面向十五五，“工業+AI”藏著哪些時代密碼

source：中控技術

文 |唐曉園、劉錚

視覺設計：星船知造

正文共計：10836字

預計閱讀時間：12分鐘

自動化是屬于昨天和今天的技術，工業AI則代表明天——從制造到智造的長征，只有深耕者才能顛覆未來。

01 中國AI和新質生產力的關鍵 都在這個“新物種”

對于人工智能，大家都能聊上幾句：

OpenAI如何高舉高打，用算力拼出ChatGPT；DeepSeek又如何另辟蹊徑，用OpenAI訓練資金的“零頭”開發出頂尖大模型。

ChatGPT、DeepSeek、對話聊天、內容生成——這些“明星”大模型以及它們的各類應用，是媒體和資本熱議的寵兒——但它們就代表著當下人工智能的全貌嗎？

source：unsplash

AI的世界當然沒有這么簡單——

文本生成等應用和產品的普及是國家科技進步的體現，也因為大家都能上手玩兩下，更易被公眾感知。

但在大眾不夠熟悉的另一面，AI還存在于高新區一塵不染的燈塔工廠，也早已深入其貌不揚的廠房。

在媒體鎂光燈尚未大面積照射到的地方——“工業AI”，這個大眾視野里的隱形新物種，正同時為中國的“AI進化”和“新型工業化”挑起大梁。

source：unsplash

“工業AI”是一個橫跨了“工業”+“AI”的交叉領域，是人工智能技術和工業實際需求的結合。能通過數智化手段實現制造經驗的快速沉淀和規模復制。可以說，在“科技戰”打響的當下，對于國家安全戰略影響更為直接的正是“工業AI”領域。

其中，流程工業又以其深度與廣度，成為工業與AI融合的關鍵戰場

點擊上圖可放大

從“用AI創造價值”的角度看：

“工業AI”天然具備“規模化”特征。在海量的生產過程里，AI技術所帶來的任何一點改進，都能因“規模化”放大，產生指數級質變

●世界銀行數據（2023），工業占全球GDP的28%，約為29萬億美元。在此基礎上，AI滲透率每提升1%，都能帶來預計3000億美元的經濟增量（BCG測算）。

從流程工業領域“燈塔工廠”的例子看，就能更清晰看到——相較于消費互聯網的“流量變現”，工業AI更能幫助企業突破瓶頸創造價值

●上海華誼新材料是“全球燈塔網絡”中首個中國化工行業成員，通過部署AI賦能的流程優化和安全管理——勞動生產率提升33%，轉換成本降低20%，能耗降低31%。

據《星船知造》了解，一直深耕于流程工業領域的中控技術在提出“ALL in AI”戰略的近一兩年中，就以工業AI解決方案幫助數十家流程工業企業成功打造出智能制造標桿的“燈塔工廠”。

●AI技術在燈塔工廠中被廣泛應用（如生產設備和系統通過AI學習和適應生產過程中的變化，實現智能化的生產操作、監控等）

燈塔工廠 source：中控技術

再從“推動AI持續進化”的角度看：

AI競賽本質上是一場“數據喂養”的馬拉松。無論是國與國之間，還是企業與企業之間——誰能率先憑借數據優勢、場景優勢構建出更強的AI生態，誰就能掌握主動權。

在中國，“工業+AI”是一條優勢十足的AI進化路徑

數據資源上，中國是全球唯一擁有完整工業體系的國家，工業數據在數量和多樣性上都有海量積累，為AI模型的訓練提供豐富素材。

其中，流程工業擁有海量優質數據，具有連續性、復雜性、時序性的特點。

這意味著，流程工業領域數據更為密集、齊全、有效。對于訓練大模型至關重要。

應用場景上，中國制造業涵蓋從傳統制造到新興制造多個領域，每個領域都有對AI的需求，覆蓋從產品設計、生產制造到運營管理的全流程。

其中，流程工業天然更具備“規模化”特征。以化工、鋼鐵、電力、水泥為代表的流程工業是國民經濟支柱產業，其產值占工業總產值的40%以上。

source：中國石化

另一方面，工業場景還具有其他場景不具備的“高標準、嚴要求”。

通用大模型們在聊天對話等場景時不時“已讀亂回”、“胡編亂造”——用戶尚可一笑了之。但放到工業領域，任何失誤都可能釀成重大事故——

工業場景是當下把關AI準確度的“金標準”。

source：pixabay

如果說上文厘清了“工業AI”對中國AI進化的意義（持續創造價值、獲取進化養料）——那么別忘了，新質生產力時代下，“工業AI”同樣是中國工業轉型升級的關鍵。

隨著工業實力持續積累，中國已具備建立自主標準的基礎與條件。當提出工業3.0、4.0的德國再推“工業5.0”概念時，中國已經提出“新型工業化”等具有中國特色的發展路徑。

到2035年，我國將基本實現“新型工業化”，即智能制造技術和應用水平領先于世界。這一次，“工業AI”將成為中國突破“智能制造”瓶頸的利器。

實際上，世界各國對“智能制造”的提出都要早于“工業AI”的出現

2006年，美國提出“智能制造”概念，推動先進制造業的發展；

2013年，德國推出“工業4.0”戰略，推動制造業智能化進程；

2016年，日本提出IVRA（工業價值鏈參考架構），作為智能制造頂層架構。

和上述工業先發國一樣，中國工業也一直存在全球競爭加劇、人力成本攀升等多種問題。

我們先看下“過去式”的智能制造——

●AI技術尚不明朗時期（工業AI尚未出現）：企業大多依靠傳統工業軟件和傳統工業自動化技術推進智能制造，達到降本增效等目的。

比如在流程工業領域，用數個工業軟件拼出一套解決方案，讓DCS（Distributed Control System，分布式控制系統）變得更聰明，在一定程度上實現“智能化”。

這種“過去式”的智能制造在推進過程受到兩大制約：

一是過于依賴人工經驗。

實現智能制造的關鍵不僅在于“有數據”，還在于“懂數據”\有行業know-how。因此很多開發項目都高度依賴于有經驗的“老專家”，而“老專家”一般不具備跨行的經驗，這也就意味著一旦行業跨度變大，原先人為積累的技術與經驗就無法復用和傳授。

沒有AI，大多數工業場景就只能依賴人工經驗與固定流程，停留在“人找人”、“人教人”階段，要想真正做到“人傳人”，無異于要一個小白在接力賽上接過博爾特的下一棒。

二是不具備“集大成于一體”能力——八仙過海，各干各的。

工信部《智能制造典型場景參考指引（2025）》，智能制造包含8個關鍵環節

●工廠建設、產品研發、工藝設計、生產管理、生產作業、運營管理、產品服務、供應鏈管理。

●8個環節下，還有40個典型場景。

多個場景和環節下的智能制造需求，無法靠單一技術解決。也意味著，會出現多家廠商在各個環節各顯神通——協作過程中的不兼容、不協同問題層出不窮。

千行百業、不同規模、不同生產方式的工業企業，也就因此在智能制造的改造中，困在不同的階段，卡在不同環節和場景的組合中。

以上兩個弊端導致的結果就是：即使在數字化條件最好的流程工業，能實現智能制造的企業也少之又少。智能制造推進緩慢，阻礙中國制造業進入高質量發展。

source：unsplash

AI時代，“工業AI”成為中國“智能制造”突破制約的利器。

我們先明確一點：“工業AI”有多種形態——每種形態都與當下制造業升級過程中遇到的問題和需求產生對應。更多時候，工業AI利用被賦予的“專業智能”，在信息物理系統中解決復雜任務。其最終形態，是多個“解決方案”環環嵌套后，形成一個個能自主決策的超級智能工廠。

對于制約智能制造的兩大瓶頸，流程工業里已開始出現的“工廠操作系統”、“工業AI大模型”等產品及解決方案正好能派上用場

首先，工廠操作系統打通上下游數據，成為AI的數據基座。同時原來需要大量程序員、工程師進行的行業know-how轉換和算法輸出，以及花大量時間進行的應用調試，現在都可以交給AI，通過投喂數據等進行訓練，構建適用于各個場景的工業大模型。

●比如《星船知造》了解到——

中控技術即將推出流程工業領域首個時間序列大模型TPT（Time-series Pre-trained transformer）的升級版。

該模型面向工業生產過程，統一建模，實現多技術體系融合，覆蓋多類應用，支撐裝置多類任務。通過TPT構建工業裝置智能體，打造裝置運行“智慧大腦”，使各類應用從工具型助手升級為可主動識別異常、評估風險、優化決策與自主執行的智能體（Agents）。

同時，基于TPT打造的各類智能體組成了自主協作系統，構建生產過程自動化（Process Automated，PA）的智能運行平臺，共同完成工業裝置自主運行目標，實現工業軟件技術體系與應用模式的又一輪革新。

湖北三寧硫酸裝置 source：中控技術

其次，在具體環節和場景的突破上，工業AI“集大成于一體”——

●與傳統的工業自動化相比，AI技術可以實現統一平臺、統一指揮。隨著數據積累，還能自我學習輔助生產管理，從PA（Process Automated，生產過程自動化）、BA（Business Automated，企業運營自動化）等多個層面促進企業效率提升。

●工業AI能打造覆蓋全場景的智能體集群，比如通過開發部署圍繞自主運行、安全優先、質量提升、節能低碳、設備健康等生產過程自動化層面，以及產品研發、生產運營、供應鏈管理、銷售與服務、支持與保障等企業運營自動化層面的工業Agents/APPs，助力企業實現生產過程透明化、運營管理精細化、決策支持智能化，保障企業實現提質、降本、增效、安全、低碳卓越運營，全面支撐工業AI的應用層落地。

如果以上對于工業AI的種種定義還略顯抽象，我們在流程工業相關調研中，找到一個石化行業的生動案例。

在投資超千億元的“超級工程”——山東裕龍石化2000萬噸/年煉油及300萬噸/年乙烯煉化一體化項目中，中控技術用“1+2+N”工業AI驅動的企業智能運行新架構，為客戶打造智能工廠解決方案

“1+2+N”新架構一經搭建，就能直擊生產與運營上的痛點。通過這樣的方式，流程工業企業的生產實踐和企業管理不僅能夠“言之有物”“言之有理”，甚至更能“言之有情”，冷冰冰的工廠因為know-how的應用，提前預測和自我診斷、自我調整，不管對于坐在中控室的操作工、巡檢的安全員、還是企業的管理者，都變得更有溫度。制造企業進行智能制造建設的周期也將大幅縮短。

“工業AI”加持下，裕龍石化煉化一體項目刷新了1個月煉油投料即產出合格產品的業內最新記錄，創造出巨大價值。

裕龍石化煉化一體化項目 source：南山集團

很明顯，藍海已經浮現——

“工業AI”這一全新物種，既是推動中國AI進化的關鍵，又是“新質生產力”時代下智能制造升級的關鍵。

這片潛力無限的海域有哪些玩家構成？它們如何共同點亮中國的數智燈塔？

02 不“懂”AI的工業企業沒有明天

“工業AI”的海域中——兩類企業正合力推進“智能制造”的加速建設。

第一類是“工業AI”相關產品及解決方案的使用者。

第二類是“工業AI”相關產品及解決方案的提供者。

source：unsplash

對于第一類玩家（使用者）而言，其頭部企業個個都有自己的“數據火山”。同一梯隊的企業之間比拼的就是——誰能先一步利用AI將火山激發，誰就能用“數智化”讓自己在安全、質量、低碳、效益等多方位提升。

相反，那些無法激活“數據火山”的企業則會掉隊。

比如，全球化工50強萬華化學集團（以下簡稱“萬華”）的數據“量大質優”——量大：萬華擁有從工業軟件、設備傳感器、物聯網基礎設施、“老師傅”員工等多種數據的生成來源，本身就可以收集到海量數據。質優：萬華屬于化工新材料領域，其技術具有嚴苛性和高端性的特點，應用環境復雜，數據質量極高。

對于萬華這類企業而言，激活“火山”的重要一步，是找到適合自己的伙伴——“工業AI”相關產品及解決方案的提供者——讓數據獲得釋放與轉化。

我們了解到，在與中控技術合作的過程中，萬華已經成功將自身豐厚的數據積累轉化為融合管理邏輯的核心資產

●數據積累：萬華集團擁有10個生產基地、14個國家級實驗室，在龐大的生產、科研場景中，生成出“數據洪流”：每天，萬華集團的99.7萬個工藝點位產生17億條數據；19.7萬臺設備有100萬條巡檢任務；100+個裝置里包含1萬條工程師指令……

●合作共贏：萬華選擇引入supOS工廠操作系統，并以此為基礎打造“萬華智能制造平臺”，統一全球各生產基地管控指標和模型。

●具體成效：在與中控技術的合作中，僅2024年萬華智造平臺數據規模就增加180%，問題發生減少80%。萬華AI團隊還基于supOS自研工具集，補全4大類supOS集群運行指標，提升節點覆蓋度50%，減少人工運維60%。

source：萬華集團

除了通過工業AI激活數據火山，“使用者”這類玩家還有另一重現實的“焦慮考量”——工業企業面臨“人才斷層”已不可避免。

主要體現為“老師傅斷層”疊加“招工難”。

沒有工業AI的時期，通用的工業軟件無法根據不同生產情況進行細節上的優化，企業需要依靠“工業軟件+老師傅調優”的方式，維持工廠的自動化運轉與質量控制。

但隨著人口紅利褪色，老師傅們無法像傳授內功般雙掌一抵就將幾十年的經驗輸入更多年輕人的大腦。

所以對于工業領域，尤其是流程工業的企業來說，人口拐點下將自身的運行效率維持穩定不向下跌就成了必要的剛需。

當流程工業各頭部企業開始加大對工業AI的使用，就意味著將老師傅們的知識與經驗喂給AI，賦能自動化系統，使其能在動態工況下自適應并進行自主決策。加快實現工業自動化向工業自主化轉型這一目標。

萬華一類的企業在此基礎上甚至更進一步，讓進廠的年輕人從傳統意義上的工程師或操作工，轉型成為掌握AI知識的專業人才，反向帶動還處于經驗驅動時代的老師傅。

在維持穩定發展的前提下，AI與機器相對人類，在質量、效益、安全性方面的優勢開始顯現。

大型工業企業擁有非常多資深行業專家，他們懂工藝、懂設備、懂管理，只要賦予最強的工業AI平臺，他們就能將數據和知識轉化成“新質生產力”——真正實現高效資源配置與綠色低碳發展。

同樣以萬華為例

●萬華煙臺基地擁有完整的聚氨酯和石化產業鏈，但大規模的公用工程系統伴隨著巨大能源消耗：全年消耗蒸汽超1500萬噸、用電約70億度，配套循環水系統近20套。

在探索節能低碳的有效路徑時，萬華與中控技術合作，采取“AI+低碳”、“AI+機理”等數智化融合應用，打造能源管理優化系統，實現節能減排目標。全年在成本與收益上獲得的價值預計1000萬元以上。

一個顯而易見的趨勢是：

無論自動化時代，還是AI時代，智能制造升級總是先從大型企業開始，然后逐漸深入中小企業——這意味著，在不久的將來，更多不同門類、不同規模的工業企業都將進入工業AI的海域。

那些最先使用“工業AI”進行“試點”的企業，甚至將使用范圍拓展至產業鏈各個環節，以全面“AI+”的方式推動轉型升級的企業，將憑借技術紅利持續取得領先。

也意味著，企業與企業之間將不僅僅因為資金、規模拉開差距——更將隨著“用好工業AI”和“不用工業AI”拉開差距。

用好“工業AI”的企業，代表“創新”：不斷在產業鏈各個環節加速數智化

遲遲未能用好“工業AI”的企業，代表“停滯”：難以建立競爭優勢

source：萬華集團

至此，“工業AI”這一全新海域中的玩家分工已經非常清晰了——

擁有“數據火山”和“大量行業know-how”的工業企業是核心“使用者”。它們中誰更先將專業的事交給專業伙伴——找到合適的工業AI“提供者”——誰就能更快贏得先機。

比如即便是如萬華集團這種能抗風險、有自研實力的行業巨頭，也并非從頭開始去打造自有工廠操作系統和專屬大模型。而是在與中控技術的合作下，形成多種“AI+”解決方案

萬華在優化生產過程中廢液pH控制、堿濃度預測等環節的質量和成本問題時，直接接入中控技術的時間序列大模型TPT進行智能分析、智能決策。

也正因此，“工業AI”相關產品及解決方案提供者，正成為資本市場的下一個焦點。

問題來了，“提供者”中，具備哪些特質才能成為佼佼者？ 才能被更多企業選擇，并脫穎而出？

03 工業AI“提供者”，必須具備“無法彎道超車”的優勢

提供工業AI產品及解決方案的工業AI企業大致可分為兩類

一類是跨界而來的“新勢力”——多是互聯網/科技企業。

第二類是深耕工業領域多年的工業自動化巨頭。

source：pixabay

先看第一類玩家的長短板——

“新勢力”的優勢是憑借強大的云計算先發優勢、IT技術開發能力、整合云網智一體等多種能力推動智能制造。

短板則是缺乏工業領域的行業積累。

行業積累可以大致理解為兩點——1）有數據。2）懂數據（具備行業know-how）。

“有數據”的尷尬之處在于，大廠們作為工業領域的新入局者，是否和千行百業的工業用戶有足夠的信任度，讓其愿意開放數據。

“懂數據”的困境則在于，即使獲得了數據，但缺乏“行業know-how”這個深刻理解數據規則和意義的前提。因此即便拿到數據，也無法從中提取價值。

就像一個廚師，有好鍋（云計算、大模型）、有手法（技術開發）、但就算有了食材（工業數據），也還是因為缺少配方（行業know-how），最后做出的味道也可能不盡人意。

source：pexels

再看第二類玩家——“工業自動化系統”出身的企業。

其中又可分兩個陣營：一是西門子等海外“綜合型工業巨頭”。二是中控技術等本土工控企業。

“綜合型工業巨頭”的優勢是不僅自己生產面向消費市場的產品，同時也是工業自動化領域的上游供應商，在裝備和自動化技術上都有優勢。但在面臨工業AI落地的真實場景時，巨頭們也存在某些無法與之對齊的困難——

工業AI不僅需要垂直領域的單點突破，更要有強大的整合通用能力。

目前，海外巨頭中整合極快的當屬艾默生，其已將這些年并購的軟件都融到其“無界自動化平臺”中。但在大模型方面，艾默生目前基本還是采用ChatGPT等大語言模型做問答交互，根據已有公開資料顯示，還沒有能直接為工業生產與運營做底層優化的工業AI大模型。

同時，對于其他身軀龐大的巨頭而言，大多在漫長的發展過程中成立了一個個獨立的業務單元（BU）。BU的優勢在于可在原有軟件基礎上提升智能程度；但劣勢同樣明顯，比如在做通用大模型時，由于各個業務單元各自分工，要把所有“經驗”融合在一起是一個協調難度極高的系統工程——最終或只能“拼湊式”地覆蓋到工業場景各板塊。

可以說，類比“新勢力”的缺少調料配方，“老牌巨頭”屬于是有調料，卻頭疼如何把各種食材放在一起烹飪。

更多優勢都指向了“工業自動化系統”出身的本土企業。

這些深耕流程工業多年的自動化企業，正憑借“無法被彎道超車”的優勢——強大的控制系統、專業知識、數據等多年積累——成為中國“工業AI”領軍者。

中控技術多方面的優勢都十分得天獨厚。

中控科技園 source：中控技術

中控30多年前以DCS起家，是一家創新引領的中國本土企業，正轉型成為工業AI領域的高科技企業。早在工業4.0初期，就以扎實的常被業內稱之為“工業大腦”的“工業控制系統”為今天的工業AI夯實了地基。

中控創始人褚健教授也曾多次在公開場合提到：工業AI的核心是算法與數據，但如果沒有自動化，就沒有數字化，智能化也無從談起。

由“工業自動化”邁向“工業AI”，進而實現AI時代的智能制造，是目前相對最為合理的進化路線。

以中控技術為例——在AI尚不明朗的時期，其是最早將DCS作為大腦，加上軟件和知識使其變聰明的企業。

在AI出現后，又提出5T（AT自動化技術、IT信息技術、PT工藝技術、OT運營技術、ET設備技術）深度融合入大模型。

這種“創新務實”讓中控技術在工業自動化領域不斷攀升

●2024 年度，公司核心產品集散控制系統（DCS）在國內的市場占有率達到40.4%，連續十四年蟬聯國內 DCS 市場占有率第一名。

●2024年公司核心產品安全儀表系統（SIS）國內市場占有率31.2%，連續三年蟬聯國內 SIS 市場占有率第一名。

這些深厚的“自動化積累”讓中控技術在AI技術爆發前，就打下了向工業AI進化的深厚基礎——

控制系統是所有AI實施執行的硬件基礎

控制系統也是重要的生產運行數據基座。可以理解為“工業大腦”，有得天獨厚的數據收集優勢。是中控技術打造“AI+數據”核心競爭力的保證。

最后，AI進化的關鍵，靠的就是持續不斷的海量數據“投喂”。當其他企業還要花大力氣“找數據”、“標注和清洗數據”用來訓練AI時——如上文所說，中控扎根流程工業三十多年，本身就是一片擁有海量優質數據的海洋。

是一條長坡厚雪的AI賽道。

這種“滾雪球”式的積累也意味著，一旦走過漫長的積累，在流程工業領域扎根更深的工業AI企業，將爆發出更驚人的潛力。

過去三十多年里，中控憑借在流程工業領域的3.5萬家客戶、10萬套控制系統應用的深厚沉淀、1億I/O點數的積累，已經聚集了大量寶貴的數據與行業know-how

中控技術數據護城河——

●硬件上，中控技術的儀器儀表業務板塊涵蓋測量儀表產品、分析儀產品、智能控制閥等多個產品系列。

●軟件上，覆蓋工業信息安全系統、數據資源系統、設備健康系統、產品研發管理及工藝設計系統、自主運行系統、質量提升系統、生產運營系統、安全優先系統、節能低碳系統等。

●依托廣泛的用戶基礎和強大的軟硬件產品體系，累計運行在控制系統上超過100EB的龐大工業數據量——相當于連續錄制約127萬年的4K高清影像，中控技術現已成為擁有流程工業各細分領域數據極為豐富的工業實時數據公司。

可以說，當AI技術爆發時，在制造業內的大部分企業還未想好怎樣利用AI賦能自身時，中控技術長久以來所追求的“挖掘數據價值”和分析、利用工業數據的能力，早已為AI時代打下了扎實基礎。

技術演進上——這些數據資產積淀和軟硬件家底，讓中控技術有底氣拒絕跟風、拒絕生搬硬套，而是很自然的完成了從“自動化”到工業AI的逐步進化。

市場需求上——中控三十多年始終以“為客戶創造更大價值”為目標，其每一次戰略轉型都和客戶需求牢牢綁定——

●第一個十年，中控自主研發的中國第一代DCS控制系統，幫助國內客戶從工業2.0走向工業3.0；

●第二個十年，中控開始拓展儀器儀表、工業軟件等產品，成為產品門類豐富的自動化公司；

●第三個十年，中控憑借積累深厚的工業know-how，轉型為價值創造的行業解決方案公司。

●現在，越來越多工業客戶急需突破智能制造瓶頸——

2024年6月，中控發布新愿景新使命：成為工業AI全球領先企業，用AI推動工業可持續發展。讓工業更智能，讓客戶更成功。這也標志著，中控正式向工業AI公司轉型。

從更大視角看，與中國工業同生共長的中控技術，已自然而然地扛起了AI時代的重擔，將人工智能、大模型等為代表的科技力量與自己的工業家底結合，為中國新型工業化道路助力。

這一過程中，它已再次為未來布局了什么？

04 有生態才能戰未來

對于工業AI領軍企業而言——“生態平臺”是核心資產。大致可以這樣理解：

工業AI企業所產出的“內容”，是數據基座、大模型、Agents/APPs等各類工具，并利用它們持續貼近生產運營的各個環節；

但只有將這些工具融合為一個“生態平臺”后，工業AI企業才能將“內容”快速且精準地對外釋放。

換句話說：生態平臺一經形成，工業AI企業就能向用戶灌輸工具和方法論，在雙方都無需投入大量成本的前提下，實現快速復制部署的目的，為用戶企業創造價值。

聚焦中控技術，其已將AI戰略分為兩路——All in AI和AI in All，分別從不同方向推進工業生態平臺的建設落地。

source：中控技術

All in AI 也就是“AI+”。

中控技術用AI、云計算、光通訊等先進技術，集中研發資源，顛覆傳統技術架構、技術路線，傾力打造UCS、TPT、HGT等工業AI爆品。

●UCS（通用控制系統）以云實時操作系統NyxOS為基礎的“云-網-端”極簡架構，可根據需求自動調整資源的規模和容量，實現彈性和可伸縮性，提供更高的計算效率和系統的穩定性——相比于傳統的DCS，更加適合AI應用。

●TPT（時間序列大模型）是基于生成式AI算法及海量工業數據訓練而成的大模型，通過統一各類工業建模過程，實現裝置的跨工況、高精度、高可靠模擬與預測，從而解決數據碎片化、工業應用分散等難題。

●HGT（超圖大模型）是面向企業經營領域關系數據的圖注意力大模型，助力企業快速構建覆蓋研發、生產、供應鏈、銷售與服務、支持保障等領域的智能應用及智能體矩陣。

如上文所說，這些工業AI爆品只是工具，在工廠操作系統supOS的加持之下，最終融合成“1+2+N”工業AI驅動的企業智能運行新架構——也就是一個“生態平臺”。

source：中控技術

在“1+2+N”新架構中，運行、設備、質量、模擬四大核心數據構成了全要素數字底座。最終支撐垂直場景中實現從“經驗規則”到“AI自主”的躍遷，形成“數據驅動感知、模型賦能決策、應用閉環優化”的完整價值鏈，實現工業智能從局部優化到全局自治的質變。

1+2+N架構就相當于一個AI“煉丹爐”，中控將三十多年所積累的數據、算法、知識、經驗，全部聚集到煉丹爐中，最后熔煉出一個在流程工業的多個行業中，具備通用性的新架構。

從架構內兩個大模型中，又原生出N個Agents/APPs——比起傳統工業軟件，原生的Agents/APPs與大模型能夠覆蓋從生產到運營各環節更多場景，同時具有更強大的協同能力。

對于“懂AI”、有一定自研能力的制造企業來說，甚至可以跳過中控，自己將數據放進其中進行訓練——通過持續的數據資產積累與生態協同，實現漸進式智能化升級，將“智能工廠”帶入工業的“智能時代”。

source：TPT界面

AI in All則體現出中控技術全力實現“萬物+AI”的決心。

在中國巨大的工業基本盤內，要想全面鋪開工業AI，進而實現智能制造，是一個既重積累、也重顛覆的系統工程。

重積累很好理解，如上文提到：數據積累、知識積累、算法積累、人才儲備，以及在同行業內使用的越多，就越好復制應用——都是中控在過去三十年里積累下的無法彎道超車的優勢。

重顛覆則意味著工業AI所面臨的客觀復雜環境——智能制造本身就是對傳統制造模式的一種顛覆，但中國快速生長的工業規模也帶來發展不均衡的問題。機械化、電氣化、自動化、數字化并存，不同地區、行業的企業對智能制造認識不同，整體仍然趨于保守。

因此，要想用AI在中國工業領域內真正創造出一個前所未有的數智產業，就必須重新構造或者重新書寫工業自動化、數字化、智能化的技術體系框架。

中控技術決定以滴水穿石的“萬物+AI”做起。

比如，在傳統工業軟件業務中，中控技術的研發團隊選擇與大模型結合，將工業軟件重構，形成Agent等方式，讓每一個軟件都更智能；

又比如PLC（可編程邏輯控制器），亦或是儀表、閥門，中控技術都想辦法為其附加AI屬性，利用AI技術讓其更有競爭力。

而看似繁瑣的“萬物+AI”工作，將通過中控技術在PLC以及工業軟件市場20%以上的增長率，實現規模化效應。

source：中控技術

一家自中國工業土壤中走出的工業AI企業，正展現其開放、遼闊的愿景——中控創始人褚健認為：長坡厚雪的賽道上，不可能僅靠一兩家公司就“包打天下”，要靠更多頭部企業合力打造出開放合作的生態平臺系統。

在中控技術描繪的藍圖中， All in AI和AI in All正構建出“熱帶雨林式”創新生態，讓更多工業企業能夠選擇不同進入AI的領域和方式，為中國的新型工業化鋪平道路。

尾聲：工業AI的新基建

大模型訓練中，“語料”的數量和質量，決定了AI能力的邊界。

DeepSeek的語料庫中，中文語料占比3%左右。英文語料則在全球大模型的數據占比中達到90%以上——原因無他，作為全球通用語言，英文語料在數量要遠高于中文語料。

因此某種程度上，在大語言模型領域，我們只能和全球其他玩家在算力、算法等技術上展開競爭。

工業領域，卻是一番新天地——

中控技術的時間序列大模型TPT，宣告著中國自主的AI大模型已經能夠在重點工業領域實現規模化部署——中國自己的“工業語料”，正在夯實新型工業的基礎建設。

每一個智能化解決方案，都在為中國自己的工業AI大模型添加工業知識語料

●新能源領域，中控技術的碳能優化解決方案在大唐多倫綠氫項目中實現風光電與制氫裝置的智能耦合；

●智慧化工領域，四足機器狗與軌道機器人組成的空地協同系統，正改寫危險作業環境下的安全管理范式；

●人形機器人賽道，接入DeepSeek多模態模型的“領航者”系列，在化工實驗室實現具身智能的突破。

當中控技術的工業AI集群滲透到更多研、產、供、銷鏈路——“新質生產力”也從中汲取更多力量，讓中國成為全球工業AI變革的中心。

主要參考資料：

[1] 一家“不做機器人”的機器人公司，正把中國機器人賣遍“一帶一路”.星船知造

[2] 人工智能大模型在重點工業領域規模化部署加快.工信部

[3] “智”行數字化：打造中國流程制造業燈塔工廠 – McKinsey Greater China

[4] 《中國智能制造產業發展報告23-24》

[5] 中控技術官網、企業微信、公開年報等企業公開信息

本文基于訪談及公開資料寫作，不構成任何投資建議

星船知造原創內容

未經授權，禁止轉載