—给企业家学员的AI产业战略课

编者按：本文作者长期关注AI产业链演进与工业软件数字化转型，此前在多轮产业研讨中系统梳理了“硬件→训练→租赁→Token工厂→AI应用”的五层递进框架，并与学员深入讨论了工业软件AI化与Token工厂的共生逻辑。本文即是在上述研讨基础上，结合近期产业数据与政策动态撰写而成。

需要特别说明的是：本文所有分析均基于公开信息和产业逻辑推演，旨在为企业家学员提供一个理解AI产业发展规律的分析框架，不构成任何投资建议。文中引用的企业案例、财务数据及市场预测，均来自公开披露的财报、研究报告及政策文件，仅供学术研讨与战略参考之用。

AI产业技术迭代快、竞争格局变化大，Token经济商业化节奏、工业软件AI化实际渗透率等均存在较大不确定性。企业家应根据自身行业特点和企业实际情况，独立做出判断与决策。

下一篇文章将探讨深圳大量企业信息化投入早、投入大、应用深，如何与数据工厂结合，从产出物理产品，到供给高质量Token。

一个正在发生的产业真相

2026年8月，金蝶国际公布中期业绩：总收入约36.25亿元，同比增长约13.6%，其中AI原生产品（灵基、金蝶AI套件等）收入约2.96亿元，同比暴增189.0%，订阅收入约1.46亿元，同比增282.9%。一家企业管理软件公司，靠AI实现了从亏损到盈利的逆转。

几乎同时，毕马威发布《2026年工业制造全球技术报告》：49%的工业制造企业已有成熟AI应用场景并持续产出商业价值，远高于各行业28%的平均水平。工业制造已成为AI技术落地最快、变现能力最强的赛道之一。

这两个看似独立的数据，指向同一个事实：工业软件AI化已不是趋势，而是生存门槛。

但对于企业家而言，仅仅知道”要做AI”远远不够。今天的决策者需要同时理解两件事：应用端，AI如何改造工业软件、创造业务价值；供给端，AI能力的成本从何而来、如何持续。缺了任何一条腿，战略都会失衡。

一、应用端，工业软件AI化已不可逆

1.1 全球巨头全面押注

2026年初，西门子在CES上发布九款Industrial Copilots，将智能贯穿工业价值链各环节。到了7月，西门子更进一步，正式面向中国市场全面发售Eigen工程智能体，全球首批正式商用、可自主规划执行工业自动化工程任务的AI系统，已在全球19个国家、逾百家企业部署。产品形态从”辅助决策的Copilot”进化到”自主执行的Agent”——从在对话框里给建议，到嵌入自动化工程工作流，完成PLC编程、HMI可视化开发和设备配置等工程任务。

几乎同时，达索系统与NVIDIA宣布重磅合作，从技术底座、世界模型、场景落地、虚拟伙伴四大维度共建工业AI平台。双方将达索系统的虚拟孪生技术与NVIDIA的AI基础设施、开放模型及加速软件库深度集成，打造经科学验证的”行业世界模型”（Industry World Model）。

PTC在NEXT Chicago大会上发布全新AI平台、12个AI智能体、10项全新集成，以及覆盖CAD、PLM、ALM和SLM解决方案的100多项增强功能。

全球工业软件巨头无一例外，正在将AI智能体嵌入产品矩阵的每一个角落。

1.2 中国在加速追赶

在国内，政策端率先发力。江苏省工信厅印发《江苏省”人工智能+“工业软件突破发展行动方案（2026—2028年）》，明确提出推动人工智能技术深度嵌入工业软件各环节。国家人工智能应用中试基地（工业软件）在济南启动建设，聚焦产品研发设计、生产控制、业务管理三类工业软件。

企业端同样在快速行动。天洑软件明确提出，未来工业软件的发展方向不只是”计算工具”，而是能够理解工程问题、自动协同完成任务的”工业智能体”。同元软控发布装备工程智能体MOGICK，推动AI从辅助工程任务向参与复杂装备研发流程演进。格创东智已完成超过200个工业AI项目的成功落地。

1.3 市场规模的量级跃迁

据市场研究数据，AI+工业软件子市场正以49.0%的年复合增长率高速扩张，从53.0亿元攀升至389.4亿元，占核心工业软件市场的比重将从13.0%跃升至46.2%。到2030年，近半数的工业软件支出将与AI深度绑定。

对企业家的启示：这不是”要不要做”的选择题，而是”不做就出局”的生存题。你的竞争对手无论国内还是国外，正在用AI Agents重构产品研发、生产控制、业务管理的每一个环节。如果你还在观望，失去的可能不只是市场份额，而是投标资格。

二、供给端，Token成本决定AI化的生死

然而，仅仅知道”要做AI”远远不够。工业软件中的AI Agents每一次推理，无论是西门子Eigen智能体完成一次PLC编程，还是PTC的AI智能体优化一次产品设计，背后都是Token的消耗。如果Token成本居高不下，工业软件的AI化在商业上就不可持续。

2.1 一个被忽视的财务真相

算力租赁的商业模式，本质上是一个”二房东”生意——将固定的物理资本（GPU）转化为可交易的金融商品（GPU小时），通过加杠杆采购、长期合同锁定收入、折旧前置换取未来的利润弹性。

但这个模式成立的前提是：算力永远稀缺，租金永远上涨，设备永不贬值。

现实远比这复杂。英伟达的GPU迭代周期已从18-24个月缩短到12个月。一年前还是全球抢购的H100，随着Blackwell架构推出，市场价格已出现明显压力。账面上的长期资产，正面对越来越快的技术淘汰。

华尔街传奇空头吉姆·查诺斯在2026年6月的一场研讨会上算了一笔账：如果你有供电的数据中心和芯片，预期的税前投资回报率只有5%到8%，全是个位数。他给出了一个极度悲观的判断：算力租赁在本质上是”无利可图的商业模式”。

查诺斯的核心洞察是：你应该做多芯片所生产的东西，而不是芯片所在的地方。

这句话精准地指向了一个关键问题：算力租赁赚的是”供需缺口”的钱，而Token工厂赚的是”认知效率”的钱。前者是周期性的、有天花板的；后者是结构性的、没有天花板的。

2.2 Token工厂，从”卖GPU时长”到”卖Token能力”

Token工厂正是回答”芯片所生产的东西”这个问题的关键环节。它的商业模式是：将分散的算力资源和模型能力加工成开发者、企业可以直接调用的Token服务，从”输出算力资源”升级为”交付智能产出”。

Token工厂的核心任务是什么？以最低成本、最高效率、最大规模生产Token。中金公司测算，在自建算力的情景下，Token工厂的理论毛利率可达到60%的水平，远高于传统数据中心30%-40%的水平。

京算Token工厂的实践提供了有力的佐证：通过异构算力池化调度，已将资源利用率从行业普遍的30%-40%提升至80%以上。同样的硬件投入，Token产出翻倍——这意味着单位Token的成本大幅下降。

2.3 Token，AI经济的“通用货币”

国家数据局数据显示，我国日均Token调用量由2024年初的约1000亿增至2025年底的100万亿，2026年3月进一步突破140万亿，两年增长超过1000倍。

Token正在成为AI经济的通用等价物。无论你是Token工厂（生产Token），还是工业软件（消费Token），你们都使用同一种”货币”进行价值交换。

对企业家的启示：如果你的AI战略只关注”用什么模型”“做什么功能”，而不关注”每一次推理花多少钱”“Token成本如何随规模下降”，你的AI化战略很可能会在规模化阶段遭遇财务上的不可持续。Token成本，是决定AI化生死的关键变量。

三、两条腿走路，必须同时理解的两个维度

综合以上分析，今天学习AI技术、理解AI产业发展规律，必须同时掌握两条腿：

第一条腿，应用侧“工业机理+AI智能体”。理解行业Know-how如何与AI结合，创造实际业务价值。工业软件AI化的核心不是”给软件加个AI按钮”，而是理解。工业软件的AI化，正在从1.0工具化、2.0平台化迈向3.0智能体化，AI Agents正在从”辅助决策的Copilot”进化为”自主执行的Agent”。最好的工业AI，是机理模型与数据模型的结合。AI不是魔法，无法替代几百年来积累的物理学、化学和机械学原理。

第二条腿，供给侧，Token的”成本逻辑”。跟踪”每瓦Token产出效率”“推理成本下降曲线”等硬指标，而非沉迷于概念炒作。理解：Token工厂的任务是工业化、规模化地生产Token，降低每一次推理的边际成本。算力租赁是”推理的批发市场”，Token工厂是”推理的深加工与零售网络”。

没有Token工厂的低成本、高效率供给，工业软件AI化将受制于高昂的推理成本。

四、核心认知，Token成为AI经济的通用货币

两条腿最终汇聚于一个核心认知：Token正在成为AI经济的通用货币。谁能以最低成本生产高质量Token（Token工厂），谁能用Token最高效地解决行业难题（工业软件），谁就分别在基础设施层和应用层掌握了定价权。

这不是两条路的殊途同归，而是它们本就在同一条产业链上。真正的机会，恰恰在打通”Token供给成本”与”工业场景价值”之间的桥梁上。既懂推理优化又深谙行业数据的平台型整合者，才是2026年这个AI从训练转向推理主导的拐点之年最值得聚焦的方向。

西门子中国董事长在2026年指出：“2026年是中国工业AI从试点迈向规模化落地的元年。”金蝶用一年时间验证了AI原生产品的商业可行性，189%的收入增长，从亏损到盈利。毕马威的数据证明了工业制造是AI落地最快的赛道。

但这些成功案例的背后，都离不开一个被大多数讨论所忽视的前提：Token的供给成本。金蝶的AI套件每一次智能问答、西门子的Eigen智能体每一次自动编程、PTC的AI智能体每一次设计优化，都在消耗Token。Token成本越低，这些AI应用的商业飞轮就转得越快。

对企业家的最终建议：

今天制定AI战略，请同时问自己两个问题：

 1. 应用端：我的行业场景中，哪些环节可以被AI智能体重构？我的行业Know-how如何与AI结合，创造不可替代的价值？

 2. 供给端：我的AI应用每一次推理的成本是多少？随着规模扩大，这个成本是线性增长还是指数下降？我是否绑定了能够持续降低Token成本的供给方？

答案可能是你的AI战略可能好看但不赚钱，你可能有成本优势但不知道用在哪里创造价值，两条腿走路，才能走稳、走远。