飞象网讯(孙迎新/文)11月13日,第二届中国工业AI大会(IAIC 2026)在杭州开幕。大会期间,中国信息通信研究院副总工程师许志远发表题为《人工智能的能力跃迁与工业AI体系的发展》的主旨演讲。

结合人工智能从生成走向行动、从数字世界走向物理世界的产业形势,许志远系统阐述了AI能力跃迁的五个阶段与工业AI体系的四层架构;同一场合,菲尼克斯(中国)投资有限公司副总裁李阳、海光信息技术股份有限公司创新产品线总经理李成,分别就控制层重构与端侧算力发表演讲。三位嘉宾从体系、连接、底座三个层面,勾勒出工业AI从能力到产线的完整路径。
能力跃迁:从生成答案到完成任务
许志远把人工智能的演进,划分为五个阶段:生成式人工智能、生成智能、推理智能,到当下以行动智能为特点的阶段,再往前就是具身自主智能与开放世界智能的阶段。
对于这五个阶段的内在逻辑联系,许志远认为,工业界应该留意当下这一阶段的性质变化,有一个明显的特征,即过去是生成答案,今天是完成任务。
这种变化有三个可观测的标志。其一是任务时长,Agent处理的任务从秒级延伸到小时级、再到天级;其二是交互方式,Computer Use让模型通过理解屏幕直接操作软件,不再依赖API接口;其三是实现语言,代码成为AI的通用实现语言,形成生成、执行、验证、反馈的闭环,大幅压低幻觉。再加上百万级长上下文,模型已经具备了稳定处理全量信息的能力。
许志远指出,值得注意的是突破的节奏,特征是定点式、脉冲式:一个领域起步时准确率或许只有二、三成,几个月后到五六成,再过不到一年跃至九成以上,到这时候所有人都变了。
他把这种压力概括为,今天之所以在某个领域里边还没有实现突破,是因为它压根可能今天还没有来得及盯上你。
压力可以促进跃迁,但跃迁有边界。许志远表示,第一个边界是验证成本。人工智能击穿的领域,大多数是比较容易验证的领域,对应的成本跟能不能很容易验证有关,但与智力门槛无关;第二个边界是与现实世界的互动,现在具身智能才刚刚起步,顶尖模型对物理世界的理解仍不够准确。
由此,许志远给出一个判断:AI该用在高度不确定的地方,而不是已经很可靠的环节。他发出一个疑问,人家原来本身就做得很好,你干嘛用AI去替代呢?
他建议用四个问题去找场景:最复杂的优化、最不确定也最昂贵的不确定性、最稀缺的专家判断、最危险的人工环节。
围绕这些场景,许志远列出六个赋能方向:降低工业软件开发与迁移门槛、把现场经验转化为可验证的工业知识、从设备接入走向跨系统求解、在虚拟世界验证方案、把经营目标转化为生产决策、把工艺能力沉淀为可迁移资产。
控制层重构:AI进入生产回路的最后一公里
如果说许志远搭的是上层骨架,那菲尼克斯(中国)投资有限公司副总裁李阳谈的就是骨架如何落到地面,他认为工业AI支撑落地的难点,更多地体现在控制层。
李阳表示,约六成企业的AI项目落地遇到困难,成本大量花在数据准备上;企业可应用的数据只占三成左右,其余逾六成沉睡;企业AI建设成本的五到六成发生在数据治理上。
因此他强调,工业现场还有一堆硬约束:对性能与可靠性要求极高、多系统待集成、数据源分散、管理体系成熟度不一、投入产出比难算。
数据成了问题之源,李阳指出,数据质量有六个维度,其中完整性、准确性、一致性、有效性在数据产生的那一刻就被决定了。后置数据治理,只能是改善你看得见的这些已有的数据;但是它其实对于丢失的这个数据、本来就是错误的数据,是没有办法去做这个调整的。
他认为,传统工控的结构性缺陷正在于此:每经过一层就复制一次、重构一次数据。为此,他提出的替代方案是,让所有应用运行在同一计算环境、共享同一数据源,控制层用虚拟控制对接现场,数据只传一次、副本唯一。配套需要三项能力:确定性传输,保证收到的事实与真实一致;数据自带工程单位、量纲与质量码;免网关、不损失。
李阳进一步表示,菲尼克斯的PLCnext正是这一思路的载体:控制运行时从专用硬件中抽离,可部署到服务器、公有云或嵌入式芯片,同时支持IEC 61131-3与Python、C++等高级语言。
他强调了这不是替代,安全场景仍用专用控制系统,秒级以上、中等速度、小决策的系统才会向统一算力收敛。
这套系统落地已有样本:储能厂商用统一控制策略适配全球不同硬件,半导体设备把控制体积从7厘米级压到35毫米,与联通发布的5G仿真一体方案、部署在鲲鹏与openEuler上的国产化技术栈,都指向同一个方向。
针对工业AI的发展趋势,李阳判断:越靠近物理世界,它越来越标准化;未来最接近人的使用界面,可能更多是个性化的。
算力筑基:端侧芯片托住工业AI的底座
工业的发展、AI的突破,从根本上看都离不开能源的支撑。
因此,海光信息技术股份有限公司创新产品线总经理李成的切入点是能源。他表示,当前我们的发电量已超10万亿度,220千伏以上高压输电线路超过200万公里,工业领域年投资逾1万亿元,其中智能化改造约1.5万亿元。从发电侧到表后市场,每一环都要核算成本:光伏要预测天气与电网环境,储能要协同有功无功,AI训练本身更是用电大户。
李成认为,能源生产的判断并不是简单地算得过来就行。这涉及到工业端侧的三项基础需求:检测与分析必须在现场在线完成;工业软件要在户外、恶劣环境下长期稳定运行;海量软硬件与操作系统需要兼容,从软硬件生态角度看,当前x86生态仍占主导。
他表示,海光想解决的不只是性能,还有供应链的稳定。缺芯与被少数厂商垄断的处境相关,需要有人平抑供应与价格的波动。而生态与安全,则是另外两条腿:内生安全体系覆盖可信执行环境、安全启动与数据执行保护;面向工业的软件团队,开发中间件与平台,并联合端侧AI厂商共建评测数据库。






