工业AI，不爱聊天

AI变革生产力，工业可能是最难啃的一块硬骨头。

因为这里的AI必须要实打实“打螺丝”，而且不能出错。

工业问题有明确的约束、标准和结果，错一个型号、漏一个风险、晚几毫秒响应，都会直接落到成本、生产、安全和交付上。

工程师和一线生产人员最懂这里面的难处。

他们每天面对的是参数、规格、工艺、设备、物料和一堆具体到不能再具体的要求。通用聊天模型擅长理解语言、生成答案、调整表达。

而工业现场需要的能力完全不同，能干活的工业场景AI需要摸清工业品的语言、设备的参数和生产流程的规则，再把模型接进采购、设计、生产、履约等业务环节里，实际产生效用。

相应地，做工业场景AI的玩家，必须要有从工业现场长出来的AI大模型，有已经进入采购、设计、履约和生产现场的AI应用，也需要持续建设工业品标准数据和行业模型生态。

就在这两天，京东工业和AMD达成了合作，要把工业大模型和AMD的端侧算力结合起来，让AI能直接在工厂、车间等生产现场，做设备巡检、安全预警、供应链协同等具体工作。

同一天，京东工业发布工业世界模型，进一步把模型能力延伸到生产制造、设备运维、物流流转、质量检测等物理场景。

聊天AI擅长自然语言交互，工业AI的核心在于把事情做对，这背后，是工业领域AI基础设施级别的系统化能力。

AI要能进到生产车间

工业AI要想真正干活，模型得懂工业，知道自己面对的是什么，还得知道下一步该做什么。

一台设备、一个零件、一张图纸、一条生产线，背后都有自己的规则。工业AI需要理解设备状态、产品规格、工艺流程和业务逻辑，还要能够根据任务调用工具、连接系统，把判断变成具体动作。

这也是工业大模型和通用大模型的区别所在。

聊天AI面对的问题通常允许有一定的开放性或者说创造性。工业现场的很多问题却有明确答案。

一个型号到底对不对，一个参数到底合不合要求，一台设备有没有异常，都需要模型给出尽可能准确的判断。

京东工业的JoyIndustrial工业大模型，就是围绕这些具体问题训练出来的。

此前京东工业发布的JoyIndustrial 2.0，已经具备工业对象与业务状态理解、任务规划、工具调用和业务系统连接等能力。模型需要处理的，已经不只是“回答一个问题”，还包括理解任务、调用工具、执行流程。

工业AI需要更强的专业收敛能力。

模型面对一个工业问题，知道什么就回答什么，不知道的内容需要有明确边界。因为一个看似合理的错误答案，进入采购、生产或者设备管理流程以后，代价会被放大。

AMD合作解决的是模型进入现场之后的另一层问题。

有些工业任务需要实时响应。

京东工业CEO王培暖在签约现场举了一个生动的例子：在生产车间里，人员可能进入到车辆运行轨迹中，带来碰撞风险。工业世界模型加上端侧算力，能够实现对人员、设备的未来状态进行推演，并考量现场实际环境，提前数秒判断出碰撞风险，并触发报警或者让车辆提前减速。

京东工业CTO谷应鲲在工博会期间提到，工业现场的安全预警可能需要“秒级甚至毫秒级响应”。如果设备出现异常以后，几秒钟才收到提醒，很可能安全事故已经发生。

京东工业与AMD的此次合作，将推动工业大模型与AMD Ryzen AI Max系列处理器开展适配和协同优化，把模型能力部署到更靠近工业终端的位置，面向工业视觉、设备预测性维护、安全生产巡检等场景开展应用。

这一合作，已经开启了对真实物理世界的理解和运营。

此次京东工业发布的工业世界模型，开始把模型理解的对象扩展到生产制造、设备运维、物流流转、质量检测等物理场景。

过去模型面对的是商品、订单和业务流程。

现在，它还需要理解设备在哪里、物料在哪里、人员需要什么、现场发生了什么，以及这些变化意味着什么。

这其实是工业AI非常关键的一步。

模型只有理解工业世界，才能真正进入工业世界。

大模型负责理解，端侧模型负责及时响应，世界模型负责理解现场。

这些能力叠加起来，工业AI才有机会真正承担生产现场的工作。

好模型得有好数据喂出来

工业AI有一个很现实的问题。

模型懂不懂工业，首先还得看它是不是有扎实的数据底座。

工业品的数据尤其复杂。

一枚轴承、一只断路器、一套气动元件，背后都有型号、规格、材质、尺寸和性能参数。同一种产品，还可能有不同的商品名称、企业内部编码和供应商叫法，更不用说不同企业生产的功能相同的零件了。

现场工人说的是一句需求，工程师手里拿的是一张图纸，供应商提供的是一份产品手册，企业系统里又是另一套物料编码。

这些信息如果对不上，模型很难真正理解工业。

京东工业长期做的事情，就是把这些分散在真实工业业务里的信息沉淀下来。

截至2026年上半年，京东工业已经积累超过9770万工业品SKU数据，覆盖40多个细分行业，并持续建设墨卡托标准商品库。

这9770万条数据背后，并不只是商品数量，它们来自真实的采购、商品、供应链业务。

什么产品被哪类企业采购，工程师怎么选型，供应商怎么描述产品，不同型号之间是什么关系，这些长期发生的业务，构成了京东工业理解工业世界的基础。

换句话说，京东工业的AI是在工业业务、工厂车间里长出来的。

和低压电气行业巨头德力西电气一起，京东工业把超过2000份产品手册、8万条物料数据转化为4万条标准商品数据，再基于这些数据和产业知识训练电气大模型。

在德力西电气的实际应用中，陌生商品选型决策时间缩短约70%，数据采集人效提升3至4倍。

数据经过标准化，进入模型，再进入业务，最后体现为效率变化。

因为工业里的很多知识，本来就藏在企业的产品手册、物料清单、设备参数、采购记录、工艺手册和供应链流程里。这些东西没有被整理出来，模型就无从理解。

京东工业过去长期做工业供应链，本身就积累了大量这样的业务数据。AI加入以后，相当于可以更高效地把这些原本分散在商品库、采购流程和企业业务里的工业知识重新组织起来。

这也是为什么，京东工业做工业AI时，和业务之间的距离很近。

模型训练需要数据，数据来自业务；模型进入业务以后，又会产生新的数据和反馈。

这个循环跑起来以后，AI才有机会不断变得更懂工业。

所以，京东工业的AI能力背后，真正重要的不是有多少数据可以拿来训练，而是这些数据本身就来自工业。

它知道工业品怎么分类，知道参数意味着什么，也知道采购人员究竟在纠结什么问题。

说到底，模型是AI的“大脑”，数据决定了这个“大脑”究竟懂什么。

而京东工业长期积累的工业供应链业务，给这套AI提供了一套足够具体的工业知识底座。

AI接手具体的活

有了模型，也有了数据，AI最终还是要回到业务。

京东工业已经把AI能力嵌入采购、设计、供应、服务等环节。

在采购环节，AI智采管家可以处理采购清单，识别物料需求，再完成商品匹配、同品识别、替代品推荐、寻源和比价等工作。

这里面有一个很重要的变化。

过去采购人员需要在不同系统、不同供应商之间反复搜索和核对，现在AI可以把这些动作串起来。

招投标也是类似的场景。

针对央国企采购场景，优化商品识别、参数审核、供应商信息比对环节效率，京东工业将基础模型和智能体嵌入相关流程，让AI参与商品匹配、价格评估等工作。

这个场景很能说明工业AI为什么需要垂直能力。

采购文件里出现的工业品，往往带着大量型号和技术参数。企业最初使用通用大模型处理这类任务以后，很快就会遇到专业识别能力不足的问题。模型能不能认准商品，直接决定后面的流程能不能继续。

设计环节也在发生变化。

京东工业推出的AI CAD，可以通过自然语言、图片等方式生成工业图纸，并继续连接零件清单拆解、报价及3D打印；“设计大师”面向专业机械设计，可以进行图纸解析、零件选型和报价闭环，公开披露数据显示，建模与选型效率提升8至10倍，选型到询价、下单的时间由数天压缩至小时级。

再往生产现场走，AI眼镜等终端承担起了物料识别、铭牌识别等任务。模型看到实物以后，把它对应到具体的工业品，再连接商品和供应链系统。

这时候，前面那些看起来很基础的数据工作，才真正显示出价值。

模型负责理解，数据负责对应，智能体负责把事情做下去。

截至2026年上半年，京东工业在大型企业客户中已经累计部署70多款AI智能体，覆盖商品标准化、同品识别、商品寻源、议价、履约、结算等供应链环节，也面向中小企业提供了对话式的智采平台。

公开披露数据显示，AI增量GMV占京东工业重点企业客户GMV的6.5%，核心岗位人效提升16.6%。

AI在工业供应链里已经有了比较明确的经营结果，它进入的也越来越多是那些每天重复发生、又需要大量专业判断的工作。

这类工作恰恰更适合AI。

不需要它讲一段漂亮的话，需要它把一份清单处理完，把一个型号认准确，把一笔采购算清楚。

工业AI形成合力

一家企业把AI用起来，解决的是自己的问题。

工业AI真正形成产业价值，还需要更多企业能够用同一套语言交流。

这件事情比想象中难。

制造商有自己的产品体系，供应商有自己的商品名称，企业内部又有自己的物料编码。即使大家说的是同一个零件，数据格式、命名方式和参数表达也可能完全不同。

AI如果每进入一家企业都重新学习一遍，效率很难真正提高。

所以，工业AI走向产业化，最终还要落到标准。

京东工业过去建设墨卡托标准商品库，解决的是工业品标准化的问题。如今，这套能力又进一步向产业链延伸。

今年6月，京东工业启动“百川计划”，计划联合百家上游行业伙伴，从数据、模型、应用三个层面共建工业大模型生态。

制造商更懂自己的产品，供应商更懂流通环节，工业企业更懂自己的生产和采购需求。京东工业把这些能力连接起来，模型才能获得更完整的行业知识。

据了解，京东工业已经与大量产业链伙伴合作。公开资料显示，目前京东工业合作的制造商、分销商和代理商约23万家，服务重点企业客户约1.3万家。

本次工博会期间，京东工业进一步与中国工业互联网研究院联合发布了《AI赋能企业价值量化评估研究》‌，该研究在行业中首次提出了面向业务场景的价值量化评价框架，核心目的是帮助企业回答“业务改善是否真的发生、其中有多少来自AI、收益能否覆盖投入”等关键问题，推动评价视角从“AI应用水平”向“AI驱动能力与价值”延伸。‌‌‌‌

这样的产业网络，也让工业AI具备了一种通用互联网AI很难复制的条件。

它面对的不是一个孤立的企业，而是一张真实运行中的工业供应链网络。

采购需求在这里产生，订单在这里流通，商品在这里履约，产品在这里应用，服务在这里完成……供应商和制造商在这里连接。

每一次真实业务，都会产生新的数据和新的反馈。

数据进入模型，模型进入应用，应用再产生新的业务数据。

AI因此有机会形成一个持续迭代的闭环。

采购效率提高多少，选型时间减少多少，人效提升多少，AI带来的新增业务有多少，这些结果决定了AI能不能真正留在企业里。

这也让工业AI回到了一个很朴素的标准：能不能把事情做好。

数据要认得准，模型要懂工业，应用要真正接手业务，行业还要有一套共同遵循的语言和评价体系。

四件事情连在一起，AI才真正具备进入工业体系的条件。

聊天AI让人觉得聪明，而工业AI则需要让企业觉得可靠。前者赢得掌声，后者赢得订单、效率和生产力。