先说结论

9 月 22 日下午的云栖「智造·未来」先进制造 AI 论坛都在回答同一个矛盾：**当大模型在数字世界里狂飙时，制造业车间仍受材料学、热力学与毫秒级节拍的强约束——通用大模型不懂物理、不懂因果、不懂现场，制造 AI 的竞争焦点遂从「模型聪不聪明」转向「谁能把机理、数据、工具与责任组织成可信闭环」。**宁德时代研发副总裁龚嘉栋判断垂直行业模型是核心关键，阿里云副总裁高飞把命题收敛为「从产品售出到产品在线」，圆桌把 POC 陷阱与人的位置摊开来辩。本文按官方回放（0—12814 秒、107 段全文覆盖）复盘，讲者身份按议程校正，自报数字未经核验处已注明。这场论坛由高飞、龚嘉栋、刘阳兴、钟卫佳、陆轶、贾朝辉六位讲者与一场圆桌组成。

一、从产品售出到产品在线：数据资产与制造业上下文

高飞入行阿里云前是芯片工艺工程师。十年前的 CV 模型只能旁路接入产线、靠老师傅做判断；今天的大模型能做长任务规划分解，AI 才第一次能「思考」而不只是「看见」。他的判词：制造企业的胜负手不是厂房产能，而是能否把产品、设备、数据变成核心资产——设备售出后其在客户现场的运行与维修记录，才是持续优化与服务的起点。芯片行业是重点样本：全国四千多家芯片设计公司约 95% 未规模化使用 AI，根源是「数据不出厂」铁律与 EDA 工具链的国际绑定；阿里云以 agent 为最小切口，工具留本地、弹性算力上云。

压轴的阿里云解决方案架构总监贾朝辉把中国制造归纳为四次生产要素跃迁：人口红利建成世界工厂、供应链红利赢得全球订单、工程师红利走到定义产品与标准，当下这次由智能推动，要素变成知识、数据、模型和智能体。大模型进工厂的障碍，他判断「不是不够聪明，而是缺少可以被理解的、可靠的制造业上下文」——数据割裂、知识隐性、工具孤立、责任安全四类缺口，对应两块工程：一是「数据产线」，用多模态湖仓加数据本体论修复对象、时间、因果三种断裂，让数据能回答「谁在何时发生了什么、为何发生」；二是「黑灯研发产线」，agent 拆任务、执行、盯状态，人只做目标设定、规则约束与发布确认——「追求的不是去掉人，而是 AI 主导执行、人掌握目标和边界」。

第一条机制链：制造业数据多模态、知识隐性、决策链长 → 通用大模型缺少可靠工业上下文，能力再强也停在建议层 → 谁能把数据治理、知识沉淀、工具调用与安全治理组织成闭环，谁就把「能试用」变成「敢放心用」→ 启发：评估项目先问数据能否回答「谁、何时、发生了什么、为何」，别从建应用出发，先修上下文。（高飞、贾朝辉演讲观点）

二、宁德时代：垂直行业模型是工业智能的「操作系统」

龚嘉栋的论证全场最完整。起点是：工业的本质是物理世界，通用 AI 有三个「不懂」——不懂物理、不懂因果（大语言模型底层是概率预测，工业决策需要确定性推理）、不懂现场（能描述产线却难应对翻倒、打滑这类边缘异常）。结论：垂直行业模型是核心关键，与传统大模型的三点不同是机理嵌入、数据扎根、闭环验证——「才能成为整个工业智能未来的操作系统」。

两大战场支撑它。研发端：用量子精度的生成模型模拟固态电解质界面演化，探索传统计算无法穷举的反应空间，「AI 帮我们发现了未知的东西」；基于超 600TB 研发数据和超 3000 万辆装机车辆的真实数据预测电芯全生命周期性能，不必再等两三年实车验证；在能量密度、快充、寿命、安全、成本这些天然矛盾的目标间找帕累托前沿。制造端数字更硬：全球锂电行业仅有的三座 WEF 灯塔工厂均在宁德时代——宁德基地单电芯节拍 1.7 秒、缺陷率十亿分之一、劳动生产率提升 75%，江苏溧阳产能提升 320%、制造成本降约三分之一（经 WEF 评价及闽东日报、中国证券报等核验属实；嘉宾另报整体生产成本降 42%）。支撑是每秒 34 亿条数据交易与累计超万亿条数据资产。他还给出能源与算力的闭环：用自家储能绿电驱动 AI 算力，与阿里云共建部署在自有数据中心的「可信 AI 云」。收束公式：Energy × Compute × AI。

第二条机制链：大模型的概率本质撞上工业的确定性决策要求 → 垂直模型以机理嵌入、数据扎根、验证闭环补位 → 拥有海量真实运行数据的龙头第一次把数据存量变成模型壁垒，与普通企业的差距随数据复利拉大，云厂商从卖算力转向共建可信底座 → 启发：判断制造企业的 AI 前景，别看它接了哪个大模型，看数据是否成资产、机理是否成约束、验证是否成闭环。（数字为嘉宾自报，灯塔工厂指标经核验属实）

三、两条工程路径：TCL 的垂域大模型与西门子的智能体平台

刘阳兴与钟卫佳恰好代表两条路径。TCL 华星在显示产线投资超 3000 亿，一块屏涉及几百道工序，过去三年 AI 赋能产生综合经济效益超 25 亿元（自报）。方法论是「用一次做对替代反复试错」：机理仿真算一次密度泛函要几小时，AI 预测只要几毫秒，相差百万倍。垂域大模型是关键基建——通用模型专业度不足，数据敏感行业还必须私有化部署。经核验：2023 年 12 月华星联合清华 KEG、智谱发布业内首个半导体显示垂域大模型星智并私有化部署。刘阳兴自报今年 27B 多模态版本经双盲测试在该垂域超过 Gemini 3.0 Pro、GPT-5.5/5.6，测 GPT-6 亦无明显提升（嘉宾称，未核验）。落地上，星智已支撑从需求分析到电路、版图的自动化设计，制造域跑通「缺陷检测到自动修复」闭环——AI 分析缺陷并自动生成修复代码，已上线华星所有产线。

西门子走的是把工业 know-how 平台化。钟卫佳列出工业智能体六痛点：工业知识沉淀难（图纸、故障案例、SOP 散落各系统还在老师傅脑子里）、通用大模型不懂工业（「像让没进过车间的人指导生产」）、OT 与 IT 难融合、开发门槛高、安全合规风险高（数据不出域）、token 成本高且难预测。西智汇平台三件套应对：AI 知识库（文档结构化＋RAG）、Agent 开发平台（Skill Creator 把企业已有的 PLC 控制、SCADA 数据获取、视觉小模型变成 agent 可调用的 skill，「工业能力的 AI 化」）、算力集成，并以「云上开发、边缘执行」保证数据不出工厂。案例（自报）：图纸 BOM 提取从 4 小时压到 20 分钟、出错率 8% 降到 1%；工业电商数字人客服成本降 55%、新客转化率 3% 提到 8%。西门子 2025 工博会还发布了工业智能体应用报告，Xcelerator 在中国链接 53 万用户与 300 多家生态伙伴（官方新闻稿）。

第三条机制链：工业知识隐性＋安全合规铁律 → 落地必须先过知识结构化这一关：数据密集、流程稳定的头部企业适合自建垂域模型，多品种中小客户适合平台化组装 skill → 二阶影响：工业软件巨头从卖工具转向卖能力底座与市场，行业知识定价权成为生态竞争焦点 → 启发：选路径先看数据存量与流程稳定度，两条路都绕不开把老师傅经验结构化。（案例数字为嘉宾自报，星智发布与西门子生态数据经核验）

四、艾为电子：芯片设计公司的全栈落地样本

艾为电子 CIO 陆轶把「芯片行业困境」变成用户侧实证：与阿里云全栈合作，仿真弹性算力上云（EDA 与核心数据留本地）、PPU 一体机（数据不出域）、百炼跑场景、代码智能体做研发。自报：AI 调用累计 130 万次，64.5% 为系统自动触发——AI 已嵌入日常流程而非问答；近 400 个 SOP 覆盖全部部门，230 个智能体在线，3 个数字员工生产运行。选题上，数字员工专做「空白领域」——用 AI 两天开发存量客户唤醒应用，从 8000 多个两年无交易的客户中自动筛选推给销售，今年已激活 730 多个、带来约 200 万元新交易额，「这种事原来投入产出比不成立，根本不会立项」。对 AI 编程他反而克制：人均产出翻倍，但需求理解、代码实现、测试评审交智能体，客户验收与合入上线必须人做，「哪怕最先进的模型，在企业核心系统也不能直接这样用」。

五、圆桌：POC 的三道坑、人的四件事与替代的时间梯度

张一甲主持的圆桌把话题拉到组织层。2026 关键词的分歧显出光谱：阿里云韩鸿源选「agent 进入工作领域」；上海芯源创新中心王紫君选「AI for 微电子」；施耐德电气毛春景选「组织效率」——他坦承做了很多个人提效的「热闹工作」，让制造、销售、研发真提效才是课题；诺瓦聚变的孙世乔选「认知」。孙世乔给出最硬的工程细节：FRC 聚变是毫秒级脉冲过程，留给 AI 控制推理的时间只有微秒级，大语言模型无法胜任，模型必须浓缩部署到 FPGA——印证韩鸿源所说「大模型在很多场景未必是最合适的选择」。

最有实操价值的是 POC 到长期运行的坑。孙世乔踩的是模型泛化：物理信息神经网络在指定参数空间表现好，参数一变就失效重训，成本优势就抵消了。毛春景贡献三坑：POC 效果好不等于进产线后保持质量；单点创新难规模化，「有的 POC 成了某一个地方的明星标杆，并没有真正惠及企业」；组织的人的意识与技能跟不上——「这三件事做不好，AI 大概永远停留在 POC 阶段」。韩鸿源重申 POC 本意：proof of concept 不是 trial run，先把 concept 说清楚，proof 才有可复制性；示范项目的验收标准是覆盖的广泛性，以及「有没有把未来扩散要用到的相关方都加进来一起 enable」。

关于人的位置，毛春景的四件事传播最广：提出问题（AI 能证明千年数学猜想，但提不出那个问题）、做最终判断、创造新的结构与思考方法、定义品味与审美——「这是人未来 AI 永远不能替代的东西」。韩鸿源补了反直觉一笔：生产代码的成本降低后，架构治理能力跟不上，「光生产代码只能生产垃圾代码」——AI 对人的要求不是更低而是更高。时间尺度上（嘉宾推断，非实证）：信息搬运行业两三年内巨变，物质型行业要十到十五年；越基层的执行越易被替代，越高层的协调管理越不易。韩鸿源建议：已验证的能力（如强化学习加持的代码生产）可放心用，但要在损失可控场景先引入；可形式化验证的事情模型会做得非常好——前提是先补数据的账。

第四条机制链：AI 开发门槛下降 → 企业快速堆出大量 POC，但产线质量保持、跨厂区复制、组织持续运营三道坎依次出现 → 预算从买模型转向平台、数据资产梳理（SOP 与手册「没存好、格式不统一、找都找不到」）、业务人员的治理型 agent 环境、组织改造四块 → 制造 AI 的淘汰赛不在算法层而在组织层，可复制性才是验收标准 → 启发：把「能否推广到第二个工厂」写进验收条件，把未来相关方拉进 POC，按比特／原子 × 客观／判断四象限评估自己业务的替代时间表。（圆桌观点为嘉宾个人判断）

结尾：下一程看什么

论坛没有回避制造 AI 的真实坡度：宁德时代强调垂直模型要三关全过，阿里云也承认障碍「不是不够聪明，而是缺少上下文」。但方向清晰——贾朝辉把演进概括为系统上云、云智融合、自主生产两次跨越，三个方向是 AI 持续自主进化、协作贯穿研产供销服、physical AI 连成全闭环。张一甲以比特／原子 × 客观／判断的四象限收束全场：「每个象限的故事都还没有结束。」制造 AI 的胜负手，属于「既懂机理、也懂制造」的探路者，也属于先把数据之账补齐的企业。

核验说明：讲者身份按云栖官方议程校正 ASR 差异（龚家栋→龚嘉栋、刘阳星→刘阳兴、爱维→艾为、韩宏元→韩鸿源、孙世强→孙世乔等）。宁德时代灯塔工厂指标经 WEF 评价及闽东日报、中国证券报核验属实；TCL 星智 2023 年 12 月发布经财联社核验属实；西门子 Xcelerator 生态数据经官方新闻稿核验。文中标注「自报／嘉宾称／未核验」的数字与主张（TCL 27B 模型对比、艾为运行数字、西门子案例数字、GPT-6 垂域测试、替代时间梯度等）未经第三方核验，按演讲口径理解。