當生成式AI的風暴以摧枯拉朽之勢橫掃內容產業、編程與辦公軟件時，一條與“熱搜”無關、但影響可能更為深遠的產業革命，正以一種更為沉穩而深刻的方式悄然加速：工業AI。

制造業的血脈里，長期奔流著兩種血液。一種是“動脈血”，強勁而可見——高速運轉的機床、自動化的產線、不斷攀升的產能，這是物理世界的生產力。

另一種，則是工廠的“靜脈血”，沉默卻至關重要。它深藏在老師傅口口相傳的工藝、經驗中的隱性Know-how，無形地決定著產品的良率、成本和最終的競爭力。

通用大模型之所以在工業領域“水土不服”，根源就在于它們能輕易學習全球互聯網的“動脈”知識，卻很難理解一間特定工廠“靜脈”里的奧秘。

一臺精密機床上的刀具補償，或是一臺注塑設備在不同濕度下的工藝參數，往往只有經驗豐富的老師傅才能準確掌握。而這些深嵌于老師傅感官、肌肉記憶和長期實踐中的寶貴“工業知識”，顯然無法簡單地從互聯網上爬取。

于是，一個關乎中國制造業未來的根本問題浮出水面：怎樣才能將頂尖老師傅三十年的功力，“無損”地傳承到下一個三十年？

6月19日，老牌工業軟件廠商鼎捷數智在武漢發布了一系列企業級AI套件，試圖用技術打通工業的“動脈”和“靜脈”，讓老師傅們寶貴的工業經驗得以在數字世界里重生、奔流、傳承。

那么，鼎捷的破局方法是什么？如果破局成功，工業互聯網企業的商業模式、投資邏輯與競爭格局又將發生怎樣的改變？

1.一套“會思考的Data+AI軟基建系統”

“高層很上頭，中層跟著走，基層直撓頭。”

在峰會現場，鼎捷數智PaaS事業處首席專家金江博士這句自嘲式的“金句”，道出了當下所有制造企業面對AI浪潮時的集體困境：在“搶跑風險”與“掉隊危機”中搖擺不定。

·搶跑？可能會陷入技術迷霧，投入巨大卻收效甚微。浙江大學求是特聘教授周偉華一針見血地指出：“技術搶跑不等于戰略的領先。”很多企業在技術上投入巨大，卻沒有想清楚轉型的根本目的，最終導致應用與業務脫節。

·掉隊？華為云中國區生態發展部長馮雷則警告，AI正在對產業進行底層顛覆，“如果不用AI重新思考，很多合作伙伴未來3-5年會大量創新洗牌。”

面對這一經典的“電車難題”，鼎捷行業方案事業處副總裁顧華杰認為，企業“缺的不是一個系統，而缺少的是一套會思考的系統”。這套“會思考的系統”，其底層設計哲學，應該采用“解耦式架構”——將知識（業務知識庫）與行動（Agent執行器）徹底分離。

這樣做的好處是，AI的“大腦”（知識）和“手腳”（行動）可以獨立升級。當需要進入一個新行業時，只需加載該行業的知識庫；當需要對接一個新系統時，只需開發相應的行動插件。

基于此哲學，鼎捷構建了一套“三層火箭”式的產品矩陣，旨在將“老師傅經驗”與“大模型推理”擰成一股繩。

第一層：智能數據套件——給工廠做一次“數據CT”

工業AI的第一道坎，就是“靜脈血”難以被觀測和理解。現實中，這表現為一道“數據暗流”：OT（運營技術）層的海量設備數據與IT（信息技術）層的管理數據互不相通，形成數據孤島。

鼎捷的第一件“利器”——“智能數據套件”，就是為了疏通這道暗流。它像一臺醫院的CT機，先給企業做一次徹底的“數據體檢”。鼎捷將過去40多年積累的、覆蓋數十個行業、企業運營管理不同業務線的知識和經驗，封裝進這套工具。

它主要會做三件事：

·智能數據體檢：它不僅檢查數據的一致性、唯一性，更重要的是，它帶著“業務屬性”去檢查。比如，它知道某種材料在特定溫度下的厚度應該在什么量級，超出范圍即為異常。這種將被動數據管理轉為主動數據治理的模式，金江博士稱之為“從救火模式轉為消防巡檢模式”。

·行業知識沉淀：它將數據治理結果與國標、企業標準及歷史數據關聯，構建出專屬于這個工廠的“工藝知識圖譜”。目前，鼎捷已沉淀了超過6000個數據元、54個模型，覆蓋20多個主題域。

·增強決策智能：進一步用AI來強化輸出業務所需的智能洞察力，增強偏差歸因和測算推演力。通過自然語言交互提問，智能的輸出精準業務數據背后的洞察。目前，鼎捷已經發布了洞察分析、歸因分析、測算推演等多組合拳的決策智能能力。

這樣的“體檢報告”和“決策智能”不僅告訴你哪臺注塑機震動異常，還會基于知識圖譜解釋“若射出壓力持續低于80MPa，極有可能導致產品縮水”，并自動將預警回推給排產系統。至此，渾濁的“數據沼澤”開始變得清澈可用。

第二層：企業智能體生成套件——自研“MACP”協議讓數字員工協同作戰

光有干凈的數據還不夠，還要讓“數字員工”真正協同起來。為此，鼎捷在業內首創了MACP（Multi-Agent Communication Protocol）多智能體通信協議，能把原本各自為戰的AI智能體統一進一張“決策神經網絡”。

會上，金博士演示了一個極具說服力的案例：一家來自長三角的家庭及戶外儲能設備制造商，其業務已經覆蓋歐美區域，原來在制定月度經營計劃時，財務、制造、供應鏈等不同部門需要同時派人進行長達一周的測算，才能有個初步的經營計劃及目標。

現在，基于MACP協議，通過“中心化自主決策+分布式協作執行”的多智能體協作能力，一個復雜的經營決策任務被拆解給不同的智能體協作完成：

我們可以在主智能體對話中看到,在完成語義識別、意圖理解和思考方法后,主智能體Commander迅速完成了規劃編排,調集六類不同的單智能體,分步激活每個單智能體后分為兩條路徑并行執行.

最終，六個智能體協同有條不紊的協作執行，并且由主智能體在發現結果不滿足最早的任務要求后，發起反思協商流程，讓每個智能體重新再進行一次思考。在完成各類綜合評估后，新的經營計劃給出了單品在歐洲地區提價，鎖定50%的原料期貨，以及采取20%預付款計劃的辦法。

基于鼎捷的行業積累和知識沉淀,不僅實現數據驅動智能體, 科學思考與精準決策, 還可以跨系統、跨職能、跨部門, 完成復雜任務的協同處理, 真正實現將AI從“工具屬性”進化為“數字員工”屬性,為企業運營管理和業務增長提供了價值創造的新范式.

第三層：AIoT指揮中心 & 工業機理AI——打造制造業的“智能咖啡機”

如果說前兩層構建了AI的“大腦”和“神經”，那么第三層則賦予了它“手腳”，讓思考變為行動。

其中，AIoT指揮中心扮演著“交通警察”的角色。它通過豐富的協議棧，將生產設備（如AGV、立體庫、數控機床等）與廠務設備（如中央空調、配電柜、安防監控等）全部接入同一條“數據高速公路”，實現“全域AIoT”。

而鼎捷的“王牌”——工業機理AI，則更是一種融合了物理模型與數據驅動模型的AI，它不再僅僅依賴統計規律，而是試圖理解“為什么”。

會上，鼎捷AIoT事業處副總裁葉賢盛還舉了一個生動的例子，來解釋這一系統的價值：老師傅鑄造銅制品時，需要“倒一點，傾一點，重復10次”，這個動作背后蘊含著復雜的流體力學和熱力學機理。工業機理AI就是要通過視覺識別、生物識別等AI感知技術，結合算法模型，將這個過程數字化、模型化。

“我們的目標，是讓人人都是老師傅，讓老師傅變成大師。”葉賢盛說。就像咖啡機將咖啡師的經驗固化，讓普通人也能做出一杯不錯的咖啡，而真正的咖啡大師則可以基于此去創造新的風味。工業機理AI，就是制造業的“智能咖啡機”。

于是一個完美的閉環形成了：實時數據→ 機理推理 → 設備動作 → 產生新數據。而這，已不再是簡單的“數字映射”，而是讓“虛實融合、反向控制”成為可能。

2.把三十年的功力，寫進代碼里

鼎捷的這套系統，直面的是中國制造業最深刻的“人才暗流”：70后、80后熟練技工正逐漸老齡化，他們腦中那些“只可意會不可言傳”的隱性知識，面臨著失傳的風險。

如何將這些“指尖知識”，變成AI可以理解和學習的數字資產？

鼎捷的AI套件，圍繞著工業知識數字化的核心——情境化，打出了一套組合拳：

1.經驗非結構化，先要“多模態、碎片化抓取”：當老師傅示范“三段式刀具磨損補償”時，系統同時錄屏、收音并抓取CNC操作日志，再配合傳感器獲取工具壽命和工件良率。一次演示即可采集5種模態的數據，大幅降低了知識入庫的門檻。

2.工業知識圖譜：把“0.01mm公差”寫進大模型的詞典：不同于開放的互聯網百科，工廠知識必須嚴格、精確。鼎捷將這些知識構建成一個個三元組，如<工序A, 溫度, 730℃±5>，并映射到圖數據庫中。當生產條件變化，系統會自動觸發“知識過期”標記，要求重新驗證，確保知識的“保鮮”。

3.RAG技術：既要AI聰明，更要AI安全：將包含核心工藝的文檔全部喂給公有大模型，存在巨大的數據安全風險。鼎捷采用成熟的RAG（檢索增強生成）技術。當用戶提問時，大模型只負責理解意圖，真正的答案來自企業本地、安全的知識圖譜，既保證了回答的專業度，又避免了核心數據外泄。

3.真實效果如何？

那么，鼎捷的這套體系，在現實世界的效果如何呢？或許，我們可以從兩個案例中窺知一二。

案例一：嘉利股份的燈光秀——AI賦能的未來工廠

作為全球汽車尾燈的龍頭企業，嘉利股份的“未來工廠”實踐，為AI落地提供了鮮活的注腳。2023年，嘉利啟動未來工廠改造，用鼎捷的平臺和套件做了三件關鍵的事：

1.APS+AI排產：將多地工廠的產線排產、物流仿真、模具庫沖突進行一體化計算。

2.一燈一碼：為每一只出廠的車燈都綁定了包含20多條關鍵工藝數據的唯一序列號，實現了全生命周期的精準追溯。

3.無人化物流：通過AIoT指揮中心實現AGV的自動呼叫和路徑優化，物流崗位從規劃的42人銳減至4人。

一年后，成效斐然：人均產值提升20%，能耗下降15%，研發周期縮短10%，不良率下降20%。2024年末，嘉利股份成功榮獲浙江省“未來工廠（頭雁型）”稱號，并得到相關扶持。

案例二：英飛特的“蛇吞象”——平臺能力的極限試煉

一個穩定、敏捷、強大的平臺，是所有AI應用能夠生根發芽、開花結果的土壤。

如果說嘉利股份的案例證明了AI應用的“上層建筑”何其有效，那么英飛特的故事，則證明了承載這一切的“地基”何其堅固。

2022年，英飛特在并購歐司朗DS事業部后，面臨一個“不可能的任務”：其僅有十多人的IT團隊，必須在9個月內，從零開始構建一套全新的全球IT系統，去替換掉那個由對方600人IT團隊維護、以SAP為核心、遍布全球30多個國家的龐大系統。

“無異于蛇吞象。”英飛特全球IT總監祝芳回憶道。

最終，基于鼎捷的雅典娜PaaS平臺，采用“核心套件+大平臺+敏捷開發”的模式，他們奇跡般地完成了任務。

這背后，是鼎捷平臺提供的統一底座、敏捷構建能力和全球化服務經驗的綜合體現，也證明了新一代的中國工業軟件平臺，已經具備了在最復雜的跨國商業場景中，與國際巨頭掰手腕的實力。

4.從“一廠一項目”到“平臺+生態”：工業軟件的商業模式革命

“以往信息化項目，給A公司定制一套流程，要移植到B公司很難。但現在，給A公司做的AI能力，很容易遷移到B公司。”周偉華教授一語道破了AI對工業軟件商業模式的顛覆性影響。

在傳統的ERP時代，廠商主要靠項目制吃飯，毛利嚴重受制于人力成本。而平臺化和AI套件，則很有可能徹底改變游戲規則：

·收入結構：從一次性的License+維護費，演進為訂閱費（ARR）+AI調用費+生態分成。企業無需一次性投入巨額資本，而是按需訂閱能力，大大降低了采納門檻。

·數據飛輪：客戶越多，沉淀的數據和行業模型就越豐富，算法就越精準，從而吸引更多客戶，形成正向循環。

·網絡效應：鼎捷雅典娜這樣的PaaS平臺，正試圖成為工業AI領域的“App Store”。它吸引著像華為云（提供算力）、智程（提供3D設計AI）、能迪（提供智能廠務AI）等生態伙伴入駐，共同服務客戶，并通過平臺進行收益分成。

對于二級市場而言，如若鼎捷這類公司落地工業AI的進度穩步推進，那么市場這類公司的估值邏輯，可能將從傳統軟件股的PE（市盈率）估值，向平臺/SaaS股的PS（市銷率）或ARR倍數估值遷移。

尾聲：工業AI的“iPhone時刻”？

1990年代，ERP幫助工廠學會了“記賬”；2010年代，工業互聯網讓機器學會了“說話”；進入2020年代，AI正在讓機器學會“思考”。

在這條全新的賽道上，鼎捷數智不是唯一的玩家。西門子的Industrial Copilot、PTC的ThingWorx、達索系統的3DEXPERIENCE，都在加速布局。但所有人都意識到，競爭的焦點已經悄然改變。

過去，比拼的是軟件功能的強大與否。而現在，決勝的關鍵在于：誰能率先將千行百業中那些非結構化、不可言傳的行業Know-how，系統性地翻譯成AI能夠理解和執行的“工藝母語”。

要完成這場深刻的“翻譯”工作，所有玩家都必須直面三張決定未來的考卷：

首先是算法信任：如何讓AI真正理解0.01mm公差背后的“工藝靈魂”，并贏得產線工人的最終信任？這不僅是技術問題，更是人機交互和企業文化的重塑。

其次是持續知識采集：老師傅的經驗會隨新材料、新工藝而演進，如何建立一套敏捷的機制，讓模型永不“過期”，始終保持對最新工藝的理解？

最后，也是最關鍵的，是生態繁榮度：一個平臺能否吸引到足夠多的第三方開發者和ISV（獨立軟件開發商），愿意把他們最好的“插件”和應用寫在你的平臺上？畢竟，沒有一個玩家能解決所有行業的全部問題，開放的生態才是最終的護城河。

這三張考卷的答案，將直接決定誰能在這場工業轉型升級的浪潮中，率先激活制造業數據與知識的“第二脈搏”，開啟屬于工業AI的“iphone時刻”。