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正从单点项目迈向复杂制造现场。视觉检测、质量控制、设备运维及工艺优化等AI能力深入产线，直接关联良率、OEE（设备综合效率）与产能等核心工业指标。

何种AI适配工业现场？成功项目如何跨厂复制？平台与生态在此过程中扮演何种角色？新一期量子位对话节目邀请西门子Xcelerator中国销售与生态成功负责人顾欣及阿丘科技创始人兼CEO黄耀，基于真实案例解析工业AI从落地到规模化的完整路径。

对谈从一片晶圆切入，探讨工业AI规模化缺失的关键拼图。

从一片晶圆，看工业AI为什么值钱？

黄耀以半导体行业为例指出，晶圆切割至微纳尺度时，来料差异、表面纹理及型号变化均影响设备性能。加之客户需求各异，工程师需频繁介入处理预警、停机及参数调整。

AI的首要任务是提升识别的准确性与稳定性。“识别不准导致晶圆切坏，损失巨大。”黄耀强调。

△阿丘科技创始人兼CEO黄耀

阿丘科技通过多模态模型提升识别精度与泛化能力，并将工程师经验沉淀至智能体，使AI从发现问题延伸至分析与处理。衡量标准并非模型得分，而是工业核心指标OEE。案例显示，导入智能体技术后，设备OEE和产能提升约25%。

它可以让这个设备的性能更强，干更多的活。

这揭示了工业AI与通用AI的本质区别：进入工厂，AI必须对生产结果负责。

顾欣指出，工业AI必须具备工业级可靠性。通用AI回答错误可重新生成，但工业现场判断失误将直接影响生产效率。因此，工业AI需做到可信、可追溯、可量化。

△西门子Xcelerator中国销售与生态成功负责人顾欣

一片晶圆折射出工业AI的现实要求：识别准、判断稳、可追溯，并能清晰量化价值。然而，单厂有效的方法能否跨厂复制，成为新挑战。

工业AI最难复制的，往往不是算法

黄耀直言工业应用高度碎片化。尽管市场庞大，但被不同门类、场景及工艺割裂。即使同一企业，不同工厂的设备、数据、流程和规范也存在差异，导致工业AI难以照搬互联网Scaling路径。

工业数据量少、获取难且涉及机密；模型跨现场需重新适配设备、参数和系统。顾欣认同工业非完全标准化，同企不同厂亦存差异。

△AI生成

工业AI是系统工程，涵盖底层设备、数据、算力，上层工艺、控制系统、业务流程及交付体系。算法仅为其中一环。

单项目跑通仅证明方案在特定环境成立。规模化阶段需复制整套进入工业现场的方法，将高度非标系统转化为可重复交付的产品。

当问题从“技术可用性”转向“重复交付”，单个企业边界显现，行业亟需平台整合资源。

从1到100，拼的是谁能把更多人接进来

顾欣期望西门子Xcelerator成为连接器与放大器：连接技术与真实场景，放大已验证方案的集成、交付及生态资源。

我们希望能够做好一个连接器，一个放大器。

平台并非包办一切，而是组织企业难以独立完成的部分。以西门子成都工厂与阿丘科技合作为例，基于工厂数字化基础，平台连接场景需求与AI视觉能力，通过PoC（概念验证）共创验证。

验证成立后，规模化涉及商机拓展、系统集成及最终交付等多角色协同。顾欣表示：“0到1证明产业可落地；1到100才是商业成功。”平台与生态旨在补齐这一环节，通过真实验证将单点能力放大为可复制的产业能力。

下一批机会，先看谁能把账算明白

关于哪些场景先跑出来，黄耀判断：“上半场，高价值应用崛起；下半场，百花齐放。”当前机会集中在高价值、数据就绪、技术可行的交叉场景，如围绕良率、工艺、OEE的单点应用。

高价值、数据ready、技术可行。

在半导体、PCB等高端制造行业，细微指标变化对应可观利润。顾欣指出，半导体设备OEE提升几个点即产生巨大经济价值。

△AI生成

工业AI不同于消费级产品，难以靠爆款功能席卷市场，更倾向于从“账算得清”的场景生长。从单片晶圆到多厂复制，工业AI的规模化之路依赖于清晰的价值验证与生态协同。