昆仑数据K2Data陆薇博士：工业AI的下一程

来源: | 作者:pmod6d781 | 2026-02-25 | 10 次浏览 | 分享到:

新春启程，万象更新。值此丙午马年开工首日，谨向所有奋战在工业数智化一线的同行者致以诚挚问候！很高兴与大家分享近期所思所感，以下观点仅代表我个人的些许经验，如有不同意见，欢迎讨论指正。

作为深耕工业数智化领域多年的从业者，我始终坚信技术的价值终要回归产业本质。过去一年，工业界对以大模型为代表的新一代AI技术的接受度实现了跨越式提升，这背后离不开C端AI应用对全行业的认知启蒙——当工业从业者作为消费者感受到AI的强大能力后，行业对大模型的态度便从好奇观望转向务实探索。如今，大模型已从尝鲜者为主的早期市场，跨越了技术接纳的 “鸿沟”，正式进入主流市场，这既是技术成熟的必然结果，更是工业领域寻求高质量发展的内在需求。

一、行业采纳的三种路径：无优劣之分，有适配之选

当前工业企业对大模型的应用，形成了三类极具代表性的实践形态，这背后折射的是企业战略定位与资源禀赋的差异，并无绝对的优劣之分。

创新引领型：一般是由一把手亲自挂帅，将大模型视为催生 “新质生产力”、引领企业变革、维护或攻占行业领先地位的核心抓手。这类企业敢于投入巨额资源布局智算基础设施，搭建企业级AI平台，让所有业务部门齐头并进，在统一平台上探索创新。初期或许以办公辅助、AI客服等通用、浅层次AI应用为主，但经过验证迭代后，部分业务必然会向企业核心业务和应用深水区突破，最终有望形成百花齐放的创新格局。

谨慎试点型：采取 “小步快走、以点带面” 的务实策略。他们认可大模型的变革价值，但更注重风险和成本控制，选择见效快、价值明确的典型场景先行 “打样”，验证效果、树立团队和领导层信心并探明可行路径后后再决定推广力度。随着试点范围扩大，必然也需要搭建共性支撑平台，打通数据与业务壁垒，为多智能体融合提供支撑。

等待观望型：多为行业腰部和底部力量，他们清醒认知技术价值，但不愿承担早期试错的高额成本与风险，更倾向于等待成熟、低成本的标准化产品出现后再跟进。

我的观点是：路径无高下，关键在于是否与自身资源禀赋匹配。但无论起点如何，最终都会收敛到同一个架构——“企业AI平台+场景化应用”。

二、核心逻辑重构：从 “工具赋能” 到 “数字员工”

经过过去两三年的探索，工业界对大模型的价值认知已形成共识：AI不是单纯的辅助工具，而是 “工位增强” 的核心载体，更是能够深度参与生产运营的 “数字员工”。这一转变将彻底重塑企业运营逻辑——未来，大部分时候人不再需要直接操作自动化、信息化等工具系统来管理工厂，而是通过训练“数字员工”，向“数字员工”下达任务，由AI代行工具系统操作来完成工厂管理职能。AI既能高效替代日常生产运营的重复性脑力劳动，解放人力，也能与人协同，为诊断新问题、做改善等创造性劳动提供智力支持。

2024年我们提出 “AI紫领” 概念，核心就是为复杂工业现场的管理者赋能，聚焦核心岗位的瓶颈工作。无论是大型发电企业设备管理部的设备健康保障、运行管理部的发电效率控制，原材料生产企业的现场生产操控，还是半导体工厂工艺整合工程师负责的工艺优化、良率工程师的不良根因诊断，都是需要融合海量数据与深厚领域知识的复杂决策场景，而这正是适合AI的发力点。

从技术演进来看，Agent（智能体）将成为重构工业生态的关键应用形态。它不再是被动响应指令的执行者，而是具备目标意图理解、按需工具调用、长期记忆和反思能力的主动参与者。未来的工业App，将从“逻辑固化”转向“目标驱动”——你提一个目标，它就能在理解你的需求意图的基础上，动态组合甚至创建能力，规划并执行行动方案。

三、落地关键：补好数字化“地基”，做好效果前置

很多企业迫切想拥抱AI，但往往忽略了一个核心前提：工业发展的四个阶段 ——自动化、信息化、数字化、智能化，是层层递进的逻辑关系。AI应用如同建筑的 “四楼”，无法悬空存在，必须建立在坚实的数据基础、完善的业务系统与成熟的管理体系之上。

这意味着AI应用的推进，必然会倒逼企业进行管理和数字化 “补课”。我们在实践中发现，许多高价值场景如质量和成本改善，在落地时总会暴露出底层数据口径不一、业务系统整合不足、管理体系不完备不成熟导致业务流程不畅通等问题。如果这些基础问题不解决，大模型不仅无法发挥价值，反而会无限放大这些漏洞。

此外，获得业务部门的支持至关重要。IT部门天然能更早意识到新的IT技术的能力，但技术能否在企业成功落地，取决于业务部门的深度参与。因此，“效果前置”是关键策略——通过优秀的业务设计，让业务人员提前感知到AI对其工作的实际价值，比如故障诊断、根因追溯等场景中“原来AI能3分钟定位我过去要查半天的故障点”。只有这样，才能打破技术壁垒和部门墙，由共同业务目标牵引形成合力。

四、技术突破：从 “博文强识” 到 “理解原理”

大模型的技术本质是信息压缩后的概率输出，这就决定了其天生存在 “幻觉” 问题。但工业生产管理的核心决策场景容不得“大概率正确”。因此，我们必须让AI的推理可解释、有依据、可追溯。

春节期间，Anthropic提出，大模型前五年的发展是靠堆算力和数据资源，发挥scaling law的作用，当下重点已经转移到如何将人类认知有效引入到大模型的注意力管道中。这个和我司为解决大模型幻觉问题采用的技术路线一致。2025年我们已经全面拥抱KAG（Knowledge Augmented Generation，知识增强生成）。传统大模型像“博闻强记的文科生”，记得多但不真正掌握工业机理；而KAG通过引入各种工业专有的结构化知识表达模型，如工艺图谱、故障树等，让大模型真正理解工业知识，在专业知识框架内进行推理，输出可信可解释的结果。

同时，我们尽量避免对基座模型过度微调。通用模型迭代太快，今天精调的版本，一个月后可能就被淘汰。“通用底座+有限的监督微调+外挂专业知识库”的策略能够有效保护企业的投资，让企业的专业能力与底座模型的进化保持正交，实现 “水涨船高”。

2025下半年，物理AI成为继语言、多媒体模型后另一AI技术热点。长远看，谁能率先在特定工业领域实现“物理机理+数据驱动”的深度融合，谁就可能定义该领域的通用智能。而AI本身，也将成为加速工业科研的新引擎。

五、组织变革：打造“松树型”人才结构，与透明的AI共同成长

AI普及将重塑企业人才结构。传统的企业人才结构是一个金字塔，从初级到高级人数逐层减少。AI时代的企业人才结构将转变成“松树型”：越靠近执行层，AI替代比例越高；越往决策层，人的数量越多而且人机协同越紧密。

但这里有个陷阱：如果AI是黑盒，新人就无法从中学习，老专家退休后，知识断层将加剧。因此，我们必须透明化AI的推理过程——不仅给出结论，还要展示依据。让员工在使用中学习，在学习中提升，在AI的辅助下更快成长为领域专家。

此外，人在回路（Human-in-the-loop）不是权宜之计，而是安全底线。在需要问责的关键环节，专家必须保有最终裁决权。同时，他们的反馈也是AI进化的燃料。

值得注意的是，AI不是一次性建设的固化系统，而是需要像培养员工一样长期投入、持续监督、不断提升的“数字人”。基于此，我们建议企业配备专门负责AI成长闭环的特殊HR团队，专门负责数字员工的培养、绩效评估、能力迭代；同时，内部需要分级分类设计人才体系，从“通识教育-应用实践-技术开发”，让现有人才能够与AI协同共存、共同成长。