直播回顧：工業AI的下一個機會在哪？

什麼樣的AI才適合工業現場？企業真正開始做工業AI時，又該從哪裡下手？允中 發自 凹非寺 | 公眾號 QbitAI 工業AI，正在從一個個單點項目，走向更真實、更復雜的製造現場。視覺檢測、質量控制、設備運維、工藝優化……越來越多AI能力開始進入產線，直接和良率、OEE（設備綜合效率）、產能這些工業指標掛鉤。那到底什麼樣的AI才適合工業現場？一個成功項目，怎樣從一家工廠複製到更多工廠？平臺和生態，又能在這個過程中發揮什麼作用？

新一期對話節目，我們邀請了西門子Xcelerator中國銷售與生態成功負責人顧欣，以及阿丘科技創始人兼CEO黃耀，從真實案例出發，把工業AI從落地到規模化這條鏈路完整捋了一遍。整場對談從一片晶圓開始，最後聊到了工業AI規模化真正缺的那塊拼圖。如果錯過了直播，不妨跟著這篇回顧，重溫一遍節目現場。從一片晶圓，看工業AI為什麼值錢？黃耀開場講了一個半導體行業裡的真實案例。晶圓需要被切成一個個芯片或芯粒，但到了微納尺度，來料差異、表面紋理、型號變化，都會影響設備性能。再加上不同客戶要求並不完全相同，設備運行過程中經常需要工程師介入，處理預警、停機和參數調整。AI首先做的，是把識別這件事做得更準、更穩。

“識別不準，直接把晶圓切壞了，這個損失就非常大。”黃耀說。阿丘科技創始人兼CEO黃耀 阿丘科技先用多模態模型提升識別精度和泛化能力，再進一步把設備工程師積累的部分操作經驗沉澱進智能體，讓AI從發現問題延伸到分析、處理問題。最後看的，也不是模型多拿了多少分。黃耀把衡量標準落到了一個很工業的指標上：OEE，也就是設備綜合效率。在黃耀介紹的案例中，導入智能體技術後，設備OEE和產能可提升25%左右。用他自己的話說： 它可以讓這個設備的性能更強，幹更多的活。這其實已經點出了工業AI和很多通用AI應用最大的不同。進了工廠，AI最終要對生產結果負責。

顧欣隨後把這層區別說得更明確：“它最關鍵的一點，就是必須具備工業級的可靠性。” 西門子Xcelerator中國銷售與生態成功負責人顧欣 通用AI一次回答不準確，還可以重新生成。但到了工業現場，如果判斷錯了，將會影響生產效率。在顧欣看來，判斷工業AI不能只看模型本身有多聰明。而是需要它可信、可追溯、可量化 。一片晶圓，把工業AI最現實的一面攤開了。識別要準，判斷要穩，出了問題還得能追溯，最後更要算得清到底創造了多少價值。但當這些指標真的被跑出來以後，新的問題很快就來了：在一個工廠裡有效的方法，換一家工廠還能不能繼續成立？工業AI最難複製的，往往不是算法 “工業領域的應用太碎片化了。”黃耀直言。

在他看來，工業看起來是一個巨大市場，但真正拆開之後，卻被不同門類、不同場景、不同工藝切成了一塊一塊。即使在同一家企業，不同工廠的設備、數據、流程和規範也可能並不一樣。這也是工業AI很難照搬互聯網Scaling路徑的原因。互聯網數據可以集中收集，工業數據卻往往數量少、不好拿，還涉及工藝和商業機密；模型到了另一個現場，又得重新適配新的設備、參數和系統。顧欣也認同，工業不是一個天然完全標準化的世界。甚至同一家企業的不同工廠之間，都可能存在差異。而真正落地時，問題還會繼續往下延伸。AI生成 它是一項系統工程，不是單一AI算法或單一AI模型的問題。算法只是其中一層。

下面還有設備、數據、算力，上面還要接工藝、控制系統、業務流程和交付體系。所以，一個項目能跑通，只能證明這個方案在某個具體環境裡成立。真正到了規模化階段，要複製的其實是一整套進入工業現場的方法。工業AI從1走向100，考驗的已經不只是模型泛化能力，更是能不能把一個高度非標的系統，逐漸做成可以重複交付的產品。而當問題從“技術能不能用”走到“怎麼重複交付”，單個企業的邊界也開始暴露出來。行業急需一個能站出來攢局的平臺。從1到100，拼的是誰能把更多人接進來 顧欣在節目裡表達了對西門子Xcelerator的期待： 我們希望能夠做好一個連接器，一個放大器。

連接器，是把好的技術接到真實客戶需求和應用場景裡；放大器，則是在一個方案已經被驗證之後，把集成、交付以及更多生態資源繼續接進來。這裡的關鍵，並不是平臺替企業把所有事情都做完，而是把一家企業很難獨自完成的部分組織起來。西門子成都工廠與阿丘科技合作就是一個例子。該工廠已經具備較高數字化基礎，但某些高價值檢測環節還希望進一步優化，於是平臺把場景、需求和阿丘的工業AI視覺能力接到一起，通過PoC (概念驗證) 共創驗證。如果驗證成立，下一步就不只是一家工廠的問題。誰去找更多相似客戶？誰來做系統集成？誰負責最終交付？這些原本容易落在單個企業身上的問題，到了規模化階段，就需要更多角色一起承接。

接下來要找的是，誰能幫忙找商機，誰能做系統集成，誰來完成最後交付。“0到1，證明在產業裡邊是可落地的；1到100，才是商業成功。”顧欣表示。在他看來，這也是平臺和生態真正要補的位置。技術公司繼續把自己的產品做深，平臺負責連接場景、客戶、夥伴和交付資源，再通過一次次真實驗證，逐漸把單點能力放大成可複製的產業能力。下一批機會，先看誰能把賬算明白 複製路徑逐漸被摸清，但面對這麼多工業場景，到底誰會先跑出來？黃耀對這個問題的判斷很明確：“上半場，肯定是高價值應用先崛起；下半場，才是百花齊放。” 在他看來，今天就去追求所謂的“超級AI應用”，還太早。

當前階段更現實的機會，來自那些價值足夠高、數據已經準備好、技術也已經可行的場景。他把這三個條件總結成了一個交叉點： 高價值、數據ready、技術可行。放到工業裡，最典型的一批，就是圍繞良率、工藝、OEE展開的單點高價值應用。半導體、PCB等高端製造行業，一兩個百分點的變化，都可能對應非常可觀的利潤。顧欣也提到，如果半導體設備的OEE能提升幾個點，對客戶來說，就是“巨大的經濟價值”。AI生成 這也是工業AI和很多消費級AI產品不同的地方。它不太容易靠一個爆款功能瞬間席捲市場，更可能先從那些“賬算得最清楚”的場景里長出來。從一片晶圓，到一家工廠，再到更多工廠。

這期直播裡聊的，不只是工業AI今天能做什麼，還有它接下來該怎麼走向規模化。哪些場景最值得優先做？平臺和生態到底能補上哪一塊？企業真正開始做工業AI時，又該從哪裡下手？在完整的節目裡，還有更多具體案例、判斷和觀點的碰撞值得一看。版權所有，未經授權不得以任何形式轉載及使用，違者必究。