让数十年制造实践积累的厚度，成为新一轮技术创新的高度。
自生成式AI取得突破性进展以来，“AI+”几乎成为所有企业的转型命题。但在这个过程中，越来越多企业发现，给原来的产品、岗位和流程加上AI前缀，很难达到期望的效果。
今年8月，美团核心本地商业CEO王莆中复盘内部AI应用时，就分享了一段不算顺利的起步经历：年初推动全员尝试后，token账单迅速上涨，模型产生的错误还干扰了实际经营。此后，公司逐步将重心转向高价值场景，以及业务、组织和技术之间的协同。
这段复盘的意味在于，美团恰恰是一家成功把握了上一轮技术变革的企业，它在移动互联网浪潮中成长，借助数字技术重塑了本地生活服务，但即便如此，面对新一轮AI浪潮，它同样需要经历试错，重新寻找技术投入、业务目标和组织协作之间的配合方式。
新技术改变了业务发展的条件，过去行之有效的战略判断和执行方式，都要随之进行重新校验。这也是为什么越成熟的企业，可能越难适应AI转型，因为过往的成功经验，在这个时候可能形成路径依赖，成为更难翻越的转型障碍。
中控技术从自动化公司走向工业AI公司的探索，或许是另一个值得观察的样本。
这家成立于上世纪90年代、DCS（集散控制系统）连续15年国内市占率第一的工业自动化龙头，正试图在巅峰时刻主动“革自己的命”，从自动化公司转向工业AI公司。10月16日，中控技术与镇海炼化、万华化学在宁波联合主办的工业AI成果发布会，引起了业内的广泛关注，其在流程工业批量化的工业AI应用展示，是创新技术阶段性成果的集中呈现。
作为一家从工业自动化起家的公司，中控技术依靠控制技术、工业软件和工程交付能力，在炼油、化工等复杂生产现场建立了绝对领先的位置。如今，它正尝试将长期积累的行业经验进一步转化为大模型、工业智能体以及持续服务能力，继续拓宽自己在AI时代的能力边界。这为观察成熟企业如何在AI时代翻越过去的成功，提供了一个窗口。
当过去的成功，成为今天的惯性
相比在新一代技术浪潮中跑出的原生企业，像中控技术这样的成熟企业，无疑已经积累了稳定有效的经营方式，但在面向未来的转型中，这些沉淀有可能成为继续发展的包袱。因为技术、产品与客户关系已经经过多年积累，背后也形成了相应的资源分配和协作习惯。即便新的方向能形成一套逻辑闭环的战略，但当真正落地到日常运转中，也会因为惯性而变得难以实现。
这样的处境，在过往的技术变革中也常有发生。2009年，诺基亚推出N97，试图以这款旗舰产品回应iPhone带来的竞争。后来一位高管在公开回顾中坦陈，这款产品的质量实际上没能达到预期。
彼时，高层希望能尽快推出有竞争力的产品，中层和工程师则面对着开发中的实际困难。后来的组织学者研究发现，中层对地位和资源的担忧降低了他们汇报负面信息的意愿，也让高层对公司的技术能力形成了过于乐观的判断。
诺基亚不是没有看到技术变革下的竞争威胁，而是从看到趋势变化到作出有效调整之间，隔着一整套已经运转多年的决策与执行方式。过往的运转体系曾让诺基亚按时推出产品、团队完成目标、管理者获得回报，但当竞争重点转向软件能力时，同样的压力反而促使它优先解决眼前的产品问题。
多数成熟企业的转型，都经历过类似的拉扯：一边是成本可估算、销售可预测、团队知道怎样完成的既有业务；另一边是尚待验证、需要反复试验，甚至要先改变产品和商业模式的新方向。
事实上，不止美团，腾讯、百度等大厂在这轮AI浪潮中也面临“后劲不足”的外部质疑，这说明转型牵动的不仅仅是技术能力本身，还同时牵动着战略判断、资源分配、人才培养与组织协作。企业越成功，这些要素往往就与既有业务结合得越紧密，任何细微的调整都更容易牵动整个体系，也因此更难实现大象转身。
中控创始人褚健此前也曾公开表达对这种现象的警惕。他认为，企业的生命力取决于对未来的判断、对技术研发的投入，以及对客户需求的响应与敏感度。他主张管理者要给风险可控的尝试留下空间，并宽容失败。
对成熟企业而言，过去的成功越有说服力，就越需要给新的判断和做法留下空间。翻越过去的成功难就难在，在旧方法仍然能带来回报时，就要开始作出改变。
翻越成功，中控技术做了什么？
放在这样的背景下，观察中控技术的转型有了更清晰的线索。它已经拥有进入工业现场的技术与客户基础，接下来需要判断，这些积累在AI时代还能支撑怎样的未来。
战略路径：从DCS龙头到工业AI公司
“ALL in AI”是一个不难做出的大方向判断，但对成熟企业来说，真正有分量的决策发生在更具体的地方。AI可以用来提升研发和交付效率，也可以融入现有控制系统与工业软件。资源的投向最终决定了企业转型后的模样。
中控技术的选择是把AI转型的关键切口，放在时间序列数据和生产过程上。
这和中控技术过去三十多年的业务积累紧密相关。一家炼厂大概率不会因为模型能够流畅回答问题，就将生产过程与之深度绑定。工业客户真正关心的仍然是装置能否稳定运行，原料变化之后怎样平稳调整操作，以及质量、能耗和产量之间如何取得更好的平衡。这些问题，中控技术并不陌生。公司过去的控制技术、工业软件和工程经验，大部分就围绕着解决这些问题展开。这让中控技术有充分的理由沿着生产过程继续投入。
但熟悉客户的问题，并不意味着新技术天然有效。AI能在既有技术之外增加多少价值，又能否降低应用对专家经验的依赖，都需要在实际生产中证明。
技术路线：TPT+UCS=AOP
在具体的技术转型上，中控技术的选择是将模型的分析预测能力与已有控制技术结合，让AI逐步参与生产过程中的判断与调整。
所以，中控技术没有随波逐流地选择大语言模型，而是基于流程工业企业的特性，另辟蹊径，走向了以历史时间序列数据为训练基础的时间序列大模型TPT(Time-series Pre-trained Transformer)的自研之路，该模型在未见过的新序列上也能进行准确预测或分析。与传统方法（如ARIMA、LSTM）不同，时间序列大模型强调泛化性、通用性和可扩展性，能够处理多变量、多任务和跨领域的时间序列问题。中控技术研发的TPT，处理的是温度、压力、流量等随时间变化的工业时序数据。这些数据记录着装置的运行状态，也是理解生产过程的重要依据。TPT通过预训练建立基础能力，再结合具体装置的数据与工艺特点进行适配，以模拟、优化、预测等核心能力，支撑装置向自主运行演进。
沿着这条路线，AI能够进入中控技术熟悉的业务场景，但过去的经验并不能直接变成模型能力。同样一次温度上升，在不同装置、不同生产阶段可能意味着不同问题；调整一个参数，也可能同时影响产量、质量和设备状态。模型需要结合工艺知识理解这些变化，给出的建议还要符合设备能力、工艺要求和安全约束。
这正是转变的难处。工程师能够根据经验处理一次异常，不代表软件就能在不同工况下重复完成同样的判断。经验需要整理，数据需要治理，哪些方法可以复用、哪些情况仍需专家介入，也要经过持续验证。工业积累为模型应用提供了基础，但转化为稳定的产品能力，仍有大量工作要做。
分析之后还有执行。预测出指标的变化，并不会自动改善生产，相关判断还需要转化为合适的操作。中控技术的通用控制系统UCS(Universal Control System)承担连接现场设备、执行生产控制的工作，为模型能力进入实际生产提供了基础。
基于TPT和UCS融合的价值，中控技术提出的自主运行工厂系统AOP(Autonomous Operating Plant)，把这些环节连接了起来：AOP可将分析预测与控制执行衔接，再通过实际运行结果检验效果，逐步提高工厂的自主运行能力。模型的建议能否用于现场，仍需要相应的专业判断、验证与授权。过去的控制技术与工艺经验仍然重要，只是需要与模型能力更紧密地结合，共同支撑工厂运行。
更难的一步，是将这种配合推广出去。不同工厂的设备、工艺和运行条件存在差异，一套方法在某个项目中有效，并不意味着可以直接搬到另一个现场。中控技术需要从项目中提炼能够复用的模型能力、知识和实施方法，同时保留针对具体装置的适配。
人才管理：首先是人的观念转型
这一难题也让研发与交付之间的关系发生变化。现场团队发现的问题，需要反馈到产品中；研发形成的新能力，也需要经过更多场景检验。人才与组织的调整，由此成为技术推广过程中需要解决的实际问题。
人才层面，褚健曾把这一层概括为：“企业AI转型，首先是人的观念转型。”过去各部门像经营“盲盒”，AI融入流程后，经营状态更透明，改进空间更容易被定位；但前提是管理者先完成认知迭代，在内部形成AI氛围，再带动中层和员工。人才转型不是给旧岗位加AI前缀，而是让全员具备AI思维和AI能力。
组织适配：让知识、权限和责任重新匹配
在组织层面，中控技术成立工业AI事业群，重新梳理业务流程与技术人才结构，把算法研发、工程实施、行业专家放在同一组织单元，形成“需求-算法-上线-迭代”的闭环链条。中控技术董事长兼总裁崔山在接受媒体采访时就曾表示，为适应工业AI战略转型，公司不仅调整技术路线与产品研发，也在组织架构、人才储备、能力建设、研发投入和市场拓展等方面加大投入。
这些调整基于的是AI原生需求和液态管理目标，能否奏效，无法通过组织架构图验证，项目的落地情况依然是最终的试金石：现场问题能否及时进入研发，有效方法能否被其他团队采用，以及销售、交付和服务是否对客户使用后的效果形成共同认识。
这也是中控技术转型中相互牵连的一部分。选择进入生产过程，就要解决技术可靠性；希望扩大应用，就要提高产品复用能力；要把现场经验持续转化为产品，人才与协作方式也必须跟上。
翻越之后：中控技术走到哪一步？
从目前的情况来看，中控技术的转型已经得到了验证。本次发布会上的标杆案例给出了具体的回答。
在万华化学宁波氯碱基地，基于TPT大模型这一智能中枢，实现装置报警总量下降50%、预警准确率超95%；废水处理、精准投料、电解负荷调配等工序实现自主运行，年创造价值超千万元。这些变化让工业AI的价值落到了具体的生产环节，也让中控技术的技术投入有了可以衡量的应用结果。万华化学的工业AI实践正在从宁波基地单点优化，复制推广至烟台、福建等全国生产基地，落地集团级“自主运行工厂”——回答了“能不能复制”。
京博集团正在将TPT工业AI基座平台与流程制造深度融合，推动中试平台与工业生产数据－业务融合，建设领航级智能工厂和高标准数字园区；目前京博石化炼油装置已实现工艺异常提前5-30分钟预警、报警次数降低90%、单套装置年综合经济效益超500万元，未来将拓展至炼油岛、化工岛、新材料岛、公共岛等更多装置与场景的全链路闭环优化——回答了“AI能不能从单点进入核心生产，并走向多装置协同”。
针对煤化工碳排压力较大的痛点，中控技术携手中国中煤，探索工业AI在煤化工生产核心环节的深度应用。双方基于TPT大模型，在中煤远兴构建了“煤质预测—风险预警—生产优化”的决策链路，实现单炉综合经济效益提升800多万元，年减排CO₂约7000吨——回答了“AI能否在煤化工高碳排核心环节形成可量化的经济与环境价值”。
此外，中控技术的AI应用也深入炼化生产关键环节。TPT大模型为镇海炼化探索构建了围绕石化企业核心目标“安全、质量、低碳、效益”的全价值链智能化场景，并形成了“内操智能化、外操无人化”协同推进的运行成效——回答了“世界级绿色石化基地如何用AI实现全链增效”。
四个案例覆盖民企、国企、央企等不同所有制客户与工艺场景，验证中控技术的能力可适配不同客户类型与工艺条件。从单个装置到更多生产场景，中控技术正在尝试将现场经验转化为能够推广的产品能力，沿横向复制与纵向扩展两条路径持续推进工业AI规模化落地。
跨基地推广，也让中控技术的技术与组织调整有了更具体的检验标准。已有模型和实施经验到底能复用多少，新现场的问题又能否推动产品改进，如果每个项目仍需从头摸索，应用范围的扩大就很难转化为交付效率的提升。未来中控技术需要在持续落地中证明，项目经验能够逐步成为更多团队可以使用的能力。
据公司介绍，TPT工业AI基座平台与AOP系统已跨行业、跨装置复制至29个细分行业，并在企业内持续拓展应用深度与广度。可以看到，业务上的进展已经开始在财务数据中得到体现。2026年前三季度，中控技术工业AI业务收入达到6.19亿元，其中第三季度单季收入2.35亿元，创历史新高。对于一家从自动化起家的企业，这意味着新的技术方向已经开始形成实际收入，而不再只是研发投入和产品布局。
本次成果发布会上，中控技术分别与华为、国家人工智能应用中试基地（制造领域石化化工方向）、阿里云等产业链伙伴达成合作签约，并正式发布工业AI数据联盟共建数据集和工业AI数据共享社区。这是组织内部能力外溢、走向生态协同的标志——数据联盟让跨企业数据安全流通，生态协同加速模型迭代和批量应用。由此，翻越过去成功的意义，不只是节省旧业务的成本，也可能是扩大企业能够解决的问题范围。
这些变化正在为资本市场理解中控技术提供新的依据。过去，观察中控技术的增长，主要看它在自动化领域的竞争地位，以及下游工厂建设、改造所带来的需求。随着工业AI进入客户的日常生产，公司有机会在同一座工厂中持续提供优化服务。增长空间由此向投产后的长期运行延伸，客户关系与收入来源也可能随之变化。
事实上，资本市场对中控技术的估值，已经隐含了“工业大模型核心标的”的预期，这意味着市场并不怀疑工业AI的长期方向。当前最现实的考验，集中在两个核心问题：一是估值能否被真实的业绩增速消化？二是AI在复杂的核心生产装置里，到底能不能跨过“单点样板”的鸿沟，实现规模化复制？
结合前文所述的业务数据与落地案例，中控技术正在用事实作答：一方面，工业AI收入的持续放量，初步兑现了业绩落地的预期；另一方面，从核心装置的横向复制到全价值链的纵向延伸，有效缓解了市场对“AI只能做外围辅助、无法规模复制”的担忧。支撑中控技术估值的核心逻辑，正从“AI概念的想象空间”，逐步向“规模化复制的真实业绩”切换。
把中控技术放回到更广阔的行业背景中会看到，它的探索也让成熟企业在AI时代的机会变得更具体。
AI的发展，让成熟企业不得不重新面对自身积累的价值。行业知识、客户关系与长期积累的业务经验，过去主要通过既有产品、服务和工作流程发挥作用，如今有机会进一步进入模型与软件，被更多岗位和场景使用。
中控技术之所以值得作为一个样本观察，并不只是因为它推出了工业AI产品、扩充了技术栈，更在于它拿出了推动技术、业务与组织全面调整的魄力，尝试将三十多年的工业积累转化为新的竞争力。对于成熟企业而言，这也是AI转型的深层考验：既要有长期扎根行业的积累，也要有重新审视成功经验、改变既有运转方式的勇气。
三十年前，国产DCS的探索，承载着中国工业掌握关键控制技术、建立自主能力的期待。三十年后，工业AI又将新的时代命题摆在中国企业面前：能否把庞大制造体系中积累的生产经验、工艺知识与工程能力，转化为塑造下一代工业技术的创新力量。这不仅关乎技术突围，更连接着一个广阔的蓝海：中国拥有超60万亿元营收的流程工业底盘，对应着数十万套待升级的存量装置。据测算，中国工业AI市场规模将在2030年突破3000亿元，年复合增长率超25%。而目前，AI在流程工业核心生产装置中的深度应用仍处于起步阶段，距离规模化普及尚有巨大空间。谁能率先完成能力沉淀，谁就能在这个数千亿级的增量市场中占据先机。
翻越过去的成功，其深层意义也正在于此：让数十年制造实践积累的厚度，成为新一轮技术创新的高度。中控技术的探索，为这一转化提供了一个具体样本。沿着这样的路径，中国工业接下来将从深厚的制造积累中源源不断地孕育出新的技术能力，为全球工业智能化继续贡献来自中国的技术与经验。
