上周去参加工业互联网联盟的10周年活动。大部分内容在预期之中——谈连接、谈数据、谈智能化路径。但余晓晖院长发言的最后一段，让我在座位上坐直了。

在畅想了如何拥抱人工智能浪潮来推动工业高质量发展之外，他反过来也给联盟提出了一个命题：未来十年，中国有没有可能在工业领域，走出一条突破物理约束的人工智能之路？用工业去反哺人工智能的技术突破。

“用工业反哺AI”——这句话把我震住了。

我们太习惯一个叙事方向了：AI赋能工业。AI来了，工厂要升级了，效率革命、智能决策、少人化。这个方向没错，但它隐含了一个前提——AI是外来的、自上而下进入工业的。工业是技术的接收方，是被改造的对象。

但余院长把它翻了过来。他说，也许工业才是AI突破物理约束的关键场景。也许我们不用等AI教工业怎么做，工业会给AI提供一个最复杂、最真实、最有边界的训练场。

想一下这件事的逻辑。今天的AI在数字世界如鱼得水——文本、图像、代码，数据取之不尽，犯错成本几乎为零。但一旦进入物理世界，AI就暴露了它最根本的弱点：它不懂因果。它不理解“温度升高会导致材料疲劳，材料疲劳会导致结构失效”这条因果链。它不知道什么能做、什么绝对不能做。

而这些，恰恰是工业最不缺的东西。

工业有几百年来积累的物理定律——热力学、流体力学、电化学等；工业有几十年来积累的专家经验——老师傅看一眼振动曲线就知道轴承该换了；工业有清晰的安全边界——温度不能超过多少、压力不能低于多少、哪些操作组合是绝对不能同时发生……

如果AI需要一个老师来教它“怎么理解物理世界”，工业可能是最合格的那个老师。

这件事对中国的意义也很直接。我们在通用大模型上确实在追赶，但工业场景可能是我们构建差异化AI能力的一个独特入口，我们有机会在物理世界的AI上走出自己的路。中国拥有如此庞大的工业体系，在工业数据的丰富性、场景的复杂性、边界的清晰性方面，世界上任何一个国家都无法与之相比。

十年前联盟成立时，我们在讨论怎么把设备连上网。

十年后，联盟在讨论怎么用工业推动AI突破物理约束。

这是两个完全不同的故事。

前一个故事里，工业是技术落地的末端。后一个故事里，工业是技术创新的源头。我不知道这条路能不能走通，但我很确定——如果有人要走，我们应该在其中。

Dr. Lu · 2026年7月

关于作者：Dr. Lu，昆仑数据创始人陆薇。虽然是计算机博士，大部分时间不在机房，而在工厂和去工厂的路上。20年来专注一件事：让数据真正理解工业。她是IEEE TCSVC Woman in Services Computing第一位华人女性获奖者，也是最早参与制定中国工业大数据路线图的那批人之一。这个专栏是她在一线的思考——关于工业AI、关于本体模型和控制论、关于AI在工厂落地那些事儿和人。