当生成式AI的风暴以摧枯拉朽之势横扫内容产业、编程与办公软件时，一条与“热搜”无关、但影响可能更为深远的产业革命，正以一种更为沉稳而深刻的方式悄然加速：工业AI。 制造业的血脉里，长期奔流着两种血液。一种是“动脉血”，强劲而可见——高速运转的机床、自动化的产线、不断攀升的产能，这是物理世界的生产力。 另一种，则是工厂的“静脉血”，沉默却至关重要。它深藏在老师傅口口相传的工艺、经验中的隐性Know-how，无形地决定着产物的良率、成本和最终的竞争力。 通用大模型之所以在工业领域“水土不服”，根源就在于它们能轻易学习全球互联网的“动脉”知识，却很难理解一间特定工厂“静脉”里的奥秘。 一台精密机床上的刀具补偿，或是一台注塑设备在不同湿度下的工艺参数，往往只有经验丰富的老师傅才能准确掌握。而这些深嵌于老师傅感官、肌肉记忆和长期实践中的宝贵“工业知识”，显然无法简单地从互联网上爬取。 于是，一个关乎中国制造业未来的根本问题浮出水面：怎样才能将顶尖老师傅三十年的功力，“无损”地传承到下一个三十年？ 6月19日，老牌工业软件厂商鼎捷数智在武汉发布了一系列公司级AI套件，试图用技术打通工业的“动脉”和“静脉”，让老师傅们宝贵的工业经验得以在数字世界里重生、奔流、传承。 在峰会现场，鼎捷数智PaaS事业处首席专家金江博士这句自嘲式的“金句”，道出了当下所有制造公司面对AI浪潮时的集体困境：在“抢跑风险”与“掉队危机”中摇摆不定。 ·抢跑？可能会陷入技术迷雾，投入巨大却收效甚微。浙江大学求是特聘教授周伟华一针见血地指出：“技术抢跑不等于战略的领先。”很多公司在技术上投入巨大，却没有想清楚转型的根本目的，最终导致应用与业务脱节。 ·掉队？华为云中国区生态发展部长冯雷则警告，AI正在对产业进行底层颠覆，“如果不用AI重新思考，很多合作伙伴未来3-5年会大量创新洗牌。” 面对这一经典的“电车难题”，鼎捷行业方案事业处副总裁顾华杰认为，公司“缺的不是一个系统，而缺少的是一套会思考的系统”。这套“会思考的系统”，其底层设计哲学，应该采用“解耦式架构”——将知识（业务知识库）与行动（Agent执行器）彻底分离。 这样做的好处是，AI的“大脑”（知识）和“手脚”（行动）可以独立升级。当需要进入一个新行业时，只需加载该行业的知识库；当需要对接一个新系统时，只需开发相应的行动插件。 工业AI的第一道坎，就是“静脉血”难以被观测和理解。现实中，这表现为一道“数据暗流”：OT（运营技术）层的海量设备数据与IT（信息技术）层的管理数据互不相通，形成数据孤岛。 鼎捷的第一件“利器”——“智能数据套件”，就是为了疏通这道暗流。它像一台医院的CT机，先给公司做一次彻底的“数据体检”。鼎捷将过去40多年积累的、覆盖数十个行业、公司运营管理不同业务线的知识和经验，封装进这套工具。 ·智能数据体检：它不仅检查数据的一致性、唯一性，更重要的是，它带着“业务属性”去检查。比如，它知道某种材料在特定温度下的厚度应该在什么量级，超出范围即为异常。这种将被动数据管理转为主动数据治理的模式，金江博士称之为“从救火模式转为消防巡检模式”。 ·行业知识沉淀：它将数据治理结果与国标、公司标准及历史数据关联，构建出专属于这个工厂的“工艺知识图谱”。目前，鼎捷已沉淀了超过6000个数据元、54个模型，覆盖20多个主题域。 ·增强决策智能：进一步用AI来强化输出业务所需的智能洞察力，增强偏差归因和测算推演力。通过自然语言交互提问，智能的输出精准业务数据背后的洞察。目前，鼎捷已经发布了洞察分析、归因分析、测算推演等多组合拳的决策智能能力。 这样的“体检报告”和“决策智能”不仅告诉你哪台注塑机震动异常，还会基于知识图谱解释“若射出压力持续低于80MPa，极有可能导致产物缩水”，并自动将预警回推给排产系统。至此，浑浊的“数据沼泽”开始变得清澈可用。 光有干净的数据还不够，还要让“数字员工”真正协同起来。为此，鼎捷在业内首创了MACP（Multi-Agent Communication Protocol）多智能体通信协议，能把原本各自为战的AI智能体统一进一张“决策神经网络”。 会上，金博士演示了一个极具说服力的案例：一家来自长三角的家庭及户外储能设备制造商，其业务已经覆盖欧美区域，原来在制定月度经营计划时，财务、制造、供应链等不同部门需要同时派人进行长达一周的测算，才能有个初步的经营计划及目标。 现在，基于MACP协议，通过“中心化自主决策+分布式协作执行”的多智能体协作能力，一个复杂的经营决策任务被拆解给不同的智能体协作完成： 我们可以在主智能体对话中看到,在完成语义识别、意图理解和思考方法后,主智能体Commander迅速完成了规划编排,调集六类不同的单智能体,分步激活每个单智能体后分为两条路径并行执行. 最终，六个智能体协同有条不紊的协作执行，并且由主智能体在发现结果不满足最早的任务要求后，发起反思协商流程，让每个智能体重新再进行一次思考。在完成各类综合评估后，新的经营计划给出了单品在欧洲地区提价，锁定50%的原料期货，以及采取20%预付款计划的办法。 基于鼎捷的行业积累和知识沉淀,不仅实现数据驱动智能体, 科学思考与精准决策, 还可以跨系统、跨职能、跨部门, 完成复杂任务的协同处理, 真正实现将AI从“工具属性”进化为“数字员工”属性,为公司运营管理和业务增长提供了价值创造的新范式. 其中，AIoT指挥中心扮演着“交通警察”的角色。它通过丰富的协议栈，将生产设备（如AGV、立体库、数控机床等）与厂务设备（如中央空调、配电柜、安防监控等）全部接入同一条“数据高速公路”，实现“全域AIoT”。 而鼎捷的“王牌”——工业机理AI，则更是一种融合了物理模型与数据驱动模型的AI，它不再仅仅依赖统计规律，而是试图理解“为什么”。 会上，鼎捷AIoT事业处副总裁叶贤盛还举了一个生动的例子，来解释这一系统的价值：老师傅铸造铜制品时，需要“倒一点，倾一点，重复10次”，这个动作背后蕴含着复杂的流体力学和热力学机理。工业机理AI就是要通过视觉识别、生物识别等AI感知技术，结合算法模型，将这个过程数字化、模型化。 “我们的目标，是让人人都是老师傅，让老师傅变成大师。”叶贤盛说。就像咖啡机将咖啡师的经验固化，让普通人也能做出一杯不错的咖啡，而真正的咖啡大师则可以基于此去创造新的风味。工业机理AI，就是制造业的“智能咖啡机”。 于是一个完美的闭环形成了：实时数据→ 机理推理 → 设备动作 → 产生新数据。而这，已不再是简单的“数字映射”，而是让“虚实融合、反向控制”成为可能。 鼎捷的这套系统，直面的是中国制造业最深刻的“人才暗流”：70后、80后熟练技工正逐渐老龄化，他们脑中那些“只可意会不可言传”的隐性知识，面临着失传的风险。 1.经验非结构化，先要“多模态、碎片化抓取”：当老师傅示范“三段式刀具磨损补偿”时，系统同时录屏、收音并抓取CNC操作日志，再配合传感器获取工具寿命和工件良率。一次演示即可采集5种模态的数据，大幅降低了知识入库的门槛。 2.工业知识图谱：把“0.01mm公差”写进大模型的词典：不同于开放的互联网百科，工厂知识必须严格、精确。鼎捷将这些知识构建成一个个三元组，如<工序A, 温度, 730℃±5>，并映射到图数据库中。当生产条件变化，系统会自动触发“知识过期”标记，要求重新验证，确保知识的“保鲜”。 3.RAG技术：既要AI聪明，更要AI安全：将包含核心工艺的文档全部喂给公有大模型，存在巨大的数据安全风险。鼎捷采用成熟的RAG（检索增强生成）技术。当用户提问时，大模型只负责理解意图，真正的答案来自公司本地、安全的知识图谱，既保证了回答的专业度，又避免了核心数据外泄。 作为全球汽车尾灯的龙头公司，嘉利股份的“未来工厂”实践，为AI落地提供了鲜活的注脚。2023年，嘉利启动未来工厂改造，用鼎捷的平台和套件做了三件关键的事： 一年后，成效斐然：人均产值提升20%，能耗下降15%，研发周期缩短10%，不良率下降20%。2024年末，嘉利股份成功荣获浙江省“未来工厂（头雁型）”称号，并得到相关扶持。 2022年，英飞特在并购欧司朗DS事业部后，面临一个“不可能的任务”：其仅有十多人的IT团队，必须在9个月内，从零开始构建一套全新的全球IT系统，去替换掉那个由对方600人IT团队维护、以SAP为核心、遍布全球30多个国家的庞大系统。 这背后，是鼎捷平台提供的统一底座、敏捷构建能力和全球化服务经验的综合体现，也证明了新一代的中国工业软件平台，已经具备了在最复杂的跨国商业场景中，与国际巨头掰手腕的实力。 “以往信息化项目，给A公司定制一套流程，要移植到B公司很难。但现在，给A公司做的AI能力，很容易迁移到B公司。”周伟华教授一语道破了AI对工业软件商业模式的颠覆性影响。 ·收入结构：从一次性的License+维护费，演进为订阅费（ARR）+AI调用费+生态分成。公司无需一次性投入巨额资本，而是按需订阅能力，大大降低了采纳门槛。 ·网络效应：鼎捷雅典娜这样的PaaS平台，正试图成为工业AI领域的“App Store”。它吸引着像华为云（提供算力）、智程（提供3D设计AI）、能迪（提供智能厂务AI）等生态伙伴入驻，共同服务客户，并通过平台进行收益分成。 对于二级市场而言，如若鼎捷这类公司落地工业AI的进度稳步推进，那么市场这类公司的估值逻辑，可能将从传统软件股的PE（市盈率）估值，向平台/SaaS股的PS（市销率）或ARR倍数估值迁移。 在这条全新的赛道上，鼎捷数智不是唯一的玩家。西门子的Industrial Copilot、PTC的ThingWorx、达索系统的3DEXPERIENCE，都在加速布局。但所有人都意识到，竞争的焦点已经悄然改变。 过去，比拼的是软件功能的强大与否。而现在，决胜的关键在于：谁能率先将千行百业中那些非结构化、不可言传的行业Know-how，系统性地翻译成AI能够理解和执行的“工艺母语”。 首先是算法信任：如何让AI真正理解0.01mm公差背后的“工艺灵魂”，并赢得产线工人的最终信任？这不仅是技术问题，更是人机交互和公司文化的重塑。 其次是持续知识采集：老师傅的经验会随新材料、新工艺而演进，如何建立一套敏捷的机制，让模型永不“过期”，始终保持对最新工艺的理解？ 最后，也是最关键的，是生态繁荣度：一个平台能否吸引到足够多的第三方开发者和ISV（独立软件开发商），愿意把他们最好的“插件”和应用写在你的平台上？毕竟，没有一个玩家能解决所有行业的全部问题，开放的生态才是最终的护城河。 这三张考卷的答案，将直接决定谁能在这场工业转型升级的浪潮中，率先激活制造业数据与知识的“第二脉搏”，开启属于工业AI的“iphone时刻”。
