移动通信网 赵哲超
2026年以来，制造业AI落地正从狂热进入冷静期。Gartner、Deloitte、MIT NANDA、McKinsey等机构陆续发布的企业AI研究显示了一个高度一致的事实：企业对GenAI和AI Agent的投入热情居高不下，但从POC（概念验证）真正进入生产环境的项目比例仍然很低，大量AI项目在演示结束后便被搁置。典型场景几乎千篇一律：企业接入大模型、搭建知识库、挑选几个业务场景跑通POC、再开发几个Agent，Demo演示效果通常不错，但真正进入车间后，生产流程并未发生实质变化——工程师不会因为多了一个对话框就少看几张趋势图，设备异常仍需人工翻查历史数据，模型给出判断后仍要工艺、设备、自控多部门交叉确认。格创东智基于多年设备工程现场项目经验，将当前制造业AI落地的失败模式归纳为三大陷阱：先找AI场景而未对准业务痛点、大模型接上了但工业软件不具备AI调用能力、工业数据齐全却未转化为AI“可执行的上下文”。这三大陷阱共同指向一个结论：模型能力不是瓶颈，缺的是让模型进入工业现场的工程系统。
【关键数据】
[1] 2026年Gartner、Deloitte、MIT NANDA、McKinsey四家机构发布制造业企业AI研究报告
[2] AI原生五化架构：接口化、语义化、事件化、自动化、安全可控
[3] 格创东智开放100个免费使用名额，48小时内完成筛选
[4] 制造业AI核心评估指标6项：良率、停机、波动、能耗、误报、工时
[5] 软测量模型以“只读”方式进入控制环路的渐进式放权安全机制
从技术原理看，格创东智PreMaint设备智能工程（EES）的核心设计思路，是“不是给设备软件外挂一个AI，而是先把设备工程本身改造成AI能用的软件”，具体落地为“AI原生五化”架构。第一是接口化，让AI“有手”——将采集、监控、告警、诊断、报告、模型训练等原本需要人在页面上操作的功能全部封装为Agent可调用的接口；第二是语义化，让AI“看得懂”——工业现场大量测点编码、设备编码、变量名（如TC-01-04）对大模型是黑盒，EES通过组织设备、部件、测点、异常、工况之间的语义关系，让Agent理解“3号搬运机器人最近不太对”该去哪里取数、看什么数据、跟谁比较；第三是事件化，让AI主动发现问题，状态变化主动进入流程而非人找系统；第四是自动化，将选样本、训练、比对、发布、监视等重复工程动作标准化编排，实现“一机一训、一机一模”；第五是安全可控——控制命令必须经过统一智控通道，联锁状态、自动/手动模式、操作权限、模型发布门禁全程可见可控。以搬运机器人扭矩异常检测为例，过去工程师需手动完成扭矩波形提取、正常样本筛选、底层模型选择、参数配置、训练、效果验证、发布全流程，现场若有几十台甚至几百台同类设备，重复工作量巨大；在EES架构下，系统对每个动作节拍的扭矩波形自动计算异常得分，重复流程交由Agent执行。
从市场格局看，制造业AI的POC困局已成为行业性现象。McKinsey等机构研究显示，企业GenAI项目从试点到规模化生产的转化率长期低迷，大量项目停留在“演示完就吃灰”的阶段。当前市场上制造业AI方案可分为三类：第一类是大模型厂商输出的通用能力，以对话入口和知识库为主，缺乏工业语义和安全边界；第二类是传统工业软件商在既有产品上叠加AI插件，本质是“给软件加聊天框”，工程师使用几天后便会发现AI只能查数不能干活；第三类以格创东智EES为代表，从设备工程底座层面重构软件架构，让AI原生嵌入采集、监控、诊断、模型工程和控制链路。三类方案的差异化在于：前两类回避了工业现场最硬核的数据语义、重复工程动作自动化和安全联锁问题，而这三点恰恰是制造业付费意愿的真正来源——良率、停机时长、参数波动、能耗、误报率、工时六项硬指标。格创东东智的判断是，制造业不缺更聪明的聊天机器人，缺的是让AI进入设备工程的载体，这一判断与Gartner关于AI Agent需与企业既有系统工程深度集成的方向一致。
从产业链角度分析，制造业AI落地横跨三层：上游的数据采集层（传感器、PLC、SCADA、DCS）、中游的工业软件层（MES、设备管理系统、数据中台）、下游的AI模型层（大模型、异常检测模型、软测量模型）。格创东智EES的产业定位处于中游向下游的枢纽位置，其产业链价值在于打通三层之间的断裂带。典型痛点包括：实时量在一个系统、报警在另一个系统、配方在MES里；早几年上的设备用一套协议，后来买的产线用另一套协议——工程师做一次完整判断需要跨A系统看趋势、B系统查报警、找不到配方再打电话问现场，人工尚且如此，Agent更无法运行。EES的解法是将散落的设备工程能力统一收敛到一个底座：采集进统一测点，设备状态、报警、配方、工况之间建立上下文，监测、诊断和模型工程共用同一套设备语义。在成本结构上，这种底座化方案改变了AI项目的投入逻辑——传统POC模式下，企业为模型接入、知识库搭建、场景试错反复付费，而底座化方案将沉没成本转化为可复用的工程资产：一次语义化建模可服务多个AI场景，一套接口化改造可支撑多类Agent，边际成本随场景增加而递减。目前格创东智开放100个免费使用名额，优先面向老客户和已完成AI试点、希望推动AI嵌入一线生产的企业，报名后48小时内完成筛选。
商业化进展方面，格创东智在设备工程领域已形成可验证的落地方法论。以烘箱水分控制场景为例：现场的真实痛点是水分波动大、化验结果反馈慢、参数调整高度依赖班长个人经验。EES的项目目标不是“做一个懂烘箱的大模型”，而是把水分控制得更稳——具体拆解为四步：实时获取过程量、识别与水分相关的变量、基于历史数据建立软测量模型、定义模型建议进入控制的边界条件（何种条件下允许自动调节、何种条件下必须退回人工）。项目最终交付的价值不是AI本身，而是水分更稳、人工调节减少、老师傅经验被系统化沉淀。在AI参与控制的安全设计上，EES采用渐进式放权策略：软测量模型初期以“只读”方式进入控制环路，可以判断、可以给建议，但不能因模型认为阀门应开大就绕过既有控制体系直接写阀；只有当联锁状态可见、权限可管、模型发布有门禁、回退机制完整的链路建立后，AI才从“我觉得有问题”走到“我已完成诊断、这是建议动作、满足条件后可执行”。格创东智内部用三个问题筛选场景：谁在痛、每天在重复做什么、最后能改善哪个指标——三个问题说不清，模型先不上。这套方法论已通过PreMaint形成产品化输出，覆盖设备、采集、监控、诊断、寻优、模型工程、Agent协同全链条。
行业趋势层面，2026年制造业AI正经历从“模型竞赛”向“工程竞赛”的转向。大模型和Agent技术的迭代速度依然很快，但Gartner、Deloitte等机构的调研数据表明，制约AI进入生产环境的因素已从模型能力转向数据治理、系统集成、安全边界等工程问题。格创东智提出的“高铁比喻”形象概括了这一阶段特征：企业已经把性能优异的高铁买了回来，但轨道、信号、调度、制动和安全边界没有准备好，高铁依然跑不起来。企业动向也印证了这一趋势：头部制造企业的AI采购标准正在变化，从看Demo效果转向考察供应商能否打通设备语义、能否自动化重复工程动作、能否在联锁和权限框架内实现可控调节。对工业软件行业而言，这意味着一轮架构重构的窗口期——传统“人点页面”式软件将逐步被AI原生软件替代，“人能点不代表AI能调”正成为新的产品设计准则。对制造企业而言，AI投资的评估逻辑也在回归制造业本质：最终认的还是良率、停机、波动、能耗、误报和工时六项指标，AI只是解决这些问题的工具。格创东智的实践给出的行业启示是：场景先痛点后模型、系统先五化后对话、通路先打通再谈自动化——设备从“有数据、能监控”走到“看得懂、查得到、可诊断，该调节的时候调得动”，才是制造业AI落地的完整路径。
