source：unsplash

“工业AI”是一个横跨了“工业”+“AI”的交叉领域，是人工智能技术和工业实际需求的结合。能通过数智化手段实现制造经验的快速沉淀和规模复制。可以说，在“科技战”打响的当下，对于国家安全战略影响更为直接的正是“工业AI”领域。

其中，流程工业又以其深度与广度，成为工业与AI融合的关键战场👇

source：pixabay

先看第一类玩家的长短板——

“新势力”的优势是凭借强大的云计算先发优势、IT技术开发能力、整合云网智一体等多种能力推动智能制造。

短板则是缺乏工业领域的行业积累。

行业积累可以大致理解为两点——1）有数据。2）懂数据（具备行业know-how）。

“有数据”的尴尬之处在于，大厂们作为工业领域的新入局者，是否和千行百业的工业用户有足够的信任度，让其愿意开放数据。

“懂数据”的困境则在于，即使获得了数据，但缺乏“行业know-how”这个深刻理解数据规则和意义的前提。因此即便拿到数据，也无法从中提取价值。

就像一个厨师，有好锅（云计算、大模型）、有手法（技术开发）、但就算有了食材（工业数据），也还是因为缺少配方（行业know-how），最后做出的味道也可能不尽人意。

source：pexels

再看第二类玩家——“工业自动化系统”出身的企业。

其中又可分两个阵营：一是西门子等海外“综合型工业巨头”。二是中控技术等本土工控企业。

“综合型工业巨头”的优势是不仅自己生产面向消费市场的产品，同时也是工业自动化领域的上游供应商，在装备和自动化技术上都有优势。但在面临工业AI落地的真实场景时，巨头们也存在某些无法与之对齐的困难——

工业AI不仅需要垂直领域的单点突破，更要有强大的整合通用能力。

目前，海外巨头中整合极快的当属艾默生，其已将这些年并购的软件都融到其“无界自动化平台”中。但在大模型方面，艾默生目前基本还是采用ChatGPT等大语言模型做问答交互，根据已有公开资料显示，还没有能直接为工业生产与运营做底层优化的工业AI大模型。

同时，对于其他身躯庞大的巨头而言，大多在漫长的发展过程中成立了一个个独立的业务单元（BU）。BU的优势在于可在原有软件基础上提升智能程度；但劣势同样明显，比如在做通用大模型时，由于各个业务单元各自分工，要把所有“经验”融合在一起是一个协调难度极高的系统工程——最终或只能“拼凑式”地覆盖到工业场景各板块。

可以说，类比“新势力”的缺少调料配方，“老牌巨头”属于是有调料，却头疼如何把各种食材放在一起烹饪。

更多优势都指向了“工业自动化系统”出身的本土企业。

这些深耕流程工业多年的自动化企业，正凭借“无法被弯道超车”的优势——强大的控制系统、专业知识、数据等多年积累——成为中国“工业AI”领军者。

中控技术多方面的优势都十分得天独厚。

中控科技园 source：中控技术

中控30多年前以DCS起家，是一家创新引领的中国本土企业，正转型成为工业AI领域的高科技企业。早在工业4.0初期，就以扎实的常被业内称之为“工业大脑”的“工业控制系统”为今天的工业AI夯实了地基。

中控创始人褚健教授也曾多次在公开场合提到：工业AI的核心是算法与数据，但如果没有自动化，就没有数字化，智能化也无从谈起。

由“工业自动化”迈向“工业AI”，进而实现AI时代的智能制造，是目前相对最为合理的进化路线。

以中控技术为例——在AI尚不明朗的时期，其是最早将DCS作为大脑，加上软件和知识使其变聪明的企业。

在AI出现后，又提出5T（AT自动化技术、IT信息技术、PT工艺技术、OT运营技术、ET设备技术）深度融合入大模型。

这种“创新务实”让中控技术在工业自动化领域不断攀升👇

●2024 年度，公司核心产品集散控制系统（DCS）在国内的市场占有率达到40.4%，连续十四年蝉联国内 DCS 市场占有率第一名。

●2024年公司核心产品安全仪表系统（SIS）国内市场占有率31.2%，连续三年蝉联国内 SIS 市场占有率第一名。

这些深厚的“自动化积累”让中控技术在AI技术爆发前，就打下了向工业AI进化的深厚基础——

控制系统是所有AI实施执行的硬件基础👇

控制系统也是重要的生产运行数据基座。可以理解为“工业大脑”，有得天独厚的数据收集优势。是中控技术打造“AI+数据”核心竞争力的保证。

最后，AI进化的关键，靠的就是持续不断的海量数据“投喂”。当其他企业还要花大力气“找数据”、“标注和清洗数据”用来训练AI时——如上文所说，中控扎根流程工业三十多年，本身就是一片拥有海量优质数据的海洋。

是一条长坡厚雪的AI赛道。

source：中控技术

这种“滚雪球”式的积累也意味着，一旦走过漫长的积累，在流程工业领域扎根更深的工业AI企业，将爆发出更惊人的潜力。

过去三十多年里，中控凭借在流程工业领域的3.5万家客户、10万套控制系统应用的深厚沉淀、1亿I/O点数的积累，已经聚集了大量宝贵的数据与行业know-how👇

中控技术数据护城河——

●硬件上，中控技术的仪器仪表业务板块涵盖测量仪表产品、分析仪产品、智能控制阀等多个产品系列。

●软件上，覆盖工业信息安全系统、数据资源系统、设备健康系统、产品研发管理及工艺设计系统、自主运行系统、质量提升系统、生产运营系统、安全优先系统、节能低碳系统等。

●依托广泛的用户基础和强大的软硬件产品体系，累计运行在控制系统上超过100EB的庞大工业数据量——相当于连续录制约127万年的4K高清影像，中控技术现已成为拥有流程工业各细分领域数据极为丰富的工业实时数据公司。

可以说，当AI技术爆发时，在制造业内的大部分企业还未想好怎样利用AI赋能自身时，中控技术长久以来所追求的“挖掘数据价值”和分析、利用工业数据的能力，早已为AI时代打下了扎实基础。

技术演进上——这些数据资产积淀和软硬件家底，让中控技术有底气拒绝跟风、拒绝生搬硬套，而是很自然的完成了从“自动化”到工业AI的逐步进化。

市场需求上——中控三十多年始终以“为客户创造更大价值”为目标，其每一次战略转型都和客户需求牢牢绑定——

●第一个十年，中控自主研发的中国第一代DCS控制系统，帮助国内客户从工业2.0走向工业3.0；

●第二个十年，中控开始拓展仪器仪表、工业软件等产品，成为产品门类丰富的自动化公司；

●第三个十年，中控凭借积累深厚的工业know-how，转型为价值创造的行业解决方案公司。

●现在，越来越多工业客户急需突破智能制造瓶颈——

2024年6月，中控发布新愿景新使命：成为工业AI全球领先企业，用AI推动工业可持续发展。让工业更智能，让客户更成功。这也标志着，中控正式向工业AI公司转型。

从更大视角看，与中国工业同生共长的中控技术，已自然而然地扛起了AI时代的重担，将人工智能、大模型等为代表的科技力量与自己的工业家底结合，为中国新型工业化道路助力。

这一过程中，它已再次为未来布局了什么？

04 有生态才能战未来

对于工业AI领军企业而言——“生态平台”是核心资产。大致可以这样理解：

工业AI企业所产出的“内容”，是数据基座、大模型、Agents/APPs等各类工具，并利用它们持续贴近生产运营的各个环节；

但只有将这些工具融合为一个“生态平台”后，工业AI企业才能将“内容”快速且精准地对外释放。

换句话说：生态平台一经形成，工业AI企业就能向用户灌输工具和方法论，在双方都无需投入大量成本的前提下，实现快速复制部署的目的，为用户企业创造价值。

聚焦中控技术，其已将AI战略分为两路——All in AI和AI in All，分别从不同方向推进工业生态平台的建设落地。

source：中控技术

All in AI 也就是“AI+”。

中控技术用AI、云计算、光通讯等先进技术，集中研发资源，颠覆传统技术架构、技术路线，倾力打造UCS、TPT、HGT等工业AI爆品。

●UCS（通用控制系统）以云实时操作系统NyxOS为基础的“云-网-端”极简架构，可根据需求自动调整资源的规模和容量，实现弹性和可伸缩性，提供更高的计算效率和系统的稳定性——相比于传统的DCS，更加适合AI应用。

●TPT（时间序列大模型）是基于生成式AI算法及海量工业数据训练而成的大模型，通过统一各类工业建模过程，实现装置的跨工况、高精度、高可靠模拟与预测，从而解决数据碎片化、工业应用分散等难题。

●HGT（超图大模型）是面向企业经营领域关系数据的图注意力大模型，助力企业快速构建覆盖研发、生产、供应链、销售与服务、支持保障等领域的智能应用及智能体矩阵。

如上文所说，这些工业AI爆品只是工具，在工厂操作系统supOS的加持之下，最终融合成“1+2+N”工业AI驱动的企业智能运行新架构——也就是一个“生态平台”。

在“1+2+N”新架构中，运行、设备、质量、模拟四大核心数据构成了全要素数字底座。最终支撑垂直场景中实现从“经验规则”到“AI自主”的跃迁，形成“数据驱动感知、模型赋能决策、应用闭环优化”的完整价值链，实现工业智能从局部优化到全局自治的质变。

1+2+N架构就相当于一个AI“炼丹炉”，中控将三十多年所积累的数据、算法、知识、经验，全部聚集到炼丹炉中，最后熔炼出一个在流程工业的多个行业中，具备通用性的新架构。

从架构内两个大模型中，又原生出N个Agents/APPs——比起传统工业软件，原生的Agents/APPs与大模型能够覆盖从生产到运营各环节更多场景，同时具有更强大的协同能力。

对于“懂AI”、有一定自研能力的制造企业来说，甚至可以跳过中控，自己将数据放进其中进行训练——通过持续的数据资产积累与生态协同，实现渐进式智能化升级，将“智能工厂”带入工业的“智能时代”。

source：TPT界面

AI in All 则体现出中控技术全力实现“万物+AI”的决心。

在中国巨大的工业基本盘内，要想全面铺开工业AI，进而实现智能制造，是一个既重积累、也重颠覆的系统工程。

重积累很好理解，如上文提到：数据积累、知识积累、算法积累、人才储备，以及在同行业内使用的越多，就越好复制应用——都是中控在过去三十年里积累下的无法弯道超车的优势。

重颠覆则意味着工业AI所面临的客观复杂环境——智能制造本身就是对传统制造模式的一种颠覆，但中国快速生长的工业规模也带来发展不均衡的问题。机械化、电气化、自动化、数字化并存，不同地区、行业的企业对智能制造认识不同，整体仍然趋于保守。

因此，要想用AI在中国工业领域内真正创造出一个前所未有的数智产业，就必须重新构造或者重新书写工业自动化、数字化、智能化的技术体系框架。

中控技术决定以滴水穿石的“万物+AI”做起。

比如，在传统工业软件业务中，中控技术的研发团队选择与大模型结合，将工业软件重构，形成Agent等方式，让每一个软件都更智能；

又比如PLC（可编程逻辑控制器），亦或是仪表、阀门，中控技术都想办法为其附加AI属性，利用AI技术让其更有竞争力。

而看似繁琐的“万物+AI”工作，将通过中控技术在PLC以及工业软件市场20%以上的增长率，实现规模化效应。

source：中控技术

一家自中国工业土壤中走出的工业AI企业，正展现其开放、辽阔的愿景——中控创始人褚健认为：长坡厚雪的赛道上，不可能仅靠一两家公司就“包打天下”，要靠更多头部企业合力打造出开放合作的生态平台系统。

在中控技术描绘的蓝图中， All in AI和AI in All正构建出“热带雨林式”创新生态，让更多工业企业能够选择不同进入AI的领域和方式，为中国的新型工业化铺平道路。

尾声：工业AI的新基建

大模型训练中，“语料”的数量和质量，决定了AI能力的边界。

DeepSeek的语料库中，中文语料占比3%左右。英文语料则在全球大模型的数据占比中达到90%以上——原因无他，作为全球通用语言，英文语料在数量要远高于中文语料。

因此某种程度上，在大语言模型领域，我们只能和全球其他玩家在算力、算法等技术上展开竞争。

工业领域，却是一番新天地——

中控技术的时间序列大模型TPT，宣告着中国自主的AI大模型已经能够在重点工业领域实现规模化部署——中国自己的“工业语料”，正在夯实新型工业的基础建设。

每一个智能化解决方案，都在为中国自己的工业AI大模型添加工业知识语料👇

●新能源领域，中控技术的碳能优化解决方案在大唐多伦绿氢项目中实现风光电与制氢装置的智能耦合；

●智慧化工领域，四足机器狗与轨道机器人组成的空地协同系统，正改写危险作业环境下的安全管理范式；

●人形机器人赛道，接入DeepSeek多模态模型的“领航者”系列，在化工实验室实现具身智能的突破。

当中控技术的工业AI集群渗透到更多研、产、供、销链路——“新质生产力”也从中汲取更多力量，让中国成为全球工业AI变革的中心。

主要参考资料：

[1] 一家“不做机器人”的机器人公司，正把中国机器人卖遍“一带一路”.星船知造

[2] 人工智能大模型在重点工业领域规模化部署加快.工信部

[3] “智”行数字化：打造中国流程制造业灯塔工厂 – McKinsey Greater China

[4] 《中国智能制造产业发展报告23-24》

[5] 中控技术官网、企业微信、公开年报等企业公开信息

本文基于访谈及公开资料写作，不构成任何投资建议

星船知造原创内容

未经授权，禁止转载