从宏观数据看，这一市场空间本身就极为庞大。2024年中国工业增加值达到40.5万亿元，占国内生产总值的30%以上。如此庞大的产业体系，意味着大量生产数据、设备数据和工艺经验长期沉淀在企业内部。这些数据一旦与人工智能结合，能够释放的价值远超过互联网应用。

因此，当前工业领域的技术升级正在从“数字化”走向“智能化”。过去的数字化更多是把生产流程记录下来，现在则开始尝试让算法参与生产决策。同时，人工智能技术也在发生变化，从传统的判别式AI逐渐过渡到生成式AI，再进一步发展为能够理解复杂工业逻辑的大模型体系。

围绕这一变化，我们重点关注三个问题：工业AI的真实价值在哪里，哪些技术路径正在形成，以及哪些公司已经在产业落地中占据位置。

一、工业AI真正的门槛，在于生产数据与行业知识

在互联网应用中，大模型偶尔出现逻辑错误一般不会造成严重后果。但在工业生产中，情况就不同了。

工业系统往往涉及连续生产和复杂设备联动，一旦算法出现偏差，轻则造成设备停机，重则可能带来安全风险。因此，工业场景对模型可靠性要求极高。这也是为什么通用大模型虽然能力强大，但在工业领域仍然难以直接应用。

从另一个角度看，这种严格的可靠性要求反而形成了一道行业门槛。工业AI并不是单纯的算法问题，它同时需要大量生产数据和长期积累的工艺知识。只有深度参与过生产流程的企业，才能理解设备运行规律和工艺逻辑。

正因为如此，工业软件公司往往拥有天然优势。它们长期为制造企业提供自动化系统、生产管理系统或工业互联网平台，掌握了核心生产数据和现场经验。这些资源使得它们在将AI引入生产系统时更加顺利。

从技术发展路径看，工业AI也正在发生变化。过去的模式是“一场景一模型”，比如针对某一台设备开发预测维护算法。这种方式虽然有效，但难以大规模复制。现在随着多模态理解和推理能力提升，越来越多的企业开始尝试“基础模型加应用”的模式，让一个模型能够覆盖多个生产场景。

有研究机构预计，到2026年全球工业软件市场规模将达到5767亿美元，而人工智能将成为推动行业增长的重要力量。

二、流程工业正在进入“AI控制”阶段

如果把工业领域简单划分，大致可以分为两类。

第一类是流程工业，例如钢铁、化工、电力等行业。这类行业的生产过程具有连续性，物料和能量在系统中不断流动，因此生产控制的核心是保持物料平衡和能量稳定。

在过去几十年里，这些行业已经实现了较高水平的自动化。传统控制系统能够根据预设模型调整生产参数，但在复杂工况下仍然需要大量人工经验。

现在人工智能开始改变这一局面。

在流程工业中，AI的角色正从辅助决策逐渐走向直接控制。也就是说，算法不再只是给操作员提供建议，而是可以直接参与生产控制系统。

中控技术推出的时间序列预训练模型TPT就是这一趋势的典型案例。这个模型专门针对工业生产数据进行训练，能够处理大量实时数据，并具备模拟、控制、优化、推理、评价和统计等多种能力。

在石油化工、冶金等行业，生产过程往往涉及大量非线性变量和复杂耦合关系，传统算法难以全面描述。而通过数据学习与机理模型结合，AI可以不断修正控制策略，使生产系统更加稳定。

对于企业来说，这类系统最直接的价值体现在两点。一是节能降耗，二是提高产品收率。这些指标可以直接转化为利润，因此流程工业成为工业AI落地最快的领域之一。

第二类是离散制造。

与流程工业相比，汽车、电子设备等行业属于离散制造。生产过程以零部件装配为主，强调结构设计和运动控制。

在这些行业中，AI的作用更多体现在设计和仿真环节。

一个典型方向是AI结合CAE，也就是计算机辅助工程。传统仿真计算往往需要较长时间，比如结构分析或流体模拟可能需要数小时甚至数天才能完成。AI技术通过代理模型等方法，可以在保持精度的同时大幅减少计算时间。

索辰科技就在尝试利用这种方式提升仿真效率。通过建立降阶模型，复杂仿真计算可以缩短到秒级完成，从而显著缩短产品研发周期。

在生产管理层面，AI也开始融入制造系统。如赛意信息在制造执行系统中引入AI算法，用于订单排程、质量预测等环节。能科科技则在数字孪生领域持续投入，通过虚拟模型模拟设备和生产线运行情况。

离散制造的特点是场景碎片化，每个生产环节都有不同的数据结构。AI的价值在于把这些分散环节连接起来，使生产、设计和供应链之间形成更加顺畅的信息流。

在设备端，华中数控也开始在数控系统中加入AI算法，使机床能够根据加工状态自动调整参数，从而提高加工精度和稳定性。

三、工业Agent正在改变设备运维方式

在工业AI的所有应用中，预测性维护一直是最成熟的方向之一。通过分析设备振动、温度和运行状态，可以提前发现潜在故障。

现在，这一领域正在向更高级的智能体模式发展。

传统预测维护系统只能给出预警信息，而具备智能体能力的系统则可以完成完整的决策流程。例如在钢铁行业，宝信软件正在探索利用大模型构建“设备医生”。

当系统发现设备异常时，它不仅能够判断故障原因，还可以自动制定维修方案，并协调备件库存和维修计划。如果未来结合机器人系统，这种能力甚至可以实现自动检修。

这一模式依赖于不同类型模型的协同。大模型负责理解任务和制定策略，小模型则负责执行具体操作，例如传感器数据分析或设备状态识别。

由于宝信软件在大型钢铁企业长期参与数字化建设，积累了大量设备运行数据，因此在这一领域具有明显优势。

随着技术成熟，未来工业现场可能会出现更多数字化“员工”，负责监控设备、调度生产并处理异常情况。

四、工业AI的投资逻辑正在发生变化

对于资本市场来说，工业AI也正在经历从概念阶段到落地阶段的转变。

过去几年，市场更多关注模型能力本身，现在投资者开始更加关注真实应用。企业是否拥有数据、是否掌握行业场景，成为判断价值的重要标准。

从行业结构看，可以大致分为三类公司。

第一类是流程工业自动化企业，例如中控技术。这类公司在石化和化工领域拥有深厚基础，因此在工业大模型领域具备较强话语权。

第二类是行业解决方案提供商，比如宝信软件和赛意信息。这些企业与制造企业长期合作，客户关系稳定，因此能够更快推动AI产品落地。

第三类是工具软件公司，如索辰科技。这类企业在仿真算法方面具备技术优势，对提升工业研发效率具有重要意义。

政策环境也在推动产业发展。国家提出实施“人工智能+”行动，并将工业智能化作为重点方向。按照规划，到2028年中国将建设450个以上具有影响力的工业互联网平台，工业设备连接数量将达到1.2亿台。

这些基础设施的建设，为工业AI提供了持续增长的市场空间。

综上，重点公司为：中控技术、宝信软件、赛意信息、能科科技、索辰科技、华中数控。