为什么大模型一到工业控制层就碰壁？

虎嗅智库 2026-07-30 11:33

虎嗅智库 2026/07/30 11:33

邦小白快读

全文速览

本文核心围绕大模型难以落地工业控制层的问题，分析了原因，给出了当前行业可行的破局思路，核心干货如下：

1. 大模型进入工业控制层面临三大无法绕开的硬约束：一是控制端要求毫秒级响应，当前大模型推理速度达不到要求；二是工业现场零容错，大模型的“幻觉”问题可能引发产品报废、设备损坏甚至安全事故，后果无法承受；三是工业现场是部分可观测系统，很多决定生产结果的关键变量无法测量，传统IT系统存储的数据多是压缩后的无效数据。

2. 目前业内总结出的可行路线是：通用大模型不直接输出控制指令，只承担知识推理辅助工作，把物理机理、专家经验、小数据AI、因果推断与边缘控制结合，分小数据AI和大数据AI两层架构，分别解决控制层和管理层的不同问题。

3. 当前行业仍面临规模化复制难的问题，核心矛盾是重度项目制服务和标准化产品化的冲突，这是整个行业接下来需要共同突破的技术断层。

本文分析了工业AI落地控制层的现状与趋势，能为品牌商布局供应链升级、把握生产端变革机会提供参考，核心内容如下：

1. 当前超过七成制造企业已经开始引入AI，但绝大多数都停留在采购、排产、质检等外围管理环节，核心控制层的智能化升级还几乎空白，生产端智能化升级存在巨大市场空间，品牌商可以提前布局供应链智能化改造，适配消费端对产品品质、成本控制的要求，抢占竞争优势。

2. 成熟的控制层工业AI能够解决传统生产中“同参数不同良率”、关键参数测不准的问题，帮助品牌商稳定产品品质，降低能耗、人力等生产成本，还能提升生产效率，更好应对消费端多规格、小批量的需求变化。

3. 目前从控制底层改造的技术路线已经跑通，只是规模化复制还需要时间，品牌商可以结合自身产品生产的核心需求，优先针对影响品质的核心工艺环节试点改造，逐步推进升级。

本文揭示了工业AI领域的发展现状与机会风险，能帮助布局工业赛道的卖家把握方向，核心干货如下：

1. 当前工业AI市场呈现外热内冷的格局，七成制造企业已经布局AI，但都集中在IT管理外围，核心控制层几乎没有成熟的可复制方案，这是一个体量巨大的增量市场，有实力的玩家可以提前切入布局。

2. 目前行业已经形成清晰的破局路线，这套路线高度依赖现场工程能力和行业专家经验，中小卖家不要盲目单独投入，可以选择和具备控制层壁垒的自动化企业、技术服务商合作切入，降低研发和落地风险。

3. 当前行业需要注意的风险包括：老产线改造成本高，跨行业复制难度大，当前还是以项目制为主难以爆发式增长，机会点在于谁能率先把“数据诊断—因果分析—控制重构—边缘部署”整套工具链做成标准化产品，谁就能拿到行业的先发优势，建议卖家优先深耕单个垂直行业，再逐步扩张。

本文给出了工业AI落地工厂控制层的具体思路，能为工厂推进数字化智能化升级提供明确指导，核心内容如下：

1. 当前很多工厂建设了数据平台，采集了大量数据却无法让AI发挥作用，核心原因是传统IT系统存储的多是压缩后的均值、极值参数，真正影响生产结果的关键控制特征往往已经丢失，因此工厂推进数字化不能盲目追求数据总量，要围绕核心工艺梳理关键控制变量，优先保障关键数据的完整性和真实性。

2. 针对不同类型的生产，有清晰的落地方案：流程工业可以用时序大模型预测连续生产的趋势，离散制造可以用结合因果推断的时因大模型，解决参数波动、良率不稳的问题；针对核心变量无法直接测量的场景，可以用软测量加物理神经网络的方案，把控制对象从间接参数转向真正需要管控的核心变量，提升良率降低能耗。

3. 老工厂升级要先测算前期改造成本，优先明确“控制什么”再优化“怎么控”，避免盲目投入改造。

本文梳理了工业AI领域的客户痛点、技术路线和发展方向，能为工业相关服务商明确发展路径，核心干货如下：

1. 当前行业的核心客户痛点非常清晰：超过七成制造企业已经布局AI，但是大模型无法落地核心控制层，很多客户搭建了数据平台，却无法形成生产控制的安全可靠闭环，普遍面临关键数据缺失、良率不稳定、老产线改造成本高的问题，市场需求非常旺盛。

2. 目前已经验证可行的技术路线清晰：将物理机理、专家经验、因果推断、边缘控制相结合，分小数据AI和大数据AI两层架构，分别满足控制层和管理层的需求；针对离散制造推出结合因果推断的时因大模型，针对关键变量不可测场景，用软测量方案调整控制对象解决问题。

3. 未来的发展机会在于，把整套落地方法论和工具链逐步标准化产品化，降低跨行业复制的成本；目前因果推断还处于工程化早期，有技术实力的服务商可以提前布局相关研发，抢占市场先机。

本文分析了工业企业对工业AI的核心需求，能为工业平台商调整布局、规避风险提供参考，核心内容如下：

1. 当前工业企业对AI落地核心控制层的需求非常强烈，但大多数平台现有的服务只能满足管理层的应用需求，无法支撑控制层深度决策、和物理世界高频交互的需求，平台需要针对性引入具备控制底层技术能力的服务商，完善全链路服务能力，满足企业智能化升级的完整需求。

2. 平台招商可以重点关注两类玩家：一类是具备控制层底层壁垒的自动化企业，一类是掌握行业专家经验的AI技术团队，这类玩家的方案已经在核心场景跑通，能解决客户真实痛点，转化率和留存率更高。

3. 平台运营中需要帮助客户规避风险：要提示客户控制层AI目前还依赖项目制，老产线改造前期成本高，跨行业复制难度大，平台可以推出分阶段改造的配套服务，帮助客户降低试错成本，同时引导客户先梳理核心工艺的关键需求，再落地改造，避免盲目投入。

本文揭示了工业AI发展的核心断层与新动向，提出了待解决的新问题，对产业研究有较高的参考价值，核心内容如下：

1. 产业新动向方面，当前工业AI已经从外围管理层向核心控制层渗透，原有通用大模型直接落地控制层的路线走不通，行业已经出现了从控制底层逆向破局的新路线，提出了小数据AI加大数据AI的两层架构，针对中国占比很高的离散制造，提出了结合因果推断的时因大模型新技术方向，产业分工也开始出现重构趋势。

2. 当前产业面临的核心新问题包括：因果推断还处于从学术到工程化的早期阶段，落地极度依赖行业专家经验，项目制服务和标准化产品化的冲突难以解决，老产线改造成本高，跨行业复制难度大，这些都是值得深入研究的核心方向。

3. 未来产业和商业模式的发展方向是，把“底层数据诊断—动态因果剖析—控制算法重构—边缘低成本部署”整套方法论和工具链产品化，实现工业AI的规模化复制，模型公司、工业软件公司、自动化公司和客户工艺团队会形成新的分工格局，值得持续跟踪研究。

返回默认

声明：快读内容全程由AI生成，请注意甄别信息。如您发现问题，请发送邮件至 run@ebrun.com 。

我是品牌商卖家工厂服务商平台商研究者帮我再读一遍。

Quick Summary

This article focuses on the challenges that prevent large foundation models from being implemented in industrial control layers, analyzes the root causes, and outlines currently feasible solutions for the industry. Key takeaways are as follows:

1. Three hard constraints block large models from entering industrial control layers. First, control systems require millisecond-level response, which current large models cannot deliver with their existing inference speed. Second, industrial sites demand zero tolerance for errors: large model "hallucinations" could lead to product scrapping, equipment damage, even safety incidents with unacceptable consequences. Third, industrial sites are partially observable systems: many key variables that determine production output cannot be measured, and most data stored in traditional IT systems are compressed, low-value data.

2. The currently validated feasible approach is: general large models do not directly output control commands, but only assist with knowledge reasoning. The optimal architecture combines physical mechanisms, expert experience, small-data AI, causal inference and edge control, splitting the system into two layers: small-data AI and big-data AI, which address the different requirements of control layers and management layers respectively.

3. The industry still faces the challenge of difficult scalable replication. The core contradiction lies between heavy project-based service delivery and standardized productization, which is a technical gap the entire industry needs to collectively overcome in the coming period.

This article analyzes the current status and trends of industrial AI implementation in control layers, providing reference for brands planning supply chain upgrades and capturing production transformation opportunities. Key takeaways are as follows:

1. Currently, more than 70% of manufacturing companies have started adopting AI, but the vast majority of deployments remain in peripheral management functions such as procurement, production scheduling and quality inspection. Intelligent upgrading of core control layers remains almost entirely untapped, creating enormous market opportunities for production-side modernization. Brands can advance intelligent transformation of their supply chains ahead of competitors to meet consumer requirements for product quality and cost control, building sustainable competitive advantages.

2. Mature industrial AI for control layers can resolve longstanding problems in traditional production such as "different yield rates under identical parameters" and unmeasurable key parameters, helping brands stabilize product quality, cut energy consumption, labor and other production costs, improve production efficiency, and better adapt to changes in consumer demand for multi-specification, small-batch production.

3. The technical route for transformation from the control layer bottom-up has already been validated, though scalable replication will take time. Brands can align transformation projects with core production requirements for their products, prioritize pilot transformation of core process links that have the greatest impact on product quality, and roll out upgrades incrementally.

This article outlines the current development status, opportunities and risks in the industrial AI space, helping sellers targeting the industrial sector align their strategic direction. Key takeaways are as follows:

1. The current industrial AI market shows a pattern of "external hype, internal underdevelopment": 70% of manufacturing companies have adopted AI, but all deployments are concentrated in peripheral IT management, with almost no mature, replicable solutions for core control layers. This represents a huge incremental market, and capable players can enter and establish a foothold early.

2. The industry has already developed a clear path to overcome current barriers. This approach is highly dependent on on-site engineering capabilities and industry expert experience. Small and medium-sized sellers should not invest independently blindly; instead, they can partner with automation firms and technology service providers with control layer barriers to enter the market, reducing R&D and implementation risks.

3. Key risks to note in the current industry include: high retrofitting costs for existing production lines, high barriers to cross-industry replication, and a project-based dominant model that prevents explosive growth. The biggest opportunity lies in who can first standardize the full toolchain of "data diagnosis – causal analysis – control reconstruction – edge deployment" into a standardized product, to capture first-mover advantage. We recommend sellers prioritize deep cultivation in a single vertical industry before expanding incrementally.

This article lays out a concrete approach to implementing industrial AI in factory control layers, providing clear guidance for factories advancing digital and intelligent transformation. Key takeaways are as follows:

1. Many factories have built data platforms and collected large volumes of data, but still cannot realize value from AI. The core reason is that traditional IT systems mostly store compressed average and extreme parameters, while the key control characteristics that actually impact production outcomes are often lost. For this reason, factories should not blindly pursue total data volume when advancing digital transformation; instead, they should map key control variables around core processes, and prioritize the completeness and accuracy of critical data.

2. Clear implementation frameworks exist for different types of production: process manufacturing can use time-series large models to predict trends in continuous production; discrete manufacturing can leverage time-causal large models integrated with causal inference to resolve issues of parameter fluctuation and unstable yield; for scenarios where core variables cannot be measured directly, a soft sensing approach combined with physical neural networks can shift the control target from indirect parameters to the core variables that actually require management, improving yield and reducing energy consumption.

3. For retrofitting existing factories, teams should calculate upfront transformation costs first, clarify "what to control" before optimizing "how to control", to avoid blind investment.

This article organizes customer pain points, technical routes and development directions in the industrial AI sector, helping industrial service providers clarify their development paths. Key takeaways are as follows:

1. Core customer pain points in the current industry are very clear: more than 70% of manufacturing companies have deployed AI, but large models cannot be implemented in core control layers. Many customers have built data platforms but cannot form a safe, reliable closed loop for production control, and commonly face issues including missing critical data, unstable yield, and high retrofitting costs for existing production lines. Market demand is very strong.

2. The currently validated feasible technical route is clear: combine physical mechanisms, expert experience, causal inference and edge control into a two-layer architecture of small-data AI and big-data AI, to meet the requirements of control layers and management layers respectively; launch time-causal large models integrated with causal inference for discrete manufacturing, and use soft sensing solutions to adjust control targets for scenarios with unmeasurable core variables.

3. Future development opportunities lie in gradually standardizing and productizing the full implementation methodology and toolchain, to reduce cross-industry replication costs. Currently, causal inference is still in the early stages of engineering, so service providers with technical capabilities can advance related R&D early to capture first-mover advantage.

This article analyzes the core demand for industrial AI from industrial enterprises, providing reference for industrial marketplace platforms to adjust their layout and mitigate risks. Key takeaways are as follows:

1. Currently, industrial enterprises have strong demand for AI implementation in core control layers, but most existing platform services can only meet application requirements for management layers, and cannot support the deep decision-making and high-frequency interaction with the physical world that control layers require. Platforms should specifically onboard service providers with core underlying control layer technical capabilities to improve end-to-end service capabilities, and meet the full requirements of enterprises for intelligent upgrading.

2. Platform recruitment can prioritize two types of players: automation companies with underlying barriers in control layers, and AI technical teams with deep industry expert experience. Solutions from these players have already been validated in core scenarios, can solve real customer pain points, and deliver higher conversion and retention rates.

3. Platform operations should help customers mitigate risks: remind customers that control layer AI still relies on project-based delivery, upfront retrofitting costs for existing production lines are high, and cross-industry replication is difficult. Platforms can launch supporting services for phased transformation to help customers reduce trial-and-error costs, and guide customers to map core requirements of core processes before implementing transformation, to avoid blind investment.

This article reveals the core gaps and new trends in industrial AI development, proposes unresolved new problems, and offers high reference value for industry research. Key takeaways are as follows:

1. In terms of new industry trends, industrial AI is now penetrating from peripheral management layers to core control layers. The original route of directly deploying general large models in control layers is unworkable, and the industry has developed a new bottom-up approach starting from the control layer, which proposes a two-layer architecture of small-data AI plus big-data AI. For discrete manufacturing, which accounts for a large share of China's manufacturing sector, the industry has put forward the new technical direction of time-causal large models integrated with causal inference, and industrial restructuring of division of labor is already emerging.

2. Core new challenges facing the industry include: causal inference is still in the early stage of transition from academia to engineering implementation, deployment is extremely dependent on industry expert experience, the conflict between project-based service and standardized productization remains unresolved, retrofitting costs for existing production lines are high, and cross-industry replication is difficult. All of these are core directions worthy of in-depth research.

3. The future development direction of the industry and business models is to productize the full methodology and toolchain of "bottom-layer data diagnosis – dynamic causal analysis – control algorithm reconstruction – low-cost edge deployment", to enable scalable replication of industrial AI. Model developers, industrial software firms, automation companies and customer process teams will form a new division of labor pattern, which deserves continued tracking and research.

Disclaimer: The "Quick Summary" content is entirely generated by AI. Please exercise discretion when interpreting the information. For issues or corrections, please email run@ebrun.com .

I am a Brand Seller Factory Service Provider Marketplace Seller Researcher Read it again.

作者 | 于向南

在办公桌前，大模型可以熟练地写报告、写代码，错了就重新生成。

但在工业现场，没有“重新来过”这个按钮。一毫秒的延迟、一次哪怕千分之一的算法幻觉，代价可能就是整批产品报废、设备撞机，甚至停产安全事故。

虎嗅智库在前不久的《Agent下车间》主题闭门会上观察到：超过七成参会企业已开始将AI引入工厂。

然而繁荣背后，断层极其明显——多数企业的工业AI仍停留在采购、排产、质检、售后等IT与管理外围环节。一旦涉及需要深度决策、或与物理世界高频交互的设备控制与工艺重构，成功落地者寥寥无几。

工业AI真正的难点根本不是数据太少，而是决定物理世界真实状态的关键数据，在传统IT系统中常常根本不存在，或者早已被严重压缩、失真失效。

面对这堵最难啃的“OT硬墙”，工业AI的破局点究竟在哪里？

对此，虎嗅智库与汇川技术展开了一次深度探讨。作为在制造智能和AI底层应用上拥有深厚控制层壁垒的自动化巨头，汇川技术的智能制造开发及应用专家方宁博士，分享了他们从控制底层逆向打破行业僵局的实践思路：

工业AI真正的分界线，不只是IT与OT，而是AI能否在毫秒响应、零容错和信息不完整的条件下，对物理世界形成安全闭环。

控制层缺的往往不是更多数据，而是能够反映设备和工艺真实状态的关键变量；这些变量可能测不到，也可能在数据上传过程中被压缩掉。

通用大模型很难直接接管设备控制，现阶段更可行的路线，是把物理机理、专家经验、小数据AI、因果推断与边缘控制结合起来。

工业AI规模复制的对象不是某一个模型，而是“数据诊断—因果分析—控制重构—边缘部署”整套工具链和方法论。

这条路线最深的壁垒，也是最大的商业化约束：它高度依赖行业专家和现场工程能力，能否从项目制走向产品化，决定了其最终天花板。

以下为方宁博士的分享及互动实录：

一、大模型为什么跨不过工厂的“最后一米”？

虎嗅智库：先划一条边界。大模型在工业管理端已经能写报告、查知识、做培训，为什么一进入设备控制和工艺调整，难度就完全不一样了？

方宁：大模型的优势主要是语义理解和技术推理。因此，在管理端，也就是IT侧，它可以帮助工程师写报告、检索知识、做培训，这些应用相对容易落地。

但一旦进入设备控制、工艺优化、参数调整等OT侧场景，AI面对的就不再是文字和知识，而是一条真实运行的生产线。这里有三道“硬约束”是绕不过去的。

第一是实时性。控制端经常要求毫秒级响应，而大模型目前的推理速度很难跟上设备的运行节拍。生产线不会停下来等模型思考完再动作。

第二是安全性。工业现场对错误几乎是零容忍的。聊天机器人答错一句话可以重新生成，但控制系统做错一个动作，带来的可能是废品、停线，甚至设备和人身事故。大模型在文本场景中的“幻觉”，在生产线上是不能被接受的。

第三是不可观测性。现场采集到的数据，并不是物理世界的全部真相。传感器能看到的只是少数切面，而真正决定工艺结果的变量，可能没有被测到。

虎嗅智库：这是否意味着，大模型只能停留在工厂的管理端，无法进入OT侧？

方宁：不能简单理解为“大模型不能进入OT”，关键是它以什么方式进入。

如果让通用大模型直接输出设备控制指令，风险很高。但如果让它承担知识理解、辅助诊断和技术推理，再由机理模型、优化算法和控制系统负责执行，路径就不同了。

因此，我们在架构上把工业AI拆成两个方向：小数据AI和大数据AI。

小数据AI是以机理为主、数据为辅。它要吸收资深工程师在工艺诊断、参数调整和设备操作上的经验，再结合传感器反馈、领域知识、优化算法与物理机理模型。

它主要解决的是“两提四节双安全”：提升品质、提升效率；节省成本、能耗、人力和折旧；同时保障人身安全与设备安全。

这条路线的特点是，在同一领域内具有较强的泛化能力。只要第一性原理和关键机理被分析透，就有机会在不同设备和相近场景中进行自适应应用，也能尽量避免大模型的“幻觉”和偏差。

大数据AI则是以数据为主、机理为辅，更偏向IT层和多源数据融合，主要用于全厂级生产调控和跨系统的预测性维护。

两者不是互相替代，而是在不同层级解决不同问题。

二、工厂已经采了很多数据，为什么AI还是看不懂？

虎嗅智库：不少工厂已经建设了数据平台，设备数据也在不断上云。为什么这些数据一进入控制层，仍然难以形成安全、可靠的闭环？

方宁：核心原因是，工业现场在数学上属于“部分可观测系统”。

物理系统的真实状态是高维的，也很难被完全穷尽。但传感器采集并传到IT端的数据，只是经过压缩后的少数数值。看起来数据很多，并不意味着它们足以还原现场。

以炉膛温度为例，我们通常通过热电偶测量温度。但热电偶测到的，只是某个位置、某个采样频率下的温区数据。产品在生产线上流动时，它内部或表面的真实温度，可能根本无法直接测量。

再比如反应器中的催化剂活性，它的真实状态也很难直接获取，只能通过外围指标进行估算。

工厂里还有一个常见问题，叫“同参数、不同良率”。在IT系统中，两台机台的控制参数看起来完全一致，但一台良率高，另一台良率低；或者同一台设备之前运行正常，过一段时间后，同样的参数却无法得到同样的结果。

原因在于，传统IT系统看到的往往是均值、极值或经过压缩的数据。那些真正决定物理状态变化的底层控制特征，可能在上传过程中已经丢失。

所以，AI的难点不一定是数据太少，而是关键数据常常根本不存在，或者以错误的形式存在。

虎嗅智库：也就是说，工厂数据平台上的“参数一致”，并不代表设备在物理世界里的状态一致？

方宁：对。工业控制在数据层面会遇到三层挑战：

第一层是，可观测数据如何影响结果。例如，不同参数设置、不同人员操作，分别造成了怎样的结果差异。这一层，大多数IT工程师和工艺工程师可以通过关联模型来分析。

第二层是，数据看起来一致，结果却不一致。同一套控制方案之前有效，过一段时间后失效；或者系统显示两台机台参数完全相同，良率却相差很大。这通常意味着，现有数据没有反映物理世界的真实变化。

第三层更难，如何找到未被观测的数据，以及如何处理从未出现过的即时问题。

传统机器学习模型的能力边界，往往由训练数据集决定。但工业现场的突发问题经常会突破这个边界。如果模型从未见过类似状态，仅靠历史数据进行外推，就很容易失效。

虎嗅智库：那问题就变成了——既然关键变量测不到，AI究竟该依据什么做判断？

方宁：这正是工业AI必须引入机理、专家经验和因果分析的原因。不能只问“哪些数据和结果同时出现”，还要继续追问：设备为什么变成这个状态？哪个变量真正推动了结果变化？如果改变某个控制动作，结果会发生多大变化？

这也是我们强调从控制底座向上构建AI能力的原因。

三、从“相关”走向“因果”，能解决什么问题？

虎嗅智库：“相关性”和“因果性”听起来比较学术。放到工厂里，两者到底差在哪里？

方宁：可以用一个经典例子来理解。

统计数据可能显示：一场火灾中，出动的消防员越多，最终造成的经济损失往往越大。如果只看相关性，模型可能得出一个荒谬结论——少派消防员，就能减少损失。

但因果分析会继续追问：真正同时影响消防员数量和经济损失的变量是什么？答案是火灾规模。火灾越大，需要的消防员越多，造成的损失也越大。消防员数量和经济损失都是结果，火灾规模才是背后的关键原因。

工业现场也一样。模型不能因为某个参数与良率同时变化，就认定调整这个参数一定能提升良率。我们需要判断谁是因、谁是果，以及改变某个变量后，结果究竟会发生多大变化。

问题在于，我们无法让同一台设备在同一时间既执行某项调节，又不执行这项调节，再对两个结果进行直接比较。因此，传统统计方法往往只能基于不同样本“拉平均”，但工业控制真正需要的是对干预结果进行量化。

虎嗅智库：那么，因果推断具体如何进入设备控制？

方宁：因果推断通常可以分为三个层次：观察、干预和反事实。

观察是看到了什么，传统深度学习主要擅长这一层；干预是主动调整参数，观察系统如何变化；反事实则进一步追问，如果当时没有做这个动作，结果会不会不同。

在工业应用中，我们重点关注两个框架。

一个是Judea Pearl提出的结构因果模型，即SCM。它主要解决变量之间“谁是因、谁是果”的因果图谱问题。

另一个是Donald Rubin提出的潜在结果模型，即POM。它关注的是：某个原因发生变化后，具体能够带来多大的结果变化。

工业界真正关心的，不只是“这个参数可能有影响”，而是“调整多少、结果改变多少、是否值得调整”。

不过，因果推断目前整体仍处在从学术研究走向工业试点的阶段。

四、连续生产可以预测趋势，离散制造为什么不够？

虎嗅智库：市场上已经出现了不少时序大模型。汇川提出的“时因智能体”和“时因大模型”，与时序大模型有什么区别？

方宁：时序大模型更擅长预测连续过程的演化趋势。对于连续不间断、涉及物理化学变化的流程工业，这类模型比较适用。

但中国有大量工厂属于离散制造。离散制造是围绕工单、事件、领料批次和加工周期运行的，具有明显的周期性。生产规格一变，运行参数也会频繁地被人为调整。

这意味着，离散制造不能只沿着时间线向后预测。模型还要理解：这次参数变化是设备状态造成的，还是因为更换了工单？良率波动来自原材料批次，还是来自操作方式？系统当前看到的观测值，究竟能不能反映真实状态？

因此，离散制造不仅要用时序预测“接下来会发生什么”，还要用因果关系解释“为什么发生、改变哪个变量才有效”。基于这一思路，我们推出了时因大模型。

虎嗅智库：技术路线讲清楚之后，下一步就是落地。在具体的工业场景中是如何分类落地的？

方宁：我们认为，工业AI的案例不应该按行业平铺罗列，这样很容易变成项目清单，且看不出方案能否复制。

工业AI更应该按照问题类型进行分类：现场究竟是测不到真实变量，还是控制动作和工艺结果脱节？只有先识别问题类型，才能选择相应的模型、算法和控制方案，并在落地前算清楚商业回报。

比如真实变量测不到的问题。

代表场景包括纺织染整温控、硅片热处理炉膛温度。

这类场景的共同问题是：真正需要控制的变量无法被直接测量，而且系统存在明显迟滞。

例如在烘箱中，传统控制对象往往是箱体内的空气温度，但企业真正关心的是布匹或硅片表面的实际温度。由于系统响应存在8至10分钟的迟滞，人工通常会凭经验把温度设得更高，以确保产品“热透”。但这样很容易造成温度超调和能量浪费。

我们的解决思路是引入软测量与物理神经网络。通过热电偶网络和高温红外探测仪的数据流，模型逆向逼近并预测产品表面的真实温度，再结合即时寻优算法，动态调整各节烘箱的车速和温度输出。

这里最关键的变化，不只是增加了一个模型，而是改变了控制对象：从控制“箱体空气温度”，转向控制“布匹或硅片表面的真实温度”。

虎嗅智库：换句话说，AI首先要解决的不是“如何控得更准”，而是“究竟应该控制什么”？

方宁：是的。如果控制变量选错了，后面的算法再精确，也只是在更精确地控制一个不能代表真实工艺结果的指标。

五、技术能跑通，为什么仍然难以复制？

虎嗅智库：整体听下来这套方案非常硬核，在实际落地过程的难点、痛点在哪里？哪里可能会慢，哪里可能会失败？

方宁：坦诚地讲，工业AI这套路线绝对不是纯软件生意，更不是弄个通用大模型就能即插即用的。它跟底层的设备、核心工艺、控制系统以及现场极其繁重的工程实施是死死绑在一起的。这也意味着，它天然就比那种纯软件AI难推得多，也很难做到爆发式的快速复制。

实际推的时候，痛点非常现实：

首先是因果推断还在工程化早期，很多算法在离散制造里也还在试错，远谈不上成熟。

其次是极其吃“老师傅”经验。模型能跑起来，前提是有懂工艺的人把机理讲透；光扔给AI一堆控制数据，一点用都没有。

再一个是老产线的坑太深。设备协议不通、传感器不够、数据质量差，光是搞定这些前期改造成本就高得离谱，直接拖慢进度。况且跨行业复制基本等于重新来过。锂电的那套东西是无法放到纺织上，每进一个行业都要重新啃一块硬骨头，复制成本根本下不来。

最核心的硬伤，还是在项目制和产品化的冲突上。现在基本是靠专家带着团队去现场帮客户硬啃。如果不能把这些重度的现场经验变成标准化的产品和工具，规模化就无从谈起。

虎嗅智库：这是否意味着，工业AI的护城河和天花板其实来自同一个地方——行业知识越深，能力越难替代，但复制也越慢？

方宁：可以这样理解。工业AI未来是模型公司、工业软件公司、自动化公司和客户工艺团队之间的重新分工。

工业AI的规模复制，绝对不是把一个现成的模型简单复制到十个工厂，而是要把“底层数据诊断—动态因果剖析—控制算法重构—边缘低成本部署”这套方法论和工具链实现产品化。

目前来看，数据诊断和边缘部署环节可以逐步自动化，但中间的核心因果剖析与工艺重构，依然高度依赖专家团队。复制的快慢，取决于该行业的标准化程度，这也是整个工业AI界需要共同攻克的技术断层。

注：文/虎嗅智库，文章来源：虎嗅智库服务(公众号ID：huxiuzhikufuwu)，本文为作者独立观点，不代表亿邦动力立场。

文章来源：虎嗅智库服务

FAQ回顾

大模型为什么难以直接应用于工业控制层？

工业控制层存在三大不可逾越的硬约束：一是要求毫秒级响应，大模型当前推理速度难以跟上设备运行节拍；二是对错误零容忍，大模型的幻觉可能引发废品、停线乃至设备人身安全事故；三是工业现场属于部分可观测系统，采集的数据不足以还原真实物理状态。

工业AI落地OT侧的可行技术路线是什么？

现阶段通用大模型不宜直接输出设备控制指令，更可行的路线是将物理机理、专家经验、小数据AI、因果推断与边缘控制相结合，拆分小数据AI、大数据AI适配不同层级需求，落地时按问题类型匹配对应解决方案。

离散制造场景适用什么类型的工业AI模型？

离散制造具有工单驱动、参数随生产规格频繁调整的特征，仅靠时序大模型预测演化趋势不足以支撑需求，还需结合因果关系解释波动原因，可采用融合时序预测与因果分析能力的时因大模型方案。