在办公桌前，大模型可以熟练地写报告、写代码，错了就重新生成。
但在工业现场，没有“重新来过”这个按钮。一毫秒的延迟、一次哪怕千分之一的算法幻觉，代价可能就是整批产品报废、设备撞机，甚至停产安全事故。
虎嗅智库在前不久的《Agent下车间》主题闭门会上观察到：超过七成参会企业已开始将AI引入工厂。
然而繁荣背后，断层极其明显——多数企业的工业AI仍停留在采购、排产、质检、售后等IT与管理外围环节。一旦涉及需要深度决策、或与物理世界高频交互的设备控制与工艺重构，成功落地者寥寥无几。
工业AI真正的难点根本不是数据太少，而是决定物理世界真实状态的关键数据，在传统IT系统中常常根本不存在，或者早已被严重压缩、失真失效。
面对这堵最难啃的“OT硬墙”，工业AI的破局点究竟在哪里？
对此，虎嗅智库与汇川技术展开了一次深度探讨。作为在制造智能和AI底层应用上拥有深厚控制层壁垒的自动化巨头，汇川技术的智能制造开发及应用专家方宁博士，分享了他们从控制底层逆向打破行业僵局的实践思路：
工业AI真正的分界线，不只是IT与OT，而是AI能否在毫秒响应、零容错和信息不完整的条件下，对物理世界形成安全闭环。
控制层缺的往往不是更多数据，而是能够反映设备和工艺真实状态的关键变量；这些变量可能测不到，也可能在数据上传过程中被压缩掉。
通用大模型很难直接接管设备控制，现阶段更可行的路线，是把物理机理、专家经验、小数据AI、因果推断与边缘控制结合起来。
工业AI规模复制的对象不是某一个模型，而是“数据诊断—因果分析—控制重构—边缘部署”整套工具链和方法论。
这条路线最深的壁垒，也是最大的商业化约束：它高度依赖行业专家和现场工程能力，能否从项目制走向产品化，决定了其最终天花板。
以下为方宁博士的分享及互动实录：
虎嗅智库：先划一条边界。大模型在工业管理端已经能写报告、查知识、做培训，为什么一进入设备控制和工艺调整，难度就完全不一样了？
方宁：大模型的优势主要是语义理解和技术推理。因此，在管理端，也就是IT侧，它可以帮助工程师写报告、检索知识、做培训，这些应用相对容易落地。
但一旦进入设备控制、工艺优化、参数调整等OT侧场景，AI面对的就不再是文字和知识，而是一条真实运行的生产线。这里有三道“硬约束”是绕不过去的。
第一是实时性。控制端经常要求毫秒级响应，而大模型目前的推理速度很难跟上设备的运行节拍。生产线不会停下来等模型思考完再动作。
第二是安全性。工业现场对错误几乎是零容忍的。聊天机器人答错一句话可以重新生成，但控制系统做错一个动作，带来的可能是废品、停线，甚至设备和人身事故。大模型在文本场景中的“幻觉”，在生产线上是不能被接受的。
第三是不可观测性。现场采集到的数据，并不是物理世界的全部真相。传感器能看到的只是少数切面，而真正决定工艺结果的变量，可能没有被测到。
虎嗅智库：这是否意味着，大模型只能停留在工厂的管理端，无法进入OT侧？
方宁：不能简单理解为“大模型不能进入OT”，关键是它以什么方式进入。
如果让通用大模型直接输出设备控制指令，风险很高。但如果让它承担知识理解、辅助诊断和技术推理，再由机理模型、优化算法和控制系统负责执行，路径就不同了。
因此，我们在架构上把工业AI拆成两个方向：小数据AI和大数据AI。
小数据AI是以机理为主、数据为辅。它要吸收资深工程师在工艺诊断、参数调整和设备操作上的经验，再结合传感器反馈、领域知识、优化算法与物理机理模型。
它主要解决的是“两提四节双安全”：提升品质、提升效率；节省成本、能耗、人力和折旧；同时保障人身安全与设备安全。
这条路线的特点是，在同一领域内具有较强的泛化能力。只要第一性原理和关键机理被分析透，就有机会在不同设备和相近场景中进行自适应应用，也能尽量避免大模型的“幻觉”和偏差。
大数据AI则是以数据为主、机理为辅，更偏向IT层和多源数据融合，主要用于全厂级生产调控和跨系统的预测性维护。
两者不是互相替代，而是在不同层级解决不同问题。
虎嗅智库：不少工厂已经建设了数据平台，设备数据也在不断上云。为什么这些数据一进入控制层，仍然难以形成安全、可靠的闭环？
方宁：核心原因是，工业现场在数学上属于“部分可观测系统”。
物理系统的真实状态是高维的，也很难被完全穷尽。但传感器采集并传到IT端的数据，只是经过压缩后的少数数值。看起来数据很多，并不意味着它们足以还原现场。
以炉膛温度为例，我们通常通过热电偶测量温度。但热电偶测到的，只是某个位置、某个采样频率下的温区数据。产品在生产线上流动时，它内部或表面的真实温度，可能根本无法直接测量。
再比如反应器中的催化剂活性，它的真实状态也很难直接获取，只能通过外围指标进行估算。
工厂里还有一个常见问题，叫“同参数、不同良率”。在IT系统中，两台机台的控制参数看起来完全一致，但一台良率高，另一台良率低；或者同一台设备之前运行正常，过一段时间后，同样的参数却无法得到同样的结果。
原因在于，传统IT系统看到的往往是均值、极值或经过压缩的数据。那些真正决定物理状态变化的底层控制特征，可能在上传过程中已经丢失。
所以，AI的难点不一定是数据太少，而是关键数据常常根本不存在，或者以错误的形式存在。
虎嗅智库：也就是说，工厂数据平台上的“参数一致”，并不代表设备在物理世界里的状态一致？
方宁：对。工业控制在数据层面会遇到三层挑战：
第一层是，可观测数据如何影响结果。例如，不同参数设置、不同人员操作，分别造成了怎样的结果差异。这一层，大多数IT工程师和工艺工程师可以通过关联模型来分析。
第二层是，数据看起来一致，结果却不一致。同一套控制方案之前有效，过一段时间后失效；或者系统显示两台机台参数完全相同，良率却相差很大。这通常意味着，现有数据没有反映物理世界的真实变化。
第三层更难，如何找到未被观测的数据，以及如何处理从未出现过的即时问题。
传统机器学习模型的能力边界，往往由训练数据集决定。但工业现场的突发问题经常会突破这个边界。如果模型从未见过类似状态，仅靠历史数据进行外推，就很容易失效。
虎嗅智库：那问题就变成了——既然关键变量测不到，AI究竟该依据什么做判断？
方宁：这正是工业AI必须引入机理、专家经验和因果分析的原因。不能只问“哪些数据和结果同时出现”，还要继续追问：设备为什么变成这个状态？哪个变量真正推动了结果变化？如果改变某个控制动作，结果会发生多大变化？
这也是我们强调从控制底座向上构建AI能力的原因。
虎嗅智库：“相关性”和“因果性”听起来比较学术。放到工厂里，两者到底差在哪里？
方宁：可以用一个经典例子来理解。
统计数据可能显示：一场火灾中，出动的消防员越多，最终造成的经济损失往往越大。如果只看相关性，模型可能得出一个荒谬结论——少派消防员，就能减少损失。
但因果分析会继续追问：真正同时影响消防员数量和经济损失的变量是什么？答案是火灾规模。火灾越大，需要的消防员越多，造成的损失也越大。消防员数量和经济损失都是结果，火灾规模才是背后的关键原因。
工业现场也一样。模型不能因为某个参数与良率同时变化，就认定调整这个参数一定能提升良率。我们需要判断谁是因、谁是果，以及改变某个变量后，结果究竟会发生多大变化。
问题在于，我们无法让同一台设备在同一时间既执行某项调节，又不执行这项调节，再对两个结果进行直接比较。因此，传统统计方法往往只能基于不同样本“拉平均”，但工业控制真正需要的是对干预结果进行量化。
虎嗅智库：那么，因果推断具体如何进入设备控制？
方宁：因果推断通常可以分为三个层次：观察、干预和反事实。
观察是看到了什么，传统深度学习主要擅长这一层；干预是主动调整参数，观察系统如何变化；反事实则进一步追问，如果当时没有做这个动作，结果会不会不同。
在工业应用中，我们重点关注两个框架。
一个是Judea Pearl提出的结构因果模型，即SCM。它主要解决变量之间“谁是因、谁是果”的因果图谱问题。
另一个是Donald Rubin提出的潜在结果模型，即POM。它关注的是：某个原因发生变化后，具体能够带来多大的结果变化。
工业界真正关心的，不只是“这个参数可能有影响”，而是“调整多少、结果改变多少、是否值得调整”。
不过，因果推断目前整体仍处在从学术研究走向工业试点的阶段。
虎嗅智库：市场上已经出现了不少时序大模型。汇川提出的“时因智能体”和“时因大模型”，与时序大模型有什么区别？
方宁：时序大模型更擅长预测连续过程的演化趋势。对于连续不间断、涉及物理化学变化的流程工业，这类模型比较适用。
但中国有大量工厂属于离散制造。离散制造是围绕工单、事件、领料批次和加工周期运行的，具有明显的周期性。生产规格一变，运行参数也会频繁地被人为调整。
这意味着，离散制造不能只沿着时间线向后预测。模型还要理解：这次参数变化是设备状态造成的，还是因为更换了工单？良率波动来自原材料批次，还是来自操作方式？系统当前看到的观测值，究竟能不能反映真实状态？
因此，离散制造不仅要用时序预测“接下来会发生什么”，还要用因果关系解释“为什么发生、改变哪个变量才有效”。基于这一思路，我们推出了时因大模型。
虎嗅智库：技术路线讲清楚之后，下一步就是落地。在具体的工业场景中是如何分类落地的？
方宁：我们认为，工业AI的案例不应该按行业平铺罗列，这样很容易变成项目清单，且看不出方案能否复制。
工业AI更应该按照问题类型进行分类：现场究竟是测不到真实变量，还是控制动作和工艺结果脱节？只有先识别问题类型，才能选择相应的模型、算法和控制方案，并在落地前算清楚商业回报。
比如真实变量测不到的问题。
代表场景包括纺织染整温控、硅片热处理炉膛温度。
这类场景的共同问题是：真正需要控制的变量无法被直接测量，而且系统存在明显迟滞。
例如在烘箱中，传统控制对象往往是箱体内的空气温度，但企业真正关心的是布匹或硅片表面的实际温度。由于系统响应存在8至10分钟的迟滞，人工通常会凭经验把温度设得更高，以确保产品“热透”。但这样很容易造成温度超调和能量浪费。
我们的解决思路是引入软测量与物理神经网络。通过热电偶网络和高温红外探测仪的数据流，模型逆向逼近并预测产品表面的真实温度，再结合即时寻优算法，动态调整各节烘箱的车速和温度输出。
这里最关键的变化，不只是增加了一个模型，而是改变了控制对象：从控制“箱体空气温度”，转向控制“布匹或硅片表面的真实温度”。
虎嗅智库：换句话说，AI首先要解决的不是“如何控得更准”，而是“究竟应该控制什么”？
方宁：是的。如果控制变量选错了，后面的算法再精确，也只是在更精确地控制一个不能代表真实工艺结果的指标。
虎嗅智库：整体听下来这套方案非常硬核，在实际落地过程的难点、痛点在哪里？哪里可能会慢，哪里可能会失败？
方宁：坦诚地讲，工业AI这套路线绝对不是纯软件生意，更不是弄个通用大模型就能即插即用的。它跟底层的设备、核心工艺、控制系统以及现场极其繁重的工程实施是死死绑在一起的。这也意味着，它天然就比那种纯软件AI难推得多，也很难做到爆发式的快速复制。
实际推的时候，痛点非常现实：
首先是因果推断还在工程化早期，很多算法在离散制造里也还在试错，远谈不上成熟。
其次是极其吃“老师傅”经验。模型能跑起来，前提是有懂工艺的人把机理讲透；光扔给AI一堆控制数据，一点用都没有。
再一个是老产线的坑太深。设备协议不通、传感器不够、数据质量差，光是搞定这些前期改造成本就高得离谱，直接拖慢进度。况且跨行业复制基本等于重新来过。锂电的那套东西是无法放到纺织上，每进一个行业都要重新啃一块硬骨头，复制成本根本下不来。
最核心的硬伤，还是在项目制和产品化的冲突上。现在基本是靠专家带着团队去现场帮客户硬啃。如果不能把这些重度的现场经验变成标准化的产品和工具，规模化就无从谈起。
虎嗅智库：这是否意味着，工业AI的护城河和天花板其实来自同一个地方——行业知识越深，能力越难替代，但复制也越慢？
方宁：可以这样理解。工业AI未来是模型公司、工业软件公司、自动化公司和客户工艺团队之间的重新分工。
工业AI的规模复制，绝对不是把一个现成的模型简单复制到十个工厂，而是要把“底层数据诊断—动态因果剖析—控制算法重构—边缘低成本部署”这套方法论和工具链实现产品化。
目前来看，数据诊断和边缘部署环节可以逐步自动化，但中间的核心因果剖析与工艺重构，依然高度依赖专家团队。复制的快慢，取决于该行业的标准化程度，这也是整个工业AI界需要共同攻克的技术断层。
粤ICP备14082021号
免费POC，
零成本试错
