中国门类齐全、基础雄厚、产业链完整的制造业底蕴，为AI大模型在垂直领域，尤其是工业场景的探索性应用，提供了丰富的试验田和广阔的需求空间

　　“AI+工业”行稳致远，还需持续突破技术瓶颈、深化场景应用、营造鼓励创新的友好环境，在全球智能化浪潮中熔铸出更强大的竞争优势

　　文 |《瞭望》新闻周刊记者

　　钢铁企业的生产车间中，“火眼金睛”的AI让带钢表面缺陷无处遁形，检出率提升至95%；热轧环节精准掌控，成材率提升带来实实在在的效益，一年可多产出2万吨钢；油气勘探领域，原本需要耗费地质专家一整年完成的复杂数据分析，在大模型驱动下缩短到一个月……这些成果是人工智能深度赋能中国工业的缩影。当前，AI在矿井智能化、炉温预测、地震波勘测、高性能计算等核心环节，取得了一系列突破性应用。

　　为何“AI+工业”能在中国土壤快速生根发芽？受访人士认为，其关键在于中国门类齐全、基础雄厚、产业链完整的制造业底蕴。“这为AI大模型在垂直领域，尤其是工业场景的探索性应用，提供了丰富的试验田和广阔的需求空间。”受访者表示。

　　中国在“人工智能+工业”的融合探索上快速发展，通过场景与技术深度融合、创新技术架构、筑牢自主可控的数字底座，形成中国工业智能化转型升级的特色路径。“它不仅仅是技术应用，更是推动我国产业升级和创新的核心引擎，实实在在地打造着‘新质生产力’。”多位受访专家和企业人士评价。

　　未来，还需在技术底座上攻坚克难、在应用场景上深挖广拓、在创新生态上松绑护航，持续扩大竞争优势。

　　参观者在上海市举办的 2025 世界人工智能大会展览现场中国南方电网展区拍摄“悟空”带电作业机器人（2025 年7 月 28 日摄）陈浩明摄 / 本刊

　　大国角力 场景决胜

　　“AI+工业”的落地征途并非坦途。在调研中，《瞭望》新闻周刊记者发现，“AI+工业”落地存在数据壁垒、安全顾虑、技术瓶颈等多重难点。

　　具体来看，数据壁垒影响较大——工业设备常因传感器噪声、协议割裂、老旧设备数字化不足形成“数据孤岛”。据估算，全球约70%的工业数据未被有效激活；安全顾虑紧随其后——涉及核心工艺的企业不愿在公共平台运行数据，而依赖专家标注故障数据的高成本又制约模型训练；技术瓶颈同样突出——工业实时场景要求低延迟推理，但通用大模型轻量化不足、多模态数据融合困难，导致泛化能力下降。

　　叠加工业领域特有的知识融合难、可靠性要求高、小样本问题，“人工智能赋能工业是最有价值的方向，也是最难走的一条路。”华为油气矿山军团副总裁蒋旺成说。

　　这场竞逐中，中美两国被视为主要领军者，但路径迥异。美国坐拥通用大模型与算力优势，却因“去工业化”而严重缺乏工业场景支撑。

　　“爱立信、IBM、谷歌、GE等企业都曾尝试用AI深度赋能工业制造，但因各种原因效果不彰。”深圳市人工智能与机器人研究院常务副院长丁宁告诉记者。蒋旺成认为，美国大模型领先，但缺乏与之相适配的工业场景；具备一定工业场景的发达国家，又往往缺乏顶尖的互联网和AI技术。

　　美国的应对之策是持续巨额投入算力，提升通用大模型性能至“人工智能体”（AI Agent）以求泛化，或依赖算力虚拟化模拟工业体系迭代，并以宽松监管护航。

　　相比之下，中国路径的破局关键，在于深度融合海量工业场景与技术攻坚。“科技企业的大量投入，加上国内工业企业的积极支持，才共同在该领域取得一定的突破。”蒋旺成认为，丰富的真实场景与产业协同，构成了中国应对挑战、发展工业AI的独特优势与突破口。

　　破壁垒 强架构 筑安全

　　面对“AI+工业”落地的全球性挑战，中国科技企业与工业企业紧密携手，以问题为导向，探索出一条聚焦场景落地、技术适配、安全可控的特色实践路径。

　　破数据壁垒：场景与数据深度融合。受访者告诉记者，我国探索“AI+工业”路径的核心在于，将大模型与具体工业痛点深度绑定，尤其强调数据采集、清洗和跨领域协作的落地环节。

　　以高炉炉温预测为例，精准掌控炉温对钢铁生产的稳定性、能耗控制与成本效益至关重要。传统依赖人工经验，波动大、风险高。在一钢铁行业项目中，客户最初提出了庞杂的7000多个数据维度，如何从中提炼关键信息是巨大挑战。

　　科技企业的解法是组建跨领域合作团队——钢铁工艺专家与AI工程师协同作业，基于对高炉冶炼机理的理解，通过反复分析、试验，从海量数据中筛选出约1500个核心维度用于模型训练。这种深度融合跨越了专业壁垒，匹配了工业需求，将预测准确率提升至90%以上，保障了高炉顺行和降本增效。

　　受访者说，我国“AI+工业”高度重视大模型与具体工业场景的紧密结合，不盲目追求通用性，而是扎根于具体工业场景，依靠“懂行人”与“技术派”的深度协作，将数据价值最大化。

　　克技术瓶颈：创新模型架构驱动规模化应用。针对工业领域小样本、负样本难穷举等痛点制约小模型发展的问题，科技企业在模型架构上寻求突破。

　　例如，业内一家领军型的科技企业创新性地采用“非正常即异常”的架构思路，通过定义正常状态，任何偏离即为异常，简化了学习目标，规避负样本穷举问题。

　　受访者介绍，自2022年起，该科技企业与客户共同构建了强适用性的底层平台。其信息化三产公司依托自身技术力量，已在该平台上开发并持续迭代上百个适用场景。

　　这种平台化模式可在一定程度上解决工业AI应用碎片化、定制化成本高的难题，实现从单点突破到规模化推广。据了解，这一模式成效显著，已在全国范围内推开。

　　解安全之忧：筑牢安全可信的数据底座。数据安全是工业企业的核心关切，不少企业担心在人工智能与业务结合过程中出现核心数据外泄风险。为解决工业企业对核心数据安全的顾虑，科技企业与工业企业探索构建安全可信的技术基础设施。

　　以某互联网企业与南方电网的合作为例，该互联网企业副总裁、政企业务总裁李强介绍，该企业与南方电网的合作从IT基础设施云化升级、数据技术中台建设、分布式云数据库部署到信息网络安全加固，打造了坚实的“云数底座”。

　　这一模式在保障核心数据私密性的同时，可利用公有云弹性资源。“采用‘私有云+公有云’模式，成功纳管上千台服务器，提供上万台云主机，支撑数百个业务应用，实现数据统一管理、协同变更，为南方电网国产化云平台能力提升和核心业务智能化提供了安全可靠的基础。”李强说，这一模式为工业企业提供了数据和业务安全的关键保障，使其可以放心拥抱AI。

　　多措并举 扩大优势

　　随着大模型成本持续走低与端侧应用广泛铺开，“AI+工业”浪潮将更深度地渗透千行百业。在这场定义未来工业格局的全球竞逐中，中国依托深厚的制造根基与科技企业、制造业企业的深度融合实践，走出一条以真实场景为牵引、以落地应用为核心、以安全可信为保障的路径。

　　受访者认为，“AI+工业”行稳致远，还需持续突破技术瓶颈、深化场景应用、营造鼓励创新的友好环境，在全球智能化浪潮中熔铸出更强大的竞争优势。

　　技术攻坚，软硬协同。“算法与算力、芯片与大模型，是相互促进、共同演进的关系。”相关专家表示，当前需通过软硬协同创新，优化大模型和芯片性能，特别是推动国产大模型与国产芯片的深度适配，保持模型水平紧跟国际前沿。同时，不仅要攻关芯片先进制程，也要高度重视存储领域的技术突围。加强AI与物联网、大数据等前沿技术的融合。

　　深化应用，开放场景。丁宁等专家建议，鼓励企业持续投入研发，优化模型在准确率、泛化性、智能化等方面的性能，并进一步开放更多工业应用场景，推动大模型在千行百业落地生根。

　　深圳市工业和信息化局副局长、深圳市人工智能产业办公室主任林毅认为，随着大模型成本降低和端侧应用加速，应推动更多终端产品集成智能功能，如AI手机、AI电脑、AI玩具、可穿戴设备、智能家居、智能驾驶等，构建广泛的智能产品矩阵，拓宽赋能边界。

　　营造环境，审慎包容。多位专家建议，监管应以“宽容”为基调，破除可能阻碍创新的制度性障碍，允许一定范围内的试错。“应用不落地，实践就无从谈起”，制定的监管措施就很难有针对性。“先放后管、先立后破”，更有利于中国人工智能在全球竞争中脱颖而出。

　　此外，还应加大对垂直领域，尤其是制造业应用大模型的支持推广力度，提高工业场景的普及性和模型的泛化能力。 （采写记者：王攀 陈宇轩 孙飞 印朋）■