编者按：过去十年，工业数智化经历了三波技术浪潮，第一波工业大数据（2015-2018）、第二波工业互联网（2017-至今）、第三波工业AI（2023-至今）。我从第一波开始亲历，一直走到现在这第三波。写这篇是想回答一个被反复追问的问题：这一次的工业AI，和前两波有什么不同？我的答案是：这不是一次替代，而是一场接力。同样是一家之言，仅供参考。
先自曝一段经历。
2014年底，我创立昆仑数据做工业大数据，是第一波浪潮里最早的选手之一。那几年行业热气腾腾：国际上，Uptake两年估值冲到二十多亿美元、C3.ai风头正劲；国内，我们和同行一起，把“工业大数据”写进了“中国制造2025”技术路线图。昆仑数据还和清华大学一起发起，并联合了若干国内头部的工业企业、行业研究院所、领先高校共建了北京市的第一家制造业创新中心——北京工业大数据创新中心。
第二波也没有缺席。2017年起，工业互联网接过旗帜，我们选了垂直行业平台的方向，做特定行业的工业互联网平台，把行业上下游企业通过平台链接起来，把原来靠邮件、电话、线下单据支持的业务往来和数据交互搬到了线上，也基于平台汇聚的行业数据做了一些增值服务。这些行业平台中大部分拿过国家级和省级的工业互联网平台示范，在所在行业产生了一些影响力。
第三波就是眼下：2023年起，工业AI。大模型进车间、智能体上岗、工厂开始讨论“AI原生”。
实话说，前两波浪潮中，那些当时的弄潮儿，无论是国际还是国内，没有一家成长为工业领域公认的平台级公司，长出类似工业自动化时代的西门子、工业信息化时代的SAP那样的公司，包括我们自己。
十年，三波，一次没落下。所以当有人问我“这一波和前两波有什么不同”的时候，我想先说清楚问题本身。
很多人把这三波讲成“三次迭代”、“两次失败一次翻身”。我不这么看。
这三波是接力关系。工业大数据和工业互联网，是工业AI时代的第一棒和第二棒：在LLM出现之前，它们为AI进工业奠定了数据基础。没有前两棒攒下的家底，第三棒不可能在工业领域里迅速起飞。
第一棒攒下了什么？
工业大数据那几年，行业干成了一件最不性感、但最要紧的事——让工业数据从“不存在”变成“存在”。数据采集、数据治理、数据标准，把散落在设备、产线、各个系统里的数据聚拢起来。今天回头看，那是给AI备粮。
工业互联网那几年，干成的是第二件事：让数据从“孤岛”变成“流动”。设备连上网、上下游链起来、业务往来搬到线上。仔细想想，那是给AI修路。
还有第三件事，很少被提起，但可能最重要：一整代人对“工业+数智化”的认知。哪些路走得通、哪些是坑、工业客户真正为什么买单？这些学费，全行业一起交的，也一起记在了账上。
数据备齐了，路修通了，认知到位了，还缺一套把数据价值提炼出来、变成生产决策的能力。它要能理解、估计、推断、控制和治理，这不是单个引擎能搞定的。前两波的探索之所以价值落不了地，是因为当时的工具还不够强。找规律、做预测的分析型AI，撑得起报表和驾驶舱，撑不起生产一线的决策闭环。
然后，LLM来了。
大模型第一次让机器能“理解”工业语言：读得懂工艺文档，答得上现场问题，生成得了控制代码。但它解决的只是拼图中很重要的几块：复杂语境的理解、工业知识的运用、多个专用模型的编排、人与机器的交互。车间里还有几块硬骨头：生产状态怎么精准估计、一个控制动作会带来什么后果、因果到底怎么识别、优化控制怎么落地、安全边界怎么治理……这些恰恰还长在工业侧，要靠工业自己的知识和工程去补。
而“为什么是现在”？关键在于：工业数字化基础、Foundation Model的语境理解能力、数值模型/机理模型/因果推断/优化控制这些技术的组合能力，在同一时期开始成熟，过去分散在各自领域里的各项能力，第一次有机会连成一个连续运行的决策系统。
三个条件，缺一不可：
第一，工业数字化让机器能够“看见生产”。设备状态、工艺参数、操作行为、报警、控制动作、生产结果，过去无法完整记录的State-Action-Outcome链条，开始可以被持续记录和分析；越来越多生产系统本身也具备了数字化控制接口，AI不只能看，还能动手。
第二，Foundation Model让机器开始“理解现场”。工业决策的依据是实时数据、工艺知识、设备关系、操作规程、专家经验、历史事件交织在一起的复杂语境。之前的技术也能多少理解一部分，而新一代AI的关键跃迁是：第一次能以较低的工程成本，同时处理文本、知识、关系、历史事件和专业模型输出这些高度异构的语境，并承担起更强的推理和编排角色。
第三，过去各自为战的技术，开始能组合成一个连续运行的决策系统。状态估计、机理模型、机器学习、因果推断、优化算法、控制系统，每一项都已存在多年，但直到新一代AI出现，它们才开始围绕同一个生产对象协同工作。
准确地说：工业数字化让机器“看见生产”，新一代AI让机器开始“理解状态、推演后果、做出决策并从结果中学习”。工业数据智能与Foundation Model第一次具备了形成系统能力的条件。那些过去一直存在、一直无解的重要问题，从技术上第一次具备了解决条件。
回头看这三个条件，数据是第一棒备的粮，控制接口和联接是第二棒修的路，甚至“AI该用在哪”的行业共识，也是前两波用十年学费换来的。LLM不是来替代前两波的，是来兑现前两波的。
往大了说，这就是这一波产业创新的源动力：以LLM为代表的新一代AI，真正改变的是三件事：多种专业能力的组合成本大幅下降、复杂语境的处理能力大幅增强、软件化的经济边界大幅扩张。这三件事叠加在一起，意味着：很多行业里长期存在、但此前“技术上不经济”或“工程上过重”的问题，正在重新进入可解空间。一轮新的产品创新和创业机会正在从这些缝隙里长出来。
还有一点，一部分过去只能靠定制项目完成的能力，开始有机会沉淀成可复用、可持续运行的产品能力。至于最终会形成怎样的产品形态、能不能长成真正的平台，现在还远没有答案，但方向已经逐渐清晰。
对在工厂里做决策的人来说，这场变化同样具体。过去你想用数据优化自己的工艺，选项只有两个：买一套昂贵的定制系统，或者养一支自己的技术团队，两个都贵到只有头部企业才敢想。而现在，“为我的车间配一套会学习的决策系统”开始成为更多企业够得着的选项。判断一家AI公司靠不靠谱的标准，也变得更加直观，就是能不能理解你的工艺约束。
接力跑到了第三棒，价值终于开始落到它该去的地方——工厂的生产一线：工艺参数被AI直接优化，故障被预判；老师傅散落在经验里的判断，开始被结构化成机器能够理解的工艺关系、规则和边界，再与实时状态、专业模型能力和运行结果反馈相结合，参与到真实生产决策。
我们实测过，把工艺机理、专家经验、因果链条结构化成工业本体之后，主流大模型的工艺推理方向正确率可以从46%提升到100%，推理准确率超过人类专家平均水平。大模型配上工业知识，可以触达经营结果本身。降电耗、提效率、增产值、升质量，单个车间的价值以千万元计。对一个工厂来说，就是上亿元的量级。
这就是“落地”的本意：价值落到工厂的地板上，而不是停在天花板上。
三波跑完，回头看，我的感受是：
工业数智化是一场长跑，第一棒备粮，第二棒修路，第三棒，LLM带着工业本体和智能体，把价值送进车间的成本第一次降到了可规模化的水平。之前不是没有价值落地，工艺优化这类深度应用我们也做成过，但那要靠有经验的数据科学家拿着工具一个客户一个客户定制开发，甲方成本高，我们也难以批量复制。这一波把“做得出来”变成了“用得起、复制得开”。
浪潮不骗人，但浪潮也不承诺。它只奖励跑完全程的人：前两波攒下的数据和认知没有白费，它们一直在等一个足够强的引擎。
引擎来了。
接力还在继续。
Dr. Lu · 2026年9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。
