近期，在工业互联网产业联盟十周年活动中，中国信息通信研究院余晓晖院长关于工业互联网下一个十年的思考，让我对“全面深度智能化”这个词有了新的理解。这句话背后有清晰的三个维度升级、一个“三网一系统”架构、11个重点方向，以及三个必须回答的落地问题。

从目标到架构：全面深度智能化的三个跃迁

余院长将下一个十年的核心命题定义为“全面深度智能化”——这是在延续过去“数据闭环促进资源优化配置”的基本逻辑基础上，拥抱人工智能浪潮而在三个维度上同时实现跃迁：

第一，优化能力：从“数据分析”走向“复杂推理与自主决策”。过去工业互联网的数据分析主要在描述和诊断层面——告诉你发生了什么、为什么发生。下一步要走到预测和自主决策——告诉你将要发生什么、应该做什么。这不仅是算法能力的升级，AI要从“辅助工具”变成“决策主体”。

第二，作用范围：从“单设备单环节的局部优化”到“全链条整体优化”。目前的工业AI应用大多是点状的，例如一个设备故障预测、一条产线质量检测。下一个十年要做到跨设备、跨车间、跨工厂甚至跨产业链的系统级协同。拿汽车制造来说，冲压车间的模具磨损影响车身精度，也连着焊接车间的匹配间隙、涂装车间的表面质量、总装车间的装配效率。局部优化做到了，全局优化才刚刚开始。

第三，价值模式：从“辅助决策”走向“端到端自主执行”。今天大多数工业AI系统还是一个“高级计算器”，分析完数据，给人一个建议，人来做决策。下一个十年，AI要在安全边界内完成从感知到执行的完整闭环。“AI告诉你该怎么做”的阶段过去了，接下来是“AI 在正确的约束下自己做完”。

这三个升级，是下一个十年必须实现的目标。承载这些目标，余院长提出了一个“三网一系统”的架构框架：

• 物理连接网络——工业无线、工业有线、工业算力融合，连接从智能加工设备到智能检测设备的全要素；

• 语义互通网络——以本体语义建模为底座，通过标识解析体系实现跨系统、跨企业的数据语义互通；

• 智能体协同网络——研发智能体、计划智能体、质量智能体等工厂内智能体，与供应链智能体、服务智能体等产业级智能体协同联动；

• 多级工业智能系统——从工厂级到产业级，构建统一的工业智能操作系统

在这个“三网一系统”框架内，列出了11个重点方向，其中排在第一位的是“本体语义建模”。

为什么是第一位？其它方向，无论是大小模型协同、工业智能体网络、还是物理AI的突破，都需要首先回答一个问题：AI到底理不理解它在和什么东西打交道？本体，就是回答这个问题的起点。这件事正在从一家企业的技术选择，变成行业的战略共识。

落地三问

框架是清晰的。余院长同时指出了三个必须回答的落地问题：

第一，AI能不能真正理解工业？泛泛地“懂”远远不够。工业对象、工艺机理、专家经验需要被 AI 准确表征和理解，最终形成“受约束的智能”——让模型在工业机理和专家经验的边界内做出可靠的决策，而不是自由发挥。纯依赖数据相关性带来的模型幻觉，在工业场景中不可接受。

第二，AI能不能深度嵌入工业系统？这远不止是简单做一个App放到工厂里。工业软件、大小AI模型、工业智能体、装备、控制系统需要打通，并重构为一个新的系统形态。这需要经历“打通集成→能力嵌入→系统重构”三个阶段，是一个中长期过程。

第三，AI能不能在更大范围内创造新价值？工厂里的效率提升只是一个起点。以工厂内的智能化为原点，通过数据、模型、智能体和制造能力实现服务化、产品化，最终形成智能经济的新模式。工业将从技术的落地点，变成技术创新的策源地。

工业本体模型是新十年框架的关键枢纽

余院长指出了这个新十年框架落地的关键枢纽：工业本体模型。这已经成为工业互联网从业者近两年逐步形成的共识。

就拿“优化能力从数据分析走向复杂推理与自主决策”来说。今天大多数工业AI还停留在数据分析阶段，瓶颈不在算法不够好、数据不够多，而在于AI理解不了工厂，数据在说不同的语言。一条设备巡检记录里写的“2号机组喘振”，和SCADA里一条振动异常曲线之间是什么关系？AI不知道。它只知道这是两条数据。你让它做推理和决策？它连推理的前提都没法对齐。

工业有三样东西，AI当前最缺：已知的物理结构、明确的因果链条、硬的安全边界。

热力学第二定律不用从数据里重新发现。润滑油劣化→轴承温度升高→振动异常这条因果链，老师傅知道，设备手册里也写着。这个阀门绝对不能和那个阀门同时打开，操作规范里有明确要求。

但物理定律在教科书里，因果链条在老师傅脑子里，安全边界在操作规程文档里。要让这些能被 AI “消化”，需要一个共同的语言。这个语言就是工业本体模型——一张描述工厂全貌的、AI能看懂的地图。

它告诉你工厂里有什么（设备、原料、人员……）、它们是什么关系（结构）、它们当前什么状态、有什么行为规律、受什么约束、什么导致了什么（因果）。六个维度合在一起，构成AI做推理和决策的认知基础。

没有这张地图，“复杂推理与自主决策”就是空中楼阁，因为AI推理的前提是知道自己在跟什么东西打交道。有了这张地图，所有系统用同一张地图说话，才能跨设备、跨车间的协同优化，“全产业链整体优化”才有了底座。

工业反哺AI：一个新命题

余院长构建的新十年工作框架够宏大，但我印象最深的并不是这个框架本身。他在分享完工作框架后，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。

这个命题在“三网一系统”的框架之外，多问了一层——框架告诉你怎么做，这个命题问的是框架能通向哪里。

工业到底能拿什么反哺AI？答案其实就在那11个重点方向的首位。工业最大的优势不是数据量——论数据量，互联网比工厂大几个数量级。工业最大的优势是结构：物理定律构成的确定性结构、因果链条构成的逻辑结构、安全边界构成的约束结构。这三层结构，是工厂在几十年运行中自然积累下来的，恰好是互联网数据训练出来的AI最缺乏的东西。

工业本体模型做的事，就是把这三层结构从散落的状态中提取出来——从教科书、设备手册、操作规程、老师傅的经验和几十年故障记录里——变成一种AI能理解的语言。这一步走通，反哺才不是口号。

对中国的意义也很直接。我们是全世界工业体系最完整的国家之一——从重化工到精密制造，场景的复杂性和数据的丰富性同时存在。如果我们能把这些工业场景中积累的结构化知识，系统地转化为训练AI理解物理世界的基础设施，那中国在物理AI这个方向上就有一个全球独一份的起点。

工业互联网的下一个十年，是走向全面深度智能化的十年。

深度智能化的底座，更大的模型、更多的数据都远远不够。核心是一张让AI真正理解工业的地图。

我们不需要等到所有概念都成熟了再行动。工厂里几十年来积累的图纸、手册、故障记录和老师傅的经验——这些就是我们做工业AI最好的起点。我们的目标很明确：先把这些东西整理成一张AI能看懂的地图，再让AI在这张地图的指引下行动，让AI真正懂工厂。

而造地图这件事，昆仑数据已经在做了。

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。