直播回顾：工业AI的下一个机会在哪？
允中 发自 凹非寺 量子位 | 公众号 QbitAI
视觉检测、质量控制、设备运维、工艺优化……越来越多AI能力开始进入产线，直接和良率、OEE（设备综合效率）、产能这些工业指标挂钩。
那到底什么样的AI才适合工业现场？一个成功项目，怎样从一家工厂复制到更多工厂？平台和生态，又能在这个过程中发挥什么作用？
新一期量子位对话节目，我们邀请了 西门子Xcelerator中国销售与生态成功负责人顾欣 ，以及 阿丘科技创始人兼CEO黄耀 ，从真实案例出发，把工业AI从落地到规模化这条链路完整捋了一遍。
从一片晶圆，看工业AI为什么值钱？
晶圆需要被切成一个个芯片或芯粒，但到了微纳尺度，来料差异、表面纹理、型号变化，都会影响设备性能。再加上不同客户要求并不完全相同，设备运行过程中经常需要工程师介入，处理预警、停机和参数调整。
阿丘科技先用多模态模型提升识别精度和泛化能力，再进一步把设备工程师积累的部分操作经验沉淀进智能体，让AI从发现问题延伸到分析、处理问题。
在黄耀介绍的案例中，导入智能体技术后，设备OEE和产能可提升25%左右。用他自己的话说：
它可以让这个设备的性能更强，干更多的活。
顾欣随后把这层区别说得更明确：“它最关键的一点，就是 必须具备工业级的可靠性 。”
而是需要它可信、可追溯、可量化 。
但当这些指标真的被跑出来以后，新的问题很快就来了：在一个工厂里有效的方法，换一家工厂还能不能继续成立？
工业AI最难复制的，往往不是算法
在他看来，工业看起来是一个巨大市场，但真正拆开之后，却被不同门类、不同场景、不同工艺切成了一块一块。
互联网数据可以集中收集，工业数据却往往数量少、不好拿，还涉及工艺和商业机密；模型到了另一个现场，又得重新适配新的设备、参数和系统。
顾欣也认同，工业不是一个天然完全标准化的世界。甚至同一家企业的不同工厂之间，都可能存在差异。
工业AI从1走向100，考验的已经不只是模型泛化能力，更是能不能把一个高度非标的系统，逐渐做成可以重复交付的产品。
从1到100，拼的是谁能把更多人接进来
我们希望能够做好一个连接器，一个放大器。
连接器，是把好的技术接到真实客户需求和应用场景里；放大器，则是在一个方案已经被验证之后，把集成、交付以及更多生态资源继续接进来。
这里的关键，并不是平台替企业把所有事情都做完，而是把一家企业很难独自完成的部分组织起来。
该工厂已经具备较高数字化基础，但某些高价值检测环节还希望进一步优化，于是平台把场景、需求和阿丘的工业AI视觉能力接到一起，通过PoC (概念验证) 共创验证。
技术公司继续把自己的产品做深，平台负责连接场景、客户、伙伴和交付资源，再通过一次次真实验证，逐渐把单点能力放大成可复制的产业能力。
下一批机会，先看谁能把账算明白
黄耀对这个问题的判断很明确： “上半场，肯定是高价值应用先崛起；下半场，才是百花齐放。”
在他看来，今天就去追求所谓的“超级AI应用”，还太早。当前阶段更现实的机会，来自那些价值足够高、数据已经准备好、技术也已经可行的场景。
高价值、数据ready、技术可行。
顾欣也提到，如果半导体设备的OEE能提升几个点，对客户来说，就是“巨大的经济价值”。
它不太容易靠一个爆款功能瞬间席卷市场，更可能先从那些“账算得最清楚”的场景里长出来。
哪些场景最值得优先做？平台和生态到底能补上哪一块？企业真正开始做工业AI时，又该从哪里下手？
工业创新进入“组队局”，拆解西门子Xcelerator开放生态的赋能链路 2026-09-28
AI开始研究Physical AI：FSD级团队亮出首版模型Simate-beta，空降RoboDojo 2026-09-26
笔记本跑7000亿参数GLM！无GPU也行? SSD当显存用火爆GitHub 2026-09-26
陆川手搓历史现场，王珞丹熬夜抽卡，阿里全模态开始兜底生产 2026-09-22
热门文章
PCIe显卡被低估了！内核补齐+通信重构，DeepSeek推理吞吐翻近7倍
出海Agent“小元AI”入驻腾讯WorkBuddy：找买家写开发信谈生意
别人忙着卷Code，Kimi抽身反打浏览器插件：网页操作一秒变Skill
亮出“中国最强AI芯片”还不够，平头哥又甩出一手开源
GPT-6之后，具身智能走向何方？诺因发布GLOW技术报告，给出机器人“一教就会”的答案
量子位 QbitAI 版权所有©北京极客伙伴科技有限公司 京ICP备17005886号-1