低成本技术的采购来源，就可能错过更重要的机会。

更有战略意义的问题是：如何把中国纳入企业自身的全球创新体系？

一些企业已经开始这样尝试。

巴西纸浆企业Suzano于2023年在上海建立其亚洲首个研发与创新中心，围绕纸浆、生物基材料和可持续应用，连接中国客户、创业公司与其全球研发体系。[5]

力拓在北京成立中国技术与创新中心（China Technology and Innovation Centre），目标不是简单寻找中国供应商，而是把中国的研发和技术生态与其全球矿山的运营问题连接起来。它还与中国钢铁企业和高校合作，探索低碳冶金、材料和矿业技术。[6]

施耐德电气则提出“China Hub”战略，把中国的研发、制造、供应链和客户场景整合起来。其中国研发中心不仅服务本地市场，也承担面向全球市场的产品和解决方案开发。

这些企业的共同点，是正在把中国的角色从“在中国生产”和“为中国研发”，逐步升级为“在中国创新、为全球创造价值”。

当然，这一模式也需要解决知识产权、数据安全、技术标准、地缘政治和全球治理等问题。中国技术在国内快速部署，并不意味着它天然符合所有海外市场的要求。全球化仍然需要严格的安全验证、本地适配、合规体系和长期服务能力。

矿山、钢铁厂、化工厂和生产线，可能才是下一阶段AI竞争更艰难、也更有价值的战场。在这些场景中，决定成败的不是一次成功的演示，而是技术能否在复杂环境中持续稳定运行，能否与设备、流程和人员有效协同，能否降低每吨产品的成本、改善质量与安全，并最终转化为企业竞争力。

根据高风咨询长期服务工业企业的观察，许多企业已经在AI和数字化转型上投入了大量资金与人力，也开展了众多试点项目，但实际经济效益往往难以衡量，形成的能力也未能有效沉淀和规模化复制。

这一问题表面上是新技术与传统工业场景的适配难题，更深层的原因往往在于企业的运营管理基础还不够精细和系统：生产流程尚未充分标准化，数据分散且质量参差不齐，关键经验仍存在于少数专家头脑中，知识没有得到系统沉淀，业务、技术与管理流程之间也缺乏有效衔接。

如果业务流程本身不清晰、管理责任不明确、基础数据不可信，AI不仅难以解决管理问题，甚至可能只是把原有的复杂性进一步数字化和放大。

因此，工业AI不能被简单地视为一项技术建设，而必须将技术转型与管理转型紧密结合，并同步夯实数据、知识和流程基础。

首先，企业需要以业务价值为指南针，自上而下制定AI转型蓝图，明确AI需要改善的核心经营指标，例如成本、产量、质量、能耗、设备效率和安全，而不是从技术能力或工具采购出发。

其次，应自下而上聚焦少数高价值且具备落地条件的业务场景，例如工艺参数优化、能源管理、预测性维护、质量控制和智能排产。企业需要先建立或完善相应的运营管理方法、决策机制和标准流程，再利用AI进一步提升分析、预测、优化和闭环执行能力。

第三，应将关键设备数据、生产数据、工艺机理和专家经验逐步转化为可调用的数据资产和知识资产。对于需要实时模拟、预测和闭环优化的重点场景，再进一步建设覆盖关键设备与生产流程的数字孪生模型，而不是笼统地建设一个脱离具体业务场景的“数字孪生平台”。

最终，工业AI的价值不应以部署了多少模型、智能体或应用场景来衡量，而应看这些系统能否持续运行、能否被一线人员真正使用、能否改变生产决策，并能否带来可验证、可持续的经营改善。

高风咨询长期服务中国及全球工业制造企业，在AI、数字化与运营转型方面积累了丰富经验。我们的核心能力，是将AI战略蓝图、运营管理体系、重点业务场景、数据与知识基础以及数字化实施连接起来，帮助企业从分散的技术试点走向可衡量、可复制、可持续的经营价值。

[1] 力拓（Rio Tinto），Oyu Tolgoi（奥尤陶勒盖）矿区电动换电卡车试运行，2025年10月27日

[2] 中冶赛迪（CISDI），永锋临港智能制造项目

[3] 宝钢（Baosteel）2026年人工智能披露信息，《证券时报》报道

[4] 优艾智合（YO-I Technology），Thingswise iDOS 平台及其工业应用案例

[5] Suzano，首个中国创新中心（China Innovability Hub）启用，2023年3月21日

[6] 力拓（Rio Tinto），中国技术与创新中心（China Technology and Innovation Centre）