68.【番外】工业AI避坑指南：当180年工业技术积淀，遇到大模型

摘要

• 李辉给出的关键区分是：工业AI与互联网AI的底层逻辑完全不同——“互联网AI关注的是满意度，但工业AI更多关注的是确定性、安全性和可靠性”。 他举了半导体晶圆厂的例子：受互联网AI热潮刺激，前前后后尝试了两年多都没有成功，最后靠“物理AI”路径才落地。主持人卫诗婕在收束时判断：工业AI落地“不是一个技术问题，可能也不是一个资本问题，而是一个耐心问题”。
• 工厂并非不敢用AI，而是已经用了很多年——真正的增量在于大模型给工具箱添了一件新工具。 西门子成都工厂厂长李永利拆解：机器视觉管质量、小模型做“预测性维护”和“秒级动态调参”早已使用；这一轮生成式AI的机会在人机交互层和办公室工作流，加上朱骁洵指出的“长尾需求”——让AI现写代码解决每个工厂略有不同的零碎痛点。因此，大模型当前首先是对既有工业AI的补充工具。
• 数据是AI的地基，且不能指望“人工智能把以前的窟窿补上”。 朱骁洵强调高质量数据集是下一轮数字化的“赛点”：光有数据不够，必须融入人的知识（“我当时改了一个图纸，我为什么这么改”）；西门子为此做了Data Layer打通数据孤岛、“工艺魔方”打通IT与OT。李永利的警告更直白：自动化经常切回手动、平台数据“你都不太敢信”的企业，谈不上AI价值。
• 现场最有火药味的分歧：没做好数字化的公司还能弯道超车吗？ 朱骁洵认为“当然有机会”，AI让十年前昂贵的数字化“事半功倍”；李永利直接反驳“我不太同意朱院长的观点，机会是很小的”，并用电子地图类比——再好的模型没有底层高质量数据也跑不通；李辉则认为“没有数字化在工业场景里面我觉得没法应用起来”。这凸显了数字化基础对工业AI落地的重要性。
• 落地方法论是本场最可操作的资产：“零到一、一到九十九和最后一公里”，标准解不如老师傅的那组参数。 李永利强调最后一公里必须由懂domain know-how的一线员工主导，具体打法是“小而美”：0到1、1到50交给专家，50以后自己接管，项目做小换来试错成本低、快速迭代、员工从“旁观者到参与者到驱动者”。李辉补充“拿锤子找钉子”是普遍失败模式——某互联网大厂用AI优化数据中心三年不成，真需求必须“以可量化、可验证的效果来定义”。
• ROI要算“多快好省”而非只算省钱，且成熟技术往往优于先进技术。 李永利举例：内存涨价时提前在设计和质量端验证过第二供应商，就能第一时间切换、比同行更快；供应链“每快一个小时给你带来的价值都是无法估量的”。他的反直觉结论：新技术不稳定又贵，ROI反而算不过去，“工业场景最理想的是用成熟技术，又稳定又便宜”。
• 物理AI是黄仁勋折线图的最高点，但朱骁洵和李辉都认为路还很长，且物理AI不足以解决工业全部问题。 朱骁洵指出工厂不是纯物理世界，还有大量逻辑数据流动，AI黑箱指令必须靠实时仿真持续验证；主持人卫诗婕进一步判断“工业AI我觉得比这个还要再远一点”。西门子的硬件能力也被提及：全球每三台工业自动化设备有一台是西门子做的，边缘端AI算力是其核心硬件能力之一。

精读

1. AI焦虑从互联网烧到工厂：期待很高，落地很难

• 李辉的定调：“这把火是从互联网AI烧过来的”——大家看到互联网AI又聪明又普及，期待硬套进工厂降本增效，结果发现底层逻辑不通：互联网AI追求满意度，工业AI要的是确定性、安全性、可靠性。他的最佳标本：一家半导体晶圆厂在焦虑驱动下“前前后后大概试了将近两年多时间，做了很多尝试都不成功”，最后找到深度智控用物理AI方式才落地。
• 两位嘉宾的出身自带说服力：李辉在清华做能源系统物理模型，“做一个模型大概要花四个博士做大半年”，效果好但无法复制，09年开始研究AI、2018年才找到物理模型与AI结合的路径并创立深度智控；朱骁洵年轻时做条码图像识别，14年入职西门子时恰逢该技术被AI颠覆——“讲到AI的颠覆性，我想我是很有发言权的”。

2. 工厂敢不敢用AI？其实已经用了很多年

• 李永利把问题拉回生成式AI之前：工业AI早已在两类技术上使用多年——机器视觉把控原材料、制程与成品质量；小模型（非大语言模型）做设备预测性维护和“秒级动态调参”，用产线后段质量表现迅速反馈前段调参，外加库存与生产订单优化。
• 对大模型的定位刻意克制：“大语言模型让我们的工具箱里边多了一个新的工具”，最大想象空间在人机交互层——上一代AI服务车间里的自动化产线，这一代服务“电脑屏幕后边的那些应用软件”的办公室协同。“与其说是焦虑，不如说我们已经看到了很多新的机会。”
• 朱骁洵补上生成式AI的另一个突破口：长尾需求。每个工厂的痛点“跟其他工厂有那么一点的不一样”，通用程序解决不了，未来“让AI马上给你写一段代码”，把零零碎碎的小问题都解决了。

3. 数据是地基：图书馆造好了，得有人去读

• 朱骁洵回顾西门子十年铺垫：用知识图谱做Data Layer打通数据孤岛，再用“工艺魔方”套件打通标准与实时性都不同的IT与OT系统。但对AI而言更大的难题是高质量数据集：大量工业数据背后若没有人的知识——“比如说我当时改了一个图纸，我为什么这么改”——对AI的价值其实不大。“怎么样去收集高质量的数据集，成为了我觉得下一轮数字化里面非常有挑战的一个话题”，朱骁洵称之为赛点。
• 李永利泼冷水：LLM处理非结构化数据的能力确实拓宽了工业数据范畴，但自动化经常切回手动、平台数据“你都不太敢信”的企业，指望“人工智能把以前的窟窿补上，不太有可能，大家还是得一步一个脚印”。
• 卫诗婕把数字化比作给每家工厂造图书馆，认为“没有人去读那些书”就是低效甚至无效的数据；朱骁洵当场表示同意，并补充说数据放进图书馆后，只有不断去读、去使用，数据质量才会不断提升。

4. 现场交锋：没做数字化的公司还能弯道超车吗

• 朱骁洵的乐观派立场：“任何一次有颠覆性的时候都是很好的弯道超车的机会”——十年前昂贵难做的数字化，现在借AI“很可能是事半功倍的结果”。
• 李永利的正面反驳——本场最直接的分歧：“我不太同意朱院长的观点，我觉得机会是很小的。”他的电子地图类比：一个在北京用得极好的地图模型，换个城市，街道距离不准、红绿灯数量不明，“非常好的模型，但它没有底层的有质量的数据”，你还得回到第一步。李辉则认为：“数字化是AI应用的一个基本前提。”
• 朱骁洵不认输，用的正是李永利工厂的旧案：十年前在成都工厂用AGV架机械臂给PCB贴片机上下料，当年编程费尽功夫；如今有人形机器人和大模型驱动，“我就不会再用十年前的那个手段”——“你现在在做来得及，因为更快”。

5. 物理执行需要仿真背书，硬件是AI的手

• 朱骁洵对世界模型话题的转向很实在：物理AI必须落到机器人、PLC上干活，而AI是个黑箱，“需要我们在运行的时候有一个仿真的结果不停的去验证AI的这个指令是可靠可信赖”——传统上先仿真后编程，现在物理与虚拟世界的链接对实时性的要求“比原来又大了很多”。
• 西门子的硬件逻辑：全世界每三台工业自动化设备有一台是西门子做的，边缘端AI算力是其核心硬件能力之一——朱骁洵说：“AI的手是什么呢？就是这些硬件设备。”他还总结：“硬件是数据的入口，数据是AI的燃料。”

6. 欲速则不达：从99到100的最后一公里

• 李永利改写互联网叙事：不是“零到一、一到N”，而是“零到一、一到九十九和最后一公里”。做到九十九时你手里是标准解，“你把一个标准的解决方案放到我的机台上，它往往还不如我老师傅的那组参数有效”——从九十九到一百是适配具体机台、具体加工对象的最优解，“光靠数据专家是不够的，你得有domain know-how的人”。
• 第二重约束是稳定性：大语言模型“有的时候表现的出奇的好，有些时候又很糟”，而“一个不稳定的解决方案对我们制造来讲就是一个灾难”。主持人追问的新方案弃用现象被确认：第一天可能有人用，第一个月也有人用，时间一久效果越来越差，“并不是这个AI不好，而是这个AI水土不服，它没有调到最优”。
• 李辉证实“拿着锤子找钉子非常普遍”，真需求必须“以可量化、可验证的效果来定义”。案例：2021年某互联网大厂AI能力极强，拿模型硬套数据中心节能做了三年多效果不佳；深度智控从最底层入手——建每个设备模型、做系统仿真、系统优化、再闭环控制——“一步一步把它落地，才能产生可持续的价值”。

7. ROI新算法：格局打开，算“多快好省”而不只是省

• 李永利的两个例子：其一，端到端供应链协同系统看似“不能省几个人”，但在能源危机、石油涨价背景下，“每快一个小时给你带来的价值都是无法估量的”；其二，内存涨价时，提前在采购、设计、质量端都验证过第二供应商的企业能第一时间切换，“速度更快，灵活性更高”。过了生存期的企业不该只投省钱项目，而要投让你“更好、更有竞争力、质量更稳定”的项目。
• 他的反技术崇拜视角：一上项目就强调先进性是误区——新技术“第一可能不够稳定，第二一般都比较贵，那你ROI可能就算不过去”。“工业场景最理想的是用成熟技术，又稳定又便宜。”

8. 技术与场景两张皮？好的技术人员要融入客户需求

• 朱骁洵拒绝“拿锤子的人”这一角色设定：“我应该是那个琢磨下一个锤子长什么样的人。”他的判断：因为好玩把最新技术用到某个场景，“是一个很好的失败的方法”——“工业是不看重情绪价值的”，李永利这样的内部客户根本不在乎技术新不新。
• 标本案例：西门子人工智能团队里有好几个钢铁工艺专家，是算法工程师为做钢铁项目“不得不去跟各个钢厂的首席总工对话”练出来的——“好的技术人员会主动的去向客户的需求去融入，这才是做工业AI成功的唯一的办法。”

9. AI替代人：从“大表姐”到“最优解”

• 李永利把恐惧放进历史坐标：工厂已经历机器代人、数字化代人两轮。成都工厂过去几年“设备机台的数量翻了两番，我们的工人并没有增加”——工人从拧螺丝成长为做设备维保和故障处理的技术工人，收入更高。供应链计划同事从收集数据的“大表姐”转型为寻找最优参数的“最优解”。
• 最生动的AI案例：关务同事自建智能体（西门子中国AI大赛三等奖），解决HS code难题——常用税号一万多个，涉及名称、描述、材质和加工过程，办公室人员和车间技术人员“没有一个人能够全部掌握”；智能体不仅生成税号还做重复校验，申报不符会主动提醒。
• 两个趋势判断：AI当下能做assistant和co-pilot，但“一个复杂的比较完整的过程，你现在让智能体全部去完成，目前还很难，我还没有看到非常好的实例”；同时是“平权”——有了智能体，“很多小白分分钟就变成了熟手”，岗位门槛降低。

10. 规模化卡在哪：小而美 + 人机混合工作流

• 朱骁洵：工业App复制难题过去十年谁都没解开，卡点正是最后一公里的长尾需求——他“挺看好”生成式AI帮人做最后一公里的适配。对长程Agent他既乐观又务实：context window“翻了好多番，跟当年的摩尔定律一样”，但不要执着于此——把任务模块化，“未来会是一个自动化、信息化、人和AI共存混合的实施阶段”。
• 李永利的“小而美”打法是全场最可复制的管理方法论：零到一和一到五十交给专家，“过了五十之后就由我们来主导”，否则材料或工艺参数一变“你还得把原先那个和尚找回来”。小的三重价值：试错成本低、难度低到一线能主导、结果快出可快速迭代；美的两重价值：项目不跑偏，且每上一个台阶员工“从旁观者到参与者，最后到了驱动者”——“一定要让我们自己的同事坐在驾驶员的座位上”。

11. 物理AI：先告诉它这是一头大象

• 话题由黄仁勋GTC折线图引入（生成式AI→推理AI→Agentic AI→物理AI为最高点）。朱骁洵指出工厂不是纯物理世界，自动化设备和信息系统里“有大量的逻辑的数据在流动，不是一个简单的物理模型就能够去描述的”；工业AI还要考虑背后的激励模型、数据流动和程序逻辑，物理AI在工业领域还有很长的路。主持人卫诗婕进一步判断：“工业AI我觉得比这个还要再远一点。”
• 李辉的实证：光工厂能源系统一个细分领域就研究了十年才找到路径。互联网式AI过拟合、有幻觉，“训练精度很高，但推理误差就变得很大，根本没法用”；产线上一次幻觉“有可能几百万几千万的损失，甚至安全事故，完全是不可想象的”。
• 他的招牌比喻值得全文保留：互联网式AI是盲人摸象，“摸到腿以为是柱子，摸到肚子以为是堵墙”；物理AI的做法是“在AI去感知大象之前，我们先告知它这个就是一头大象……我的AI只是在我这个框架之内进行感知预测，所以它再怎么摸不会摸出来一头河马”。他的预判：未来物理AI“完全可以做到”自我迭代、自我学习、自我优化和自我闭环控制——大致可总结为建模、理解、学习、控制四点。
• 三句收官赠言：朱骁洵“保持好奇心，持续学习”；李辉“懂场景再谈技术，坚持长期主义”；李永利“聚焦价值，小步快跑”。卫诗婕的终章判断：“工业AI落地不是一个技术问题，可能也不是一个资本问题，而是一个耐心问题。”