制造业CIO共识：工业AI落地需冷静务实
在数字化转型与新质生产力建设的热潮下，人工智能已成为制造业无法回避的核心技术。然而，实际部署中困难重重，仍是众多工业企业共同面临的挑战。工业AI究竟应如何有效落地？它是否真的能够彻底变革工业软件生态？
2026年3月27日，由e-works数字化企业网举办的"第十五届中国智能制造高峰论坛"现场，来自桐昆集团、生益电子、京东方及亨通数科的数位数字化领袖齐聚一堂，为工业界提供了最为理性的思考方向。本次对话由e-works首席执行官黄培博士主持。
图中从左至右分别为：e-works CEO黄培博士（主持人）、桐昆集团信息管理部经理许燕辉、生益电子集团信息中心负责人郭荣威、京东方科技集团RD数字化研发部部长吕志超、江苏亨通数字智能科技有限公司CTO陈虎
如今各类会议无不提及AI，业界普遍期望以更加客观冷静的态度推动其发展。因此，首个讨论话题设定为：面对当前AI热潮涌动，制造企业在规划数字化转型路径时，是否需要全力押注AI？
桐昆集团股份有限公司 信息管理部经理许燕辉
认清企业数字化根基；分步规划实施路径；精准把握AI关键要素与应用突破口。
桐昆集团以大宗原材料生产为主业，是典型的流程型传统制造企业。我今天的观点分享，均基于这一行业特性。对于传统制造型企业而言，并不适合也不应该盲目全面投入AI。
关于AI如何落地，我分享三点个人思考。
第一，企业必须开展成熟度自评，清晰认知自身数字化与智能化水平。若信息化基础尚处起步阶段，建议优先巩固底层架构，无需急于启动AI项目。
第二，要准确把握AI技术发展阶段，制定相匹配的分级策略。针对不同技术成熟度，企业的战略思路与投资节奏需差异化处理。
第三，聚焦AI核心要素并找准落地场景。AI的本质在于模型、数据、场景与算力的有机协同。制造企业要想收获实效，关键在于选择契合自身的应用场景，稳健推进。
生益电子股份有限公司 集团信息中心负责人郭荣威
AI是工业演进至今的必然方向。
生益电子管理层对AI技术保持高度聚焦。我们认为，AI确实是工业发展至今的必然趋势。但纵观工业变革史，从手工劳动到机械化，从单台设备到自动化产线，再到信息化系统，每个阶段的演进都未彻底淘汰前一阶段。
以PCB产业为例，许多企业近期才完成自动化连线改造，至今仍有大量工序依赖人工操作。因此，我们不会选择全面押注AI，而是保持清醒认知：其一，技术本身仍在快速演进，新方案层出不穷；其二，AI存在显著的幻觉现象，其可靠性尚需进一步验证；其三，AI与物理设备、生产现场的深度融合尚不成熟。
鉴于此，我们确立了务实的推进方针：保持关注、积极试点，小步快跑、注重实效。初期优先选择离线数据分析、辅助决策等非核心场景进行验证，待技术成熟后再扩展至生产执行与设备联动等核心环节，这是我们整体的应用策略。
京东方科技集团股份有限公司 RD数字化研发部部长吕志超
对制造型企业来说，最核心追求的永远是品质、稳定与可靠，这是行业的生存根基。
探讨是否全力投入AI时，必须结合企业所处的发展阶段，审视其拥抱AI前的原始积累。我们的路径是在"屏之物联"长期战略之上，叠加AI+形成双引擎驱动。因此，对不同企业而言，盲目跟风全面投入AI存在较高风险。特别是对制造企业，这并非一种可持续且能落地的策略，这是我的首要判断。
国家层面早已指明方向，中国企业数字化转型的核心目标是智能制造。因此，无论是AI还是其他数字化手段，最终都必须服务于智能制造这一根本主题，为其赋能并落地。所有技术工具都应围绕这一核心展开。
技术热点始终在更替，当下是大模型，未来还会有新趋势涌现。但对制造企业而言，坚守的始终是品质、稳定与可靠，这是制造业的立命之本。在技术变革浪潮中，智能工厂与智能制造的长期趋势不会改变，关键在于捕捉AI能创造实际价值的赋能点。
江苏亨通数字智能科技有限公司 CTO陈虎
工业AI的核心价值不在于单点突破，而在于解决系统性业务难题。
我想从两个层面展开分析。第一，必须明确工业AI的定义。它与我们熟知的通用大语言模型有本质区别，工业AI的核心使命是解决制造业实际场景中的痛点，如成本、品质、效率等具体问题。第二，在落地过程中必须坚守一个底线：绝不夸大其词。
我认为，工业AI的应用价值远不只局限于常见的视觉质检等单点场景。
AI的本质，是将人的经验转化为可描述、可解释、可传承且能持续优化的能力。
除质检外，它还可深度应用于质量分析、质量管控、成本优化、能耗管理、工艺改进等全链条环节。
工业AI真正能创造核心价值的领域，不是孤立点位，而是系统性业务问题：例如降本涉及原料、能耗、人力、设备等多维度；提质则关联材料、工艺、设备、操作等全流程要素。在这些综合性场景中部署AI，才能实现最大且可持续的价值。
在具体实施时，还需重点考量三方面：一是行业基础与产业链上下游的认可程度；二是企业整体预算与投资节奏；三是对外输出方案时，坚持顶层规划、分步落地、稳步推进的原则。
关于AI智能体的实施策略，它在制造领域有哪些切实可行的应用？AI智能体是否真有能力彻底颠覆传统企业软件？
桐昆集团股份有限公司 信息管理部经理许燕辉
长远来看AI确实具备重构企业软件的潜力，但当前仍面临多重障碍，完全替代尚需时日。
目前我们在企业内部署AI智能体，主要集中于通用型场景，如办公领域的智能问答、合同审查等；在制造环节也仅应用于工业质检等较为成熟的领域。
核心问题在于，通用大模型难以攻克制造业深度场景的专业壁垒。因此，我们正携手专业机构，筹划构建化纤行业专用的垂直大模型。
针对第二个问题，AI智能体能否颠覆传统企业软件。我们已在部分场景实现应用，例如员工报销时，上传发票后AI可自动生成单据并触发流程。但实质上，底层报销系统并未被取代，只是前端交互与操作流程经由AI实现了优化。
长远来看AI确实具备重构企业软件的潜力，但当前仍面临多重障碍，完全替代尚需时日。
生益电子股份有限公司 集团信息中心负责人郭荣威
当前技术处于高速演进、多路线并行的状态，未来必将形成多元共存的局面。在我看来，企业应用大模型与AI可分为三个层级。
第一层是直接调用通用大模型，相当于将其作为增强版搜索引擎进行问答式交互。第二层是在既有软件系统中嵌入AI功能，这也是当前最普遍的落地形态。第三层是部署独立AI智能体。独立智能体又包含两种模式，实际应用中常为混合形态：一是智能体直接调用大模型能力完成软件功能；二是智能体替代人工执行各类业务系统的操作，我们当前采用的就是后一种模式。
基于这一逻辑，我认为AI智能体不会彻底颠覆传统企业软件。当前技术处于高速演进、多路线并行的状态，未来必将形成多元共存的局面。
京东方科技集团股份有限公司 RD数字化研发部部长吕志超
对企业来说，最稳妥的切入点是在可控且封闭的垂直领域，从小范围开始。
我们的"AI+"战略涵盖三大板块：AI+产品、AI+制造、AI+运营。
我主要负责AI+产品板块，专注AI技术在研发设计环节的应用。近年来我们持续探索，内部称之为Agent，但尚未正式命名为AI Agent。它实质上是基于高质量数据训练、用于替代传统工业软件特定功能的轻量化专用模型。
实践证明，这一路径极具价值：它能帮助工程师突破原有软件限制，逐步接纳并运用AI工具。一旦体验到实际效益，便会激发更多真实需求。目前我们已在光学、电学、热学、力学等多个技术领域，部署了系列单领域智能体。
对企业来说，最稳妥的切入点是在可控且封闭的垂直领域，从小范围开始。在此基础上，我们将评估哪些Agent具备未来整合联动的潜力，效仿C端场景实现协同；继而依托研发全领域的数据沉淀，构建真正意义上的"龙虾"模型。
Agent的下一步演进，必然是创新型和组织型形态，能够实质性辅助工程师决策，这才是具备长期价值的方向。核心目标是打造能承担角色、协助工程师完成工作的智能体。
回到第二个问题：AI能否颠覆传统企业软件？
我的判断是，短期会造成冲击，长期将引发重构，但不会彻底颠覆。那些边界明确、流程固化、规则清晰的软件及SaaS产品，所受冲击会更为显著。
但对工业软件来说，这反而是机会。毕竟工业领域数十年积累的机理、逻辑与专业知识，无法在短期内被AI完全掌握，企业也难以立即建立对AI的百分之百信任。这必然是一个漫长的渐进过程。
因此，我有时会思考，理解Agent或许可以转换视角。如同早年企业使用国外系统时，因授权成本高昂而开发大量轻量级应用作为补充。
Agent与此逻辑相似：核心系统保持不变以确保稳定性，但在对外协同、流程衔接、高频操作、重复性人工等环节，采用Agent实现轻量化的功能增强。
江苏亨通数字智能科技有限公司 CTO陈虎
将人的综合分析能力转化为AI能力，是智能体发展的核心方向。
我个人非常认可智能体的价值，但仍需强调：必须认清本质、明确定位。
关于AI应用场景，我比较赞同2022年某白皮书中的分类，共三大类别：第一类为感知识别，如常见的质量检测，替代人工目视检查，属于基础层；第二类为运筹优化，如设备预测性维护、APS计划排程优化、AGV路径规划，核心在于降本增效，是当前行业主流；第三类为经验决策，如订单预测、销售增长预判等，更贴近管理层与决策层。
举例来说，质量管理包含检测、分析、追溯与控制三个环节。当前行业讨论多聚焦于检测层，但真正关键在于分析与追溯。
例如面板产品良率异常，通常由QA部门率先发现，再交由IE制程工程师排查根因。究竟是材料问题、工艺偏差还是设备故障？此过程需跨岗位、跨部门协作，反复验证，耗时两三天方能得出结论，且往往仅能解决当前批次问题，难以沉淀为可复用的方法论以持续改进。
我们期望通过AI实现的，正是将资深IE工程师的经验、判断逻辑从隐性知识转化为显性模型，将主观经验系统化、体系化，形成标准化方法论。这对企业质量管控与优化将是巨大提升。
因此我的核心观点是：将人的综合分析能力转化为AI能力，是智能体发展的核心方向。
这也是智能体与传统系统的根本差异——传统系统仅能解决单点、规则明确的任务，而企业真正的痛点在于质量、成本等跨领域、综合性、依赖经验判断的业务难题。智能体的价值正体现于此。
主持人总结：
非常到位。这里做个简要归纳：当前阶段，应聚焦于分析型AI作为主要发力点。依托数据、模型与算力进行深度分析，输出具备实际价值的结论以解决真实问题，而非过度追逐内容生成、代码生成或数控程序生成等功能，这些虽重要但并非当务之急。
制造业推进AI与智能制造，最终必须回归QCD本质：提升品质（Quality）、缩减成本（Cost）、确保交期（Delivery）。这才是最根本、最务实的目标。