制造业老板花300万上AI，回来发现产线问题AI根本解决不了

制造业正在经历一场三重挤压：供应链像橡皮筋一样被地缘政治扯来扯去，生成式AI又突然砸进场。传统的"生产型制造"模式，就像一台老旧的柴油发动机，动力还在，但油耗和排放已经让人吃不消了。向"服务型制造"转型，不是选择题，是生存题。

工业AI终于过了PPT阶段。IDC的数据显示，中国工业企业应用大模型及智能体的比例，从2024年的9.6%飙到2025年的47.5%——这速度，堪比当年智能手机替换功能机。

但这不只是技术升级，是认知换血。过去ERP、MES这些系统各玩各的，像小区里的邻居，门对门住了十年，谁也不认识谁。生成式AI的出现，相当于给这栋楼装了个业主群，沉睡的数据突然被拉进群聊。

全球制造业数字化已经从"买电脑、装系统"的小学生阶段，进入"用数据做决策"的研究生阶段。驱动力很复杂：供应链变脸、跨国法规收紧、地缘政治抽盲盒，这三样东西构成了宏观环境的"压力测试场"。与此同时，产品本身也越来越像智能手机——软硬件缠在一起，全生命周期的变量指数级膨胀。

钱往哪里流，趋势就藏在哪里。IDC预测，到2028年全球工业企业AI支出接近2.2万亿人民币，年复合增长率63%。更狠的是，到2030年，70%的中国头部制造企业将用AI智能体管理混合云，质量成本砍掉2%。

中国企业的拥抱速度比预期更快。除了前面提到的47.5%，在研发、制造、供应链多环节同时应用AI的企业比例，也从1.7%蹿到35%。工信部两会期间透露，2025年人工智能核心产业规模超1.2万亿，规上制造业企业AI技术普及率超30%。

面对这个万亿级赛道，工业软件厂商的打法正在重构。PTC执行副总裁Catherine Kniker的判断很直接：供应链动态变化、法规趋严、地缘政治复杂、AI快速崛起，加上产品软硬件一体化带来的系统复杂度——这五股力量在同时发力。

PTC的应对是从传统PLM转向智能产品生命周期（IPL）。核心逻辑是通过数字主线，把设计、制造、交付的数据串成一根绳，让AI渗透到每个业务环节。

AI的价值有两副面孔。

第一副是"赋能"。PTC全球资深副总裁刘强说得实在：AI造不出工业软件里原生的关键数据，也替代不了沉淀几十年的行业Know-How。它的作用是"让软件更好用"——自然语言交互降低操作门槛，自动化干掉重复性工作流。说白了，AI是副驾驶，不是代驾。

第二副是"重塑"。这在服务管理领域最明显。传统现场服务系统盯着工单和客户满意度，PTC ServiceMax换了个视角——"以资产为核心"，追踪设备全生命周期的运行状态、维护历史、性能数据。

PTC ServiceMax总经理Joseph June的解释很到位：这种模式把目标从"执行单次任务"转向"最大化资产全生命周期价值"，实现"通过服务获取营收"。生成式AI加入后，系统能结合资产历史与实时数据，用自然语言给出前瞻性维护建议，甚至自主规划操作。服务模式从"坏了再修"转向"提前预判"。

2025年是加速之年，2026年则是从"浅滩"游向"深水"的关键年。但热潮之下，暗礁浮现。有行业人士吐槽："制造业高质量工业数据少、共享难，想做智能化改造，数据却像孤岛，连不起来，也用不起来。"

西门子RXD大会上，CEO博乐仁点出了工业AI与消费级AI的根本分野："工业场景中，我们需要100%可靠的AI。"

这意味着挑战不止于技术，而是数据、安全、可靠性、组织变革的多维缠斗。具体看，当前工业AI落地面临三座大山。

第一座山：数据沉睡与语义孤岛。

中国工业企业信息化搞了三四十年，MES、ERP、SCADA一应俱全，数据量惊人。但系统彼此孤立，格式标准不统一，数据与业务知识无法联动。创新奇智CTO李凡的分析很精准：数据不仅分散，更缺统一的语义坐标系，AI无法真正"理解"数据背后的业务含义。有专家直言，AI如果在生产线上"胡说八道"，代价是整批次报废。

第二座山：AI幻觉与工业可靠性的死磕。

工业生产要求可靠、可信、可解释，但主流大模型的技术短板很明显：线性序列处理缺乏因果深度，输出的概率性和幻觉与工业的安全确定性诉求冲突。李凡指出，工业智能体要进核心场景，必须突破"知其然不知其所以然"的局限，否则就是"纵马狂奔、一本正经胡说八道"。

RAG技术只能检索已有答案，无法理解复杂工业约束；静态模型知识滞后，难以实时映射产线状态。大模型的本质是文本自回归，擅长生成连贯语境；工业核心场景却依赖时序数据和物理逻辑——这是两套语法。

第三座山：场景深水区的"最后一百米"。

AI在工业的应用场景很广，但大多数落地还停留在智能问数、知识问答、客服助手等通用场景。生产制造、预测控制等更高价值的核心场景，大模型推进缓慢。这些场景对安全性、精准性、时效性、泛化能力、容错率的要求极高，构成了落地的高墙。

更深层的问题与其他行业一样：很多企业上AI不是业务驱动，是"别人都在上，我不上怎么办"的焦虑驱动。

吴晓波分享过一个制造业老板的经历：听同行讲AI质检降本30%、良率提升5个点，热血沸腾回来让团队调研，结果汇报说"咱们产线上的问题根本不是AI能解决的"。AI沦为技术装饰而非业务解药，正在成为行业通病。

面对深水区，厂商们从不同维度找解法。

PTC从"数据主线"切入。Catherine Kniker强调，管好前端产品数据是IPL战略的前提——只有做好数据访问和管理，AI才能在工业场景发挥价值。ServiceMax则扮演打通数字与物理世界数据闭环的角色，"以资产为中心"区别于传统CRM的工单视角。

SAP从"流程"领域切入，让AI深度融入业务流程，从"记录系统"走向"行动系统"。CEO柯睿安指出，真正的挑战是将智能体部署于端到端供应链或财务流程，同时确保合规和审计可追溯。编排调度、策略执行、流程确定性，是赢得信任的关键。2026年，SAP的Joule智能体正演变为能管理工作、多智能体协同的系统。

创新奇智则从平台层破局，通过AInnoGC工业本体智能体平台，将"本体"与"智能体"深度融合，构建从算力、数据、本体到应用的技术闭环，实现"感知-认知-执行"全能力覆盖。

CEO徐辉的解释很形象：智能体发展到现阶段，客户规模化需求已出现，但行业卡在"可靠性、规范性"节点。针对高可靠场景下智能体"纵马狂奔"的问题，创新奇智提出"本体"概念——给智能体"拴上缰绳"。

其核心壁垒在于"上下20%的关键能力"：上层是深耕8大工业细分门类沉淀的独家场景与高质量数据，下层是本体架构+行业智能体的强工程化落地能力。平台深度集成MES、EAM、APS、EMS等系统，对设备运维、生产制造、质量管控、能源物控等核心领域全场景赋能。据称基于动态工业图谱推演可实现95%以上准确率，显著降低AI幻觉风险。

工业AI革命是马拉松，不是百米冲刺。成功不取决于单项技术突破，而在于能否将先进AI与深厚工业知识、坚固数据基础、灵活业务架构、开放产业生态进行系统性融合。

PTC等传统巨头凭数十年积累与完整产品矩阵，正通过注入AI能力"进化"；创新奇智等AI原生企业则试图以"本体+智能体"新架构"重塑"。两条路径各有侧重，目标一致：唤醒沉睡数据，跨越数字化深水区，构建以产品全生命周期价值为核心的可持续竞争力。

一位参加过多次工业AI峰会的制造业CIO私下吐槽：现在厂商的PPT越来越像，落地案例却越来越少。真正能跑通的，往往是那些先花三年把数据治理做扎实、再谈AI的企业——他们没赶上每一波热潮，但也没踩进每一个深坑。