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…