How does industrial AI land? It's not general intelligence, but "industry-specific" AI

製造業的血脈裏，長期奔流着兩種血液。一種是 “動脈血”，強勁而可見——高速運轉的機牀、自動化的產線、不斷攀升的產能，這是物理世界的生產力。

另一種，則是工廠的 “靜脈血”，沉默卻至關重要。它深藏在老師傅口口相傳的工藝、經驗中的隱性 Know-how，無形地決定着產品的良率、成本和最終的競爭力。

通用大模型之所以在工業領域 “水土不服”，根源就在於它們能輕易學習全球互聯網的 “動脈” 知識，卻很難理解一間特定工廠 “靜脈” 裏的奧秘。

一台精密機牀上的刀具補償，或是一台注塑設備在不同濕度下的工藝參數，往往只有經驗豐富的老師傅才能準確掌握。而這些深嵌於老師傅感官、肌肉記憶和長期實踐中的寶貴 “工業知識”，顯然無法簡單地從互聯網上爬取。

於是，一個關乎中國製造業未來的根本問題浮出水面：怎樣才能將頂尖老師傅三十年的功力，“無損” 地傳承到下一個三十年？

6 月 19 日，老牌工業軟件廠商鼎捷數智在武漢發佈了一系列企業級AI 套件，試圖用技術打通工業的 “動脈” 和 “靜脈”，讓老師傅們寶貴的工業經驗得以在數字世界裏重生、奔流、傳承。

那麼，鼎捷的破局方法是什麼？如果破局成功，工業互聯網企業的商業模式、投資邏輯與競爭格局又將發生怎樣的改變？

1.一套 “會思考的 Data+AI 軟基建系統”

“高層很上頭，中層跟着走，基層直撓頭。”

在峯會現場，鼎捷數智 PaaS 事業處首席專家金江博士這句自嘲式的 “金句”，道出了當下所有制造企業面對 AI 浪潮時的集體困境：在 “搶跑風險” 與 “掉隊危機” 中搖擺不定。

·搶跑？ 可能會陷入技術迷霧，投入巨大卻收效甚微。浙江大學求是特聘教授周偉華一針見血地指出：“技術搶跑不等於戰略的領先。” 很多企業在技術上投入巨大，卻沒有想清楚轉型的根本目的，最終導致應用與業務脱節。

·掉隊？ 華為雲中國區生態發展部長馮雷則警告，AI 正在對產業進行底層顛覆，“如果不用 AI 重新思考，很多合作伙伴未來 3-5 年會大量創新洗牌。”

面對這一經典的 “電車難題”，鼎捷行業方案事業處副總裁顧華傑認為，企業 “缺的不是一個系統，而缺少的是一套會思考的系統”。這套 “會思考的系統”，其底層設計哲學，應該採用 “解耦式架構”——將知識（業務知識庫）與行動（Agent 執行器）徹底分離。

這樣做的好處是，AI 的 “大腦”（知識）和 “手腳”（行動）可以獨立升級。當需要進入一個新行業時，只需加載該行業的知識庫；當需要對接一個新系統時，只需開發相應的行動插件。

基於此哲學，鼎捷構建了一套 “三層火箭” 式的產品矩陣，旨在將 “老師傅經驗” 與 “大模型推理” 擰成一股繩。

第一層：智能數據套件——給工廠做一次 “數據 CT”

工業 AI 的第一道坎，就是 “靜脈血” 難以被觀測和理解。現實中，這表現為一道 “數據暗流”：OT（運營技術）層的海量設備數據與 IT（信息技術）層的管理數據互不相通，形成數據孤島。

鼎捷的第一件 “利器”——“智能數據套件”，就是為了疏通這道暗流。它像一台醫院的 CT 機，先給企業做一次徹底的 “數據體檢”。鼎捷將過去 40 多年積累的、覆蓋數十個行業、企業運營管理不同業務線的知識和經驗，封裝進這套工具。

它主要會做三件事：

·智能數據體檢： 它不僅檢查數據的一致性、唯一性，更重要的是，它帶着 “業務屬性” 去檢查。比如，它知道某種材料在特定温度下的厚度應該在什麼量級，超出範圍即為異常。這種將被動數據管理轉為主動數據治理的模式，金江博士稱之為 “從救火模式轉為消防巡檢模式”。

·行業知識沉澱： 它將數據治理結果與國標、企業標準及歷史數據關聯，構建出專屬於這個工廠的 “工藝知識圖譜”。目前，鼎捷已沉澱了超過 6000 個數據元、54 個模型，覆蓋 20 多個主題域。

·增強決策智能：進一步用 AI 來強化輸出業務所需的智能洞察力，增強偏差歸因和測算推演力。通過自然語言交互提問，智能的輸出精準業務數據背後的洞察。目前，鼎捷已經發布了洞察分析、歸因分析、測算推演等多組合拳的決策智能能力。

這樣的 “體檢報告” 和 “決策智能” 不僅告訴你哪台注塑機震動異常，還會基於知識圖譜解釋 “若射出壓力持續低於 80MPa，極有可能導致產品縮水”，並自動將預警回推給排產系統。至此，渾濁的 “數據沼澤” 開始變得清澈可用。

第二層：企業智能體生成套件——自研 “MACP” 協議讓數字員工協同作戰

光有乾淨的數據還不夠，還要讓 “數字員工” 真正協同起來。為此，鼎捷在業內首創了 MACP（Multi-Agent Communication Protocol）多智能體通信協議，能把原本各自為戰的 AI 智能體統一進一張 “決策神經網絡”。

會上，金博士演示了一個極具説服力的案例：一家來自長三角的家庭及户外儲能設備製造商，其業務已經覆蓋歐美區域，原來在制定月度經營計劃時，財務、製造、供應鏈等不同部門需要同時派人進行長達一週的測算，才能有個初步的經營計劃及目標。

現在，基於 MACP 協議，通過 “中心化自主決策 + 分佈式協作執行” 的多智能體協作能力，一個複雜的經營決策任務被拆解給不同的智能體協作完成：

我們可以在主智能體對話中看到，在完成語義識別、意圖理解和思考方法後，主智能體 Commander 迅速完成了規劃編排，調集六類不同的單智能體，分步激活每個單智能體後分為兩條路徑並行執行。

最終，六個智能體協同有條不紊的協作執行，並且由主智能體在發現結果不滿足最早的任務要求後，發起反思協商流程，讓每個智能體重新再進行一次思考。在完成各類綜合評估後，新的經營計劃給出了單品在歐洲地區提價，鎖定 50% 的原料期貨，以及採取 20% 預付款計劃的辦法。

基於鼎捷的行業積累和知識沉澱，不僅實現數據驅動智能體， 科學思考與精準決策， 還可以跨系統、跨職能、跨部門， 完成複雜任務的協同處理， 真正實現將 AI 從 “工具屬性” 進化為 “數字員工” 屬性，為企業運營管理和業務增長提供了價值創造的新範式。

第三層：AIoT 指揮中心 & 工業機理 AI——打造製造業的 “智能咖啡機”

如果説前兩層構建了 AI 的 “大腦” 和 “神經”，那麼第三層則賦予了它 “手腳”，讓思考變為行動。

其中，AIoT 指揮中心扮演着 “交通警察” 的角色。它通過豐富的協議棧，將生產設備（如 AGV、立體庫、數控機牀等）與廠務設備（如中央空調、配電櫃、安防監控等）全部接入同一條 “數據高速公路”，實現 “全域 AIoT”。

而鼎捷的 “王牌”——工業機理 AI，則更是一種融合了物理模型與數據驅動模型的 AI，它不再僅僅依賴統計規律，而是試圖理解 “為什麼”。

會上，鼎捷 AIoT 事業處副總裁葉賢盛還舉了一個生動的例子，來解釋這一系統的價值：老師傅鑄造銅製品時，需要 “倒一點，傾一點，重複 10 次”，這個動作背後藴含着複雜的流體力學和熱力學機理。工業機理 AI 就是要通過視覺識別、生物識別等 AI 感知技術，結合算法模型，將這個過程數字化、模型化。

“我們的目標，是讓人人都是老師傅，讓老師傅變成大師。” 葉賢盛説。就像咖啡機將咖啡師的經驗固化，讓普通人也能做出一杯不錯的咖啡，而真正的咖啡大師則可以基於此去創造新的風味。工業機理 AI，就是製造業的 “智能咖啡機”。

於是一個完美的閉環形成了：實時數據→ 機理推理 → 設備動作 → 產生新數據。而這，已不再是簡單的 “數字映射”，而是讓 “虛實融合、反向控制” 成為可能。

2.把三十年的功力，寫進代碼裏

鼎捷的這套系統，直面的是中國製造業最深刻的 “人才暗流”：70 後、80 後熟練技工正逐漸老齡化，他們腦中那些 “只可意會不可言傳” 的隱性知識，面臨着失傳的風險。

如何將這些 “指尖知識”，變成 AI 可以理解和學習的數字資產？

鼎捷的 AI 套件，圍繞着工業知識數字化的核心——情境化，打出了一套組合拳：

1.經驗非結構化，先要 “多模態、碎片化抓取”： 當老師傅示範 “三段式刀具磨損補償” 時，系統同時錄屏、收音並抓取 CNC 操作日誌，再配合傳感器獲取工具壽命和工件良率。一次演示即可採集 5 種模態的數據，大幅降低了知識入庫的門檻。

2.工業知識圖譜：把 “0.01mm 公差” 寫進大模型的詞典： 不同於開放的互聯網百科，工廠知識必須嚴格、精確。鼎捷將這些知識構建成一個個三元組，如<工序 A, 温度， 730℃±5>，並映射到圖數據庫中。當生產條件變化，系統會自動觸發 “知識過期” 標記，要求重新驗證，確保知識的 “保鮮”。

3.RAG 技術：既要 AI 聰明，更要 AI 安全： 將包含核心工藝的文檔全部餵給公有大模型，存在巨大的數據安全風險。鼎捷採用成熟的 RAG（檢索增強生成）技術。當用户提問時，大模型只負責理解意圖，真正的答案來自企業本地、安全的知識圖譜，既保證了回答的專業度，又避免了核心數據外泄。

3.真實效果如何？

那麼，鼎捷的這套體系，在現實世界的效果如何呢？或許，我們可以從兩個案例中窺知一二。

案例一：嘉利股份的燈光秀——AI 賦能的未來工廠

作為全球汽車尾燈的龍頭企業，嘉利股份的 “未來工廠” 實踐，為 AI 落地提供了鮮活的註腳。2023 年，嘉利啓動未來工廠改造，用鼎捷的平台和套件做了三件關鍵的事：

1.APS+AI 排產： 將多地工廠的產線排產、物流仿真、模具庫衝突進行一體化計算。

2.一燈一碼： 為每一隻出廠的車燈都綁定了包含 20 多條關鍵工藝數據的唯一序列號，實現了全生命週期的精準追溯。

3.無人化物流： 通過 AIoT 指揮中心實現 AGV 的自動呼叫和路徑優化，物流崗位從規劃的 42 人鋭減至 4 人。

一年後，成效斐然：人均產值提升 20%，能耗下降 15%，研發週期縮短 10%，不良率下降 20%。2024 年末，嘉利股份成功榮獲浙江省 “未來工廠（頭雁型）” 稱號，並得到相關扶持。

案例二：英飛特的 “蛇吞象”——平台能力的極限試煉

一個穩定、敏捷、強大的平台，是所有 AI 應用能夠生根發芽、開花結果的土壤。

如果説嘉利股份的案例證明了 AI 應用的 “上層建築”何其有效，那麼英飛特的故事，則證明了承載這一切的“地基” 何其堅固。

2022 年，英飛特在併購歐司朗 DS 事業部後，面臨一個 “不可能的任務”：其僅有十多人的 IT 團隊，必須在 9 個月內，從零開始構建一套全新的全球 IT 系統，去替換掉那個由對方 600 人 IT 團隊維護、以 SAP 為核心、遍佈全球 30 多個國家的龐大系統。

“無異於蛇吞象。” 英飛特全球 IT 總監祝芳回憶道。

最終，基於鼎捷的雅典娜 PaaS 平台，採用 “核心套件 + 大平台 + 敏捷開發” 的模式，他們奇蹟般地完成了任務。

這背後，是鼎捷平台提供的統一底座、敏捷構建能力和全球化服務經驗的綜合體現，也證明了新一代的中國工業軟件平台，已經具備了在最複雜的跨國商業場景中，與國際巨頭掰手腕的實力。

4.從 “一廠一項目” 到 “平台 + 生態”：工業軟件的商業模式革命

“以往信息化項目，給 A 公司定製一套流程，要移植到 B 公司很難。但現在，給 A 公司做的 AI 能力，很容易遷移到 B 公司。” 周偉華教授一語道破了 AI 對工業軟件商業模式的顛覆性影響。

在傳統的 ERP 時代，廠商主要靠項目制吃飯，毛利嚴重受制於人力成本。而平台化和 AI 套件，則很有可能徹底改變遊戲規則：

·收入結構： 從一次性的 License+ 維護費，演進為訂閲費（ARR）+AI 調用費 + 生態分成。企業無需一次性投入鉅額資本，而是按需訂閲能力，大大降低了採納門檻。

·數據飛輪： 客户越多，沉澱的數據和行業模型就越豐富，算法就越精準，從而吸引更多客户，形成正向循環。

·網絡效應： 鼎捷雅典娜這樣的 PaaS 平台，正試圖成為工業 AI 領域的 “App Store”。它吸引着像華為雲（提供算力）、智程（提供 3D 設計 AI）、能迪（提供智能廠務 AI）等生態夥伴入駐，共同服務客户，並通過平台進行收益分成。

對於二級市場而言，如若鼎捷這類公司落地工業 AI 的進度穩步推進，那麼市場這類公司的估值邏輯，可能將從傳統軟件股的 PE（市盈率）估值，向平台/SaaS 股的 PS（市銷率）或 ARR 倍數估值遷移。

尾聲：工業 AI 的 “iPhone 時刻”？

1990 年代，ERP 幫助工廠學會了 “記賬”；2010 年代，工業互聯網讓機器學會了 “説話”；進入 2020 年代，AI 正在讓機器學會 “思考”。

在這條全新的賽道上，鼎捷數智不是唯一的玩家。西門子的 Industrial Copilot、PTC 的 ThingWorx、達索系統的 3DEXPERIENCE，都在加速佈局。但所有人都意識到，競爭的焦點已經悄然改變。

過去，比拼的是軟件功能的強大與否。而現在，決勝的關鍵在於：誰能率先將千行百業中那些非結構化、不可言傳的行業 Know-how，系統性地翻譯成 AI 能夠理解和執行的 “工藝母語”。

要完成這場深刻的 “翻譯” 工作，所有玩家都必須直面三張決定未來的考卷：

首先是算法信任：如何讓 AI 真正理解 0.01mm 公差背後的 “工藝靈魂”，並贏得產線工人的最終信任？這不僅是技術問題，更是人機交互和企業文化的重塑。

其次是持續知識採集：老師傅的經驗會隨新材料、新工藝而演進，如何建立一套敏捷的機制，讓模型永不 “過期”，始終保持對最新工藝的理解？

最後，也是最關鍵的，是生態繁榮度：一個平台能否吸引到足夠多的第三方開發者和 ISV（獨立軟件開發商），願意把他們最好的 “插件” 和應用寫在你的平台上？畢竟，沒有一個玩家能解決所有行業的全部問題，開放的生態才是最終的護城河。

這三張考卷的答案，將直接決定誰能在這場工業轉型升級的浪潮中，率先激活製造業數據與知識的 “第二脈搏”，開啓屬於工業AI 的 “iphone 時刻”。