在全球供應鏈動態調整、地緣政治壓力與技術浪潮（尤其是生成式AI）的三重沖擊下，制造業正經歷一場前所未有的深度轉型。傳統的“生產型制造”模式難以為繼，向“服務型制造”與“智能產品生命周期”演進成為必然。

工業人工智能已經走過了單純的概念普及期，正式邁入了應用落地的深水區。正如IDC調研數據所揭示的那樣，中國工業企業應用大模型及智能體的比例正在經歷一場驚心動魄的躍升，從2024年的9.6%激增至2025年的47.5%。

這不僅僅是一場技術的升級，更是一場認知的革命。在傳統的工業軟件架構中，我們習慣了ERP、MES等軟件各自為政，像一個個孤島。然而，隨著生成式AI的爆發，這些沉睡的數據被喚醒了。

轉型深水區遇見AI重塑行業

當前，全球制造業的數字化轉型已從早期的“上云、上系統”基礎建設階段，邁入以“數據驅動”和“智能決策”為核心的深水區。其驅動力復雜多元：全球供應鏈的動態變化、日益嚴苛的跨國法規合規要求、地緣政治帶來的不確定性，共同構成了宏觀環境的“壓力測試場”。與此同時，產品本身也日趨復雜，軟硬件高度集成，其研發、制造、服務的全生命周期考量因素呈指數級增長。

在全球范圍內，工業AI的投入呈現爆發式增長。根據IDC的預測，到2028年，全球工業企業AI支出規模將接近2.2萬億元人民幣，年復合增長率達到63%。IDC進一步預測，到2030年，70%的中國頭部制造企業將借助AI智能體構建數據模型并管理混合云工作負載，從而將質量成本降低2%。

而在中國，工業企業擁抱AI的速度遠超預期。IDC數據顯示，我國工業企業應用大模型及智能體的比例，從2024年的9.6%快速提升至2025年的47.5%，其中在研發、制造、供應鏈等多個環節同時應用的企業比例也從1.7%躍升至35%。兩會期間工信部透露的數據同樣顯示，2025年我國人工智能核心產業規模已超1.2萬億元，企業超過6200家，規上制造業企業AI技術應用普及率超30%。

面對這樣一個千億級甚至萬億級的賽道，工業軟件廠商的布局邏輯正在發生深刻變化。對此，PTC執行副總裁兼首席營銷與可持續發展官Catherine Kniker認為，當前的制造業正面臨供應鏈動態變化、法規合規要求趨嚴、地緣政治復雜多變與AI技術快速崛起的多重挑戰，同時產品軟硬件一體化帶來的系統復雜度大幅提升。

面對此，PTC正在從傳統PLM向著智能產品生命周期（IPL）轉型。Catherine Kniker表示，PTC IPL戰略的核心，正是通過數字主線拉通設計、制造、交付全流程數據，讓AI賦能工業生產的每一個業務環節。

值得注意的是，AI的應用價值呈現出雙重性。一方面，它是對現有流程的“賦能”。正如PTC全球資深副總裁兼大中華區總裁劉強所言，AI無法創建工業軟件中原生的、關鍵的業務數據（元數據），也無法替代沉淀在工業軟件中的數十年行業知識（Know-How）。AI的作用是“讓軟件更好用，效率更高”，例如通過自然語言交互降低復雜系統的操作門檻，或自動化部分重復性工作流。

另一方面，AI正在“重塑”業務模式。這在以資產為核心的服務管理領域表現得尤為突出。傳統的現場服務系統多以工單和客戶滿意度為中心，而PTC ServiceMax則強調“以資產為核心”，關注設備全生命周期的運行狀態、維護歷史與性能數據。

PTC ServiceMax總經理兼AI首席戰略官Joseph June表示，這種模式從根本上改變了企業對服務的理解，目標從執行單次任務，轉向最大化資產的全生命周期價值，實現“通過服務獲取營收”的轉型。生成式AI的引入，使得系統能夠結合資產歷史數據與實時上下文，通過自然語言交互提供前瞻性維護建議、甚至自主規劃操作，推動服務模式從“被動響應”轉向“前瞻性自主運營”。

深水區的“礁石”，工業+AI仍有挑戰

如果說2025年是中國企業AI化轉型的加速之年，那么2026年則是工業AI從“淺灘區”真正邁向“深水區”的關鍵之年。然而，表面的熱潮之下，落地過程中的挑戰也浮出水面。有行業人士直言：“制造業領域高質量工業數據少、共享難，一些企業想做智能化改造，卻發現數據像一個個孤島，連不起來，也用不起來。”

在近期舉辦的西門子RXD大會上，西門子董事會主席、總裁兼首席執行官博樂仁道出了工業AI與消費級AI的根本區別：“在工業場景中，我們需要100%可靠的AI。”

這意味著，工業AI面臨的挑戰遠不止技術本身，而是涉及數據、安全、可靠性、組織變革等多個維度。具體來看，當前工業領域應用AI主要面臨三個挑戰。

挑戰一：數據“沉睡”與語義孤島。中國工業企業經過三四十年信息化建設，MES、ERP、SCADA等系統一應俱全，沉淀了海量數據，但這些系統彼此孤立，數據格式、語義標準不統一，數據與業務知識無法有效聯動。正如創新奇智CTO李凡所分析的，數據不僅分散在各系統中，更重要的是缺乏統一的語義坐標系，導致AI無法真正“理解”數據背后的業務含義。有行業專家直言，如果AI在生產線上“胡說八道”，代價就是整批次的產品報廢。

挑戰二：AI幻覺與工業可靠性的矛盾。工業生產的特殊性決定了面向生產過程的工業AI必須堅守可靠、可信、可解釋的三大底線。但當前主流的大語言模型存在難以規避的技術短板：線性序列的文本處理方式缺乏對因果關系的深度認知，模型輸出的概率性和潛在幻覺不能充分契合工業領域對安全性和確定性的核心訴求。李凡指出，工業智能體要在生產制造核心場景落地，必須突破傳統AI“知其然不知其所以然”的局限，否則會“縱馬狂奔、一本正經胡說八道”。

另一方面，RAG技術僅能完成已有答案的檢索調用，無法理解并執行復雜工業約束條件；靜態模型則存在知識滯后問題，難以實時映射產線與設備運行狀態，導致AI應用難以真正融入工業核心業務流程。大模型在工業領域的落地困境在于，其本質是基于海量文本訓練的自回歸模型，擅長生成連貫、合乎語境的文本，而工業核心場景則高度依賴時序數據和物理邏輯。

挑戰三：場景深水區的“最后一百米”。盡管AI在工業領域的應用場景廣泛，滲透到研發設計、生產制造、經營管理和產品服務等價值鏈的多個環節，但大多數落地嘗試還停留在智能問數、內部知識問答、客服助手等通用類場景。而在生產制造、預測控制等具有更高價值的工業核心場景，大模型的推進和落地相對較少，相關技術、產品和解決方案仍有待進一步破局。這些核心場景對模型的安全性、精準性、時效性、泛化能力以及容錯率都有著極高要求，給大模型落地帶來了挑戰。

除此之外，工業+AI更深層的問題與其他行業如出一轍：很多企業上AI并非出于真實業務需求，而是“別人都在上，我不上落后了，被淘汰了怎么辦？”。

知名財經作者吳曉波曾在文章中分享了一位制造業老板的經歷頗具代表性：“去參加AI峰會，臺上一個同行分享，說用了AI質檢，人力成本降了30%，良率提升了5個點。我當時熱血沸騰，回來就讓團隊調研，結果匯報說：老板，咱們產線上的問題根本不是AI能解決的。”AI淪為技術裝飾而非業務解藥，正在成為行業通病。

工業軟件廠商的AI轉型路徑

面對這些深水區的挑戰，國內外工業軟件廠商正在從不同維度尋找破局之道。從PTC的IPL戰略到創新奇智的本體智能體平臺，從西門子的工業AI“操作系統”到SAP的Joule智能體，廠商們的布局呈現出清晰的脈絡。

先來看看PTC的解題思路。面對挑戰，PTC推出了IPL戰略，從“數據主線”的角度切入。Catherine Kniker指出，PTC的核心價值就是管好前端產品數據，這也是我們打造IPL戰略的核心前提——只有做好數據的訪問和管理能力，才能讓AI技術真正在工業場景中發揮價值。

而在PTC的閉環PLM戰略中，ServiceMax扮演著打通數字世界與物理世界之間數據閉環的關鍵角色。其核心理念“以資產為中心”與傳統CRM系統以工單或客戶為中心的現場服務管理形成了根本性差異：傳統的現場服務系統聚焦于工單的具體執行過程，而以資產為核心的模式則會重點關注設備本身，包括設備的基本信息、運維歷史、運行狀態以及全生命周期相關的數據。

同為國際巨頭的SAP則是從自身擅長的“流程”領域切入，讓AI深度融入業務流程，從“記錄系統”走向“行動系統”。SAP全球CEO柯睿安在2026年初的文章中指出，AI并未取代軟件，反而凸顯了那些在規模化協同中發揮核心作用的系統不可或缺的價值。柯睿安強調，真正的挑戰在于將智能體部署于端到端的供應鏈或財務關賬流程中，同時確保全面合規和審計可追溯。編排調度能力、策略執行與流程確定性，是贏得信任的關鍵門檻。

2026年，SAP的AI智能副駕Joule正在演變為一個能夠真正管理工作、具備多智能體協同能力的系統。在供應鏈領域，AI智能體將從概念驗證走向嵌入核心業務流程，識別風險和機遇，提出解決方案，甚至自動觸發糾正行動。SAP大中華地區總裁原欣表示，SAP的智能體本質上是一個個專家系統，沉淀了SAP多年在各個業務領域的知識。

而創新奇智則是從平臺上著手，通過AInnoGC工業本體智能體平臺，將“本體”與“智能體”深度融合。構建從算力、數據、本體到應用的完整技術閉環，實現了工業場景下從“感知”到“認知”再到“執行”的全能力覆蓋。面對“為何這樣做？”的問題，創新奇智CEO徐輝表示，智能體發展到當前階段，客戶規模化落地的需求已明確出現，而行業恰恰卡在“可靠性、規范性”的關鍵節點上。針對高可靠場景下的智能體“縱馬狂奔”問題，創新奇智提出了“本體”概念——給智能體“拴上韁繩”。

徐輝分享到，創新奇智強調工業智能體必須有深厚的行業Know-How支撐。其核心壁壘在于“上下20%的關鍵能力”：上層是深耕8大工業細分門類沉淀的獨家行業場景與高質量數據，下層是依托本體架構+行業智能體的強工程化落地能力。目前，該平臺深度集成MES、EAM、APS、EMS等工業系統，可對設備智能運維、生產制造與供應鏈、質量管控與追溯、全局能源與物控等核心領域實現全場景賦能。據稱，基于動態工業圖譜推演可實現95%以上的準確率，顯著降低AI幻覺風險。

工業領域的AI革命是一場馬拉松，而非短跑。其成功不取決于單項技術的突破，而在于能否將先進AI技術與深厚的工業知識、堅固的數據基礎、靈活的業務架構以及開放的產業生態進行系統性融合。PTC等傳統工業軟件巨頭憑借其數十年的行業積累與完整的產品矩陣，正通過注入AI能力進行“進化”；而像創新奇智這樣的AI原生企業，則試圖以新的“本體+智能體”架構進行“重塑”。兩條路徑各有側重，但最終目標一致：幫助制造業企業喚醒沉睡的數據，跨越數字化轉型的深水區，在智能時代構建以產品全生命周期價值為核心的、可持續的新競爭力。這場競合，將最終決定未來工業的智能圖景。

（文｜Leo張ToB雜談，作者｜張申宇，編輯丨楊林）