直播回顾：工业AI的下一个机会在哪？

量子位 | 公众号 QbitAI

工业AI，正在从一个个单点项目，走向更真实、更复杂的制造现场。

视觉检测、质量控制、设备运维、工艺优化……越来越多AI能力开始进入产线，直接和良率、OEE（设备综合效率）、产能这些工业指标挂钩。

那到底什么样的AI才适合工业现场？一个成功项目，怎样从一家工厂复制到更多工厂？平台和生态，又能在这个过程中发挥什么作用？

新一期量子位对话节目，我们邀请了 西门子Xcelerator中国销售与生态成功负责人顾欣 ，以及 阿丘科技创始人兼CEO黄耀 ，从真实案例出发，把工业AI从落地到规模化这条链路完整捋了一遍。

整场对谈从一片晶圆开始，最后聊到了工业AI规模化真正缺的那块拼图。

如果错过了直播，不妨跟着这篇回顾，重温一遍节目现场。

黄耀开场讲了一个半导体行业里的真实案例。

晶圆需要被切成一个个芯片或芯粒，但到了微纳尺度，来料差异、表面纹理、型号变化，都会影响设备性能。再加上不同客户要求并不完全相同，设备运行过程中经常需要工程师介入，处理预警、停机和参数调整。

AI首先做的，是把识别这件事做得更准、更稳。

“识别不准，直接把晶圆切坏了，这个损失就非常大。”黄耀说。

阿丘科技先用多模态模型提升识别精度和泛化能力，再进一步把设备工程师积累的部分操作经验沉淀进智能体，让AI从发现问题延伸到分析、处理问题。

最后看的，也不是模型多拿了多少分。

黄耀把衡量标准落到了一个很工业的指标上：OEE，也就是设备综合效率。

在黄耀介绍的案例中，导入智能体技术后，设备OEE和产能可提升25%左右。用他自己的话说：

它可以让这个设备的性能更强，干更多的活。

这其实已经点出了工业AI和很多通用AI应用最大的不同。

进了工厂，AI最终要对生产结果负责。

顾欣随后把这层区别说得更明确：“它最关键的一点，就是 必须具备工业级的可靠性 。”

通用AI一次回答不准确，还可以重新生成。

但到了工业现场，如果判断错了，将会影响生产效率。

在顾欣看来，判断工业AI不能只看模型本身有多聪明。

而是需要它可信、可追溯、可量化 。

一片晶圆，把工业AI最现实的一面摊开了。

识别要准，判断要稳，出了问题还得能追溯，最后更要算得清到底创造了多少价值。

但当这些指标真的被跑出来以后，新的问题很快就来了：在一个工厂里有效的方法，换一家工厂还能不能继续成立？

“工业领域的应用太碎片化了。” 黄耀直言。

在他看来，工业看起来是一个巨大市场，但真正拆开之后，却被不同门类、不同场景、不同工艺切成了一块一块。

即使在同一家企业，不同工厂的设备、数据、流程和规范也可能并不一样。

这也是工业AI很难照搬互联网Scaling路径的原因。

互联网数据可以集中收集，工业数据却往往数量少、不好拿，还涉及工艺和商业机密；模型到了另一个现场，又得重新适配新的设备、参数和系统。

顾欣也认同，工业不是一个天然完全标准化的世界。甚至同一家企业的不同工厂之间，都可能存在差异。

而真正落地时，问题还会继续往下延伸。

它是一项系统工程，不是单一AI算法或单一AI模型的问题。

下面还有设备、数据、算力，上面还要接工艺、控制系统、业务流程和交付体系。

所以，一个项目能跑通，只能证明这个方案在某个具体环境里成立。

真正到了规模化阶段，要复制的其实是一整套进入工业现场的方法。

工业AI从1走向100，考验的已经不只是模型泛化能力，更是能不能把一个高度非标的系统，逐渐做成可以重复交付的产品。

而当问题从“技术能不能用”走到“怎么重复交付”，单个企业的边界也开始暴露出来。

行业急需一个能站出来攒局的平台。

顾欣在节目里表达了对西门子Xcelerator的期待：

我们希望能够做好一个连接器，一个放大器。