前两天，我去某能源央企的AI创新大赛当评委。赛道是“深度研究创新”，一共33个项目进入复赛。

先说三个面上的感受。

第一个，力度。赛场下，集团数智化总监和我们几个外部评委分享国资委和集团在 AI 上的政策举措，力度非常大。该央企几年前整编成立后推动过一次集团建章立制的大变革，目前正在推进第二次变革，这一次的主题是：AI first。把AI提到如此的高度，这已经从技术战略变成了企业战略，动组织、动流程、动考核的力度了。

第二个，广度。33个项目的业务覆盖面，从设备运维、作业区生产管理、施工管理，到员工培训、财务、审计、科研助手、战略研究，几乎每一个业务域都在用AI解决自己的问题。不是几个试点部门在玩，是全线铺开。

第三个，速度。新技术进场快得超出想象：DeepSeek Harness发布不到一个月，已经出现在参赛作品中。在拥抱AI上，央企一点都不慢。

真正让我深有感触的是另外四个信号。

第一个信号，是“本体”。

一天下来，不下5个项目在讲本体，不下10个项目演示中展示了知识图谱。而且没有一个人把它当新概念讲——没有人解释“什么是本体”，大家都是直接讲“我们的本体怎么建、怎么用”。

就在几周前，我在专栏里花了整整四篇文章，论证工业AI需要一个“世界”——一个工业因果结构化的世界模型，讲它是大模型进工厂的地图和缰绳。当时我还在想，这个概念要多久才能成为行业共识。

答案比我预期的快得多。在央企的赛场上，本体和知识图谱已经从前沿探索变成基操，是企业知识建模和应用的默认动作。

我的第一反应是欣慰：我们论证的方向，正在变成现实。第二反应是警醒：当建“本体”成为基操，而工业本体背后的元模型和建模推理技术还未有共识，这之间的差距填补变得很急迫。

第二个信号，是“高质量数据集”。

多个项目不约而同地提到同一个词。想要AI有好表现，业务数据集的质量是关键，这不只是模型的参数量，更在于喂给模型的那批数据到底干不干净、全不全、对不对。

这个信号我太熟悉了。过去几年我反复讲一句话：AI来了，数据反而更重要了。AI像一个放大镜，放大了你能做什么，也放大了你做不了什么；而做不了的那部分，往往不是模型不够好，是数据不够全、不够准。

第三个信号，是“浅水区上不了桌”。

最后评分靠前的5个项目的共同特征：技术先进且和领域知识结合紧密、业务场景闭环做得好、推广价值高。三个条件缺一不可。技术再炫，不贴着业务，上不了桌；场景再真，没有闭环，上不了桌；在自己部门好用但复制不出去，还是上不了桌。

反过来看：那些停留在浅水区的应用，例如换个界面就上线的通用助手、不碰核心业务的边角功能，连这个赛道都进不来。评委席上看得很清楚：浅水区上不了桌，深水区才见真章。

第四个信号，是“标准和规范”。

当天我听了若干遍这样的表述：“符合XX规范”“本体设计结合了XX标准”。行业标准和企业规范，在2B业务里就是入场券，没有例外。你的AI再聪明，过不了规范这道门，就进不了真实业务环节。这件事，越早做进产品设计里，越主动。

一天下来，我的感受一句话总结：

工业AI的竞争，已经从“模型竞赛”转向了“数据+知识+场景+标准”。

基础大模型会越来越聪明，也越来越趋同，那不是工业AI的护城河。护城河是：你有没有高质量的数据喂它，有没有结构化的知识约束它，有没有真实的场景闭环验证它，有没有标准规范让它进得了场。

四样东西，没有一样是大模型厂商能替工业企业做的。它们全部长在行业内部、长在工厂现场、长在日复一日的业务里。

这大概就是这一天给我最大的启示：大模型的使用门槛会越来越低。到最后，真正稀缺的反而是那些看起来不那么性感的东西：你到底有多么了解你的行业、你的企业、你的生产现场和你的组织。了解得够深，才能给AI画出一张它看得懂的地图。

Dr. Lu · 2026年8月

关于作者：Dr. Lu，昆仑数据创始人陆薇。虽然是计算机博士，大部分时间不在机房，而在工厂和去工厂的路上。20年来专注一件事：让数据真正理解工业。她是IEEE TCSVC Woman in Services Computing第一位华人女性获奖者，也是最早参与制定中国工业大数据路线图的那批人之一。这个专栏是她在一线的思考——关于工业AI、关于本体模型和控制论、关于AI在工厂落地那些事儿和人。