过去，一家造船厂给排一份为期三个月的生产计划，要把时间和空间约束都考虑进去，需要两个员工，花费超过半个月的时间。而现在AI半个小时能把九成以上的活干完，员工再花一两个小时校对即可。

这只是AI在工业领域应用的一个缩影。不到一年的时间里，工业软件已经近乎被AI重作了一遍，“我们去年年初的时候，对AI能改变工业软件的格局还曾有疑问。但随着大模型技术的发展，尤其是像Claude或者GPT在编程能力上的突破，过了一年多的时间，速度远超过了我们的预期。”易立德创始人、总经理吕凤民告诉我们。

但在AI快速进入工业场景，并重写工业软件的过程中，离工程化、规模化应用还有很多挑战。

(资料图片)

工业AI正从概念走向产线

如果把时间拨回两年前，问工业软件从业者“AI会怎样改变这个行业？”，得到的回答大概率是谨慎的。吕凤民自己也承认，去年年初的时候，他对“AI能不能改变工业软件的格局”还曾有疑问。但仅仅过了一年多，他的态度发生了很大的转变。

这个转变背后主要的原因是因为AI编程能力的跃升。过去，大型工业系统部署到具体客户时，最大的痛点是庞大的定制化成本。对此，吕凤民告诉我们，仅仅是不到一年前，AI编程的能力还不如一个标准的程序员。而现在，AI编程能力已经超过了绝大多数程序员。这种转变直接改变了工业软件的交付逻辑，原先需要几个月完成的定制开发，现在可能只需要几分之一的工作量。这也让工业软件供应商开始思考一个更深层的问题：未来的工业软件，是否还需要先做一个标准产品，再到客户现场去定制？

另一方面，不仅是技术能力在增强，政策也在引导着工业AI的发展。去年12月，工信部等八部门联合印发《“人工智能+制造”专项行动实施意见》，给出的时间表是到2027年，推动3至5个通用大模型在制造业深度应用，推出1000个高水平工业智能体，打造100个工业领域高质量数据集，推广500个典型应用场景。

正是在技术能力提升与政策引导的双重影响下，工业AI才在今年实现了快速的发展。据工信部公布的数据显示，今年上半年，全国规模以上工业企业数字化改造覆盖率已达九成，关键工序数控化率69.5%，数字化研发设计工具普及率86.3%......规模以上制造业企业人工智能技术应用普及率超过30%。

此外，IDC对2025年中国工业企业的调研显示，已应用大模型及智能体的企业占比从2024年的9.6%升到47.5%，一年翻了四倍；把这些能力同时用在研发、制造、供应链等多个环节的企业，占比从1.7%升到35%。IDC同时预测，到2028年中国工业企业的AI支出规模将接近900亿元，年复合增长率37.7%。

但快速增长的背后，吕凤民也承认，当前AI在工业软件方面的应用尚处于早期阶段，虽然已经有一些POC场景出现，但距离规模会、工程化应用还为时尚早。

工业AI落地为什么这么难

正如吕凤民所说的，AI在工业领域的应用落地尚处于早期阶段，在落地的过程中也还好很多挑战。工业AI并不像当前火热的办公智能体那样落地简单，“写邮件、做纪要、生成PPT，这些任务流程简单、容错率高，用户对偶尔产生的幻觉也相对宽容。但同样的技术搬到工业车间里，面临的是一套完全不同的游戏规则。”吕凤民指出。

麦肯锡发布的《The State of AI》系列报告中曾指出，约88%的企业已在至少一个业务职能中使用AI，但只有约7%的组织实现了全组织范围的规模化；而在分职能统计中，智能体规模化程度最低的恰恰是制造环节，仅为3%。

为什么工业场景的AI落地这么难？吕凤民与我们分享了他通过在帮助工业用户落地AI过程中遇见一些难题。

首先是虚拟世界与现实世界的结合。办公场景的智能体之所以能快速铺开，是因为它整体上是单一场景，流程相对简单。而工业智能体必须同时打通虚拟与现实的边界，涉及跨系统的协同工程变更，还包括工艺层面的决策。以相对简单的停产评估为例，其涉及评估库存和在途订单会受到哪些影响、涉及哪些产品和报废风险等多个环节，且需要跨多系统协同完成，“单一的智能体根本做不到，需要一个智能体能够调取多个系统的信息综合判断。”吕凤民如是说。这种“牵一发而动全身”的复杂性，是办公室里的AI助手无法想象的。

其次是数据。正如其他行业落地AI时遇见的阻碍一样。工业的数据量极其庞大，不像办公智能体的数据规模较小。更关键的是，工业应用讲究精确，对大模型常见的幻觉问题几乎是零容忍。而当前的大模型主要建立在大语言模型之上，在工程应用的正确性方面存在天然的不确定性，需要通过不断的训练和验证来逼近精准。吕凤民特别强调，工业数据的质量非常重要，数据准备和清洗本身就是一项巨大的工程，而这项工程的质量，直接决定了一个工业智能体的成色。

第三是AI权限和安全相关的问题。这方面目前行业内常见的是本地化部署，但有一些需要大参数模型计算推理的环节，企业还是需要采用云端API调用模型的方式，“但现实是，没有任何一家军工、国企或民营企业愿意把自己的私有数据放到公有大模型上去。”吕凤民指出。针对此，吕凤民给出的建议是，工业企业应该秉持着“本地优先”的原则，每一类数据存放在哪里、会流到哪里、谁能够访问，都要能说清楚、能验证，关键领域甚至要保留人工干预。

当然，本地优先是有代价的：推理对硬件的要求相对可控，但一旦涉及训练——比如易立德正在推进的AI CAD业务，对GPU的要求就比较高，这笔硬件投入，对任何企业来说都不是小数目。

第四是如何将老师傅的经验，转变为工业AI能“看懂”的结构化数据。而在吕凤民看来，这恰恰是如今ERP、PLM这类信息系统长期无法覆盖的空白，而智能体是一种补充。易立德的做法是组建FDE团队，同时将与企业高级工程师沟通中获得的知识沉淀下来，“这些知识一定要具有通用性，不能是个例，才能进入本体的知识库。”吕凤民进一步指出，“知识库中相当一部分，就来自FDE长期驻场交付中的知识化沉淀，这是一种笨办法，但可能是目前唯一走得通的办法。”

工业软件的下一个十年

“工业领域可能两年以后就没有标准软件了，取而代之的是底座和工具，通过这些帮客户搭建需要的系统。”这是吕凤民对未来工业软件发展路径的判断。

这句话听起来有些激进，但放在工业AI快速演进的背景下，或许并非痴人说梦。如果把视线放长一点，工业AI接下来几年的变化，大概会落在几条线上。

第一条线是软件的交付方式。传统的工业软件模式是“先做一个标准软件，再到客户现场去定制化”，这个过程的成本非常高，很多企业为此投入大量的售前资源。但如果AI能够根据需求文档直接生成定制化系统，这个逻辑就被彻底改变了。吕凤民透露，用新的AI开发平台来做概念验证，速度比以前降低了很多，可能只需要以前十分之一的工作量。这种效率的提升，意味着中小企业也能用得起过去只有大企业才负担得起的定制化系统。

具体到验证层面，吕凤民表示，他们拿原有研发套件做了六十多个Skill，做POC的工作量降到了从前的十分之一，这是可以被验证的部分。而在验收环节，他们目前用的指标包括结果质量、端到端耗时、人工介入的工作量、权限是否守得住、异常能不能恢复。这几项都很实在，也都很容易被做砸。

第二条线是模型变成“可替换件”。今天企业最贵的隐性成本，往往不是模型调用费，而是选错模型之后的反复试错。而这也是易立德想要突破的环节，据吕凤民介绍，他们将不同任务匹配不同模型，同时让输出结果保持一致。逻辑分两层，调用层适配解决能不能接上的问题，业务层判断解决结果对不对的问题。据悉，易立德准备将模型匹配本身当成一种商业能力来卖。这个思路如果成立，意味着工业AI的商业价值会从Token消耗转移到选准模型层面。

第三条线是从买智能体到造智能体。企业第一次采购，通常是买几个现成的数字员工来用；用过一轮之后，真正想要的是自己造的能力。这也是FDE这类角色会变得抢手的原因：他站在业务和平台中间，把需求翻译成可以运行的东西。麦肯锡的调研里，AI高绩效企业有一个共同点，他们重新设计了工作该怎么干，而不是把AI塞进原来的流程里。能做到这一点，往往靠的正是这类人。

正是为了契合上述三条工业AI的发展线路，易立德选择在这个时间点发布三款了产品（Lumen、LuBan和CoCoAI）。其中，Lumen作为统一管智能体资产、身份、权限与运行治理的底座，LuBan作为智能体开发工作台，CoCoAI则面向普通员工作为数字员工的运行与协作工作台。

吕凤民对这个产品组合的解释非常直白：客户都在关注AI，但在工业应用上，一个问题是“怎么找到场景的切入点”，另一个问题是“有没有能力去进行落地”。而光启平台系列就是找到场景去试用，并且不断帮用户提升工业AI的能力。在他看来，如果企业自身具备了在具体应用场景中持续发展的能力，这才是中国制造业最需要的能力。

工业AI正在从概念验证走向生产业务场景，而工业软件的玩法，正在从“卖一套标准产品”转向“帮客户把AI能力长在自己身上”。这场重估才刚刚开始。

（文｜Leo张ToB杂谈，作者｜张申宇，编辑丨杨林）

关键词： 编程 智能体 tob 制造业 工业互联网平台