万亿级流程工业的老问题与新解法

“未来5年，中国在AI大模型与工业制造业融合应用上将断崖式领先全球，核心依据是工业体量占全球30%、工业数据存量为美国2~3倍、日增数据量为美国4~5倍，构成不可复制的训练数据优势。”5月9日，启赋资本投资总监阙宇涵在航天智控工业设备健康可信数据空间发布会上给出这一判断。

与此同时他也提出了相应的疑问：“AI模型在C端的应用相对充分，但是在B端，尤其是针对工业制造的应用，仍然处于发展初期，AI大模型到底能给工业制造带来什么？大模型在大工业场景中如何更好地去寻找并切入突破口？”

当前，流程工业正处于结构性转型关键期，叠加化工涨价潮影响，行业长期存在的全链路痛点进一步凸显，成为制约其高质量发展的核心瓶颈。其中，设备运维与数据治理相关痛点最为突出，直接影响企业盈利水平与生产稳定性。

借助AI大模型完成智能运维，或许是在中国制造业面临产能过剩与节能减排双重压力的背景下，让高能耗、高风险的流程工业实现质变的切入点之一。

从破解路径看，行业观点认为需要融合工业数据、科学机理与AI大模型，从“感知”走向“优化” 。不仅能“看懂”生产状态、“理解”反应过程，还能主动推荐优化策略，推动工业控制从自动化迈向自主智能。

流程工业的非标难题待解

流程工业是中国制造业的重要组成部分，当前流程工业产值约占全国规模以上工业总产值的47%，是工业体系的重要基石，涵盖石化、化工、钢铁、有色金属等关键领域。2019年这一占比曾达51.98%，长期维持在40%—50%的区间。

作为流程工业核心细分的石化化工行业，2025 年增加值占工业的 13.7%，规上生产企业超 2.7 万家，其发展直接带动流程工业整体占比稳定；而部分重点地区的流程相关行业（如黑色冶炼、有色冶炼）占当地规上工业总产值的比重甚至超过 90%。

虽有如此规模，但当下流程工业普遍面临经验依赖问题：虽然原料、设备相同，但结果却高度依赖人工经验，导致质量、能耗不稳定。而真正的工业智能，需要超越个人经验，实现稳定、可复制的系统化最优控制。

传统工业设备运维模式也已难以适配产业发展需求，行业普遍面临数据孤岛割裂、数据流通不安全不可信、故障诊断过度依赖人工、事后维修成本高、设备预警不精准等问题，数据价值无法有效释放，智能化运维落地受阻。

工业互联网企业长期受困于项目制交付导致的周期长、标准化难、维护成本高，根本症结在于工业场景高度非标——同行业不同企业的组织、流程、设备、协议差异极大，致使定制化开发成为常态。

阙宇涵称，即便是在同一个垂直的工业门类做相同产品类的公司，它们的组织架构、生产流程、管理体系，甚至是设备型号、通信协议等，都可能会有不同。这就会导致每做一个项目需要有大量的定制化开发，漫长的前期沟通等隐性成本使工业互联网企业很难取得爆发性的增长。

“坦率说，目前这个问题很少有公司能够解决好。现在随着AI大模型的技术成熟，通过大量的案例训练和行业组织的学习，这个问题一定程度上迎来了解决的机会。”

从技术层面看，流程工业“一开工就不能停”的特性，对设备故障诊断的精准度和及时性提出了极高要求，但传统故障诊断依赖人工对振动、温度等单一参数的判断，难以捕捉多源数据关联的潜在故障，往往等到故障爆发才发现问题，造成不可逆的生产中断；即便部分企业引入简单算法模型，也因缺乏高质量、可信任的数据支撑，导致诊断精度不足。

更关键的是，可信数据空间建设滞后，使得设备运行数据分散、不可追溯、安全性不足，无法为故障诊断模型提供有效训练数据，形成“数据不可信—模型不精准—诊断失效—非计划停机”的循环，进一步放大了连续生产模式下的行业风险。

大模型+可信数据空间

作为国民经济支柱，流程工业涵盖化工、石化、冶金等关键领域，其高质量发展直接关系产业链供应链稳定与实体经济韧性。当前，设备故障诊断滞后、可信数据空间建设不足等短板，正制约行业提质增效，而未来五年，随着AI大模型、设备故障诊断、可信数据空间三大技术协同融合，流程工业有机会迎来结构性变革，万亿级市场空间加速释放。

航天智控董事长曾志生认为，工业设备作为实体经济的 “心脏”，其安全、可靠、高效运行，是产业升级的基石；而设备数据的可信流通、价值释放、安全可控，则是智能运维的命脉。传统运维模式痛点突出：数据孤岛严重、诊断依赖人工、故障事后补救、数据安全无保障，已无法满足现代工业对 “事前预警、精准诊断、自主运维、数据可信” 的核心需求。

工业大模型与可信数据空间是上述问题的可行解，两者融合的趋势也逐渐明晰：可信数据空间为AI 提供高质量、合规训练数据；AI 为数据空间提供价值挖掘与智能治理能力。

从政策导向看，2026年1月的《“人工智能 + 制造” 专项行动实施意见》，提出聚焦工业智能化，推进智能工厂、工业大模型、供应链协同，到 2028 年规模以上制造业企业 AI 应用普及率超 45%。

另据《可信数据空间发展行动计划》（2024—2028年），支持国有企业和龙头企业建设企业可信数据空间，构建多方互信的数据流通利用环境，协同上下游企业开放共享高质量数据资源，打造数字化供应链，提高计划、采购、生产、交付、运维等全流程协同效率。探索融合人工智能模型，提升企业数据洞察力和业 务创新能力。

对应到工业领域，曾志生认为，工业设备健康可信数据空间，主要用于支撑工业数智化转型、解决工业数据流通问题。其遵循国家数据要素管理规范，构建了包含数据确权、治理、存储、流通、追溯的闭环管理体系，采用国密级安全防护、数据主权隔离技术，可实现工业设备数据 “可用不可见、可控可计量”，保障数据不出厂、不泄露且全程可审计追溯，能为工业 AI 模型训练、智能诊断、预知运维提供高质量数据支持。

借助可信数据空间可建立高质量数据集，高质量数据集架构体系，嵌入石化、钢铁、煤炭、电力、水泥等行业 Know-how，通过智能传感、大数据分析与深度学习技术可使工位设备从 “人工运维” 转向 “AI 自治”。

AI大模型有望根本性破解工业非标难题：通过行业知识沉淀与海量案例训练，实现智能客服降本、动态排产优化、故障预测前置与事后检测闭环，推动从单点交付向规模化复用转型。

来自资本的视角是，对创业公司而言，工业大模型是当前少有的可避开大厂正面竞争的赛道，因为工业存在三重天然壁垒——封闭的数据环境、难以量化的行业经验、细分赛道导致的低投入产出比，使大厂难以高效切入。

工业大模型商业化路径清晰：垂类场景千万级数据即可支撑小样本训练，B端客户愿为可测算的降本增效效果付费，投入产出比显著优于C端，创业公司可聚焦垂直领域做深做透，无需自建基础大模型。

而从行业空间看，综合多家机构数据，AI 大模型在流程工业（化工、石化、冶金等）的应用前景巨大且确定性高：2026 年市场规模约2200 亿元、渗透率48%；2027-2030 年进入爆发期，效益提升 3% 即可撬动万亿级利润。