面向十五五，“工业+AI”藏着哪些时代密码_风闻

文 |唐晓园、刘铮

视觉设计：星船知造

正文共计：10836字

预计阅读时间：12分钟

自动化是属于昨天和今天的技术，工业AI则代表明天——从制造到智造的长征，只有深耕者才能颠覆未来。

01 中国AI和新质生产力的关键 都在这个“新物种”

对于人工智能，大家都能聊上几句：

OpenAI如何高举高打，用算力拼出ChatGPT；DeepSeek又如何另辟蹊径，用OpenAI训练资金的“零头”开发出顶尖大模型。

ChatGPT、DeepSeek、对话聊天、内容生成——这些“明星”大模型以及它们的各类应用，是媒体和资本热议的宠儿——但它们就代表着当下人工智能的全貌吗？

source：unsplash

AI的世界当然没有这么简单——

文本生成等应用和产品的普及是国家科技进步的体现，也因为大家都能上手玩两下，更易被公众感知。

但在大众不够熟悉的另一面，AI还存在于高新区一尘不染的灯塔工厂，也早已深入其貌不扬的厂房。

在媒体镁光灯尚未大面积照射到的地方——“工业AI”，这个大众视野里的隐形新物种，正同时为中国的“AI进化”和“新型工业化”挑起大梁。

source：unsplash

“工业AI”是一个横跨了“工业”+“AI”的交叉领域，是人工智能技术和工业实际需求的结合。能通过数智化手段实现制造经验的快速沉淀和规模复制。可以说，在“科技战”打响的当下，对于国家安全战略影响更为直接的正是“工业AI”领域。

其中，流程工业又以其深度与广度，成为工业与AI融合的关键战场👇

点击上图可放大

从“用AI创造价值”的角度看：

“工业AI”天然具备“规模化”特征。在海量的生产过程里，AI技术所带来的任何一点改进，都能因“规模化”放大，产生指数级质变👇

●世界银行数据（2023），工业占全球GDP的28%，约为29万亿美元。在此基础上，AI渗透率每提升1%，都能带来预计3000亿美元的经济增量（BCG测算）。

从流程工业领域“灯塔工厂”的例子看，就能更清晰看到——相较于消费互联网的“流量变现”，工业AI更能帮助企业突破瓶颈创造价值👇

●上海华谊新材料是“全球灯塔网络”中首个中国化工行业成员，通过部署AI赋能的流程优化和安全管理——劳动生产率提升33%，转换成本降低20%，能耗降低31%。

据《星船知造》了解，一直深耕于流程工业领域的中控技术在提出“ALL in AI”战略的近一两年中，就以工业AI解决方案帮助数十家流程工业企业成功打造出智能制造标杆的“灯塔工厂”。

●AI技术在灯塔工厂中被广泛应用（如生产设备和系统通过AI学习和适应生产过程中的变化，实现智能化的生产操作、监控等）

灯塔工厂 source：中控技术

再从“推动AI持续进化”的角度看：

AI竞赛本质上是一场“数据喂养”的马拉松。无论是国与国之间，还是企业与企业之间——谁能率先凭借数据优势、场景优势构建出更强的AI生态，谁就能掌握主动权。

在中国，“工业+AI”是一条优势十足的AI进化路径👇

数据资源上，中国是全球唯一拥有完整工业体系的国家，工业数据在数量和多样性上都有海量积累，为AI模型的训练提供丰富素材。

其中，流程工业拥有海量优质数据，具有连续性、复杂性、时序性的特点。

这意味着，流程工业领域数据更为密集、齐全、有效。对于训练大模型至关重要。

应用场景上，中国制造业涵盖从传统制造到新兴制造多个领域，每个领域都有对AI的需求，覆盖从产品设计、生产制造到运营管理的全流程。

其中，流程工业天然更具备“规模化”特征。以化工、钢铁、电力、水泥为代表的流程工业是国民经济支柱产业，其产值占工业总产值的40%以上。

source：中国石化

另一方面，工业场景还具有其他场景不具备的“高标准、严要求”。

通用大模型们在聊天对话等场景时不时“已读乱回”、“胡编乱造”——用户尚可一笑了之。但放到工业领域，任何失误都可能酿成重大事故——

工业场景是当下把关AI准确度的“金标准”。

source：pixabay

如果说上文厘清了“工业AI”对中国AI进化的意义（持续创造价值、获取进化养料）——那么别忘了，新质生产力时代下，“工业AI”同样是中国工业转型升级的关键。

随着工业实力持续积累，中国已具备建立自主标准的基础与条件。当提出工业3.0、4.0的德国再推“工业5.0”概念时，中国已经提出“新型工业化”等具有中国特色的发展路径。

到2035年，我国将基本实现“新型工业化”，即智能制造技术和应用水平领先于世界。这一次，“工业AI”将成为中国突破“智能制造”瓶颈的利器。

实际上，世界各国对“智能制造”的提出都要早于“工业AI”的出现

2006年，美国提出“智能制造”概念，推动先进制造业的发展；

2013年，德国推出“工业4.0”战略，推动制造业智能化进程；

2016年，日本提出IVRA（工业价值链参考架构），作为智能制造顶层架构。

和上述工业先发国一样，中国工业也一直存在全球竞争加剧、人力成本攀升等多种问题。

我们先看下“过去式”的智能制造——

●AI技术尚不明朗时期（工业AI尚未出现）：企业大多依靠传统工业软件和传统工业自动化技术推进智能制造，达到降本增效等目的。

比如在流程工业领域，用数个工业软件拼出一套解决方案，让DCS（Distributed Control System，分布式控制系统）变得更聪明，在一定程度上实现“智能化”。

这种“过去式”的智能制造在推进过程受到两大制约：

一是过于依赖人工经验。

实现智能制造的关键不仅在于“有数据”，还在于“懂数据”\有行业know-how。因此很多开发项目都高度依赖于有经验的“老专家”，而“老专家”一般不具备跨行的经验，这也就意味着一旦行业跨度变大，原先人为积累的技术与经验就无法复用和传授。

没有AI，大多数工业场景就只能依赖人工经验与固定流程，停留在“人找人”、“人教人”阶段，要想真正做到“人传人”，无异于要一个小白在接力赛上接过博尔特的下一棒。

二是不具备“集大成于一体”能力——八仙过海，各干各的。

工信部《智能制造典型场景参考指引（2025）》，智能制造包含8个关键环节👇

●工厂建设、产品研发、工艺设计、生产管理、生产作业、运营管理、产品服务、供应链管理。

●8个环节下，还有40个典型场景。

多个场景和环节下的智能制造需求，无法靠单一技术解决。也意味着，会出现多家厂商在各个环节各显神通——协作过程中的不兼容、不协同问题层出不穷。

千行百业、不同规模、不同生产方式的工业企业，也就因此在智能制造的改造中，困在不同的阶段，卡在不同环节和场景的组合中。

以上两个弊端导致的结果就是：即使在数字化条件最好的流程工业，能实现智能制造的企业也少之又少。智能制造推进缓慢，阻碍中国制造业进入高质量发展。

source：unsplash

AI时代，“工业AI”成为中国“智能制造”突破制约的利器。

我们先明确一点：“工业AI”有多种形态——每种形态都与当下制造业升级过程中遇到的问题和需求产生对应。更多时候，工业AI利用被赋予的“专业智能”，在信息物理系统中解决复杂任务。其最终形态，是多个“解决方案”环环嵌套后，形成一个个能自主决策的超级智能工厂。

对于制约智能制造的两大瓶颈，流程工业里已开始出现的“工厂操作系统”、“工业AI大模型”等产品及解决方案正好能派上用场👇

首先，工厂操作系统打通上下游数据，成为AI的数据基座。同时原来需要大量程序员、工程师进行的行业know-how转换和算法输出，以及花大量时间进行的应用调试，现在都可以交给AI，通过投喂数据等进行训练，构建适用于各个场景的工业大模型。

●比如《星船知造》了解到——

中控技术即将推出流程工业领域首个时间序列大模型TPT（Time-series Pre-trained transformer）的升级版。

该模型面向工业生产过程，统一建模，实现多技术体系融合，覆盖多类应用，支撑装置多类任务。通过TPT构建工业装置智能体，打造装置运行“智慧大脑”，使各类应用从工具型助手升级为可主动识别异常、评估风险、优化决策与自主执行的智能体（Agents）。

同时，基于TPT打造的各类智能体组成了自主协作系统，构建生产过程自动化（Process Automated，PA）的智能运行平台，共同完成工业装置自主运行目标，实现工业软件技术体系与应用模式的又一轮革新。

湖北三宁硫酸装置 source：中控技术

其次，在具体环节和场景的突破上，工业AI“集大成于一体”——

●与传统的工业自动化相比，AI技术可以实现统一平台、统一指挥。随着数据积累，还能自我学习辅助生产管理，从PA（Process Automated，生产过程自动化）、BA（Business Automated，企业运营自动化）等多个层面促进企业效率提升。

●工业AI能打造覆盖全场景的智能体集群，比如通过开发部署围绕自主运行、安全优先、质量提升、节能低碳、设备健康等生产过程自动化层面，以及产品研发、生产运营、供应链管理、销售与服务、支持与保障等企业运营自动化层面的工业Agents/APPs，助力企业实现生产过程透明化、运营管理精细化、决策支持智能化，保障企业实现提质、降本、增效、安全、低碳卓越运营，全面支撑工业AI的应用层落地。

如果以上对于工业AI的种种定义还略显抽象，我们在流程工业相关调研中，找到一个石化行业的生动案例。

在投资超千亿元的“超级工程”——山东裕龙石化2000万吨/年炼油及300万吨/年乙烯炼化一体化项目中，中控技术用“1+2+N”工业AI驱动的企业智能运行新架构，为客户打造智能工厂解决方案👇

“1+2+N”新架构一经搭建，就能直击生产与运营上的痛点。通过这样的方式，流程工业企业的生产实践和企业管理不仅能够“言之有物”“言之有理”，甚至更能“言之有情”，冷冰冰的工厂因为know-how的应用，提前预测和自我诊断、自我调整，不管对于坐在中控室的操作工、巡检的安全员、还是企业的管理者，都变得更有温度。制造企业进行智能制造建设的周期也将大幅缩短。

“工业AI”加持下，裕龙石化炼化一体项目刷新了1个月炼油投料即产出合格产品的业内最新记录，创造出巨大价值。

裕龙石化炼化一体化项目 source：南山集团

很明显，蓝海已经浮现——

“工业AI”这一全新物种，既是推动中国AI进化的关键，又是“新质生产力”时代下智能制造升级的关键。

这片潜力无限的海域有哪些玩家构成？它们如何共同点亮中国的数智灯塔？

02 不“懂”AI的工业企业没有明天

“工业AI”的海域中——两类企业正合力推进“智能制造”的加速建设。

第一类是“工业AI”相关产品及解决方案的使用者。

第二类是“工业AI”相关产品及解决方案的提供者。

source：unsplash

对于第一类玩家（使用者）而言，其头部企业个个都有自己的“数据火山”。同一梯队的企业之间比拼的就是——谁能先一步利用AI将火山激发，谁就能用“数智化”让自己在安全、质量、低碳、效益等多方位提升。

相反，那些无法激活“数据火山”的企业则会掉队。

比如，全球化工50强万华化学集团（以下简称“万华”）的数据“量大质优”——量大：万华拥有从工业软件、设备传感器、物联网基础设施、“老师傅”员工等多种数据的生成来源，本身就可以收集到海量数据。质优：万华属于化工新材料领域，其技术具有严苛性和高端性的特点，应用环境复杂，数据质量极高。

对于万华这类企业而言，激活“火山”的重要一步，是找到适合自己的伙伴——“工业AI”相关产品及解决方案的提供者——让数据获得释放与转化。

我们了解到，在与中控技术合作的过程中，万华已经成功将自身丰厚的数据积累转化为融合管理逻辑的核心资产👇

●数据积累：万华集团拥有10个生产基地、14个国家级实验室，在庞大的生产、科研场景中，生成出“数据洪流”：每天，万华集团的99.7万个工艺点位产生17亿条数据；19.7万台设备有100万条巡检任务；100+个装置里包含1万条工程师指令……

●合作共赢：万华选择引入supOS工厂操作系统，并以此为基础打造“万华智能制造平台”，统一全球各生产基地管控指标和模型。

●具体成效：在与中控技术的合作中，仅2024年万华智造平台数据规模就增加180%，问题发生减少80%。万华AI团队还基于supOS自研工具集，补全4大类supOS集群运行指标，提升节点覆盖度50%，减少人工运维60%。

source：万华集团

除了通过工业AI激活数据火山，“使用者”这类玩家还有另一重现实的“焦虑考量”——工业企业面临“人才断层”已不可避免。

主要体现为“老师傅断层”叠加“招工难”。

没有工业AI的时期，通用的工业软件无法根据不同生产情况进行细节上的优化，企业需要依靠“工业软件+老师傅调优”的方式，维持工厂的自动化运转与质量控制。

但随着人口红利褪色，老师傅们无法像传授内功般双掌一抵就将几十年的经验输入更多年轻人的大脑。

所以对于工业领域，尤其是流程工业的企业来说，人口拐点下将自身的运行效率维持稳定不向下跌就成了必要的刚需。

当流程工业各头部企业开始加大对工业AI的使用，就意味着将老师傅们的知识与经验喂给AI，赋能自动化系统，使其能在动态工况下自适应并进行自主决策。加快实现工业自动化向工业自主化转型这一目标。

万华一类的企业在此基础上甚至更进一步，让进厂的年轻人从传统意义上的工程师或操作工，转型成为掌握AI知识的专业人才，反向带动还处于经验驱动时代的老师傅。

在维持稳定发展的前提下，AI与机器相对人类，在质量、效益、安全性方面的优势开始显现。

大型工业企业拥有非常多资深行业专家，他们懂工艺、懂设备、懂管理，只要赋予最强的工业AI平台，他们就能将数据和知识转化成“新质生产力”——真正实现高效资源配置与绿色低碳发展。

同样以万华为例👇

●万华烟台基地拥有完整的聚氨酯和石化产业链，但大规模的公用工程系统伴随着巨大能源消耗：全年消耗蒸汽超1500万吨、用电约70亿度，配套循环水系统近20套。

在探索节能低碳的有效路径时，万华与中控技术合作，采取“AI+低碳”、“AI+机理”等数智化融合应用，打造能源管理优化系统，实现节能减排目标。全年在成本与收益上获得的价值预计1000万元以上。

一个显而易见的趋势是：

无论自动化时代，还是AI时代，智能制造升级总是先从大型企业开始，然后逐渐深入中小企业——这意味着，在不久的将来，更多不同门类、不同规模的工业企业都将进入工业AI的海域。

那些最先使用“工业AI”进行“试点”的企业，甚至将使用范围拓展至产业链各个环节，以全面“AI+”的方式推动转型升级的企业，将凭借技术红利持续取得领先。

也意味着，企业与企业之间将不仅仅因为资金、规模拉开差距——更将随着“用好工业AI”和“不用工业AI”拉开差距。

用好“工业AI”的企业，代表“创新”：不断在产业链各个环节加速数智化

迟迟未能用好“工业AI”的企业，代表“停滞”：难以建立竞争优势

source：万华集团

至此，“工业AI”这一全新海域中的玩家分工已经非常清晰了——

拥有“数据火山”和“大量行业know-how”的工业企业是核心“使用者”。它们中谁更先将专业的事交给专业伙伴——找到合适的工业AI“提供者”——谁就能更快赢得先机。

比如即便是如万华集团这种能抗风险、有自研实力的行业巨头，也并非从头开始去打造自有工厂操作系统和专属大模型。而是在与中控技术的合作下，形成多种“AI+”解决方案👇

万华在优化生产过程中废液pH控制、碱浓度预测等环节的质量和成本问题时，直接接入中控技术的时间序列大模型TPT进行智能分析、智能决策。

也正因此，“工业AI”相关产品及解决方案提供者，正成为资本市场的下一个焦点。

问题来了，“提供者”中，具备哪些特质才能成为佼佼者？ 才能被更多企业选择，并脱颖而出？

03 工业AI“提供者”，必须具备“无法弯道超车”的优势

提供工业AI产品及解决方案的工业AI企业大致可分为两类👇

一类是跨界而来的“新势力”——多是互联网/科技企业。

第二类是深耕工业领域多年的工业自动化巨头。

source：pixabay

先看第一类玩家的长短板——

“新势力”的优势是凭借强大的云计算先发优势、IT技术开发能力、整合云网智一体等多种能力推动智能制造。

短板则是缺乏工业领域的行业积累。

行业积累可以大致理解为两点——1）有数据。2）懂数据（具备行业know-how）。

“有数据”的尴尬之处在于，大厂们作为工业领域的新入局者，是否和千行百业的工业用户有足够的信任度，让其愿意开放数据。

“懂数据”的困境则在于，即使获得了数据，但缺乏“行业know-how”这个深刻理解数据规则和意义的前提。因此即便拿到数据，也无法从中提取价值。

就像一个厨师，有好锅（云计算、大模型）、有手法（技术开发）、但就算有了食材（工业数据），也还是因为缺少配方（行业know-how），最后做出的味道也可能不尽人意。

source：pexels

再看第二类玩家——“工业自动化系统”出身的企业。

其中又可分两个阵营：一是西门子等海外“综合型工业巨头”。二是中控技术等本土工控企业。

“综合型工业巨头”的优势是不仅自己生产面向消费市场的产品，同时也是工业自动化领域的上游供应商，在装备和自动化技术上都有优势。但在面临工业AI落地的真实场景时，巨头们也存在某些无法与之对齐的困难——

工业AI不仅需要垂直领域的单点突破，更要有强大的整合通用能力。

目前，海外巨头中整合极快的当属艾默生，其已将这些年并购的软件都融到其“无界自动化平台”中。但在大模型方面，艾默生目前基本还是采用ChatGPT等大语言模型做问答交互，根据已有公开资料显示，还没有能直接为工业生产与运营做底层优化的工业AI大模型。

同时，对于其他身躯庞大的巨头而言，大多在漫长的发展过程中成立了一个个独立的业务单元（BU）。BU的优势在于可在原有软件基础上提升智能程度；但劣势同样明显，比如在做通用大模型时，由于各个业务单元各自分工，要把所有“经验”融合在一起是一个协调难度极高的系统工程——最终或只能“拼凑式”地覆盖到工业场景各板块。

可以说，类比“新势力”的缺少调料配方，“老牌巨头”属于是有调料，却头疼如何把各种食材放在一起烹饪。

更多优势都指向了“工业自动化系统”出身的本土企业。

这些深耕流程工业多年的自动化企业，正凭借“无法被弯道超车”的优势——强大的控制系统、专业知识、数据等多年积累——成为中国“工业AI”领军者。

中控技术多方面的优势都十分得天独厚。

中控科技园 source：中控技术

中控30多年前以DCS起家，是一家创新引领的中国本土企业，正转型成为工业AI领域的高科技企业。早在工业4.0初期，就以扎实的常被业内称之为“工业大脑”的“工业控制系统”为今天的工业AI夯实了地基。

中控创始人褚健教授也曾多次在公开场合提到：工业AI的核心是算法与数据，但如果没有自动化，就没有数字化，智能化也无从谈起。

由“工业自动化”迈向“工业AI”，进而实现AI时代的智能制造，是目前相对最为合理的进化路线。

以中控技术为例——在AI尚不明朗的时期，其是最早将DCS作为大脑，加上软件和知识使其变聪明的企业。

在AI出现后，又提出5T（AT自动化技术、IT信息技术、PT工艺技术、OT运营技术、ET设备技术）深度融合入大模型。

这种“创新务实”让中控技术在工业自动化领域不断攀升👇

●2024 年度，公司核心产品集散控制系统（DCS）在国内的市场占有率达到40.4%，连续十四年蝉联国内 DCS 市场占有率第一名。

●2024年公司核心产品安全仪表系统（SIS）国内市场占有率31.2%，连续三年蝉联国内 SIS 市场占有率第一名。

这些深厚的“自动化积累”让中控技术在AI技术爆发前，就打下了向工业AI进化的深厚基础——

控制系统是所有AI实施执行的硬件基础👇

source：unsplash

控制系统也是重要的生产运行数据基座。可以理解为“工业大脑”，有得天独厚的数据收集优势。是中控技术打造“AI+数据”核心竞争力的保证。

最后，AI进化的关键，靠的就是持续不断的海量数据“投喂”。当其他企业还要花大力气“找数据”、“标注和清洗数据”用来训练AI时——如上文所说，中控扎根流程工业三十多年，本身就是一片拥有海量优质数据的海洋。

是一条长坡厚雪的AI赛道。

source：中控技术

这种“滚雪球”式的积累也意味着，一旦走过漫长的积累，在流程工业领域扎根更深的工业AI企业，将爆发出更惊人的潜力。

过去三十多年里，中控凭借在流程工业领域的3.5万家客户、10万套控制系统应用的深厚沉淀、1亿I/O点数的积累，已经聚集了大量宝贵的数据与行业know-how👇

中控技术数据护城河——

●硬件上，中控技术的仪器仪表业务板块涵盖测量仪表产品、分析仪产品、智能控制阀等多个产品系列。

●软件上，覆盖工业信息安全系统、数据资源系统、设备健康系统、产品研发管理及工艺设计系统、自主运行系统、质量提升系统、生产运营系统、安全优先系统、节能低碳系统等。

●依托广泛的用户基础和强大的软硬件产品体系，累计运行在控制系统上超过100EB的庞大工业数据量——相当于连续录制约127万年的4K高清影像，中控技术现已成为拥有流程工业各细分领域数据极为丰富的工业实时数据公司。

可以说，当AI技术爆发时，在制造业内的大部分企业还未想好怎样利用AI赋能自身时，中控技术长久以来所追求的“挖掘数据价值”和分析、利用工业数据的能力，早已为AI时代打下了扎实基础。

技术演进上——这些数据资产积淀和软硬件家底，让中控技术有底气拒绝跟风、拒绝生搬硬套，而是很自然的完成了从“自动化”到工业AI的逐步进化。

市场需求上——中控三十多年始终以“为客户创造更大价值”为目标，其每一次战略转型都和客户需求牢牢绑定——

●第一个十年，中控自主研发的中国第一代DCS控制系统，帮助国内客户从工业2.0走向工业3.0；

●第二个十年，中控开始拓展仪器仪表、工业软件等产品，成为产品门类丰富的自动化公司；

●第三个十年，中控凭借积累深厚的工业know-how，转型为价值创造的行业解决方案公司。

●现在，越来越多工业客户急需突破智能制造瓶颈——

2024年6月，中控发布新愿景新使命：成为工业AI全球领先企业，用AI推动工业可持续发展。让工业更智能，让客户更成功。这也标志着，中控正式向工业AI公司转型。

从更大视角看，与中国工业同生共长的中控技术，已自然而然地扛起了AI时代的重担，将人工智能、大模型等为代表的科技力量与自己的工业家底结合，为中国新型工业化道路助力。

这一过程中，它已再次为未来布局了什么？

04 有生态才能战未来

对于工业AI领军企业而言——“生态平台”是核心资产。大致可以这样理解：

工业AI企业所产出的“内容”，是数据基座、大模型、Agents/APPs等各类工具，并利用它们持续贴近生产运营的各个环节；

但只有将这些工具融合为一个“生态平台”后，工业AI企业才能将“内容”快速且精准地对外释放。

换句话说：生态平台一经形成，工业AI企业就能向用户灌输工具和方法论，在双方都无需投入大量成本的前提下，实现快速复制部署的目的，为用户企业创造价值。

聚焦中控技术，其已将AI战略分为两路——All in AI和AI in All，分别从不同方向推进工业生态平台的建设落地。

source：中控技术

All in AI 也就是“AI+”。

中控技术用AI、云计算、光通讯等先进技术，集中研发资源，颠覆传统技术架构、技术路线，倾力打造UCS、TPT、HGT等工业AI爆品。

●UCS（通用控制系统）以云实时操作系统NyxOS为基础的“云-网-端”极简架构，可根据需求自动调整资源的规模和容量，实现弹性和可伸缩性，提供更高的计算效率和系统的稳定性——相比于传统的DCS，更加适合AI应用。

●TPT（时间序列大模型）是基于生成式AI算法及海量工业数据训练而成的大模型，通过统一各类工业建模过程，实现装置的跨工况、高精度、高可靠模拟与预测，从而解决数据碎片化、工业应用分散等难题。

●HGT（超图大模型）是面向企业经营领域关系数据的图注意力大模型，助力企业快速构建覆盖研发、生产、供应链、销售与服务、支持保障等领域的智能应用及智能体矩阵。

如上文所说，这些工业AI爆品只是工具，在工厂操作系统supOS的加持之下，最终融合成“1+2+N”工业AI驱动的企业智能运行新架构——也就是一个“生态平台”。

在“1+2+N”新架构中，运行、设备、质量、模拟四大核心数据构成了全要素数字底座。最终支撑垂直场景中实现从“经验规则”到“AI自主”的跃迁，形成“数据驱动感知、模型赋能决策、应用闭环优化”的完整价值链，实现工业智能从局部优化到全局自治的质变。

1+2+N架构就相当于一个AI“炼丹炉”，中控将三十多年所积累的数据、算法、知识、经验，全部聚集到炼丹炉中，最后熔炼出一个在流程工业的多个行业中，具备通用性的新架构。

从架构内两个大模型中，又原生出N个Agents/APPs——比起传统工业软件，原生的Agents/APPs与大模型能够覆盖从生产到运营各环节更多场景，同时具有更强大的协同能力。

对于“懂AI”、有一定自研能力的制造企业来说，甚至可以跳过中控，自己将数据放进其中进行训练——通过持续的数据资产积累与生态协同，实现渐进式智能化升级，将“智能工厂”带入工业的“智能时代”。

source：TPT界面

AI in All 则体现出中控技术全力实现“万物+AI”的决心。

在中国巨大的工业基本盘内，要想全面铺开工业AI，进而实现智能制造，是一个既重积累、也重颠覆的系统工程。

重积累很好理解，如上文提到：数据积累、知识积累、算法积累、人才储备，以及在同行业内使用的越多，就越好复制应用——都是中控在过去三十年里积累下的无法弯道超车的优势。

重颠覆则意味着工业AI所面临的客观复杂环境——智能制造本身就是对传统制造模式的一种颠覆，但中国快速生长的工业规模也带来发展不均衡的问题。机械化、电气化、自动化、数字化并存，不同地区、行业的企业对智能制造认识不同，整体仍然趋于保守。

因此，要想用AI在中国工业领域内真正创造出一个前所未有的数智产业，就必须重新构造或者重新书写工业自动化、数字化、智能化的技术体系框架。

中控技术决定以滴水穿石的“万物+AI”做起。

比如，在传统工业软件业务中，中控技术的研发团队选择与大模型结合，将工业软件重构，形成Agent等方式，让每一个软件都更智能；

又比如PLC（可编程逻辑控制器），亦或是仪表、阀门，中控技术都想办法为其附加AI属性，利用AI技术让其更有竞争力。

而看似繁琐的“万物+AI”工作，将通过中控技术在PLC以及工业软件市场20%以上的增长率，实现规模化效应。

source：中控技术

一家自中国工业土壤中走出的工业AI企业，正展现其开放、辽阔的愿景——中控创始人褚健认为：长坡厚雪的赛道上，不可能仅靠一两家公司就“包打天下”，要靠更多头部企业合力打造出开放合作的生态平台系统。

在中控技术描绘的蓝图中， All in AI和AI in All正构建出“热带雨林式”创新生态，让更多工业企业能够选择不同进入AI的领域和方式，为中国的新型工业化铺平道路。

尾声：工业AI的新基建

大模型训练中，“语料”的数量和质量，决定了AI能力的边界。

DeepSeek的语料库中，中文语料占比3%左右。英文语料则在全球大模型的数据占比中达到90%以上——原因无他，作为全球通用语言，英文语料在数量要远高于中文语料。

因此某种程度上，在大语言模型领域，我们只能和全球其他玩家在算力、算法等技术上展开竞争。

工业领域，却是一番新天地——

中控技术的时间序列大模型TPT，宣告着中国自主的AI大模型已经能够在重点工业领域实现规模化部署——中国自己的“工业语料”，正在夯实新型工业的基础建设。

每一个智能化解决方案，都在为中国自己的工业AI大模型添加工业知识语料👇

●新能源领域，中控技术的碳能优化解决方案在大唐多伦绿氢项目中实现风光电与制氢装置的智能耦合；

●智慧化工领域，四足机器狗与轨道机器人组成的空地协同系统，正改写危险作业环境下的安全管理范式；

●人形机器人赛道，接入DeepSeek多模态模型的“领航者”系列，在化工实验室实现具身智能的突破。

当中控技术的工业AI集群渗透到更多研、产、供、销链路——“新质生产力”也从中汲取更多力量，让中国成为全球工业AI变革的中心。

主要参考资料：

[1] 一家“不做机器人”的机器人公司，正把中国机器人卖遍“一带一路”.星船知造

[2] 人工智能大模型在重点工业领域规模化部署加快.工信部

[3] “智”行数字化：打造中国流程制造业灯塔工厂 – McKinsey Greater China

[4] 《中国智能制造产业发展报告23-24》

[5] 中控技术官网、企业微信、公开年报等企业公开信息

本文基于访谈及公开资料写作，不构成任何投资建议

星船知造原创内容

未经授权，禁止转载