量子位对话：工业 AI 落地难在非标，平台与生态成规模化关键
两位从业者用真实案例说明：工业 AI 的瓶颈不在模型，而在于把高度非标的现场做成可重复交付的产品，平台和生态负责连接与放大。
视觉检测、质量控制、设备运维、工艺优化正在进入产线，直接和良率、OEE（设备综合效率，衡量设备实际产能与理论产能之比的指标）、产能挂钩。但工业现场数据少、难获取、涉及工艺机密，方案换一家工厂就得重新适配。本期量子位对话邀请西门子 Xcelerator 中国销售与生态成功负责人顾欣、阿丘科技创始人黄耀，梳理工业 AI 从单点落地到规模复制的完整链路。
正文摘录
视觉检测、质量控制、设备运维、工艺优化……越来越多 AI 能力开始进入产线，直接和良率、OEE（设备综合效率）、产能这些工业指标挂钩。 那到底什么样的 AI 才适合工业现场？一个成功项目，怎样从一家工厂复制到更多工厂？平台和生态，又能在这个过程中发挥什么作用？ 新一期量子位对话节目，我们邀请了 西门子 Xcelerator 中国销售与生态成功负责人顾欣 ，以及 阿丘科技创始人兼 CEO 黄耀 ，从真实案例出发，把工业 AI 从落地到规模化这条链路完整捋了一遍。 晶圆需要被切成一个个芯片或芯粒，但到了微纳尺度，来料差异、表面纹理、型号变化，都会影响设备性能。再加上不同客户要求并不完全相同，设备运行过程中经常需要工程师介入，处理预警、停机和参数调整。 阿丘科技先用多模态模型提升识别精度和泛化能力，再进一步把设备工程师积累的部分操作经验沉淀进智能体，让 AI 从发现问题延伸到分析、处理问题。 在黄耀介绍的案例中，导入智能体技术后，设备 OEE 和产能可提升 25% 左右。用他自己的话说： 顾欣随后把这层区别说得更明确：“它最关键的一点，就是 必须具备工业级的可靠性 。” 但当这些指标真的被跑出来以后，新的问题很快就来了：在一个工厂里有效的方法，换一家工厂还能不能继续成立？ 在他看来，工业看起来是一个巨大市场，但真正拆开之后，却被不同门类、不同场景、不同工艺切成了一块一块。 互联网数据可以集中收集，工业数据却往往数量少、不好拿，还涉及工艺和商业机密；模型到了另一个现场，又得重新适配新的设备、参数和系统。 顾欣也认同，工业不是一个天然完全标准化的世界。甚至同一家企业的不同工厂之间，都可能存在差异。 工业 AI 从 1 走向 100，考验的已经不只是模型泛化能力，更是能不能把一个高度非标的系统，逐渐做成可以重复交付的产品。 连接器，是把好的技术接到真实客户需求和应用场景里；