在2025年的世界人工智能大会上，“AI赋能新型工业化”的话题备受瞩目。从生成式AI到实体智能机器人，再到工业操作系统与行业大模型，AI正逐步打通从底层设备到中层系统，再到顶层决策的完整链条。
麦肯锡调研数据显示，今年初评选出的全球17座“灯塔工厂”中，AI在制造成本、生产周期及缺陷率等方面带来了超过50%的改善。然而，值得注意的是，在这些工厂的顶级应用案例中，判别式AI占据了77%，而生成式AI的应用仅占9%。
咨询巨头Gartner预测，到2029年，中国将有60%的企业将AI融入其主要产品和服务，使之成为核心营收的驱动力。然而，AI从实验室走向实际生产线，还需克服三大难题：高质量数据获取难、模型幻觉问题不容忽视，以及场景适配难以规模化。
高质量数据是AI模型能否在工业场景成功应用的关键。中国电子信息产业发展研究院的研究指出，海量且高质量的数据是提升大模型泛化能力的基础。随着技术的发展，模型训练所需的数据集规模迅速膨胀，对数据的数量、多样性及更新速度提出了更高要求。
工业领域因其广泛的分类和复杂的生产流程，数据结构和质量差异显著。国金证券的研究报告指出，工业领域包含41个大类、207个中类和666个小类，数据之间的关联性和复杂性较高。因此，数据清洗、预处理和校验成为工业AI构建中不可或缺的重要环节。
卡奥斯物联科技股份有限公司副总经理谢海琴在大会上表示，许多企业虽在IT层面积累了大量数据，但在操作技术（OT）层面的数据积累仍显不足，特别是在设备加工、运输和装配等底层环节。她强调，数据治理是一个长期且系统的工程，需要在组织机制上为数据要素注入真实业务价值。
工业场景对AI模型的容错率极低，任何微小的偏差都可能带来安全风险或经济损失。AI幻觉，即模型生成看似合理但实则错误的内容，是工业AI应用中必须克服的问题。谢海琴指出，控制幻觉风险需从提升数据质量与行业理解、引入外部知识体系、以及建立模型校验机制三方面入手。
在实际应用中，企业正探索将幻觉风险前置治理。范式集团高级副总裁柴亦飞表示，工业决策场景对可靠性要求极高，因此公司引入决策模型，通过工程逻辑和业务规则对模型输出进行约束校验，以降低幻觉风险。
工业领域的大模型不仅要实现“广覆盖”，更要实现“深穿透”。谢海琴解释，无论是流程工业还是离散工业，每个细分行业的工艺流程都高度专业化，这意味着平台型企业必须基于深刻的行业理解进行定制化适配。
卡奥斯自身的发展路径证明了这一点。起源于离散制造业的卡奥斯，通过深度服务家电、电子、电脑等产业，积累了扎实的工业基础，并拓展至其他离散制造门类。在“工业具身智能”领域，定制化同样是穿透场景的关键。
优艾智合联合创始人赵万秋表示，具身智能的价值不仅在于提升自动化效率，更在于支撑柔性制造趋势。随着消费者个性化需求的提升，生产流程正变得更加柔性化。优艾智合构建的具身智能系统，通过智能机器人及其调度系统，实现了物料在不同生产节点间的智能流转与动态调整。
算法层面的适配挑战同样显著。柴亦飞指出，每类场景的数据结构和特征差异巨大，因此在实际应用中，公司会对模型进行“封装”式的适配，确保不同应用场景中的模型调用方式、输入输出接口都能满足特定需求。
第四范式（06682.HK）的垂直模型更偏向任务导向型，例如在制造环节中的产量需求预测，模型的任务是根据当前的多维数据输入，预测未来的生产需求。这种预测类应用更贴近广义智能决策，而非纯粹的语言生成。
