工业AI加速产线落地，但规模化仍面临三大挑战

近年来，人工智能技术在工业领域的应用正在从概念验证走向实际生产场景。以造船厂为例，过去需要两个员工花费半个月时间完成的三个月生产计划，现在借助AI技术只需半小时即可完成90%的工作量，员工再用一两个小时校对即可。这种效率提升正是工业AI快速发展的缩影。

易立德创始人吕凤民表示，过去一年里，工业软件几乎被AI重新定义。"不到一年前，AI编程能力还远不如普通程序员，但现在它已经超过了绝大多数程序员。"这种技术能力的跃升直接改变了工业软件的交付逻辑，原先需要数月完成的定制开发，现在可能只需要几分之一的工作量。

然而，尽管技术进步显著，工业AI的规模化应用仍面临诸多挑战。麦肯锡报告显示，在88%已使用AI的企业中，只有3%实现了制造环节的全组织范围规模化应用。吕凤民指出，工业场景与办公场景有很大不同："办公室里的智能体流程简单、容错率高，而工业车间需要同时打通虚拟与现实的边界，涉及跨系统的协同工程变更和工艺决策。"例如，简单的停产评估就需要综合判断库存、订单、产品报废风险等多个环节，单一智能体无法胜任。

数据问题也是工业AI落地的关键障碍。与办公场景相比，工业数据量更大且要求更精确。当前主流的大模型主要基于大语言模型构建，在工程应用的正确性方面存在天然不确定性。吕凤民强调："工业数据的质量至关重要，数据准备和清洗本身就是一项巨大的工程，这项工作的质量直接决定了AI应用的成功与否。"

在政策层面，工信部去年12月发布的《"人工智能+制造"专项行动实施意见》为工业AI发展提供了明确指引。到2027年，计划推动3至5个通用大模型在制造业深度应用，推出1000个高水平工业智能体，打造100个高质量数据集，推广500个典型应用场景。这些政策目标的实现，将为工业AI的规模化应用奠定基础。

值得注意的是，工业AI领域正在经历一场行业洗牌。资本退潮后，仅凭算法模型和虚拟分子演示就能融资造势的"小作坊"模式逐渐被淘汰。国内超维知药在2024年注销，美国Verge Genomics大幅收缩自研业务，都反映了这一趋势。取而代之的是头部制药企业和互联网巨头的入场，他们通过不同的方式推动工业AI的发展。

传统制药巨头如诺和诺德、礼来、阿斯利康和恒瑞医药，选择将AI作为现有研发体系的补充工具。它们通过采购成熟的大模型或自建平台，嵌入现有的研发流程。例如，阿斯利康与Recursion合作进行靶点挖掘，礼来利用Insilico Medicine优化小分子筛选。这种方式降低了风险，但也限制了创新空间。

与此同时，互联网巨头如字节跳动、百度等则采取了更为激进的策略。字节跳动孵化的Anew Labs完成2.9亿美元融资，估值达15亿美元。这类企业依托强大的技术能力和资本支持，试图在AI制药领域开辟新的赛道。这种"错位发展"模式，既带来了新的竞争格局，也引发了关于技术路径选择的讨论。

IDC预测显示，到2028年中国工业企业的AI支出规模将接近900亿元，年复合增长率高达37.7%。这一增长潜力背后，是工业AI技术不断突破和应用场景持续拓展的结果。但要真正实现规模化应用，还需要解决技术、数据、标准等多个层面的问题。

当前，工业AI正处于从早期试点向规模化应用过渡的关键阶段。虽然技术进步显著，但在虚拟与现实结合、数据质量控制、跨系统协同等方面仍存在明显短板。未来，随着技术的进一步成熟和产业生态的完善，工业AI有望在更多场景实现突破性应用，推动制造业智能化水平的整体提升。