工业AI正在进入深水区：从烟台这场会议，我们看到制造企业正在发生的六个变化

9月5日，2026山东工业AI应用落地论坛在烟台举行。

这场会议有一个很简单的主题：

连接工业知识，让AI真正进入业务。

会议之前，我们其实一直在想一个问题：

过去两年，大模型越来越强，企业也建了知识库、部署了模型、做了不少PoC，为什么工业AI真正进入生产经营核心环节仍然这么难？

一天会议结束以后，这个问题的答案反而比会前清楚了很多。

上午豪迈、山东临工、滴普、腾讯会议、希捷等企业分享了自己的实践；下午三个小时的AIHUB工业AI落地工作坊，来自玫德、杰瑞、中集来福士以及现场制造企业的负责人，把项目中的成功、失败、数据问题、组织问题和技术难点真正摊开来讨论。

最值得关注的，不是哪一个案例本身，而是不同企业的实践正在逐渐指向一些共同变化。

一、制造企业关注的重点，已经从“模型强不强”转向“AI怎么进入业务”

两年前，企业讨论AI，最常问的是：

哪个模型更强？

要不要私有化部署？

知识库怎么建？

今天，问题已经发生了变化。

企业开始问：

Agent怎么连接ERP、MES、PLM？

AI怎么进入研发、生产、质量、设备管理？

哪些场景真正值得投入？

怎么从PoC走进正式业务？

在大会开场时，我们提出了一个判断：制造企业并不缺数字化基础。过去二十年，企业已经建设了大量ERP、MES、PLM、SCADA等系统，也积累了海量图纸、BOM、工艺文件、生产数据和设备数据。真正的问题，是这些知识仍然分散在不同系统、不同部门和工程师头脑里。

所以工业AI下一步最重要的事情，可能不是再训练一个更大的模型，而是：

把企业原来孤立的工业知识连接起来。

二、知识库正在向“工业上下文”和企业本体演进

知识库仍然重要，但越来越多企业开始意识到：只有文档检索是不够的。

AI不仅要找到一段文字，还要知道：

这是什么产品？

哪个版本？

用了什么材料？

对应哪道工艺？

在哪台设备上生产？

和哪份标准、哪次质量异常、哪次工程变更有关？

滴普在现场重点讲了“本体”的实践。在工业故障诊断中，不只是把维修资料放进知识库，而是把故障现象、设备部件、原因、排查路径、解决方案以及实时设备数据建立关系，再通过规则和推理形成诊断路径。

中集来福士的实践也很典型。面对大量船级社规范、工程文件和项目资料，早期的知识图谱方案在数据规模扩大后甚至出现“图谱爆炸”，团队反复推翻设计，最后才逐渐找到更合适的知识关系组织方法。

下午讨论中，企业也谈到，如果没有业务对象、属性、数据关系和业务规则，AI其实很难真正理解企业数据。

这说明制造企业的AI建设正在从：

“把资料交给AI”

走向：

“把企业的业务世界组织成AI能够理解的上下文”。

三、工业AI开始从单点工具走向企业级基础能力

豪迈的实践很有代表性。

他们已经不再把每一个AI场景当成一个独立项目，而是在建设统一的算力、模型服务、公共AI能力和业务应用体系。

通用大模型、多模态模型、视觉模型和垂域模型通过统一模型网关提供服务，OCR、文档解析、翻译、向量化等能力进行公共封装，上层不同业务场景再按需组合。同时对权限、安全、运营和成本进行统一管理。

更值得关注的是使用方式的变化。

豪迈分享中提到，模型调用量和Token使用量都在快速增长，背后的原因不是员工问了更多简单问题，而是越来越多任务开始由智能体完成。

这可能意味着，企业AI正在经历一个重要阶段：

从“给员工一个AI工具”，走向“把AI变成企业可以重复调用的能力”。

除了制造企业自身的AI平台建设，企业协同和基础设施也在同步发生变化。腾讯会议分享了AI纪要、AI托管等能力，并通过API、SDK与企业既有系统连接。会议本身正在从单纯的音视频工具，逐步变成企业知识产生、整理和沉淀的一个入口。

希捷则从另一端提醒了一个容易被忽视的问题：AI应用越深入，企业产生和保存的数据量会越大，模型训练、推理、工业视觉、设备数据和历史知识都会不断增加对存储的需求。其分享也介绍了面向下一代数据中心的大容量存储技术进展。

AI进入企业，最终并不是只有“模型”这一层变化，而是算力、存储、协同、数据、知识和业务应用共同演进。

四、AI落地正在从“IT推动”转向“业务主动”

这是山东临工分享中非常值得关注的变化。

2024—2025年，更多还是IT部门主动寻找业务部门，一起探索AI场景。

到了2026年，开始出现越来越多业务部门主动找到IT团队：

“我们这里有一个高价值场景，能不能一起做？”

临工也因此分别建设了视觉训练平台和AI创新平台，一个面向视觉质检、安全生产等场景，一个面向Agent开发和业务系统赋能。

这看起来只是一个项目来源的变化，背后其实是企业AI成熟度的变化。

只有当业务人员开始理解AI的边界，并能主动提出问题时，AI才真正有可能进入业务。

所以临工提出的路径很务实：

AI培训 → AI大赛 → AI进入流程 → AI与数据结合。

他们也明确提出，知识问答和内容生成相对成熟，但更高价值的下一步一定是和具体业务流程结合。

五、企业正在重新认识“什么问题该交给大模型”

下午关于工程图纸识别的讨论很有代表性。

现场企业提出，希望AI读取复杂机械图纸，结合本企业设备、刀具和工艺经验自动生成加工工艺。

实际实践中，简单图纸识别可以达到较高水平，但一旦图纸复杂、尺寸和标注大量增加，准确率会明显下降。

现场讨论最后形成了一个很重要的认识：

复杂工业问题不能简单理解为“换一个更强的大模型就能解决”。

在高精度图纸识别中，更适合的方式可能是：

专业视觉模型负责识别；

传统算法负责计算；

大模型负责理解、组织、检查和调用；

工程规则和人工负责最终验证。

滴普的大族激光案例也证明了这一点：工业AI真正落地时，大模型只是整个系统的一部分，还需要机器学习、实时设备数据、规则、阈值以及业务系统共同参与。

这可能会成为未来工业AI一个越来越重要的架构：

通用大模型 + 企业工业上下文 + 专业模型 + 工业软件和工具。

而不是所谓一个“万能工业大模型”。

六、AI正在重新定义企业IT部门的角色

杰瑞的分享给现场留下了很深的印象。他们今年开始推动IT团队快速向AI转型，高层也把控制人员规模、提质增效作为非常明确的目标。

更值得思考的是，随着AI Coding能力提高，传统开发本身的门槛正在下降。

杰瑞提出，未来IT的价值可能不再主要是“接需求、做系统”，而是更加深入业务，帮助业务找到跨部门、流程缝隙中的高价值问题，同时把工具和能力交给业务人员，让业务自己参与构建应用。

这其实不仅是技术变化，而是组织变化。

未来企业的IT部门可能越来越像：

业务架构师 + AI能力平台 + 企业变革推动者。

这也可能是CIO未来几年最值得关注的一场变化。

下午三个小时，为什么大家愿意一直坐在那里？

这次会议还有一个让我们印象很深的现象。下午的工作坊原本是第一次尝试，但三个小时基本一直满场，现场交流持续不断，线上也一直有数十位企业人员参与。

我们会前收到了96份报名问卷。下午开场时，没有先介绍产品，而是直接把大家报名时写下的问题放到了屏幕上：

复杂排产怎么做？

图纸识别后能不能自动生成BOM？

维修资料分散，AI能不能给现场人员提供维修指引？

Agent怎么连接ERP、MES？

如何避免AI越权访问？

一个场景跑通以后怎么大规模复制？

随后，技术团队拆真实项目，制造企业讲自己的成功与失败，现场企业再把正在做的项目拿出来，让大家一起诊断。

这让我们更加确认了一件事情：

今天制造企业真正需要的，已经不是更多AI概念，而是更多确定性。

别人到底怎么做？

我的场景能不能做？

需要什么基础？

什么地方最容易失败？

怎么证明项目有价值？

这些问题，没有一家企业能够独立给出全部答案。

但同行之间的真实实践、技术团队的工程经验和企业自己的业务知识放在一起，就有可能离答案更近一步。

结语：工业AI真正的竞争，可能刚刚开始

这次烟台会议之后，我们对“连接工业知识，让AI真正进入业务”这句话有了更深的理解。

工业AI不是再做一次自动化。

也不是推翻已经成熟运行的ERP、MES和PLM。

AI真正增加的是一个新的能力层：

理解企业的业务上下文，把分散的知识重新连接起来，并在需要的时候调用数据、规则、算法、软件和人的经验解决问题。

模型会越来越强，也会越来越通用。

但一家制造企业几十年积累下来的图纸、工艺、设备经验、质量记录、客户知识和工程师经验，却是它自己独有的资产。

所以未来工业AI真正值得长期建设的，可能不是某一个AI应用，而是：

让企业自己的工业知识逐渐变成机器能够理解、能够调用、能够不断积累的能力。

这也将成为山东CIO联盟AIHUB接下来继续研究和推动的方向：

少一点概念，多一点真实问题；
少一点Demo，多一点业务闭环；
从真实案例出发，把真正值得做的AI场景一件件做出来。