工业AI实战
Copilot完成了工业AI的启蒙，但Autopilot不是概念升级，而是责任转移。从"帮你分析"到"替你执行"，中间还隔着四道硬坎。
凌晨三点的控制室
2025年冬天，我去湖北一家化工企业做项目复盘。
那天晚上十一点，2号反应釜的温度曲线开始往上漂。中控室的AI预警系统第一时间弹了红色告警——"预测未来2小时内釜温将超工艺上限，建议降低进料速率3%"。
建议很准。但接下来发生的事，才是我想聊的重点。
值班的工艺工程师小张看到告警，第一反应不是去调参数，而是打开SCADA确认实时数据，切到MES查当前生产批次和配方要求，再翻出工艺手册核对允许的参数调整范围。然后拿起对讲机，叫来了班组长。两个人商量了十五分钟，又打电话给车间主任确认了一遍，才敢手动调阀。
从AI告警到阀门实际转动，整整过了38分钟。
小张事后跟我吐槽："顾工，你们这个AI确实聪明，提前两小时就看到了。但它跟我说'建议降进料速率3%'，我敢直接按吗？万一它判断错了呢？调错一个阀门，影响的不是一条数据，是半批料的良率，几十万就没了。"
我说："那你希望AI做到什么程度？"
他想了想说："最好是它自己就调了，调完告诉我一声。但前提是——出了事它得兜得住。"
这段对话，基本概括了工业AI从Copilot走向Autopilot的核心矛盾：不是AI不够聪明，而是没人敢让它动手。
·····
一、Copilot的天花板，不是技术，是信任
最近工控网发了一篇文章，标题很唬人——《Copilot结束了，工业AI进入Autopilot时代》。格创东智的团队写得很好，核心观点是：Copilot解决的是"认知辅助"，帮你查资料、分析数据、生成方案；但工业现场真正需要的不是"知道答案"，而是"完成任务"。
这个判断我完全认同。但他们文章里举的是半导体晶圆厂的例子，我换一个更接地气的角度讲。
Copilot在工业现场是什么角色？说穿了，就是一个刚毕业的工艺工程师助理。
他能读数据、能查文档、能写分析报告、能在会议上侃侃而谈"根据历史数据趋势，建议优化XX参数"。但每次到了真正要动手的时候——调整阀门、修改配方、切换工序——他都会转过头来看着你，等你点头。
你点头，他干活。你不点头，他就站在那里。
这个比喻不是贬低Copilot。事实上，在过去三年里，Copilot模式的工业AI已经做了很多有价值的事：帮工程师从海量时序数据里快速定位异常，把几小时的文档检索压缩到几秒，让老师傅脑子里的经验变成可检索的知识库。这些都不该被否定。
但问题在于，工业现场真正值钱的动作，不是分析，是执行。
AI告诉你"2号釜温度即将超标"，这值多少钱？如果没人去调阀，该超还是超。AI帮你定位到"3号注塑机的保压压力偏移了0.5bar"，这省了多少时间？如果还得人工去改参数，那0.5bar的偏移该造成的不良还是造成了。
格创东智那篇文章里有一句话说得很到位："工业现场真正创造价值的，不是分析，而是行动；不是建议，而是闭环。"
Copilot完成了工业AI的启蒙，但它始终站在业务流程之外。它像一个站在车间门口的顾问，看得到问题，但走不进去。
·····
二、Autopilot不是"更聪明的AI"，是"敢动手的AI"
那么Autopilot是什么？是不是给Copilot加一个"自动执行"的权限就行？
没那么简单。
我在这个圈子里混了几年，见过太多"理论上可以自动执行"的AI系统最后还是退化成了大屏展示工具。原因不是模型不够好，而是工业系统本身有四道硬坎，AI过不去。
我管它们叫"Autopilot的四道坎"。
第一道坎：数据孤岛——AI看得见，但够不着
格创东智的文章里提到一个细节：工业现场的数据分散在SCADA、MES、APS、PLC里，"它们甚至不在同一个网络层级"。
这句话太真实了。
去年我在一家石化装备制造企业做项目，他们的设备状态数据在SCADA系统里，工艺参数在MES里，排产计划在ERP里，而真正控制设备的PLC，跟上层IT系统之间隔了一道防火墙。
AI想做预测性维护？你得先把这三个系统的数据拉到一起。但现实中，SCADA是OT部门管的，MES是IT部门管的，两个部门的KPI都不一样。OT说"安全第一，不许随便接外部系统"，IT说"数据不通怎么搞智能化"。
光是数据打通的协调工作，就花了三个月。
|
|
|
|
|
|---|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
互联网AI为什么能几毫秒完成"推荐→支付→配送"的闭环？因为数据、决策、执行都在同一套系统里。工业现场呢？AI看得见MES里的数据，但够不着PLC里的执行机构。
这一道坎不过去，Autopilot就是空中楼阁。
第二道坎：决策权限——AI算得对，但没人敢签字
回到开头那个故事。小张为什么不敢直接按AI的建议调阀？
因为他承担不起"调错了"的后果。
化工产线一个反应釜的批次，价值几十万。如果AI判断错了，温度没降下来反而波动更大，这个责任算谁的？算AI的？AI不会扣工资。算小张的？小张只是执行了AI的建议。
格创东智原文里讲了一个很关键的判断：Autopilot真正的分界线，不是技术升级，而是责任转移。Copilot时代，AI站在业务流程之外，出事了人负责。Autopilot时代，AI进入业务流程本身，出事了谁负责？
这不是技术问题，是管理问题和法律问题。
我在做项目时遇到过一种折中方案：AI决策，人一键确认。看起来兼顾了效率和安全感，但实际效果很差。因为凌晨三点突发异常的时候，值班工程师面对屏幕上的"是否执行AI建议？"，他的心理活动是：如果我点"是"，出了事我担责；如果我点"否"，至少我说了"我谨慎了"。
结果就是，大部分时候人会选"否"，或者干脆自己手动处理。AI的建议变成了参考意见，Autopilot退化回了Copilot。
所以我的判断是：在工业领域，Autopilot不是一个技术概念，而是一个责任制度设计问题。在"AI出错了谁赔偿"这个机制没有跑通之前，没有工厂敢真正放权。
第三道坎：实时性——AI想得慢，但现场等不起
工业现场的异常处置，决策窗口往往以分钟甚至秒计。
格创东智的文章里提到，"凌晨突发异常、设备停机、工艺漂移等场景下，决策窗口往往只有几分钟。对于价值数十亿元的生产线而言，每延迟一分钟，都意味着真实的成本损失。"
但大模型的推理延迟是多少？目前工业部署的大模型，单次推理通常在3-10秒。如果涉及多步推理——先分析数据，再调用机理模型，再评估风险，最后生成方案——整个链路可能需要30秒到1分钟。
对于办公场景，1分钟的等待完全可接受。但对于工业控制，1分钟可能已经错过了最佳干预窗口。
更关键的是，工业控制讲究"确定性"。一个控制系统，你问它"下次响应要多久"，它必须回答"不超过50毫秒"。但大模型的推理时间是不确定的，可能3秒，也可能15秒，取决于问题复杂度和系统负载。
工业现场不需要"大概很快"，需要的是"确定很快"。这是大模型进入控制层必须解决的根本性问题。
第四道坎：知识沉淀——AI学得快，但忘得也快
格创东智提出了Autopilot需要形成的"四大闭环"：持续感知→实时决策→自主执行→持续进化。前三个闭环虽然难，但路径是清晰的。最难的是第四个——持续进化。
工业知识的特点是什么？高度碎片化、强场景依赖、藏在人脑子里。
我之前在注塑行业做项目时发现一个现象：同一个车间的五台注塑机，生产同一个产品，最优参数居然不完全一样。因为每台机器的使用年限不同、模具磨损程度不同、甚至车间通风条件都不同。老师傅调机时，这些因素全在脑子里，但从来没被写进过SOP。
如果AI要实现"持续进化"，它需要把每一次执行的结果都沉淀下来，形成新的知识。但问题是：
执行结果好不好，很多时候当下判断不了，要等一个批次跑完才知道良率；同一个参数调整，在不同工况下效果完全不同，AI需要理解"为什么这次有效"；老师傅的经验是隐性的，AI从数据里学不到，需要人去标注和解释。
工业知识的数据飞轮，不是"跑起来就行"，而是要有人去维护、去标注、去校准。这个工作量比训练模型本身大得多，但很少有人愿意投入。
·····
三、别被概念带跑了：我对Autopilot的三个判断
聊完四道坎，我想回到一个更根本的问题：Autopilot到底离我们有多远？
最近这个概念很火。微软刚宣布把消费者版和企业版Copilot合并为统一App，同时整合AI编程工具和名为AutoPilot的新一代AI智能体——这些智能体定位为"全天候在线"，代替用户执行日常事务性任务。工信部今年1月也发文，明确到2027年推出1000个高水平工业智能体。WAIC 2026下周开幕，具身智能和工业智能体是核心赛道。各路厂商都在讲Autopilot的故事。
但作为在一线做了几年项目的人，我有三个可能不太讨喜的判断：
判断一
未来2-3年，工业AI的主流形态还是Copilot，不是Autopilot。
不是技术做不到，是责任机制没跑通。在没有成熟的"AI决策出错后的兜底机制"之前，没有工厂会把控制权真正交给AI。Copilot+人确认的混合模式，仍然是最现实的选择。但这个"确认"可以变得更轻——从"AI出报告→人读完→人决策"，进化到"AI出方案→人看一眼→一键确认→AI执行"。决策时间从38分钟压缩到38秒，这已经是巨大的价值提升。
判断二
Autopilot会先在"低风险、高重复"的场景突破，而不是在核心生产环节。
哪些场景？设备巡检报告自动生成、能耗优化参数自动下发、排产计划自动调整、备件预测自动触发采购。这些场景的共同特点是：决策错了代价可控，决策对了节省明显。核心生产环节（反应釜控温、晶圆工艺参数、注塑保压）？短期内还是老老实实走Copilot+人确认。
判断三
Autopilot的关键不在AI模型，而在"工业系统架构"的改造。
格创东智那篇文章里有一句话我特别想划重点："工业AI的难度，从来不在模型，而在系统结构本身。"数据孤岛要打通，OT和IT要融合，执行链路要从"人→PLC"变成"AI→人确认→PLC"最终变成"AI→PLC"。这些工作不是调几个参数就能解决的，需要对工厂的IT架构、OT架构、管理流程做系统性改造。
这也是我们在HAP平台上一直在推的方向——不是做一个超级智能体，而是做一个"认知中台"，先把数据打通、把知识管理起来、把Agent的运行底座搭好。智能体是果实，平台是土壤。没有土壤，果实长不出来。
·····
四、回到凌晨三点
回到开头那个故事。
那天晚上和小张聊完之后，我问了他一个问题："如果下次AI再给你同样的建议，你会直接按吗？"
他摇了摇头："不会。但如果它能告诉我——调阀后的温度趋势预测、其他批次同类调整的历史效果、以及万一出问题的应急预案——那我可能会快很多。"
我说："这不就是Copilot的升级版吗？还是你手动调，只是决策依据更充分了。"
他笑了："对啊，我不需要它替我做决定，我需要它帮我把决定做得更快、更有底气。"
这就是我最后的判断：工业AI的Autopilot时代一定会来，但不是现在，也不是靠一个大模型就能撬动的。它需要数据架构的改造、责任机制的设计、知识体系的沉淀，以及——最重要的——工厂里的人从"不敢用"到"敢用"的信任建立。
Copilot结束了？没有。它只是刚学会走路。
Autopilot时代来了？快了。但在它真正到来之前，我们还有四道坎要过。
而在这四道坎面前，与其追问"AI什么时候能替我拧阀门"，不如先回答一个更实际的问题：
你的工厂，数据通了吗？
— END —
老顾｜工业AI灯塔
不搬运概念，只聊实战