工业AI落地频踩坑？陶建辉×黄培深度拆解务实落地之道

来源：市场资讯

（来源：数字化企业）

01

工业AI的发展，究竟到了哪一步？

陶建辉通过复盘自身创业经历，从“数据基础设施”的视角，剖析了工业AI发展与演进的本质。

他回忆，2016年AlphaGo战胜李世石，引发AI创业热潮，自动驾驶赛道备受资本青睐。他敏锐地判断，自动驾驶会产生海量数据，这种超高并发、大容量的处理需求是传统数据库无法支撑的极端场景。叠加此前做胎心监测硬件积累的时序数据经验，他由此萌生研发新型时序数据库的想法。

真正促使他下定决心的，是一篇关于分布式能源体系的文章。文中提出，风电、光伏、储能大规模普及后，电网能源双向流动、分布式发电节点大幅增加，原有调度系统无法承载海量设备数据。他调研了当时融资6000万美元的开源时序数据库InfluxDB，认为自身有能力开发出更适配海量时序场景的产品。

2019年7月，涛思数据宣布将高性能分布式时序数据库TDengine正式开源。原本瞄准自动驾驶、IT运维和金融赛道，却未曾想烟草、钢铁、化工等工业企业主动找上门来。这一“误打误撞”，让他看清工业领域对时序数据底座的刚性需求。他表示，当下工厂设备全面联网带来数据爆发，但传统实时库架构老旧、定价高昂、生态封闭，底层数据基础设施迎来替代窗口期。

在陶建辉看来，工业AI的发展与演进，并非单纯的技术迭代，本质是海量数据倒逼的底层基础设施变革。AI属于上层应用，企业只有拥有标准化、可实时调用的完整数据，各类工业AI应用才具备落地基础。

黄培博士则通过回顾国内制造业的自动化、数字化、智能化发展历程，指出工业AI整体呈现出清晰的递进式发展脉络：

● 首先是分析式AI（判别式AI）的落地应用，典型场景包括机器视觉检测、设备故障诊断与预测性维护、工艺参数调优、生产排程优化等，核心是依靠图像、声纹、时序数据等进行分析洞察，帮助企业提高生产运营效率。

● 随后是生成式AI和代理式AI（AI Agent）的逐步渗透。企业可依托大模型搭建研发、工艺、设备运维等专属知识库，辅助撰写投标材料，落地售后智能问答机器人等。智能体则能自动联动多系统数据，根据企业预设的报表规范，一键生成整合生产、质量、能耗等指标的完整工作日志。

● 以人形机器人为代表的具身智能虽备受关注，但现阶段人机交互、自主决策等关键能力尚不成熟，距离大规模走进工厂车间仍有较长的技术迭代周期。

黄培博士同时强调，各类AI技术不存在替代关系，将长期共存、各司其职，适配不同业务场景；大模型与轻量化小模型、边缘部署与云端推理模式也会并行发展。工业AI应用将呈现多元共存、百花齐放的发展格局。

02

AI在工业场景的落地，面临哪些核心阻碍？

基于多年AI原生数据底座的落地实践，陶建辉从底层基建视角，直指工业 AI普遍落地难、落地虚的核心症结。

他坦言，当前工业领域现存的两套数据体系，均无法适配智能化升级需求：以传统实时库为代表的存量系统架构陈旧、开放性弱，难以对接云原生架构与新型AI工具链，灵活扩展能力严重不足；而曾经被寄予厚望的工业互联网平台，多数最终流于形式、重展示轻落地，普遍沦为可视化大屏展示工具，并未真正解决生产一线实时采集、数据治理、故障追溯、工艺分析等核心痛点。

在他看来，行业长期存在的底层基建短板，直接导致绝大多数制造企业缺少可用于AI计算的高质量、标准化、可实时调用的工业数据。因此，亟须搭建AI 原生的工业数据底座，支撑海量时序数据的高并发采集、实时分析与标准化治理。

黄培博士则基于长期走访企业的一线观察与调研，从四个维度剖析了工业AI落地的核心阻碍：

● 一是专业人才缺口突出。面对当下的AI浪潮，多数制造企业普遍缺乏既懂技术又懂业务的技术与应用人才，导致AI难以真正落地。

● 二是企业对AI认知的两极分化。一方面，DeepSeek热潮之下，不少企业跟风采购大模型一体机，却发现对实际业务的赋能效果有限；叠加过往 MES、ERP等数字化系统投入成本高昂、落地成效不及预期，导致企业对AI应用普遍缺乏信心。另一方面，部分企业的管理层又过度神化AI ，对其落地效果抱有不切实际的期待。这两种极端认知，都阻碍了企业理性推进工业AI应用。

● 三是单点“交钥匙工程”催生新孤岛。当下，工业AI项目多为定制化交钥匙项目，属于典型的“头痛医头”。产品、产线迭代后原有AI难以复用，企业分头采购质检、能耗、设备运维等不同厂商的AI系统，各应用相互割裂、重复立项投入建设，最终形成难以打破的“AI孤岛”。

● 四是AI不确定性与工业高安全要求存在冲突。大模型存在“幻觉”、结果波动问题，但工业场景容错率极低，一次误判会带来巨额停机损失；同时多数企业缺乏数据治理与安全管控体系，进一步制约了 AI 的深度应用。

03

为什么说没有“AI Ready”的数据，工业AI将是空谈？

当AI浪潮席卷工业领域，两位大咖不约而同地将焦点指向同一个命题：数据。黄培博士指出，无论是分析式AI、生成式AI、AI智能体，还是具身智能的发展，其核心前提均在于扎实的数据基础与高质量的数据治理。

陶建辉对此深表认同，并以涛思数据打造的AI原生工业数据底座TDengine为例，阐释了“AI Ready”的数据基础设施应当具备的核心能力：

● 在性能层面，依托流式计算架构，TDengine能够处理毫秒级采集信息，通过标准SQL快速开展SPC质量统计、故障预警，实现“数据随采随析”。

● 在治理层面，通过搭建统一数据目录，推行测点命名、工况标注的标准化，TDengine能够从源头规避数据孤岛。每一次新增产线的投入，都能转化为可长期复用的数据资产。

● 在定位层面，陶建辉强调一个核心理念：真正的数据底座必须具备优秀的兼容适配能力，技术定位绝对中立，不绑定任何大模型与智能体。TDengine可原生对接MES、ERP、SCADA等存量工业系统，兼容帆软、Grafana等主流可视化工具，将技术选型的自主权真正交还给企业。

TDengine整体架构图

04

工业AI落地过程中，如何避免形成新的“AI孤岛”？

面对“AI 孤岛”这一行业共性问题，陶建辉一针见血地指出，其根源往往不在技术，而在管理——AI应用的落地必须是“一把手工程”。如果项目启动阶段缺少统筹全局的顶层建设蓝图，任由各部门各自为政、零散上马，各类孤岛的产生几乎无可避免。

陶建辉强调，破解这一难题的关键，在于从建设初期就搭建统一、规范的数据基座。数据基座可以分步建设，但必须在建设之初就确立三大核心原则：

● 做好数据目录：数据目录是数据资产的索引。无论数据来自哪个系统，都必须被清晰地登记和归类。没有目录，数据就是一盘散沙，无法被有效管理和利用。

● 坚持数据标准化：工厂内往往并存不同品牌设备、控制系统，其数据命名和格式规则各不相同。在项目实施时，必须建立统一的数据标准，确保来自不同品牌设备与系统的数据能够实现标准化。

● 强化数据情景化：孤立的数据点价值有限，必须为其配置完整的“上下文”。例如，一个压力值，它的计量单位是什么？有效范围是多少？对应的是哪个产品批次？更关键的是，同一设备生产不同产品时，参数的有效范围也可能不同，这些动态业务规则（如来自MES的工单信息）必须与静态测点数据绑定。这些上下文信息是释放数据价值的关键。

黄培博士则从行业观察视角指出，制造企业在数字化转型中普遍面临六大孤岛：信息孤岛、自动化孤岛、IT/OT断层、机电软多学科设计孤岛、云孤岛以及AI应用孤岛。特别是，当前许多AI项目属于单点“交钥匙工程”，这种“头痛医头”的项目制交付，使得“AI孤岛”成为亟待破解的新难题。

对此，黄培博士建议，企业应当建立一套类似统一门户的企业级AI应用集成平台，实现多系统一站式登录、统一管控；所有AI能力都以Skill、微服务、组件或APP的形式沉淀在同一平台内，从项目启动阶段就做好整体治理规划，从源头杜绝各类孤岛问题的出现。

05

告别“单打独斗”，工业AI的“朋友圈”该如何搭建？

在AI快速迭代的今天，封闭孤立的系统难以持续适配制造业复杂多变的场景。陶建辉认为，开放与开源是构建繁荣生态的基石。在技术上，需通过标准接口实现与各类系统的无缝集成；在应用上，应将各种AI能力封装成可插拔的“技能”。企业可以根据自身需求自由组合，甚至沉淀专属技能。这使得企业能够基于一个开放平台，自主扩展和演化出适合自己的AI应用，避免了被单一供应商锁定的风险。

陶建辉进一步介绍了TDengine打造开放开源生态的落地实践。自2019年开源以来，TDengine已经在全球范围内服务了数万家企业，广泛覆盖能源电力、钢铁、烟草、化工、食品等众多工业细分行业。而且，其核心架构始终坚持“柔性、无绑定”：

● 业务能力原子化与“柔性软件”实践：将SPC计算、根因分析等通用能力抽象为标准化微服务组件（原子能力），依托自然语言交互与氛围编程（Vibe Coding），工艺人员仅需描述业务需求，系统自动生成分析逻辑、报表与可视化看板。这种模式打破了传统“交钥匙工程”的僵化，让应用能像“日抛型”产品一样快速迭代，真正实现“千人千面”的个性化分析，大幅降低定制成本，避免陷入无底洞式的项目开发。

● 丰富的数据接入和集成能力：TDengine兼容Excel、Power BI、帆软、Grafana等主流可视化工具，并支持Kafka数据总线与MCP标准接口，可无缝对接MES、ERP、PLM、SCADA等存量工业软件，无需二次开发即可实现数据互通。更重要的是，平台不强制绑定自有模块，企业可自由搭配第三方分析工具、大模型与智能体，自主搭建并沉淀专属的Skill技能库，真正实现开放与中立。

TDengine构建持续进化的开放生态

06

高阶工业应用为何离不开“工业本体”？

在陶建辉看来，“工业本体”的作用，是在数据底座之上构建一个业务人员能看懂、AI能理解的语义层，充当IT与OT之间的“翻译官”，让IT/OT融合变得更为简单。

他指出，在工业领域，IT人员不懂OT的业务术语，而OT人员又无法直接使用IT工具，这是长期存在的断层。通过在统一数据底座搭建本体层，可对工厂、产线、设备、测点、物料、工序、人员等进行标准化建模，梳理实体间的关联逻辑，为全域数据赋予一致的业务语义，打通散布在ERP、MES、PLC等系统中的碎片化信息。

过去，工艺工程师想要分析停机根因、调优工艺参数，需要向IT团队提交需求，耗时数日等待数据提取与清洗。如今，依托工业本体，车间人员仅用自然语言提出分析诉求，AI 便可自动跨系统关联多维数据完成研判。工艺人员无需掌握数据库、编程技能，就能独立开展深度数据分析。

工业本体建模，让AI能读懂数据

黄培博士则基于Palantir的实践思路，探讨了工业本体的核心价值。黄培博士认为，区别于通用大模型，Palantir的核心逻辑是依托本体论（Ontology）思想解决复杂的决策问题。这套理念对发展工业AI具备重要借鉴价值：抓住工业业务本质，理清各类实体之间的关联关系。遵循这一思路，企业才能做好需求分析与整体规划，优先落地高投资回报率（ROI）场景；再依托统一数据底座完成数据治理，循序渐进推进智能化建设，避免反复试错、来回折腾。

07

风口之下，哪些行业率先迎来AI应用的规模化落地？

在陶建辉看来，工业AI能否从试点走向规模化，关键取决于行业数据基础。只有生产数据连续可采集、数据标准统一，同时企业有强烈的降本增效诉求，AI应用才能快速铺开。这一判断，与TDengine当前在能源电力、钢铁、烟草、化工等行业的落地应用高度契合。

黄培博士的判断，与陶建辉的观点不谋而合。黄培博士结合一线观察与调研，认为工业AI或将率先在两类行业实现规模化落地：

● 一是数据密集型行业，如石化、钢铁、能源等流程工业。这类行业生产过程连续、数据量大且实时性要求高，在工艺调优、能耗管控、安全生产等领域存在刚性需求，AI落地可直接创造可观的经济效益。

● 二是高科技电子行业，涵盖自动驾驶、光纤、光模块、固态变压器、PCB等细分行业。这类行业本身已深度受益于AI红利（如算力需求拉动），正处于高速发展期，企业依托AI技术强化核心竞争力的意愿更强，落地接受度也更高。

08

推进工业AI落地，企业应遵循怎样的策略与路径？

综合整场对话交流，两位大咖从组织、次序、准则、安全、平台等维度，为制造企业梳理出一套可落地、可复用的工业AI系统化实施路径：

● 组织管理：“一把手”挂帅，打破部门墙

各类孤岛的根源在于顶层规划的缺失。工业AI的落地，绝不能是IT部门的“独角戏”，必须由企业一把手牵头统筹，统一整体建设蓝图。同时，搭建融合IT、OT、工艺及规划等各类人员的跨部门专项团队，从组织上杜绝“各自为政、零散上马”的局面。

● 实施次序：底座先行，高ROI场景切入

推进工业AI应用，应首先完成统一数据基座、工业本体语义层顶层规划，建立数据目录、标准化、情景化全套治理规则；在此基础上优先选择能耗优化、设备预测维护等见效快、回报清晰的场景试点，分步拓展，一步一个脚印沉淀数字资产，避免反复试错。

● 建设准则：锚定真实痛点，坚持业务驱动

脱离生产痛点的AI项目难以产生实际价值。推进工业AI应用必须以真实生产需求和痛点为导向，锚定产能提升、良品改善、能耗降低、绿色低碳等实体业务目标。所有的数据治理、AI 应用开发都应围绕企业真实运营难题展开，技术始终作为解决业务问题的工具。

● 安全红线：AI辅助研判，核心控制“物理隔离”

鉴于大模型存在“幻觉”与输出波动，而工业生产容错率极低，必须划定清晰的安全边界：AI仅用于停机根因分析、工艺优化建议等辅助研判；设备安全联锁、实时生产调控等核心控制环节，仍由成熟自动化系统独立执行。同时，建立基于角色的数据分级权限体系，严防核心工艺数据泄露。

● 平台选型：摒弃“交钥匙工程”，坚持“授之以渔”

企业选型应当规避“头痛医头”的定制交钥匙工程，这类点状AI应用难以复用，需要重复投入。企业选型应优先采用组件化、开放型的一体化集成平台，将分析、监测等能力封装为标准化的技能（Skill）与微服务。依托标准接口与开放生态，企业可自由对接各类大模型与可视化工具，不被单一厂商绑定，真正实现“授之以渔”，支撑企业业务拓展与长效发展。

09

这场深度对谈，两位大咖基于各自一线实践与行业观察达成共识：工业AI并非短期风口噱头，而是制造业实现提质、降本、增效、绿色低碳的核心抓手。

从当下普及的机器视觉、预测性维护，到快速落地的工业大模型与智能体，再到未来可期的具身智能，所有智能化应用的价值释放，都离不开统一互通、可治理的数据底座与标准化工业本体。

制造企业无需盲目追逐各类前沿技术概念，工业AI落地应稳扎稳打：先搭建AI原生开放数据底座，落地全域数据治理，依托工业本体打通IT与OT壁垒，再分批落地高价值场景，方能避开数据孤岛、重复投入、落地失效等行业共性陷阱，让工业AI真正落地见效。