直播回顾：工业AI的下一个机会在哪？

允中 发自 凹非寺

量子位 | 公众号 QbitAI

工业AI，正在从一个个单点项目，走向更真实、更复杂的制造现场。

视觉检测、质量控制、设备运维、工艺优化……越来越多AI能力开始进入产线，直接和良率、OEE（设备综合效率）、产能这些工业指标挂钩。

那到底什么样的AI才适合工业现场？一个成功项目，怎样从一家工厂复制到更多工厂？平台和生态，又能在这个过程中发挥什么作用？

新一期量子位对话节目，我们邀请了西门子Xcelerator中国销售与生态成功负责人顾欣，以及阿丘科技创始人兼CEO黄耀，从真实案例出发，把工业AI从落地到规模化这条链路完整捋了一遍。

整场对谈从一片晶圆开始，最后聊到了工业AI规模化真正缺的那块拼图。

如果错过了直播，不妨跟着这篇回顾，重温一遍节目现场。

从一片晶圆，看工业AI为什么值钱？

黄耀开场讲了一个半导体行业里的真实案例。

晶圆需要被切成一个个芯片或芯粒，但到了微纳尺度，来料差异、表面纹理、型号变化，都会影响设备性能。再加上不同客户要求并不完全相同，设备运行过程中经常需要工程师介入，处理预警、停机和参数调整。

AI首先做的，是把识别这件事做得更准、更稳。

“识别不准，直接把晶圆切坏了，这个损失就非常大。”黄耀说。

阿丘科技先用多模态模型提升识别精度和泛化能力，再进一步把设备工程师积累的部分操作经验沉淀进智能体，让AI从发现问题延伸到分析、处理问题。

最后看的，也不是模型多拿了多少分。

黄耀把衡量标准落到了一个很工业的指标上：OEE，也就是设备综合效率。

在黄耀介绍的案例中，导入智能体技术后，设备OEE和产能可提升25%左右。用他自己的话说：

它可以让这个设备的性能更强，干更多的活。

这其实已经点出了工业AI和很多通用AI应用最大的不同。

进了工厂，AI最终要对生产结果负责。

顾欣随后把这层区别说得更明确：“它最关键的一点，就是必须具备工业级的可靠性。”

通用AI一次回答不准确，还可以重新生成。

但到了工业现场，如果判断错了，将会影响生产效率。

在顾欣看来，判断工业AI不能只看模型本身有多聪明。

而是需要它可信、可追溯、可量化 。

一片晶圆，把工业AI最现实的一面摊开了。

识别要准，判断要稳，出了问题还得能追溯，最后更要算得清到底创造了多少价值。

但当这些指标真的被跑出来以后，新的问题很快就来了：在一个工厂里有效的方法，换一家工厂还能不能继续成立？

工业AI最难复制的，往往不是算法

“工业领域的应用太碎片化了。”黄耀直言。

在他看来，工业看起来是一个巨大市场，但真正拆开之后，却被不同门类、不同场景、不同工艺切成了一块一块。

即使在同一家企业，不同工厂的设备、数据、流程和规范也可能并不一样。

这也是工业AI很难照搬互联网Scaling路径的原因。

互联网数据可以集中收集，工业数据却往往数量少、不好拿，还涉及工艺和商业机密；模型到了另一个现场，又得重新适配新的设备、参数和系统。

顾欣也认同，工业不是一个天然完全标准化的世界。甚至同一家企业的不同工厂之间，都可能存在差异。

而真正落地时，问题还会继续往下延伸。

它是一项系统工程，不是单一AI算法或单一AI模型的问题。

算法只是其中一层。

下面还有设备、数据、算力，上面还要接工艺、控制系统、业务流程和交付体系。

所以，一个项目能跑通，只能证明这个方案在某个具体环境里成立。

真正到了规模化阶段，要复制的其实是一整套进入工业现场的方法。

工业AI从1走向100，考验的已经不只是模型泛化能力，更是能不能把一个高度非标的系统，逐渐做成可以重复交付的产品。

而当问题从“技术能不能用”走到“怎么重复交付”，单个企业的边界也开始暴露出来。

行业急需一个能站出来攒局的平台。

从1到100，拼的是谁能把更多人接进来

顾欣在节目里表达了对西门子Xcelerator的期待：

我们希望能够做好一个连接器，一个放大器。

连接器，是把好的技术接到真实客户需求和应用场景里；放大器，则是在一个方案已经被验证之后，把集成、交付以及更多生态资源继续接进来。

这里的关键，并不是平台替企业把所有事情都做完，而是把一家企业很难独自完成的部分组织起来。

西门子成都工厂与阿丘科技合作就是一个例子。

该工厂已经具备较高数字化基础，但某些高价值检测环节还希望进一步优化，于是平台把场景、需求和阿丘的工业AI视觉能力接到一起，通过PoC (概念验证) 共创验证。

如果验证成立，下一步就不只是一家工厂的问题。

谁去找更多相似客户？谁来做系统集成？谁负责最终交付？

这些原本容易落在单个企业身上的问题，到了规模化阶段，就需要更多角色一起承接。

接下来要找的是，谁能帮忙找商机，谁能做系统集成，谁来完成最后交付。

“0到1，证明在产业里边是可落地的；1到100，才是商业成功。”顾欣表示。

在他看来，这也是平台和生态真正要补的位置。

技术公司继续把自己的产品做深，平台负责连接场景、客户、伙伴和交付资源，再通过一次次真实验证，逐渐把单点能力放大成可复制的产业能力。

下一批机会，先看谁能把账算明白

复制路径逐渐被摸清，但面对这么多工业场景，到底谁会先跑出来？

黄耀对这个问题的判断很明确：“上半场，肯定是高价值应用先崛起；下半场，才是百花齐放。”

在他看来，今天就去追求所谓的“超级AI应用”，还太早。当前阶段更现实的机会，来自那些价值足够高、数据已经准备好、技术也已经可行的场景。

他把这三个条件总结成了一个交叉点：

高价值、数据ready、技术可行。

放到工业里，最典型的一批，就是围绕良率、工艺、OEE展开的单点高价值应用。

半导体、PCB等高端制造行业，一两个百分点的变化，都可能对应非常可观的利润。

顾欣也提到，如果半导体设备的OEE能提升几个点，对客户来说，就是“巨大的经济价值”。

这也是工业AI和很多消费级AI产品不同的地方。

它不太容易靠一个爆款功能瞬间席卷市场，更可能先从那些“账算得最清楚”的场景里长出来。

从一片晶圆，到一家工厂，再到更多工厂。

这期直播里聊的，不只是工业AI今天能做什么，还有它接下来该怎么走向规模化。

哪些场景最值得优先做？平台和生态到底能补上哪一块？企业真正开始做工业AI时，又该从哪里下手？

在完整的节目里，还有更多具体案例、判断和观点的碰撞值得一看。