作者：彭昭（智(zhi)次方(fang)創始人、云和資本聯合創始合伙人）
物聯網智庫 原創
這是我的第372篇專欄文章。
當AI遇上工業，真正的挑戰才剛剛開始。
在AI大模型席卷全球、生成式AI持續刷新公眾認知的當下，工業界的智能化進程，卻仍處在一個“熱在云端、冷在現場”的臨界點。
模型(xing)可(ke)以(yi)(yi)繪畫、寫作(zuo)、生成代碼，卻(que)難以(yi)(yi)真正(zheng)嵌(qian)入一條產線、控制一臺設備(bei)、優化一個流(liu)程。與消費級AI的爆發相比，工(gong)業AI的落(luo)地始終顯得緩(huan)慢、復(fu)雜，甚至令人沮喪。
但這(zhe)一次，或許真的不一樣。
在(zai)COMPUTEX 2025展會期間，研華科技(ji)(ji)舉辦了一系(xi)列(lie)重量級產業(ye)主(zhu)題會議(yi)，邀請多(duo)位(wei)業(ye)界意見(jian)領袖、技(ji)(ji)術專家與合(he)作伙(huo)伴，共(gong)同探討技(ji)(ji)術如何驅動新一輪的(de)數字化轉(zhuan)型浪潮(chao)。而(er)在(zai)這一系(xi)列(lie)對話中(zhong)，最為(wei)核心的(de)正(zheng)是研華科技(ji)(ji)董(dong)事長劉克振（KC）與我之間的(de)一場深(shen)度交流。
在對話中，KC不僅回顧了物聯網平臺十年前的泡沫與幻滅，更坦率地指出：“工業智能不是不會發生，而是還缺一個催化劑。”而這個催化劑，正是(shi)AI與邊緣計算的融合。
在這次對談中，研華首次提出其最新的品牌宣言：Edge Computing & WISE-Edge in Action，并宣(xuan)告將在(zai)五大垂直產(chan)業(ye)全面(mian)推進工業(ye)智能化的落地布局。
作為全球工業物聯網領域的領導廠商，研華長期深耕邊緣硬件與工業軟件平臺，在過去十年默默積累、持續打磨。如今，她試圖在AI成為“可部署智能”的關鍵節點上，完成一次戰略重構：不是空談“平臺夢想”，而是構建“軟硬協同、云邊閉環”的現實路徑。
本文將圍繞這次對話中的核心觀點進(jin)行深入解析：工業AI為(wei)何(he)遲(chi)遲(chi)無法落地(di)？模型強(qiang)大為(wei)何(he)在(zai)工廠難以(yi)找到用武之地(di)？AI與(yu)邊緣的融合，究竟帶來(lai)了什么根本性改變？更(geng)重要的是，對于整個產業鏈來(lai)說，我(wo)們(men)該以(yi)什么樣的心態、節奏與(yu)策略走進(jin)這場被稱為(wei)“物(wu)理(li)AI”的新時(shi)代？
工業AI的“第二次機會”來了，但這次不一樣
“我們在(zai)2018年熱烈討論(lun)物(wu)聯網平(ping)臺的(de)機(ji)會與(yu)合作，當時大家都相信這會是(shi)(shi)一場(chang)產(chan)業革命。但現實是(shi)(shi)——沒人真(zhen)正成功(gong)。”研(yan)華科技董(dong)事長劉克振（KC）在(zai)本次對話中(zhong)直言不(bu)諱，也是(shi)(shi)對過去十年“工業智能化”熱潮最真(zhen)實的(de)注(zhu)腳。
的確，大約十年前，工業物聯網（IIoT）被視為下一個“萬億級風口”，全球無數科技與制造巨頭紛紛推出平臺戰略：GE的Predix、西門子的MindSphere，以及研華自己的WISE-PaaS…但幾年過去，大多數平臺要么停滯、要么轉型，工業智能化的承諾并未如期兌現。
KC用一句話總結了原因：“…不是不會發生，而是缺了一種催化劑。”這個催化劑，正是AI，特別是AI與邊緣計算的融合。
過去十年，工業界所期待的“平臺革命”之所以難以落地，一個根本問題是：工業現場的復雜性、異構性、實時性、安全性，讓傳統云平臺的邏輯在工廠、醫院、電網等物理場景中失效。AI雖強，卻始終“落不了地”；模型雖大，卻始終離現場太遠。
這正是我們在本次對話中反復強調的觀點：工業場景并不缺模型，缺的是“能跑得起來的AI”。
AI再強，如果它只能(neng)在云(yun)端運行、需(xu)要海量算力、耗時數(shu)秒(miao)才能(neng)出結果，那么它對一條需(xu)要毫秒(miao)級(ji)決策的產線來說是毫無意(yi)義的。真正能(neng)改變工業(ye)的，不是“更(geng)聰(cong)明的算法”，而是“更(geng)貼(tie)地(di)的智能(neng)”。
這也正是邊緣計算的意義所在。Edge，不是一個新的硬件形態，而是一種新型智能部署方式：讓感知、決策、執行三者，在現場完成閉環。
邊緣計算(suan)讓(rang)模(mo)型“跑在現場(chang)”，讓(rang)算(suan)法“嵌(qian)入流(liu)程(cheng)”，讓(rang)AI從一個(ge)“技術插件”變成“系(xi)統能力”。這不是(shi)讓(rang)AI更強，而是(shi)讓(rang)系(xi)統本身更主(zhu)動、更響應(ying)、更安全(quan)、更穩(wen)定。
這一次與研華的對話讓我感覺到：工業AI的第二次機會，正在到來。但這一次，它不再是云端的熱鬧實驗，而是地面上的系統戰。
它(ta)的本質不在(zai)于是(shi)否擁(yong)有“更(geng)大的模型”，而(er)在(zai)于是(shi)否能(neng)夠構建“更(geng)小(xiao)的閉環”；不在(zai)于算法能(neng)處理多少語義，而(er)在(zai)于它(ta)能(neng)否控制一(yi)個具體(ti)的物理變量；不在(zai)于能(neng)否驚(jing)艷演(yan)示，而(er)在(zai)于能(neng)否穩定運(yun)行。
換句話說：這次的工業AI，不需要“看起來很強”，它需要“跑得起來”，能夠“嵌入現場”。
工業AI的落地邏輯：軟硬協同+云邊閉環+垂類模型
如果說工業AI的“第二次機會”已經到來，那么接下來的問題就是：它將以怎樣的路徑真正落地？
這不只是一個技術問題，更是一個系統工程——它需要軟硬件的協同演進，需要計算架構的重新部署，更需要模型范式的重新定義。而在我與KC的對話中，三個關鍵詞逐漸清晰地浮現出來：軟硬協同、云邊閉環、垂類模型。它們構成了工業AI落地的“三段式推進邏輯”。
軟硬協同：AI不是“云里飛”，而是“地(di)上跑”
KC在對話中反復強調，研華的戰略定位從來不是做“最終方案”，而是做“系統組件的供應者”。這背后，其實是一種深刻的路徑選擇：工業AI的落地，不是靠一個完美的解決方案，而是靠一套可組合、可復制、可演進的系統組件。
研華的三層架構非(fei)常值得借鑒(jian)：
第一層是邊緣硬件——涵蓋超過1000個SKU的現場級運算設備，適配各種(zhong)工業環境；
第二層是WISE-Edge容器化軟件平臺——提供驅動接(jie)口、容(rong)器(qi)工具(ju)、API對接(jie)能力；
第三層是垂直領域應用模組——將AI能力封裝成可直(zhi)接部署的行(xing)業模塊(kuai)。
這個架構的關鍵，并不在于“誰做出了AI”，而在于誰能把AI嵌入到工業系統的日常運行中。
工業現場不是一張白紙，它是一個高度復雜、冗余、多源異構的生態系統。任何AI能力，都必須通過“軟硬協同”的方式，與已有系統無縫對接、穩定運行。
這意味著：工業AI不是“云里飛”的模型，而是“地上跑”的系統工程。
云(yun)邊協同：閉環(huan)比(bi)算(suan)法更重要
很(hen)多AI項目(mu)失(shi)敗的(de)根(gen)源，不在于算法不行，而在于它們從未真正跑(pao)過一條(tiao)完整的(de)閉環(huan)。我在對話中提到，工業(ye)AI的(de)核心，不是“能不能訓練出一個好(hao)模型”，而是“能不能讓這個模型在現場執(zhi)行”。這就要求系統具備四個關鍵特性：
實時性：工業系統不能(neng)等云端(duan)運算(suan)結(jie)果，它要在(zai)現(xian)場秒速響應；
可靠性：即使斷(duan)網、掉電(dian)，也(ye)要本地繼續(xu)運(yun)行，不能癱瘓；
安全性：數據不(bu)能隨意上傳，必須保障本地隱私與(yu)合規性；
適應性：每(mei)一(yi)個工廠、每(mei)一(yi)條(tiao)產線，都是獨(du)一(yi)無二的(de)，需要“專屬智能”。
這些能力的核心，不在云，而在邊。邊緣計算的價值，正是讓感知、決策、執行三者形成物理反饋閉環，而不僅僅是邏輯鏈條。
我經常說，“工業不是語文題，也不是數學題，而是物理題。”通用大模(mo)型(xing)能理解語義，但工業現場需要控制變量(liang)；它(ta)不是開(kai)放(fang)世界(jie)，而是多約(yue)束系統；不是生成知(zhi)識，而是執行邏輯。
因此，工業AI的落地，不是“跑得更聰明”，而是“跑得更完整”。模型再強，如果不能閉環，就是空談。
垂類模(mo)型：小(xiao)模(mo)型才是(shi)大機會
AI之所以在工業場景“水土不服”，還有一個根本原因：通用模型的抽象邏輯，與工業的具體性天然沖突。
工業不是“理解世界”，而是“控制系統”；不是“生成答案”，而是“規避故障”。比起一個大而全的通用模型，工業更需要一個垂直、專用、可控的小模型。
比如為數控機床預測刀具磨損而訓練的模型，它的參數量或許只有幾千萬，但它對傳感器數據、設備接口、工藝邏輯、報警機制都深度定制，真正能在產線中長期穩定運行。它的價值，不在于“能生成”，而在于“能運營”。
如果比喻通用大模型是“百科全書”，那么垂類模型需要成為工業的“操作手冊”。
工業AI的未來，屬于這些能嵌入流程、跑通閉環、綁定客戶的小模型。它們可能不驚艷，但極具粘性；可能不萬能，但極具效率。真正有價值的模型，不是最強的，而是最“接地氣”的。
從軟硬協同，到云邊閉環，再到垂類模型，這三者構成了工業AI落地的系統三角。它不是技術的疊加，而是邏輯的重構；它不是風口的敘事，而是能力的閉環。
這也意味著，工業AI的未(wei)來，不(bu)屬于(yu)“最聰(cong)明的模型提供者”，而屬于(yu)“最能(neng)跑通系統閉(bi)環的能(neng)力構建者”。
生態角色重新劃分，工業智能體的價值鏈將重構
如果說軟硬協同、云邊閉環與垂類模型共同構成了工業AI的落地邏輯，那么接下來的問題是：誰來做這件事？價值鏈如何重構？產業鏈上的不同玩家又該如何參與？
在我們的對話尾聲，KC給出了一幅清晰的產業角色圖景：未來工業AI生態將由三類核心角色組成：組件供應商、系統集成商，以及垂類智能體開發者。
這不是一個靜態分工，而是一個動態協同的系統架構，預示著工業智能價值網絡的重構邏輯。
組件供應商：做對“底層(ceng)”，不爭“頂層(ceng)”
研華選擇了最樸素也最具戰略縱深的位置——成為全球工業AI生態的組件供應者。這意味著它不追求“閉環終端”的控制權，而專注于提供可復制、可集成、可定制的邊緣硬件、容器化軟件、行業模組三大類核心模塊。
正如KC所(suo)說(shuo)，研華的角(jiao)色(se)不是(shi)“做菜(cai)”，而是(shi)“提供最好的食材、調料和食譜”，讓系統集成(cheng)商能(neng)夠快速交付場景化的工業(ye)AI方案。這(zhe)種角(jiao)色(se)定位有兩個巨大優勢：
一是避免價值鏈“碰撞”，與更多(duo)伙伴形成互補而非(fei)競爭；
二是形成規模化“中臺能力”，在(zai)多項目(mu)、多行(xing)業之間積累平臺(tai)級能力。
對于其他硬件廠商、工具平臺提供者而言，這是一種可借鑒的思路：在工業AI中占據一個結構性位置，而不是追逐短期的客戶訂單或全棧解決方案的幻覺。
系統集成商：連接“最后(hou)一公里”，但別試圖吃(chi)下(xia)全(quan)程(cheng)
工業智能化的復雜性決定了沒有任何一個玩家可以獨立完成從硬件到模型、從部署到運維的全棧閉環。這正是系(xi)統(tong)集成商(shang)（SI）不可(ke)替代的價值所在(zai)——他們最(zui)了解(jie)客戶(hu)現場、工藝流程、行業規(gui)范，能(neng)夠將通用能(neng)力“翻譯(yi)”為(wei)特定場景(jing)下的可(ke)執行方案。
但新的挑戰也隨之而來：傳統的“項目制交付”已無法滿足工業AI的持續演化需求。未來的SI必(bi)須具備平臺思維、產品意識和持續運(yun)營(ying)能力。這意味(wei)著：
從“一(yi)次性交付”轉向“持(chi)續集成+數據閉環”；
與組件商(shang)、模型商(shang)建立(li)長期協同機(ji)制，而(er)非(fei)一錘子買賣；
更要認清邊界：不要幻想成為“AI模型公司”，而是成為“AI系統的整合節點”。
垂類智能體開發者：誰(shui)(shui)能“吃透場(chang)景(jing)”，誰(shui)(shui)就掌握閉環
最后一個關鍵角色，是垂類智能體的開發者。這可能是初創公司，也可能是大型企業的行業子公司，甚至可能是某些傳統工業軟件廠商的“重生體”。他們的任務，是圍繞某一類工藝、流程或設備，開發出可運行、可演進、可收費的工業AI模型與Agent智能體系統。
KC在對話中提到，未來的工業客戶更傾向于在現場部署小型私有云，并在其上運行專屬垂類模型。這意味著：
通用大模型不再是唯一解，“工藝級智能體”將成為新常態；
模(mo)型價值(zhi)不在(zai)于參數規(gui)模(mo)，而在(zai)于“是否能(neng)跑通數據-決策-反饋閉環”；
誰能吃透一個行業的知識圖譜、傳感器邏輯、控制接口，誰就能構建出不可替代的場景智能。
這將是工業AI最(zui)激烈也最(zui)有價值的戰(zhan)場。
無論是組件供應商、系統集成商，還是垂類智能體開發者，就產業鏈整體而言，我們的建議是：放棄“全棧幻想”，建立“協同機制”。
在(zai)消費(fei)級(ji)AI領域，“全棧自研”或許(xu)是(shi)一(yi)(yi)種豪(hao)情；但(dan)在(zai)工業AI領域，這更可能是(shi)一(yi)(yi)種幻(huan)想。
工業智能系統需要感知、控制、邊緣計算、領域知識、運維體系、閉環反饋、合規機制等多項能力協同，任何一個角色想“包打天下”，最終都將陷入系統性不可持續。
真正的策略，是認清自己的結構性價值，找到最佳生態位，并與上下游建立清晰、穩定、長期的協同機制。工業AI的成功，不屬于孤膽英雄，而屬于協作網絡。
寫在最后
工業AI，不需要急著爆發，而是更該慢慢變深。
回到文章開頭的問題：為什么我們在十年前錯判了工業互聯網平臺的爆發？也許答案并不復雜——我們高估了短期變革的速度，卻低估了系統演進的難度。
如今，工業AI正迎來“第二次機會”。但這一次，我們不該再用“平臺革命”或“模型奇跡”的眼光來看待它。工業智能化不是某一項技術的突破，而是一場系統性的認知重構與能力重構。它無法(fa)一蹴(cu)而就，但一旦扎(zha)根，將深刻重塑(su)整個產業(ye)的(de)底層邏輯。
真正值得關注的，不是下一家“發布大模型”的工業AI公司，而是那些在看似緩慢的節奏中，持續構建閉環能力、不斷打磨軟硬協同、深耕垂直場景的長期主義者。他們可能不會最先出現在新聞頭條，但(dan)他們將是最晚(wan)離場(chang)的(de)贏家(jia)。
這也是我在與KC深度對話后的最大感觸——工業AI的未來，不屬于最炫目的技術，而屬于最扎實的系統能力；不屬于“AI替代人”的幻想，而屬于“AI與行業知識深度融合”的現實。
我們正走進一(yi)個(ge)新(xin)階段，AI不(bu)再只是(shi)智能(neng)的(de)象征，而正在(zai)成為產業的(de)“新(xin)常識”。它不(bu)再是(shi)實驗(yan)室里(li)的(de)高光時刻，而是(shi)每(mei)天每(mei)秒都在(zai)設備、流程、工藝中默默運行的(de)生產力工具(ju)。
所以，是時候放下對“爆發性奇跡”的執念，轉而堅定投入到“漸進式深耕”的路徑中。讓AI不僅能看懂世界，更能改變工廠；不僅能生成答案，更能執行決策；不僅能飛在云端，更能扎根現場。
這才是(shi)工業AI真正的意義。
