工业AI正在重新升温。大模型、智能体和多模态技术的发展，正在推动AI进入生产调度、工艺优化、设备运维等核心工业场景。但在实际落地中，工业AI仍面临复杂工况、数据割裂、样本稀缺和规模化交付难等挑战。

以Token为基础的MaaS服务正在成为工业AI落地的重要方式。工业领域长期积累的Know-how与经验，正在沉淀为各类垂直模型。相比单纯的数据资产，端到端的模型服务更能直接嵌入工业客户的业务流程。

在众多工业AI场景中，设备运维是少数已经具备规模化基础的方向。硕橙科技长期深耕设备运维领域，并于去年底完成D轮过亿融资，其硕橙九畴大模型周Token总调用量已达到10亿+规模。本次访谈中，爱分析与硕橙科技执行董事、总工程师瞿千上进行了交流，重点探讨工业AI规模化落地方式、多模态融合等技术难点，以及工业AI未来商业模式等话题。

核心观点：

1、客户不再为大模型概念买单，工业AI竞争已经回到ROI。
工业企业对AI的需求在增长，但更关注AI能解决哪些具体问题，能否在设备运维、调度、供应链等场景中带来降本增效，追概念的大模型项目正在减少。

2、工业大模型的价值是封装机理逻辑。 

工业大模型不能只依赖知识库或RAG，还需要把数据分析经验、推理逻辑和现场判断方式封装进去。真正的垂直能力来自对工业机理、设备状态和工况变化的理解。

3、多模态融合是工业AI落地难点

工业现场存在声音、振动、图像等多模态信息。当前大模型很难直接理解这些复杂关系，实际应用中仍需要小模型、工具调用和语义空间对齐，形成更可控的工程化路径。

4、数据样本稀缺决定了工业AI不能迷信单一模型路线。

设备运维场景等故障样本天然稀缺，很多缺陷难以通过真实数据大量积累。单纯依赖深度学习容易带来泛化不足和迁移困难，因此工业AI更适合采用混合建模路径，提高模型在不同设备和场景中的适应能力。

以下为本次访谈实录，在不改变原意基础上略有修改。

01 客户不再为大模型概念买单，工业AI竞争回到ROI

爱分析：过去几年，工业企业对AI的需求发生了哪些变化？

瞿千上：如果把AI看成一个整体概念，不只包括大模型，也包括机器学习、深度学习、机理模型、统计方法等，那工业企业对AI的需求确实在快速增长。

这个变化主要来自两方面。第一，企业对AI的认知在提升。尤其是DeepSeek出现，对市场教育起到了很明显的作用，很多企业开始重新理解AI能做什么、不能做什么。第二，工业企业的数据基础变好了。所有AI应用本质上都依赖数据，过去几年国家推动数字化转型，很多企业在数据采集、数据治理和系统建设上有了积累，这让AI应用具备了更好的前提。

所以，从传统算法和工业智能化需求来看，我们能明显感觉到需求逐年增多。但这些需求是不是都合理，能不能真正被解决，还需要时间验证。

如果单独看大模型，工业企业已经经历了两三轮实践，现在明显更务实了。客户不会再简单说我要部署一个大模型，或者采购一批算力，而是会先问，这个垂直大模型到底能帮我解决什么问题，必须有明确方向，并且验证有效之后，才会考虑更大投入。

所以总体来看，概念化的大模型项目反而减少了，垂直业务场景的项目需求在增加。

爱分析：也就是说，传统AI需求仍在增长，大模型需求反而变得更谨慎了？

瞿千上：对。现在客户首先关心的是，AI项目能解决什么具体问题。过去有些企业可能会先部署大模型和买算力，但现在大家会更看重场景、效果和投入产出，不再为了大模型而大模型。

爱分析：现在工业AI进入规模化落地阶段了吗？

瞿千上：要分场景看。某些细分场景，工业AI已经实现了一定规模化。比如我们做的设备运维解决方案，每个方案里都会带有标准化AI平台和算法能力，这类场景已经不是单点试验。

但如果从更大的层面看，尤其是把大模型、垂直大模型放到工业场景里，还没有到真正大规模应用的阶段。这里面定制化需求仍然很多。一方面，工业场景本身差异大；另一方面，企业对AI的理解并不统一，这些都会影响规模化落地。

还有一个原因是大模型自身能力。通用大模型对工业场景的理解仍然偏弱，尤其涉及机理、工况、设备、工艺和现场约束时，它还不能完全满足工业应用要求。所以整体来看，工业AI已经在一些细分场景里规模化了，但大模型驱动的整体规模化，还需要继续提升。

爱分析：设备运维为什么能相对更早实现规模化？

瞿千上：核心原因是这个领域开始得早，而且需求比较趋同。设备运维的智能化，从数据采集、机理模型、状态监测开始，理论研究很早，上世纪就有相关积累，有很长的技术和业务沉淀。

其次，底层逻辑相对清晰。虽然现场环境和设备类型不同，但核心目标类似，都是发现异常、判断状态、预测故障、辅助维修。至少在核心部分，它是一个比较趋同的场景。

这和视觉检测有点类似。比如某类产品质检，在一个工厂跑通之后，复制到类似产线和类似产品上，底层逻辑可以复用。设备运维也是这样，需求相对确定，场景相对封闭，所以更容易走向规模化。

爱分析：从单点项目走向平台化复制，设备运维场景里最大的挑战是什么？

瞿千上：这个过程和很多工业产品类似。最早做单点项目时，会有很多东西需要调，比如算法模型要针对场景调整，要补充新的模型，也可能要增加行业特色的故障模型、工况模型。用户的配置需求、数据接口、现场条件也不一样。

从单点项目走向平台化复制，本质上就是把一个初始产品不断加装能力，让它变成行业或领域用户喜欢的标准化产品。这里的标准化不只是硬件，还包括数据接口、配置接口、算法模型、软件平台等一整套东西。

这套能力完成之后，就可以相对平台化复制。对我们来说，这个过程还是比较快的。一个全新场景，只要把场景做得差不多，基本就具备平台化复制能力。

爱分析：从第一个场景复制到第二个场景时，平台能力还会继续提升吗？

瞿千上：会有提升，但提升幅度会越来越小。第二个场景可能会补齐第一个场景遗漏的地方，但到了第三个、第四个，基本上就比较稳定了，后续更多是以年为单位做更新。

这样的前提是我们应用到项目里的东西本身已经有八九成是标准化的，所以现场要做的事情就比较少。硬件是标准化的，整体数字基座和算法框架也是标准化的，这会让建模、调参这些动作非常快。软件平台能力也是组态化、模块化的，可以拆分和快速迭代。这些底层能力是我们能快速复制的原因。

02 工业大模型的壁垒是机理理解

爱分析：现在很多工业AI场景里，大模型看起来更像是对原有机理模型、小模型的增强？

瞿千上：我不完全认同。大模型有很强的推理能力，我们在做垂直大模型时，会通过思维链、强化学习等方式，把这种推理能力嵌入进去。这样可以很大程度释放小模型在逻辑推理方面的压力。

所以它不只是增强，更像是嵌入。过去没有大模型的时候，我们可能只能做到百分之七八十。有了大模型之后，在推理、定制化响应和未知情况处理上，AI会明显更灵活。尤其是通过智能体和工具调用，大模型可以很快响应用户的定制化需求，这比硬编程或者配置小模型要强很多。

爱分析：硕橙科技的工业大模型，是基于基础模型做训练微调，还是更多通过知识库和RAG实现？

瞿千上：我们会做训练微调，也会用强化学习，不只是知识库或RAG。因为我们要封装的不只是知识，还有数据分析经验、推理逻辑和工业场景里的判断方式。如果只是把知识放进去，它更像一个知识库，不能真正形成工业垂直模型能力。

爱分析：基础模型能力一直在提升，垂直模型持续训练的成本会不会很高？

瞿千上：不会。第一，我们不会去微调特别大参数量的模型。作为垂直模型，我们一直在降低对模型参数量的需求，早期可能用72B参数量模型，现在会不断尝试更低参数量模型。

第二，垂直模型训练不是实时发生的。通常是积累一段时间之后，再根据情况更新，比如半年做一次更新。

爱分析：工业场景里，多模态融合是技术难点？

瞿千上：这是非常核心的技术难点。多模态数据怎么让大模型真正理解，我认为这条路要完全走通还需要很长时间。这里说的完全走通，是指你把一堆数据和标记直接交给大模型，它就能自己理解工业现场的复杂关系。目前距离这一步还比较远。

目前我们很多地方还是依赖小模型，比如声音、振动这些我们很熟悉的数据，会先在前端做处理，在语义空间完成对齐，再送入大模型。直接用多模态数据训练，在科研上有很多尝试，但实际应用里很容易过拟合。

爱分析：长期来看，大模型本身会具备工业多模态融合能力吗？

瞿千上：现在通用大模型的工程化能力增强之后，可以自动调用工具、自动介入流程。从这个角度看，未来也可以通过工具、智能体、小模型和大模型协同，封装成一个统一的大模型能力来解决问题，不一定非要完全依赖训练。

我甚至觉得，在短中期，这类工程化封装会成为垂直领域大模型应用的主要路径。因为它实现起来更容易，也更可控。

爱分析：硕橙科技的工业大模型和通用大模型相比，长期壁垒在哪里？

瞿千上：工业大模型和通用大模型的核心差别，是对工业领域的理解。这个理解不是知识层面的，而是机理层面的，体现在几个方面。

第一，对工业数据的处理和理解能力。工业数据不是普通文本，很多数据背后对应设备状态、工况变化和机理逻辑。

第二，是算法模型和工程化能力。你要知道模型怎么在现场跑，怎么和硬件、边缘端、数据基座结合，怎么满足实时性和稳定性。

第三，是最终执行能力。工业AI不是给一个答案就结束了，它要进入生产现场，进入运维和决策流程。

爱分析：数据层面，你们怎么解决缺陷样本少的问题？

瞿千上：早期在设备运维智能化上，我们并没有直接走纯深度神经网络路线，而是选择了一条以特征工程和异常检测为核心的系统化路径。基于长期沉淀的一套通用底层特征，例如摩擦、松动、断裂等，我们先实现异常预警，再逐步延伸到特征分析、工况识别、故障诊断和缺陷检测。整个体系按“特征工程—异常检测—工况层—故障诊断层—分析层”多层嵌套构建，因此模型迁移时只需补齐部分层级的参数调整，就能更快完成部署。

之所以没有一开始就完全依赖深度神经网络，是因为设备运维场景中的缺陷样本天然稀缺，而纯深度学习模型的泛化和迁移往往依赖海量数据，早期很难真正跑通。

随着数据积累不断增加，我们开始反向引入深度神经网络，让它与原有的工程化体系协同使用，形成更灵活的混合建模方式。

现在我们的原则很明确：不迷信单一路径，而是根据具体场景选择最有效的方法。

爱分析：合成数据或者世界模型模拟出来的数据，对工业AI训练有价值吗？

瞿千上：合成数据在模型训练，尤其是大模型训练上，是有帮助的。但在设备缺陷数据上要谨慎，因为缺陷数据很难模拟。你生成出来的缺陷数据，很容易带来过拟合问题。如果直接用来训练实际故障模型，后面可能会出问题。

但在垂直大模型训练上，合成数据确实有比较大帮助。我们也帮其他厂家训练过一些L1、L2层级模型，在这种情况下，合成数据能起到明显作用。

AI质检反而不太一样。质检场景通常是自动化、高速、大量生产，负样本积累没有设备运维那么难。设备运维的故障样本更稀缺，所以对合成数据的使用要更小心。

03 AI拉平软件能力，但隐性知识不会被拉平

爱分析：软硬一体是硕橙科技相比纯软件公司的优势吗？

瞿千上：是。因为工业现场的数据采集、边缘处理、实时响应，最后一定离不开硬件。

软硬一体最大的好处，是可以真正实现云边端架构。算法放在哪里，可以根据现场情况决定。工业现场对延时要求很高，纯软件公司如果只是对接已有系统数据，通常会有秒级甚至分钟级延迟，很难满足前端快速响应需求。

所以软硬一体不只是降低交付成本，更重要的是最终效果会更好。

爱分析：现在AI编程、智能体发展很快，有人认为很多软件积累会被拉平。您怎么看？

瞿千上：对通用领域来说，确实会拉平很多事情。但对垂直工业AI来说，我目前看到的主要是好处，没有看到明显坏处。

我们也在拥抱AI编程和智能系统，甚至在考虑把一些管理系统交给自动化机器人来做。这些工具确实能提效，但它们补不齐对垂直领域的理解和长期积累。工业AI的核心不是写一段代码，而是理解工业现场、设备机理、数据关系、工况变化和客户需求。通用模型没有办法通过AI编程把这些东西一下子补上。

爱分析：长期看，工业AI厂商真正的核心壁垒是什么？

瞿千上：核心壁垒一定在数据积累和隐性知识。知识本身不是最重要的，因为显性知识迟早会被拉平。但推理知识、思维链知识、工业现场经验，这些通用大模型很难拿到。

我们不可能在底层大模型能力上和通用模型拼，反而希望通用模型越来越强。比如现在我们还要做读图类蒸馏模型，因为通用模型不好用。如果未来通用模型把这个问题解决了，对我们来说是好事，我们可以减少外挂小模型和低参数量模型。甚至如果未来一个3B模型能做到十几B模型的能力，我们就可以把它嵌入到芯片里。

爱分析：从商业模式看，工业AI未来会从卖软件转向卖服务吗？

瞿千上：一定会，而且我们已经在做。未来模型即服务这个模式一定走得通，它会带来新机会。

模型级服务可以理解为，把封装好的垂直大模型放在云端，用户可以自由使用、配置，也可以按功能模块订阅。你需要哪些功能板块，我们就开放哪些功能板块。

过去工业SaaS不好做，是因为能力到不了。你用传统SaaS去做一个定制化率比较高的工业项目，很多账算不清，也很难落地。但当模型级服务平台出现之后，SaaS化就会变得相对容易，因为模型可以更好地响应定制化需求。

爱分析：除了模型即服务，你们会进入设备运维服务本身吗？

瞿千上：这也是一个方向，我们已经在做一些尝试。比如今年我们应该会和海上风电的一些运维团队合作，共研大模型，也可能共同开展服务。因为我们和运维团队天然是合作方。

我觉得这是非常有机会、也可能成为主流的方向。我们在钢铁、石化等行业也已经开始布局类似事情，比如做基于大模型的智能运维决策计划系统。它本质上是先让用户接受这个东西是准确的、有用的，再逐步调整行业的运维模式。

爱分析：这种模式落地最大的挑战是什么？

瞿千上：我觉得最大的挑战不是技术，而是认知和模式的调整。它一定会对原有运维模式产生巨大冲击。

传统运维有自己的流程、组织和利益结构。当AI开始参与决策、计划甚至执行，原来的工作方式肯定会受到影响。这里面会有阻力，但这不是单纯产品能解决的问题，而是模式变革要面对的问题。

所以我更愿意把它称为运维模式的变革，而不是一个产品的变革。产品只是入口，真正要改变的是运维决策、资源调度、人员分工和服务交付方式。

本文来自爱分析ifenxi（北京爱分析科技有限公司），AI市场的研究咨询机构，专注于人工智能、大模型、智能体与算力等产业研究。