在全球供应链动态调整、地缘政治压力与技术浪潮 （尤其是生成式 AI） 的三重冲击下，制造业正经历一场前所未有的深度转型。传统的 「生产型制造」 模式难以为继，向 「服务型制造」 与 「智能产品生命周期」 演进成为必然。
工业人工智能已经走过了单纯的概念普及期，正式迈入了应用落地的深水区。正如 IDC 调研数据所揭示的那样，中国工业企业应用大模型及智能体的比例正在经历一场惊心动魄的跃升，从 2024 年的 9.6% 激增至 2025 年的 47.5%。
这不仅仅是一场技术的升级，更是一场认知的革命。在传统的工业软件架构中，我们习惯了 ERP、MES 等软件各自为政，像一个个孤岛。然而，随着生成式 AI 的爆发，这些沉睡的数据被唤醒了。
转型深水区遇见 AI 重塑行业
当前，全球制造业的数字化转型已从早期的 「上云、上系统」 基础建设阶段，迈入以 「数据驱动」 和 「智能决策」 为核心的深水区。其驱动力复杂多元：全球供应链的动态变化、日益严苛的跨国法规合规要求、地缘政治带来的不确定性，共同构成了宏观环境的 「压力测试场」。与此同时，产品本身也日趋复杂，软硬件高度集成，其研发、制造、服务的全生命周期考量因素呈指数级增长。
在全球范围内，工业 AI 的投入呈现爆发式增长。根据 IDC 的预测，到 2028 年，全球工业企业 AI 支出规模将接近 2.2 万亿元人民币，年复合增长率达到 63%。IDC 进一步预测，到 2030 年，70% 的中国头部制造企业将借助 AI 智能体构建数据模型并管理混合云工作负载，从而将质量成本降低 2%。
而在中国，工业企业拥抱 AI 的速度远超预期。IDC 数据显示，我国工业企业应用大模型及智能体的比例，从 2024 年的 9.6% 快速提升至 2025 年的 47.5%，其中在研发、制造、供应链等多个环节同时应用的企业比例也从 1.7% 跃升至 35%。两会期间工信部透露的数据同样显示，2025 年我国人工智能核心产业规模已超 1.2 万亿元，企业超过 6200 家，规上制造业企业 AI 技术应用普及率超 30%。
面对这样一个千亿级甚至万亿级的赛道，工业软件厂商的布局逻辑正在发生深刻变化。对此，PTC 执行副总裁兼首席营销与可持续发展官 Catherine Kniker 认为，当前的制造业正面临供应链动态变化、法规合规要求趋严、地缘政治复杂多变与 AI 技术快速崛起的多重挑战，同时产品软硬件一体化带来的系统复杂度大幅提升。
面对此，PTC 正在从传统 PLM 向着智能产品生命周期 （IPL） 转型。Catherine Kniker 表示，PTC IPL 战略的核心，正是通过数字主线拉通设计、制造、交付全流程数据，让 AI 赋能工业生产的每一个业务环节。
值得注意的是，AI 的应用价值呈现出双重性。一方面，它是对现有流程的 「赋能」。正如 PTC 全球资深副总裁兼大中华区总裁刘强所言，AI 无法创建工业软件中原生的、关键的业务数据 （元数据），也无法替代沉淀在工业软件中的数十年行业知识 （Know-How）。AI 的作用是 「让软件更好用，效率更高」，例如通过自然语言交互降低复杂系统的操作门槛，或自动化部分重复性工作流。
另一方面，AI 正在 「重塑」 业务模式。这在以资产为核心的服务管理领域表现得尤为突出。传统的现场服务系统多以工单和客户满意度为中心，而 PTC ServiceMax 则强调 「以资产为核心」，关注设备全生命周期的运行状态、维护历史与性能数据。
PTC ServiceMax 总经理兼 AI 首席战略官 Joseph June 表示，这种模式从根本上改变了企业对服务的理解，目标从执行单次任务，转向最大化资产的全生命周期价值，实现 「通过服务获取营收」 的转型。生成式 AI 的引入，使得系统能够结合资产历史数据与实时上下文，通过自然语言交互提供前瞻性维护建议、甚至自主规划操作，推动服务模式从 「被动响应」 转向 「前瞻性自主运营」。
深水区的 「礁石」，工业+AI 仍有挑战
如果说 2025 年是中国企业 AI 化转型的加速之年，那么 2026 年则是工业 AI 从 「浅滩区」 真正迈向 「深水区」 的关键之年。然而，表面的热潮之下，落地过程中的挑战也浮出水面。有行业人士直言：「制造业领域高质量工业数据少、共享难，一些企业想做智能化改造，却发现数据像一个个孤岛，连不起来，也用不起来。」
在近期举办的西门子 RXD 大会上，西门子董事会主席、总裁兼首席执行官博乐仁道出了工业 AI 与消费级 AI 的根本区别：「在工业场景中，我们需要 100% 可靠的 AI。」
这意味着，工业 AI 面临的挑战远不止技术本身，而是涉及数据、安全、可靠性、组织变革等多个维度。具体来看，当前工业领域应用 AI 主要面临三个挑战。
挑战一：数据 「沉睡」 与语义孤岛。中国工业企业经过三四十年信息化建设，MES、ERP、SCADA 等系统一应俱全，沉淀了海量数据，但这些系统彼此孤立，数据格式、语义标准不统一，数据与业务知识无法有效联动。正如创新奇智 CTO 李凡所分析的，数据不仅分散在各系统中，更重要的是缺乏统一的语义坐标系，导致 AI 无法真正 「理解」 数据背后的业务含义。有行业专家直言，如果 AI 在生产线上 「胡说八道」，代价就是整批次的产品报废。
挑战二：AI 幻觉与工业可靠性的矛盾。工业生产的特殊性决定了面向生产过程的工业 AI 必须坚守可靠、可信、可解释的三大底线。但当前主流的大语言模型存在难以规避的技术短板：线性序列的文本处理方式缺乏对因果关系的深度认知，模型输出的概率性和潜在幻觉不能充分契合工业领域对安全性和确定性的核心诉求。李凡指出，工业智能体要在生产制造核心场景落地，必须突破传统 AI「知其然不知其所以然」 的局限，否则会 「纵马狂奔、一本正经胡说八道」。
另一方面，RAG 技术仅能完成已有答案的检索调用，无法理解并执行复杂工业约束条件；静态模型则存在知识滞后问题，难以实时映射产线与设备运行状态，导致 AI 应用难以真正融入工业核心业务流程。大模型在工业领域的落地困境在于，其本质是基于海量文本训练的自回归模型，擅长生成连贯、合乎语境的文本，而工业核心场景则高度依赖时序数据和物理逻辑。
挑战三：场景深水区的 「最后一百米」。尽管 AI 在工业领域的应用场景广泛，渗透到研发设计、生产制造、经营管理和产品服务等价值链的多个环节，但大多数落地尝试还停留在智能问数、内部知识问答、客服助手等通用类场景。而在生产制造、预测控制等具有更高价值的工业核心场景，大模型的推进和落地相对较少，相关技术、产品和解决方案仍有待进一步破局。这些核心场景对模型的安全性、精准性、时效性、泛化能力以及容错率都有着极高要求，给大模型落地带来了挑战。
除此之外，工业+AI 更深层的问题与其他行业如出一辙：很多企业上 AI 并非出于真实业务需求，而是 「别人都在上，我不上落后了，被淘汰了怎么办？」。
知名财经作者吴晓波曾在文章中分享了一位制造业老板的经历颇具代表性：「去参加 AI 峰会，台上一个同行分享，说用了 AI 质检，人力成本降了 30%，良率提升了 5 个点。我当时热血沸腾，回来就让团队调研，结果汇报说：老板，咱们产线上的问题根本不是 AI 能解决的。」AI 沦为技术装饰而非业务解药，正在成为行业通病。
工业软件厂商的 AI 转型路径
面对这些深水区的挑战，国内外工业软件厂商正在从不同维度寻找破局之道。从 PTC 的 IPL 战略到创新奇智的本体智能体平台，从西门子的工业 AI「操作系统」 到 SAP 的 Joule 智能体，厂商们的布局呈现出清晰的脉络。
先来看看 PTC 的解题思路。面对挑战，PTC 推出了 IPL 战略，从 「数据主线」 的角度切入。Catherine Kniker 指出，PTC 的核心价值就是管好前端产品数据，这也是我们打造 IPL 战略的核心前提——只有做好数据的访问和管理能力，才能让 AI 技术真正在工业场景中发挥价值。
而在 PTC 的闭环 PLM 战略中，ServiceMax 扮演着打通数字世界与物理世界之间数据闭环的关键角色。其核心理念 「以资产为中心」 与传统 CRM 系统以工单或客户为中心的现场服务管理形成了根本性差异：传统的现场服务系统聚焦于工单的具体执行过程，而以资产为核心的模式则会重点关注设备本身，包括设备的基本信息、运维历史、运行状态以及全生命周期相关的数据。
同为国际巨头的 SAP 则是从自身擅长的 「流程」 领域切入，让 AI 深度融入业务流程，从 「记录系统」 走向 「行动系统」。SAP 全球 CEO 柯睿安在 2026 年初的文章中指出，AI 并未取代软件，反而凸显了那些在规模化协同中发挥核心作用的系统不可或缺的价值。柯睿安强调，真正的挑战在于将智能体部署于端到端的供应链或财务关账流程中，同时确保全面合规和审计可追溯。编排调度能力、策略执行与流程确定性，是赢得信任的关键门槛。
2026 年，SAP 的 AI 智能副驾 Joule 正在演变为一个能够真正管理工作、具备多智能体协同能力的系统。在供应链领域，AI 智能体将从概念验证走向嵌入核心业务流程，识别风险和机遇，提出解决方案，甚至自动触发纠正行动。SAP 大中华地区总裁原欣表示，SAP 的智能体本质上是一个个专家系统，沉淀了 SAP 多年在各个业务领域的知识。
而创新奇智则是从平台上着手，通过 AInnoGC 工业本体智能体平台，将 「本体」 与 「智能体」 深度融合。构建从算力、数据、本体到应用的完整技术闭环，实现了工业场景下从 「感知」 到 「认知」 再到 「执行」 的全能力覆盖。面对 「为何这样做？」 的问题，创新奇智 CEO 徐辉表示，智能体发展到当前阶段，客户规模化落地的需求已明确出现，而行业恰恰卡在 「可靠性、规范性」 的关键节点上。针对高可靠场景下的智能体 「纵马狂奔」 问题，创新奇智提出了 「本体」 概念——给智能体 「拴上缰绳」。
徐辉分享到，创新奇智强调工业智能体必须有深厚的行业 Know-How 支撑。其核心壁垒在于 「上下 20% 的关键能力」：上层是深耕 8 大工业细分门类沉淀的独家行业场景与高质量数据，下层是依托本体架构+行业智能体的强工程化落地能力。目前，该平台深度集成 MES、EAM、APS、EMS 等工业系统，可对设备智能运维、生产制造与供应链、质量管控与追溯、全局能源与物控等核心领域实现全场景赋能。据称，基于动态工业图谱推演可实现 95% 以上的准确率，显著降低 AI 幻觉风险。
工业领域的 AI 革命是一场马拉松，而非短跑。其成功不取决于单项技术的突破，而在于能否将先进 AI 技术与深厚的工业知识、坚固的数据基础、灵活的业务架构以及开放的产业生态进行系统性融合。PTC 等传统工业软件巨头凭借其数十年的行业积累与完整的产品矩阵，正通过注入 AI 能力进行 「进化」；而像创新奇智这样的 AI 原生企业，则试图以新的 「本体+智能体」 架构进行 「重塑」。两条路径各有侧重，但最终目标一致：帮助制造业企业唤醒沉睡的数据，跨越数字化转型的深水区，在智能时代构建以产品全生命周期价值为核心的、可持续的新竞争力。这场竞合，将最终决定未来工业的智能图景。
（文｜Leo 张 ToB 杂谈，作者｜张申宇，编辑丨杨林）
